Acelerador de detección de fraude con AWS SageMaker

Resumen de las soluciones

Las instituciones financieras enfrentan riesgos crecientes de los cibercriminales, incluyendo hackeos de alto perfil y transacciones fraudulentas. Los incidentes cibernéticos socavan la confianza del cliente y pueden resultar en pérdidas financieras significativas para las empresas. Las empresas luchan por implementar sistemas seguros, debido a las limitaciones de los sistemas de fraude heredados, que incluyen:

• Visibilidad de datos incompleta: falta de acceso a fuentes de datos relevantes para la detección de patrones.

• Latencia en los sistemas antifraude: Falta de capacidades de procesamiento en tiempo real que provoca retrasos en la detección del fraude.

• Protocolos de seguridad débiles: Seguridad obsoleta que expone vulnerabilidades a ataques cibernéticos.

• Expansión técnica: tecnologías diversas que complican el mantenimiento y las actualizaciones.

• Poca colaboración en equipo: enfoques aislados que conducen a respuestas demoradas.

Para superar estos desafíos, las empresas financieras pueden utilizar soluciones de análisis en tiempo real basadas en MongoDB Atlas y Amazon SageMaker Canvas. Estas herramientas ofrecen sólidos sistemas de detección de fraude que utilizan los datos más precisos disponibles para sus operaciones.

En este sistema, MongoDB Atlas almacena los datos operativos y procesa transacciones de gran volumen. Mientras tanto, Amazon SageMaker Canvas utiliza IA sofisticada y herramientas de aprendizaje automático (ML) para potenciar análisis avanzados para la detección de fraudes.

Arquitecturas de Referencia

A continuación se muestra la arquitectura utilizada para compilar esta solución de detección de fraude. La arquitectura incluye una solución integral para detectar diferentes tipos de fraude en el sector bancario, incluyendo la detección de fraude con tarjetas, la detección de robo de identidad y la detección de fraude al consumidor.

El diagrama de arquitectura ilustra el entrenamiento del modelo y la inferencia casi en tiempo real. Los datos operativos almacenados en MongoDB Atlas se escriben en el bucket de Amazon S3 utilizando MongoDB Atlas Triggers. Una vez almacenados, los datos se utilizan para crear y entrenar el modelo en Amazon SageMaker Canvas. SageMaker Canvas almacena los metadatos del modelo en el S3 almacena y expone el punto final del modelo para inferencia.

haga clic para ampliar

Figura 1. Arquitectura de detección de fraude

Enfoque de modelo de datos

Los datos se dividen en dos archivos separados:

• transacción

• Identidad

Estos archivos están conectados a través del TransactionIDSin embargo, no todas las transacciones incluyen detalles de identidad asociados.

Con base en los dos conjuntos de datos anteriores, prepare una unión de prueba en TransactionID y agregue la columna de destino como Fraude.

Datos cortesía de Kaggle.

Source Table1: Transaction
TransactionID,
TransactionDT,
Card_no,
Card_type,
Email_domain,
ProductCD,
TransactionAmt,
Transaction_ID
Source Table2: Identity
TransactionID,
IpAddress,
PhoneNo,
DeviceID,
Location,
Name,
Address
Test Data:
TransactionID,
Card_no,
card_type,
Email_domain,
IpAddress,
PhoneNo,
DeviceID,
ProductCD,
TransactionAmt,
isFraud

Compilar la solución

La guía detallada paso a paso para compilar esta solución está disponible en este repositorio de Github. A continuación se presenta una visión general de los pasos realizados:

1. Configure el bucket S3 al que deben exportarse los datos de MongoDB Atlas.

2. Configura un clúster de MongoDB Atlas.

3. Configurar activadores y funciones de MongoDB Atlas.

4. Configura el dominio de Amazon SageMaker.

Lecciones clave

• Desarrollar soluciones de detección de fraude en tiempo real: MongoDB Atlas maneja grandes cantidades de datos en un esquema flexible que permite a las instituciones financieras capturar, almacenar y procesar datos transaccionales de gran volumen en tiempo real.

• Actualizar modelos de detección de fraudes: El procesamiento en tiempo real con el pipeline de agregación de MongoDB garantiza que los modelos se entrenen continuamente con la información más actual y relevante disponible. Esta capacidad proporciona a la institución financiera una herramienta poderosa para crear un sistema robusto de detección de fraudes.

• Integra sofisticadas herramientas de IA y aprendizaje automático: MongoDB se integra con servicios externos, como Amazon SageMaker, que ofrece soluciones de IA y aprendizaje automático en una plataforma sin código. Esta interfaz amigable para el usuario hace que los modelos sean accesibles para los analistas, permitiéndoles generar fácilmente predicciones precisas de aprendizaje automático para clasificación, regresión, pronóstico, procesamiento de lenguaje natural (PLN) y visión por computadora (VC).

Autores

• Babu Srinivasan, arquitecto de soluciones de socios en MongoDB

• Igor Alekseev, Partner Solutions Architect en AWS

Obtén más información

• MongoDB y Hasura para servicios fintech modernos

• Acelerador de soluciones de modernización de pagos

• Acelerador de solución contra fraudes de tarjetas en tiempo real