Acelerador de detecção de fraudes usando o AWS SageMaker

Visão geral das soluções

As Instituições financeiras enfrentam riscos crescentes de cibercrimes, incluindo ataques de alto perfil e transações enganosas. Os incidentes cibernéticos abalam a confiança do cliente e podem resultar em perdas financeiras significativas para as empresas. As empresas lutam para implementar sistemas seguros, devido às limitações dos sistemas de fraude legado , que incluem:

• Visibilidade de dados incompleta: falta de acesso a fontes de dados relevantes para detecção de padrões.

• Latência nos sistemas de fraudes: falta de recursos de processamento em tempo real que causa atrasos na detecção de fraudes.

• Protocolos de segurança fracos: segurança desatualizada que expõe vulnerabilidades a ataques cibernéticos.

• Expansão técnica: diversas tecnologias que complicam a manutenção e as atualizações.

• Má colaboração da equipe: abordagens isoladas que levam a respostas atrasadas.

Para superar esses desafios, as empresas do sistema financeiro podem usar soluções de análise em tempo real fornecidas pelo MongoDB Atlas e pelo Amazon SageMaker Tela. Esses FERRAMENTAS oferecem sistemas fortes de detecção de fraudes que usam os dados mais precisos disponíveis para suas operações.

Neste sistema, o MongoDB Atlas armazena os dados operacionais e processa transações de alto volume. Enquanto isso, o Amazon SageMaker Lona usa IA sofisticada e aprendizado de máquina (ML) FERRAMENTAS para alimentar análises avançadas para detecção de fraudes.

Arquiteturas de referência

Abaixo está a arquitetura usada para criar essa solução de detecção de fraudes. A arquitetura inclui uma solução de ponta a ponta para detectar diferentes tipos de fraude no setor bancário, incluindo detecção de fraudes com cartões, detecção de roubo de identidade e detecção de fraudes contra consumidores.

O diagrama de arquitetura ilustra o treinamento do modelo e a inferência quase em tempo real. Os dados operacionais armazenados no MongoDB Atlas são gravados no bucket do Amazon S3 usando os MongoDB Atlas Triggers. Assim armazenados, os dados são usados para criar e treinar o modelo no Amazon SageMaker Tela. O SageMaker Cluster armazena os metadados do modelo no bucket S3 e expõe o endpoint do modelo para inferência.

clique para ampliar

Figura 1. Arquitetura de detecção de fraude

Abordagem do modelo de dados

Os dados são divididos em dois arquivos separados:

• transação

• Identidade

Estes arquivos são conectados através do TransactionID. No entanto, nem todas as transações incluem detalhes de identidade associados.

Com base nos dois conjuntos de dados acima, prepare uma junção de teste no TransactionID, adicionando a coluna de destino como Fraud.

Dados fornecidos por 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

Construir a solução

O guia passo a passo detalhado para criar essa solução está disponível neste repositório do Github. Abaixo está uma visão geral dessas etapas:

1. Configure o bucket S3 para o qual os dados do MongoDB Atlas precisam ser exportados.

2. Configurar um MongoDB Atlas cluster.

3. Configure os MongoDB Atlas Triggers.

4. Configurar o domínio do Amazon SageMaker.

Principais Aprendizados

• Desenvolva soluções de detecção de fraudes em tempo real: o MongoDB Atlas lida com grandes quantidades de dados em um esquema flexível, habilitando bancos e bancos a capturar, armazenar e processar dados transacionais de alto volume em tempo real.

• Atualizar modelos de detecção de fraudes: o processamento em tempo real com o agregação pipeline do MongoDB garante que os modelos sejam formados continuamente com as informações mais atuais e relevantes disponíveis. Essa capacidade oferece à instituição financeira uma ferramenta poderosa para criar um sistema robusto de detecção de fraudes.

• Integração sofisticada de IA e FERRAMENTAS: o MongoDB se integra a serviços externos, como o Amazon SageMaker, que oferece soluções de IA e ML em uma plataforma sem código. Essa interface de usuário amigável torna os modelos acessíveis aos analistas, permitindo que eles gerem facilmente predições de ML precisas para classificação, regressão, projeção, processamento de linguagem natural (NLP) e visão computacional (CV).

Autores

• Babu Srinivasan, arquiteto de soluções para parceiros na MongoDB

• Igor Alekseev, arquiteto de soluções para parceiros na AWS

Saiba mais

• MongoDB e Hasura para Serviços Modernos de Fintech

• Solução para acelerar a modernização de pagamentos

• Acelerador da solução para fraudes de cartão em tempo real