Amazon Fraud Detectorが本日GAになりました！

岡春奈

2020.07.29

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

昨年(2019年)のre:Inventでプレビュー版として発表されたAmazon Fraud Detectorが本日から晴れて一般利用できるようになりました！！

概要は上記のブログに書かれていますが簡単に説明すると、オンラインのカード不正利用や偽アカウントなどの詐欺行為を機械学習モデルを使って検出できるマネージドサービスです。

早速試してみたいと思います！

試してみた

なお、東京リージョンではまだ使えないので今日はバージニアリージョンで試します。

不正を評価するイベントを定義
履歴イベントデータセットをAmazon S3にアップロードし、不正検出モデルタイプを選択
履歴データを使用してカスタムモデルを構築する。アルゴリズムを選択し、モデルをトレーニングして調整、モデルをホストする
モデルの予測に基づいて、情報の受け入れ、確認、または収集するためのルールを作成
Amazon Fraud Detector APIを呼び出して、リアルタイムの不正予測を受信し、構成された検出ルールに基づいてアクションを実行

Amazon Fraud Detectorでは、不正検出モデルをアップロードして検出のルールを作成することで利用することができます。
今回はコンソールからモデルの作成までをやってみたいと思います。

トレーニングデータを用意

公式から提供されているサンプルデータを使います。

こちらの Training_Data.zip をダウンロードしてください。
サンプルにはminimumとfullの2つのcsvファイルがありますが今回はminimumの方を使います。

モデルを作成する前にS3にアップロードしてある必要があるので先に用意しておきます。
ここでは以下の場所にアップロードしました。

パス: s3://sample-fraud-detector-model/training/registration_data_20K_minimum.csv

ステップ1: イベントを作成

イベント名: sample_registration
エンティティ名: sample_customer

イベント名を入力してEntitiyプロパティでCreate new entityを選択し、エンティティ名を入力します。

Event variables

Select variables from a training datasetを選択してください。

ここでIAMロールを作成し、先程のS3バケットへのアクセス権限を付与します。
先程のバケット名のみを入力してください。

次にData locationに先程アップロードしたトレーニングデータのパスを入力してください。アップロードすると、変数のマッピングができるようになるのでip_addressとemail_addressをそれぞれマッピングします。

Labels

次にLabelを追加します。

fraud
legit

作成したイベントはこちらです。

ステップ2: モデルを作成

Fraud DetectorではFraud Detector上で作成したモデルか、SageMakerのモデルのどちらかを使うことができます。
ここではFraud Detector上で作成していきます。

左のペインからModelsに移動し、Add your first modelを選択します。

モデル名: sample_fraud_detection_model
イベントタイプ: sample_registration(上で作成したイベント)

Create a train model でモデルの作成を開始します。
この作業には40分ほどかかります。

ステータスがTrainingからReady to deployに変わるとチャートが表示されました。

モデルをデプロイ

左上のActionsからモデルをデプロイします。

デプロイにも少し時間がかかります。
デプロイが終わるとステータスがActiveに変わります。

ステップ4: 検出ロジックを作成

モデルがデプロイできたら検出ロジックを設定するためDetectorを作成します。実際に検出するためのデータの閾値などを設定していきます。

左ペインからDetectorsを開きCreate Detectorを選択します。

Detector名: sample_detector

上記で作成したイベントとデプロイしたモデルを選択します。

ルールの定義

レベル毎に3つのルールを定義します。

high_fraud_risk
medium_fraud_risk
low_fraud_risk

ルール名、定義(Expression)に$sample_fraud_detection_model_insightscore > 900を入力したら、出力を決めます。
OutcomesでCreate a new outcomeを選択し、verify_customerを作成します。定義の変数部分は${モデル名_insightscore}としてください。

項目を追加したら１つ目のルールをAdd ruleで追加します。

左下のAdd another rule→Create ruleから次のルールを設定していきます。

それぞれのルール定義は以下になります。

high_fraud_risk

$sample_fraud_detection_model_insightscore > 900

medium_fraud_risk

$sample_fraud_detection_model_insightscore <= 900 and $sample_fraud_detection_model_insightscore > 700

low_fraud_risk

$sample_fraud_detection_model_insightscore <= 700

Outcomesはそれぞれ、verify_customer review approveとしています。

次の画面でルールの実行を設定できます。

デフォルトのFIRST_MATCHEDの場合はルールのOrder順に評価され最初に一致したルールの結果を返します。
ALL_MATCHEDの場合は一致したすべての結果を返します。

バージョンのPublish

Detectorを作成したままだと、ステータスがDraftとなっています。左上のActionsからPublishしてください。

不正行為を評価

ここまできたらアプリケーションから不正行為を評価することができます。

以下はboto3でGetEventPrediction APIを使って不正行為を評価するサンプルとなります。

import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.get_event_prediction(
detectorId = 'sample_detector',
eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428',
eventTypeName = 'sample_registration',
eventTimestamp = '2020-07-13T23:18:21Z',
entities = [{'entityType':'sample_customer', 'entityId':'12345'}],
eventVariables = {
    'email_address' : 'johndoe@exampledomain.com',
    'ip_address' : '1.2.3.4'
}
)