使用 AWS SageMaker 的欺诈检测加速器

解决方案概述

金融机构面临着越来越大的网络犯罪风险，包括引人注目的黑客攻击和欺诈性交易。网络事件会破坏客户的信任，并可能给公司造成重大财务损失。由于传统欺诈系统的局限性，公司在实现安全系统方面举步维艰，这些局限性包括：

• 数据可见性不完整：无法访问权限用于模式检测的相关数据源。

• 欺诈系统内的延迟：缺乏实时处理能力，导致欺诈检测延迟。

• 安全协议薄弱：过时的安全措施使漏洞容易遭受网络攻击。

• 技术无序增长：各种技术使维护和更新复杂化。

• 团队协作不佳：导致响应延迟的孤立方法。

为了克服这些挑战，金融公司可以使用由...提供支持MongoDB Atlas和Amazon SageMaker Canvas 提供支持的实时分析解决方案。这些工具提供强大的欺诈检测系统，使用可用于其操作的最准确的数据。

在此系统中， MongoDB Atlas存储操作数据并处理大容量事务。同时， Amazon SageMaker Canvas 使用先进的AI和机器学习(ML) 工具来支持用于欺诈检测的高级分析。

参考架构

以下是用于构建此欺诈检测解决方案的架构。该架构包括用于检测银行业不同类型欺诈的端到端解决方案，包括卡欺诈检测、身份盗窃检测和消费者欺诈检测。

该架构图说明了模型培训和近乎实时的推理。使用MongoDB Atlas Triggers 将存储在 MongoDB MongoDB Atlas中的操作数据写入Amazon S3 存储桶。数据以这种方式存储，用于在Amazon SageMaker Canvas 中创建和训练模型。SageMaker Canvas 将模型的元数据存储在 S3 存储桶中，并公开模型端点以进行推理。

点击放大

图 1. 欺诈检测架构

数据模型方法

数据分为两个单独的文件：

• 事务

• 身份

这些文件通过 TransactionID 连接。然而，并非每笔ACID 事务都包含相关的身份详细信息。

根据上述两个数据集，在 TransactionID 上准备一个测试联接，将目标列添加为“Fraud”（欺诈）。

数据来源于 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

构建解决方案

有关构建此解决方案的详细分步指南，请参阅此Github存储库 。以下是所采取步骤的概述：

1. 设置需要将MongoDB Atlas数据导出到的 S3 存储桶。

2. 设置MongoDB Atlas集群。

3. 设置MongoDB Atlas触发器和函数。

4. 设置 Amazon SageMaker 域。

关键要点

• 开发实时欺诈检测解决方案： MongoDB Atlas以灵活的模式处理大量数据，使金融机构能够实时捕获、存储和进程大量事务数据。

• 更新欺诈检测模型：使用 MongoDB 的聚合管道进行实时处理，确保使用可用的最新相关信息持续训练模型。这种容量为金融机构提供了创建强大的欺诈检测系统的强大工具。

• 集成先进的AI和 ML 工具： MongoDB与Amazon SageMaker 等外部服务集成，后者在无代码平台中提供AI和 ML 解决方案。这种友好的用户界面使分析师可以访问模型，使他们能够轻松生成准确的机器学习预测，用于分类、回归、预测、自然语言处理(NLP) 和计算机视觉 (CV)。

作者

• Babu Srinivasan，MongoDB 合作解决方案架构师

• Igor Alekseev，AWS 合作解决方案架构师

了解详情

• MongoDB 和 Hasura 用于现代金融科技服务

• 支付现代化解决方案加速器

• 实时银行卡欺诈解决方案加速器