AWS加速AI在金融安全中的应用
时间：2022-04-05 21:21:01 | 来源：行业动态
时间：2022-04-05 21:21:01 来源：行业动态
越来越多的金融公司开始利用AI的技术来保障金融业务安全。而反欺诈模型和系统架构是构建反欺诈方案的核心要素之一。首先，反欺诈模型是核心竞争力，特别是基于机器学习技术构建的反欺诈模型是重要的发展趋势，它能够分析各类用户的行为特征，并计算出金融业务不同环节中的风险概率，从而有效地识别风险。其次，系统架构直接影响欺诈行为的识别效果，这对系统的处理速度和稳定性提出了更高的要求。
基于此，不少云服务商以自己的云为基础开始提供AI/深度学习服务，如AWS提供的Amazon SageMaker就是一种完全托管的服务，帮助用户以更少的工作量和更低的成本更快地投入生产。并且，为了帮助客户更容易地在反欺诈场景中利用Amazon SageMaker，AWS提供了基于机器学习解决方案的欺诈检测解决方案。此解决方案自动检测潜在的欺诈活动，并标记该活动以供审查。
图1：在AWS上使用机器学习体系结构检测欺诈
AWS基于机器学习的反欺诈方案可以通过AWS CloudFormation模板进行部署。该方案包括Amazon Simple Storage Service (Amazon S3)、Amazon SageMaker、AWS Lambda、Amazon Kinesis Data Firehose、Amazon CloudWatch和可选项Amazon QuickSight。该方案中包含一个示例数据集，也可以通过定制化修改来使用自己的数据集进行训练。
Amazon SageMaker 是一项覆盖了整个机器学习工作流程的完全托管的服务。在模型训练中，SegeMaker会自带一些常用的监督学习和无监督学习算法以及框架，用户也可以借助Docker容器创建自己的训练算法。训练过程可以在几十台服务器上分布式运行，以提供更快的训练速度。
训练数据会从Amazon S3云存储服务器读取，模型产生的数据同样也会存在Amazon S3服务器上。Amazon S3 是一种对象存储服务，以较低的成本提供持久、高度可用并可扩展的数据存储基础设施，用于存储和保护各种用例（如网站、移动应用程序、备份和还原、存档、企业应用程序、IoT 设备和大数据分析）的任意数量的数据。
通过配置Amazon CloudWatch Events规则，触发AWS Lambda处理来自数据集的事务并调用Amazon SageMaker，根据机器模型来判断这些交易是否是欺诈性的。Amazon Kinesis Data Firehose将已处理的事务加载到Amazon S3 bucket中以进行存储。将事务加载到Amazon S3后，可以通过分析工具和服务（Amazon QuickSight）进行可视化、报告、临时查询和更详细的分析。整个方案建立完成，通过使用预先构建的自学ML模型，检测潜在的欺诈活动。
借助AWS产品和服务，金融企业用户可以轻松为其业务开展提供安全保障。
在线咨询
