Amazon Fraud Detector ist seit dem 7. November 2025 nicht mehr für Neukunden geöffnet. Funktionen, die Amazon Fraud Detector ähneln, finden Sie SageMaker unter Amazon AutoGluon, und AWS WAF. Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Was ist Amazon Fraud Detector? Amazon Fraud Detector ist ein vollständig verwalteter Service zur Betrugserkennung, der die Erkennung potenziell betrügerischer Online-Aktivitäten automatisiert. Zu diesen Aktivitäten gehören nicht autorisierte Transaktionen und die Erstellung gefälschter Konten. Amazon Fraud Detector analysiert Ihre Daten mithilfe von maschinellem Lernen. Dies geschieht auf eine Weise, die auf der langjährigen Expertise von mehr als 20 Jahren Betrugserkennung bei Amazon aufbaut. Sie können Amazon Fraud Detector verwenden, um maßgeschneiderte Modelle zur Betrugserkennung zu erstellen, Entscheidungslogik zur Interpretation der Betrugsbewertungen des Modells hinzuzufügen und jeder möglichen Betrugsbewertung Ergebnisse wie „bestanden“ oder „Zur Überprüfung senden“ zuzuweisen. Mit Amazon Fraud Detector benötigen Sie kein Fachwissen im Bereich maschinelles Lernen, um betrügerische Aktivitäten zu erkennen. Sammeln und bereiten Sie zunächst Betrugsdaten vor, die Sie in Ihrem Unternehmen gesammelt haben. Amazon Fraud Detector verwendet diese Daten dann, um in Ihrem Namen ein benutzerdefiniertes Modell zur Betrugserkennung zu trainieren, zu testen und bereitzustellen. Als Teil dieses Prozesses verwendet Amazon Fraud Detector Modelle für maschinelles Lernen, die Betrugsmuster aus AWS der eigenen Betrugskompetenz von Amazon gelernt haben, um Ihre Betrugsdaten auszuwerten und Modellbewertungen und Modellleistungsdaten zu generieren. Sie konfigurieren die Entscheidungslogik so, dass sie den Punktestand des Modells interpretiert und Ergebnisse für den Umgang mit jeder Betrugsbewertung zuweist. # Vorteile Amazon Fraud Detector bietet die folgenden Vorteile. Diese Vorteile ermöglichen es Ihnen, Betrug schnell zu erkennen, ohne die Zeit und Ressourcen investieren zu müssen, die üblicherweise für den Aufbau und die Wartung eines Betrugsmanagementsystems erforderlich sind. **Automatisierte Erstellung von Betrugsmodellen** Die Betrugserkennungsmodelle von Amazon Fraud Detector sind vollautomatische Modelle für maschinelles Lernen, die auf Ihre spezifischen Geschäftsanforderungen zugeschnitten sind. Sie können die Modelle von Amazon Fraud Detector verwenden, um potenziellen Betrug bei Online-Transaktionen zu erkennen, z. B. bei der Einrichtung neuer Konten, Online-Zahlungen und beim Checkout als Gast. Da Betrugsmodelle in einem automatisierten Prozess erstellt werden, können Sie auf viele Schritte verzichten, die mit der Erstellung und Schulung eines Modells verbunden sind. Zu diesen Schritten gehören die Datenvalidierung und -anreicherung, Feature-Engineering, Algorithmusauswahl, Hyperparameter-Tuning und Modellbereitstellung. Um mit Amazon Fraud Detector ein Modell zur Betrugserkennung zu erstellen, laden Sie nur den historischen Betrugsdatensatz Ihres Unternehmens hoch und wählen den Modelltyp aus. Anschließend findet Amazon Fraud Detector automatisch den für Ihren Anwendungsfall am besten geeigneten Algorithmus zur Betrugserkennung und erstellt das Modell. Sie benötigen keine Programmierkenntnisse oder Kenntnisse im Bereich maschinelles Lernen, um Modelle zur Betrugserkennung zu erstellen. **Betrugsmodelle, die sich weiterentwickeln und lernen** Modelle zur Betrugserkennung müssen sich ständig weiterentwickeln, um mit der sich ändernden Betrugslandschaft Schritt zu halten. Amazon Fraud Detector berechnet dazu automatisch Informationen wie das Alter des Kontos, die Zeit seit der letzten Aktivität und die Anzahl der Aktivitäten. Das Ergebnis ist, dass Ihr Modell den Unterschied zwischen vertrauenswürdigen Kunden, die häufig Transaktionen tätigen, und den für Betrüger typischen fortgesetzten Versuchen lernt. Dies trägt dazu bei, dass die Leistung Ihres Modells zwischen den Wiederholungssitzungen länger erhalten bleibt. **Visualisierung der Leistung des Betrugsmodells** Nachdem Ihr Modell anhand der von Ihnen bereitgestellten Daten trainiert wurde, validiert Amazon Fraud Detector die Leistung Ihres Modells. Es bietet Ihnen auch visuelle Tools, mit denen Sie die Leistung beurteilen können. Für jedes Modell, das Sie trainieren, können Sie den Leistungswert des Modells, das Diagramm der Punkteverteilung, die Konfusionsmatrix, die Schwellenwerttabelle und alle von Ihnen bereitgestellten Eingaben sehen, geordnet nach ihrer Auswirkung auf die Modellleistung. Mithilfe dieser Leistungswerkzeuge können Sie herausfinden, wie Ihr Modell abschneidet und welche Faktoren die Leistung Ihres Modells beeinflussen. Bei Bedarf können Sie Ihr Modell anpassen, um die Gesamtleistung zu verbessern. **Vorhersage von Betrug** Amazon Fraud Detector generiert Betrugsprognosen für die Geschäftsaktivitäten Ihres Unternehmens. Die Betrugsprognose ist eine Bewertung einer Geschäftsaktivität im Hinblick auf das Betrugsrisiko. Amazon Fraud Detector generiert Prognosen mithilfe der Prognoselogik mit den Daten, die mit der Aktivität verknüpft sind. Sie haben diese Daten bei der Erstellung Ihres Modells zur Betrugserkennung bereitgestellt. Sie können Betrugsprognosen für eine einzelne Aktivität in Echtzeit abrufen oder Betrugsvorhersagen offline für eine Reihe von Aktivitäten abrufen. **Erläuterung und Visualisierung von Betrugsprognosen** Amazon Fraud Detector generiert im Rahmen des Betrugsvorhersageprozesses Erklärungen zu Prognosen. Erläuterungen zur Vorhersage geben Aufschluss darüber, wie sich jedes Datenelement, das zum Trainieren Ihres Modells verwendet wurde, auf die Betrugsprognosen Ihres Modells ausgewirkt hat. Erklärungen zur Vorhersage werden mithilfe von visuellen Tools wie Tabellen und Grafiken bereitgestellt. Sie können diese Tools verwenden, um visuell zu erkennen, wie viel Einfluss jedes Datenelement auf die Prognosewerte hat. Anschließend können Sie diese Informationen verwenden, um die Betrugsmuster in Ihrem gesamten Datensatz zu analysieren und etwaige Verzerrungen zu erkennen. Schließlich können Sie die Erklärungen zu den Prognosen auch verwenden, um die wichtigsten Risikoindikatoren während eines manuellen Betrugsuntersuchungsprozesses zu identifizieren. Auf diese Weise können Sie die Ursachen eingrenzen, die zu falsch positiven Prognosen führen. **Regelbasierte Aktionen** Nachdem Ihr Modell zur Betrugserkennung trainiert wurde, können Sie Regeln hinzufügen, um anhand der ausgewerteten Daten Maßnahmen zu ergreifen, z. B. die Daten zu akzeptieren, Daten zur Überprüfung zu senden oder weitere Daten zu sammeln. Eine Regel ist eine Bedingung, die Amazon Fraud Detector mitteilt, wie Daten bei der Betrugsvorhersage zu interpretieren sind. Sie können beispielsweise eine Regel erstellen, die verdächtige Kundenkonten zur Überprüfung kennzeichnet. Sie können festlegen, dass diese Regel ausgelöst wird, wenn sowohl der erkannte Modellwert den festgelegten Schwellenwert übersteigt als auch wenn der Autorisierungscode (AUTH\$1CODE) für die Kontozahlung (AUTH\$1CODE) nicht gültig ist. # Kernkonzepte und Begriffe Im Folgenden finden Sie eine Liste der wichtigsten Konzepte und Begriffe, die in Amazon Fraud Detector verwendet werden: **Ereignis** Ein Ereignis ist die Geschäftstätigkeit Ihres Unternehmens, die auf ihr Betrugsrisiko hin bewertet wurde. Amazon Fraud Detector generiert Betrugsprognosen für Ereignisse. **Label (Bezeichnung)** Ein Etikett stuft ein einzelnes Ereignis als betrügerisch oder legitim ein. Labels werden verwendet, um Modelle für maschinelles Lernen in Amazon Fraud Detector zu trainieren. **Entität** Eine Entität stellt dar, wer das Ereignis ausführt. Sie geben die Entitäts-ID als Teil der Betrugsdaten Ihres Unternehmens an, um die spezifische Entität anzugeben, die das Ereignis durchgeführt hat. **Ereignistyp** Ein Ereignistyp definiert die Struktur für ein Ereignis, das an Amazon Fraud Detector gesendet wird. Dazu gehören die im Rahmen des Ereignisses gesendeten Daten, die Entität, die das Ereignis durchführt (z. B. ein Kunde), und die Labels, die das Ereignis klassifizieren. Zu den Ereignistypen gehören beispielsweise Online-Zahlungsvorgänge, Kontoregistrierungen und Authentifizierung. **Entitätstyp** Ein Entitätstyp klassifiziert die Entität. Zu den Beispielklassifizierungen gehören Kunden, Händler oder Konto. **Ereignisdatensatz** Der Ereignisdatensatz enthält die historischen Daten Ihres Unternehmens zu einer bestimmten Geschäftsaktivität oder einem Ereignis. Bei der Veranstaltung Ihres Unternehmens könnte es sich beispielsweise um eine Online-Kontoregistrierung handeln. Zu den Daten eines einzelnen Ereignisses (Registrierung) können die zugehörige IP-Adresse, E-Mail-Adresse, Rechnungsadresse und der Zeitstempel des Ereignisses gehören. Sie stellen Amazon Fraud Detector Ereignisdaten zur Verfügung, um Modelle zur Betrugserkennung zu erstellen und zu trainieren. **Modell** Ein Modell ist ein Ergebnis von Algorithmen für maschinelles Lernen. Diese Algorithmen sind in Code implementiert und werden auf von Ihnen bereitgestellten Ereignisdaten ausgeführt. **Modelltyp** Der Modelltyp definiert die Algorithmen, Anreicherungen und Merkmalstransformationen, die beim Modelltraining verwendet werden. Er definiert auch die Datenanforderungen für das Trainieren des Modells. Diese Definitionen dienen dazu, Ihr Modell für eine bestimmte Art von Betrug zu optimieren. Sie geben den Modelltyp an, der verwendet werden soll, wenn Sie Ihr Modell erstellen. **Modelltrainings** Beim Modelltraining wird anhand eines bereitgestellten Ereignisdatensatzes ein Modell erstellt, mit dem betrügerische Ereignisse vorhergesagt werden können. Alle Schritte im Modelltrainingsprozess sind vollständig automatisiert. Diese Schritte umfassen Datenvalidierung, Datentransformation, Feature-Engineering, Algorithmenauswahl und Modelloptimierung. **Bewertung des Modells** Der Model Score ist das Bewertungsergebnis der historischen Betrugsdaten Ihres Unternehmens. Während des Modelltrainingsprozesses bewertet Amazon Fraud Detector den Datensatz auf betrügerische Aktivitäten und generiert eine Punktzahl zwischen 0 und 1000. Bei diesem Wert steht 0 für ein niedriges Betrugsrisiko, während 1000 für das höchste Betrugsrisiko steht. Der Wert selbst steht in direktem Zusammenhang mit der Falsch-Positiv-Rate (FPR). **Modellversion** Eine Modellversion ist ein Ergebnis des Trainings eines Modells. **Modellbereitstellung** Bei der Modellbereitstellung wird eine Modellversion aktiviert und für die Generierung von Betrugsprognosen zur Verfügung gestellt. **Endpunkt des Amazon SageMaker AI-Modells** Neben der Erstellung von Modellen mit Amazon Fraud Detector können Sie optional SageMaker KI-gestützte Modellendpunkte in Amazon Fraud Detector-Evaluierungen verwenden. Weitere Informationen zum Erstellen eines Modells in SageMaker KI finden Sie unter [Trainieren eines Modells](https://docs.aws.amazon.com/en_pv/sagemaker/latest/dg/train-model) mit. Amazon SageMaker AI **Detektor** Ein Detektor enthält die Erkennungslogik wie das Modell und die Regeln für ein bestimmtes Ereignis, das Sie auf Betrug hin auswerten möchten. Sie erstellen einen Detektor mithilfe einer Modellversion. **Detektor-Version** Ein Detektor kann mehrere Versionen haben, wobei jede Version den Status `Draft``Active`, oder hat`Inactive`. Es kann jeweils nur eine Melderversion im `Active` Status sein. **Variable** Eine Variable stellt ein Datenelement dar, das mit einem Ereignis verknüpft ist und das Sie für eine Betrugsvorhersage verwenden möchten. Variablen können entweder zusammen mit einem Ereignis als Teil einer Betrugsprognose gesendet oder abgeleitet werden, z. B. die Ausgabe eines Amazon Fraud Detector Detector-Modells oder Amazon SageMaker AI. **Regel** Eine Regel ist eine Bedingung, die Amazon Fraud Detector mitteilt, wie Variablenwerte während einer Betrugsvorhersage zu interpretieren sind. Eine Regel besteht aus einer oder mehreren Variablen, einem logischen Ausdruck und einem oder mehreren Ergebnissen. Die in der Regel verwendeten Variablen müssen Teil des Ereignisdatensatzes sein, den der Detektor auswertet. Außerdem muss jedem Detektor mindestens eine Regel zugeordnet sein. **Ergebnis** Dies ist das Ergebnis oder die Ausgabe einer Betrugsprognose. Jede Regel, die in einer Betrugsvorhersage verwendet wird, muss ein oder mehrere Ergebnisse angeben. **Betrugsvorhersage** Bei der Betrugsvorhersage wird der Betrug entweder für ein einzelnes Ereignis oder für eine Reihe von Ereignissen bewertet. Amazon Fraud Detector generiert Betrugsprognosen für ein einzelnes Online-Ereignis in Echtzeit, indem es synchron eine Modellbewertung und ein Ergebnis auf der Grundlage der Regeln bereitstellt. Amazon Fraud Detector generiert offline Betrugsprognosen für eine Reihe von Ereignissen. Sie können die Vorhersagen verwenden proof-of-concept, um ein Betrugsrisiko offline durchzuführen oder um das Betrugsrisiko stündlich, täglich oder wöchentlich rückwirkend zu bewerten. **Erläuterung der Betrugsprognose** Erläuterungen zur Betrugsprognose geben Aufschluss darüber, wie sich die einzelnen Variablen auf den Wert der Betrugsprognose Ihres Modells ausgewirkt haben. Es enthält Informationen darüber, wie jede Variable die Risikoeinstufungen in Bezug auf Größe (von 0 bis 5, wobei 5 die höchste ist) und Richtung (Erhöhung oder Senkung der Punktzahl) beeinflusst. # So funktioniert Amazon Fraud Detector Amazon Fraud Detector erstellt ein maschinelles Lernmodell, das darauf zugeschnitten ist, potenzielle betrügerische Online-Aktivitäten in Ihrem Unternehmen zu erkennen. Zu Beginn geben Sie Ihren geschäftlichen Anwendungsfall an. Abhängig von Ihrem geschäftlichen Anwendungsfall empfiehlt Amazon Fraud Detector einen Modelltyp, der verwendet wird, um ein Modell zur Betrugserkennung für Sie zu erstellen. Darüber hinaus bietet es Einblicke in die Datenelemente, die Sie als Teil der historischen Daten Ihres Unternehmens bereitstellen müssen. Amazon Fraud Detector verwendet den historischen Datensatz, um automatisch ein maßgeschneidertes Modell für Sie zu erstellen und zu trainieren. Der automatisierte Modelltrainingsprozess umfasst die Auswahl eines Algorithmus für maschinelles Lernen, der Betrug für Ihren spezifischen Geschäftsanwendungsfall erkennt, die Validierung der von Ihnen bereitgestellten Daten und die Durchführung von Datenmanipulationen zur Verbesserung der Modellleistung. Nach dem Training des Modells generiert Amazon Fraud Detector Modellwerte und andere Modellleistungskennzahlen. Sie können den Score und die Leistungskennzahlen verwenden, um die Leistung des Modells zu bewerten. Bei Bedarf können Sie dem Datensatz, den Sie für das Training bereitgestellt haben, Datenelemente hinzufügen oder daraus entfernen und das Modell erneut trainieren, um die Modellbewertung zu verbessern. Nachdem das Modell erstellt, trainiert und aktiviert wurde, müssen Sie eine Entscheidungslogik, auch Regeln genannt, konfigurieren, die dem Modell vorgibt, wie die von Ihrem Unternehmen generierten Daten zu interpretieren sind, und Ergebnisse für den Umgang mit der Interpretation der einzelnen Aktivitäten zuweisen. Bei den Ergebnissen kann es sich um Maßnahmen wie die Genehmigung oder Überprüfung der Aktivität oder um Risikostufen der Aktivität handeln, z. B. hohes Risiko, mittleres Risiko und niedriges Risiko. Ein Detektor ist ein Behälter, der Ihr Modell und die zugehörigen Regeln enthält. Sie müssen den Detektor erstellen, testen und in Ihrer Produktionsumgebung einsetzen. Der in Ihrer Produktionsumgebung eingesetzte Detektor bietet Funktionen zur Betrugserkennung für Ihre Geschäftsanwendungen. Bei der Betrugsbeurteilung vergleicht das Modell alle eingehenden Daten aus Ihrer Geschäftstätigkeit mit den historischen Daten Ihres Unternehmens und verwendet die ausgeklügelten Algorithmen für maschinelles Lernen mit den Regeln, die Sie zur Analyse der Ergebnisse und zur Zuordnung der Ergebnisse erstellt haben. Mit Amazon Fraud Detector können Sie entweder Daten aus einer einzelnen Geschäftsaktivität in Echtzeit oder Daten aus mehreren Geschäftsaktivitäten offline auswerten. Nehmen wir an, Sie haben ein Unternehmen, das Online-Geldtransfers als eine seiner Aktivitäten anbietet. Sie möchten Amazon Fraud Detector verwenden, um betrügerische Anfragen nach Geldtransfers in Echtzeit zu erkennen. Um zu beginnen, müssen Sie Amazon Fraud Detector zunächst Daten aus früheren Überweisungsanfragen zur Verfügung stellen. Amazon Fraud Detector verwendet diese Daten, um ein Modell zu erstellen und zu trainieren, das darauf zugeschnitten ist, betrügerische Anfragen nach Geldtransfers zu erkennen. Anschließend erstellen Sie einen Detektor, indem Sie das Modell hinzufügen und Regeln für Ihr Modell zur Interpretation der Daten konfigurieren. Ein Beispiel für eine Regel für Online-Überweisungsaktivitäten könnte sein: Wenn die Anfrage für eine Überweisung von der E-Mail-Adresse *xyz@example.com* kommt, senden Sie die Anfrage zur Überprüfung. Wenn in der Produktionsumgebung Ihres Unternehmens eine Anfrage für eine Überweisung eingeht, analysiert das Modell die Daten, die mit der Anfrage geliefert wurden, und verwendet die Regel, um das Ergebnis zuzuweisen. Sie können dann je nach zugewiesenem Ergebnis eine Aktion auf die Anfrage anwenden. Amazon Fraud Detector verwendet Komponenten wie Trainingsdatensatz, Modell, Detektor, Regeln und Ergebnisse, um Ihrem Unternehmen eine Logik zur Betrugsbewertung zur Verfügung zu stellen. Informationen über den Workflow, den Sie zur Betrugserkennung mit Amazon Fraud Detector verwenden, finden Sie unter [Betrugsaufdeckung mit Amazon Fraud Detector](frauddetector-workflow.md) # Betrugsaufdeckung mit Amazon Fraud Detector In diesem Abschnitt wird ein typischer Arbeitsablauf zur Betrugserkennung mit Amazon Fraud Detector beschrieben. Außerdem wird zusammengefasst, wie Sie diese Aufgaben erledigen können. Das folgende Diagramm bietet einen allgemeinen Überblick über den Arbeitsablauf zur Betrugserkennung mit Amazon Fraud Detector. ![\[Bild des Workflows zur Betrugserkennung bei Amazon Fraud Detector\]](http://docs.aws.amazon.com/de_de/frauddetector/latest/ug/images/FraudDetectionWorkflowFinal.png) Die Betrugserkennung ist ein kontinuierlicher Prozess. Stellen Sie nach der Bereitstellung Ihres Modells sicher, dass Sie seine Leistungswerte und Kennzahlen auf der Grundlage der Prognoseerklärungen bewerten. Auf diese Weise können Sie die wichtigsten Risikoindikatoren identifizieren, die Grundursachen eingrenzen, die zu Fehlalarmen führen, und Betrugsmuster in Ihrem gesamten Datensatz analysieren und etwaige Verzerrungen erkennen. Um die Genauigkeit der Prognosen zu erhöhen, können Sie Ihren Datensatz so anpassen, dass er neue oder überarbeitete Daten enthält. Anschließend können Sie Ihr Modell mit dem aktualisierten Datensatz neu trainieren. Sobald mehr Daten verfügbar sind, trainieren Sie Ihr Modell weiter, um die Genauigkeit zu erhöhen. # Zugriff auf Amazon Fraud Detector Amazon Fraud Detector ist in mehreren AWS-Regionen Versionen verfügbar und kann über AWS Schnittstellen aufgerufen werden. ## Verfügbarkeit Amazon Fraud Detector ist in den USA Ost (Nord-Virginia), USA Ost (Ohio), USA West (Oregon), Europa (Irland), Asien-Pazifik (Singapur) und Asien-Pazifik (Sydney) verfügbar AWS-Regionen. ## Schnittstellen Sie können Modelle und Detektoren zur Betrugserkennung mithilfe einer der folgenden Schnittstellen erstellen, trainieren, bereitstellen, testen, ausführen und verwalten: **AWS-Managementkonsole**- Amazon Fraud Detector bietet eine webbasierte Benutzeroberfläche, die Amazon Fraud Detector Detector-Konsole. Wenn Sie sich für eine angemeldet haben AWS-Konto, können Sie auf die Amazon Fraud Detector Detector-Konsole zugreifen. Weitere Informationen finden Sie unter [Amazon Fraud Detector einrichten](https://docs.aws.amazon.com/frauddetector/latest/ug/set-up.html). **AWS Command Line Interface (AWS CLI)** — Bietet eine Schnittstelle, über die Sie mithilfe von Befehlen in Ihrer Befehlszeilen-Shell mit einer Vielzahl von Programmen interagieren können AWS-Services, einschließlich Amazon Fraud Detector. AWS CLI Befehle für Amazon Fraud Detector implementieren Funktionen, die denen der Amazon Fraud Detector Detector-Konsole entsprechen. **AWS SDK** — Bietet sprachspezifische Funktionen APIs und verwaltet viele Verbindungsdetails, wie z. B. die Berechnung der Signatur, die Bearbeitung von Wiederholungsversuchen von Anfragen und die Fehlerbehandlung. Weitere Informationen finden Sie auf der AWS Seite [Tools zum Erstellen](https://aws.amazon.com/tools/). Scrollen Sie nach unten zum Abschnitt **SDK** und wählen Sie das Pluszeichen (\$1), um den Abschnitt zu erweitern. **AWS CloudFormation**- Stellt Vorlagen bereit, mit denen Sie Ihre Ressourcen und Eigenschaften von Amazon Fraud Detector definieren können. Weitere Informationen finden Sie in der [Referenz zum Amazon Fraud Detector Detector-Ressourcentyp](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/AWS_FraudDetector.html) im AWS CloudFormation Benutzerhandbuch. # Preisgestaltung Mit Amazon Fraud Detector zahlen Sie nur für das, was Sie tatsächlich nutzen. Es fallen keine Mindestgebühren oder Vorausleistungen an. Die Gebühren richten sich nach den Rechenstunden, die Sie für das Training und das Hosten Ihrer Modelle aufgewendet haben, nach der Menge an Speicherplatz, die Sie verwenden, und nach der Menge der von Ihnen erstellten Betrugsprognosen. Weitere Informationen finden Sie unter [Amazon Fraud Detector — Preise](https://aws.amazon.com/fraud-detector/pricing/).