Amazon Fraud Detector는 2025년 11월 7일부터 신규 고객에게 더 이상 공개되지 않습니다. Amazon Fraud Detector와 유사한 기능을 알아보려면 Amazon SageMaker, AutoGluon 및를 살펴보세요 AWS WAF. 기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon Fraud Detector 시작하기 시작하기 전에의 단계를 [Amazon Fraud Detector를 사용하여 사기 감지](frauddetector-workflow.md) 읽고 완료했는지 확인합니다[Amazon Fraud Detector 설정](set-up.md). 이 섹션의 실습 자습서를 사용하여 Amazon Fraud Detector를 사용하여 사기 탐지 모델을 구축, 훈련 및 배포하는 방법을 알아봅니다. 이 자습서에서는 기계 학습 모델을 사용하여 새 계정 등록이 사기인지 예측하는 사기 분석가의 역할을 수임합니다. 모델은 계정 등록의 데이터를 사용하여 훈련해야 합니다. Amazon Fraud Detector는이 자습서의 계정 등록 데이터 세트 예제를 제공합니다. 자습서를 시작하기 전에 예제 데이터 세트를 업로드해야 합니다. 다음 인터페이스 중 하나를 사용하여 Amazon Fraud Detector를 시작할 수 있습니다. 자습서를 시작하기 전에에 대한 지침을 따라야 합니다. [예제 데이터 세트 가져오기 및 업로드](step-1-get-s3-data.md) + [자습서: Amazon Fraud Detector 콘솔 사용 시작하기](get-started-console.md) + [자습서: 사용 시작하기 AWS SDK for Python (Boto3)](getting-started-python.md) # 예제 데이터 세트 가져오기 및 업로드 이 자습서에서 사용하는 예제 데이터 세트는 온라인 계정 등록에 대한 세부 정보를 제공합니다. 데이터 세트는 UTF-8 형식의 쉼표로 구분된 값(CSV)을 사용하는 텍스트 파일에 있습니다. CSV 데이터 세트 파일의 첫 번째 행에는 헤더가 포함됩니다. 헤더 행 뒤에 여러 행의 데이터가 옵니다. 이러한 각 행은 단일 계정 등록의 데이터 요소로 구성됩니다. 편의를 위해 데이터에 레이블이 지정됩니다. 데이터 세트의 열은 계정 등록이 사기인지 여부를 식별합니다. **예제 데이터 세트를 가져오고 업로드하려면** 1. [샘플](https://github.com/aws-samples/aws-fraud-detector-samples/tree/master/data)로 이동합니다. 온라인 계정 등록 데이터가 있는 데이터 파일은 *registration\$1data\$120K\$1minimum.csv*와 *registration\$1data\$120K\$1full.csv*의 두 가지입니다. 파일에는 *ip\$1address*와 email\$1address라는 두 가지 변수만 `registration_data_20K_minimum` 포함되어 있습니다. ** 파일에는 다른 변수가 `registration_data_20K_full` 포함되어 있습니다. 이러한 변수는 각 이벤트에 대한 것으로 *billing\$1address*, *phone\$1number* 및 *user\$1agent*를 포함합니다. 두 데이터 파일에는 두 개의 필수 필드도 포함되어 있습니다. + EVENT\$1TIMESTAMP - 이벤트가 발생한 시기를 정의합니다. + EVENT\$1LABEL - 이벤트를 사기성 또는 합법적인 것으로 분류합니다. 이 자습서에서는 두 파일 중 하나를 사용할 수 있습니다. 사용하려는 데이터 파일을 다운로드합니다. 1. Amazon Simple Storage Service (Amazon S3) 버킷을 생성합니다. 이 단계에서는 데이터 세트를 저장할 외부 스토리지를 생성합니다. 이 외부 스토리지는 Amazon S3 버킷입니다. Amazon S3에 대한 자세한 내용은 [ Amazon S3란 무엇입니까?](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)를 참조하세요. 1. 에 로그인 AWS Management Console 하고 [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) Amazon S3 콘솔을 엽니다. 1. **버킷**에서 **버킷 생성**을 선택합니다. 1. **버킷 이름**(Bucket Name)에 버킷 이름을 입력합니다. 콘솔의 버킷 이름 지정 규칙을 따르고 전역적으로 고유한 이름을 제공해야 합니다. 버킷의 목적을 설명하는 이름을 사용하는 것이 좋습니다. 1. 에서 버킷을 생성할 AWS 리전 을 **AWS 리전**선택합니다. 선택한 리전은 Amazon Fraud Detector를 지원해야 합니다. 지연 시간을 줄이려면 지리적 위치와 가장 가까운 AWS 리전 를 선택합니다. Amazon Fraud Detector를 지원하는 리전 목록은 *글로벌 인프라 안내서*의 [리전 표를](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/) 참조하세요. 1. 이 자습서에서는 **객체 소유권**에 대한 기본 설정, **퍼블릭 액세스 차단에 대한 버킷 설정**, **버킷 버전 관리** 및 **태그를** 그대로 둡니다. 1. **기본 암호화**의 경우이 자습서에서 **비활성화**를 선택합니다. 1. 버킷 구성을 검토한 다음 **버킷 생성을** 선택합니다. 1. 예제 데이터 파일을 Amazon S3 버킷에 업로드합니다. 이제 버킷이 있으므로 이전에 다운로드한 예제 파일 중 하나를 방금 생성한 Amazon S3 버킷에 업로드합니다. 1. **버킷**에는 버킷 이름이 나열됩니다. 버킷을 선택합니다. 1. **업로드**를 선택합니다. 1. **파일 및 폴더**에서 **파일 추가**를 선택합니다. 1. 컴퓨터에서 다운로드한 예제 데이터 파일 중 하나를 선택한 다음 **열기**를 선택합니다. 1. **대상**, **권한** 및 **속성**에 대한 기본 설정을 그대로 둡니다. 1. 구성을 검토한 다음 **업로드**를 선택합니다. 1. 예제 데이터 파일은 Amazon S3 버킷에 업로드됩니다. 버킷 위치를 기록해 둡니다. **객체**에서 방금 업로드한 예제 데이터 파일을 선택합니다. 1. **객체 개요**에서 **S3 URI** 아래의 위치를 복사합니다. 이 위치는 예제 데이터 파일의 Amazon S3 위치입니다. 나중에 사용합니다. S3 버킷의 **Amazon 리소스 이름(ARN)**을 추가로 복사하여 저장할 수 있습니다. # 자습서: Amazon Fraud Detector 콘솔 사용 시작하기 이 자습서는 두 부분으로 구성됩니다. 첫 번째 부분에서는 사기 탐지 모델을 구축, 훈련 및 배포하는 방법을 설명합니다. 두 번째 부분에서는 모델을 사용하여 실시간으로 사기 예측을 생성하는 방법을 다룹니다. 모델은 S3 버킷에 업로드하는 예제 데이터 파일을 사용하여 훈련됩니다. 이 자습서를 마치면 다음 작업을 완료합니다. + Amazon Fraud Detector 모델 구축 및 훈련 + 실시간 사기 예측 생성 **중요** 계속하기 전에에 대한 지침을 따랐는지 확인합니다. [예제 데이터 세트 가져오기 및 업로드](step-1-get-s3-data.md) # 파트 A: Amazon Fraud Detector 모델 구축, 훈련 및 배포 파트 A에서는 비즈니스 사용 사례를 정의하고, 이벤트를 정의하고, 모델을 빌드하고, 모델을 훈련하고, 모델의 성능을 평가하고, 모델을 배포합니다. ## 1단계: 비즈니스 사용 사례 선택 + 이 단계에서는 **데이터 모델 탐색기를** 사용하여 비즈니스 사용 사례를 Amazon Fraud Detector에서 지원하는 사기 탐지 모델 유형과 일치시킵니다. 데이터 모델 탐색기는 비즈니스 사용 사례에 맞는 사기 탐지 모델을 생성하고 훈련하는 데 사용할 모델 유형을 추천하는 Amazon Fraud Detector 콘솔과 통합된 도구입니다. 또한 데이터 모델 탐색기는 데이터 세트에 포함해야 하는 필수, 권장 및 선택적 데이터 요소에 대한 인사이트를 제공합니다. 데이터 세트는 사기 탐지 모델을 생성하고 훈련하는 데 사용됩니다. 이 자습서의 목적상 비즈니스 사용 사례는 새 계정 등록입니다. 비즈니스 사용 사례를 지정하면 데이터 모델 탐색기가 사기 탐지 모델을 생성하기 위한 모델 유형을 추천하고 데이터 세트를 생성하는 데 필요한 데이터 요소 목록도 제공합니다. 새 계정 등록의 데이터가 포함된 샘플 데이터 세트를 이미 업로드했으므로 새 데이터 세트를 생성할 필요가 없습니다. 1. [AWS Management Console](https://console.aws.amazon.com/)을 열고 계정에 로그인합니다. Amazon Fraud Detector로 이동합니다. 1. 왼쪽 탐색 창에서 **데이터 모델 탐색기를** 선택합니다. 1. **데이터 모델 탐색기** 페이지의 **비즈니스 사용 사례**에서 **새 계정 사기**를 선택합니다. 1. Amazon Fraud Detector는 선택한 비즈니스 사용 사례에 대한 사기 탐지 모델을 생성하는 데 사용할 권장 모델 유형을 표시합니다. 모델 유형은 Amazon Fraud Detector가 사기 탐지 모델을 훈련하는 데 사용할 알고리즘, 보강 및 변환을 정의합니다. 권장 모델 유형을 기록해 둡니다. 나중에 모델을 생성할 때이 정보가 필요합니다. 1. **데이터 모델 인사이트** 창은 사기 탐지 모델을 생성하고 훈련하는 데 필요한 필수 및 권장 데이터 요소에 대한 인사이트를 제공합니다. 다운로드한 샘플 데이터 세트를 살펴보고 테이블에 나열된 모든 필수 및 권장 데이터 요소가 있는지 확인합니다. 나중에 특정 비즈니스 사용 사례에 맞는 모델을 생성할 때 제공된 인사이트를 사용하여 데이터 세트를 생성합니다. ## 2단계: 이벤트 유형 생성 + 이 단계에서는 사기를 평가할 비즈니스 활동(이벤트)을 정의합니다. 이벤트를 정의하려면 데이터 세트에 있는 변수, 이벤트를 시작하는 개체 및 이벤트를 분류하는 레이블을 설정해야 합니다. 이 자습서에서는 계정 등록 이벤트를 정의합니다. 1. [AWS Management Console](https://console.aws.amazon.com/)을 열고 계정에 로그인합니다. Amazon Fraud Detector로 이동합니다. 1. 왼쪽 탐색 창에서 **이벤트**를 선택합니다. 1. **이벤트 유형** 페이지에서 **생성을** 선택합니다. 1. **이벤트 유형 세부 정보**에서 이벤트 유형 이름으로 `sample_registration`를 입력하고 선택적으로 이벤트에 대한 설명을 입력합니다. 1. **개체**에서 **개체 생성을** 선택합니다. 1. **개체 생성** 페이지에서 개체 유형 이름으로 `sample_customer`를 입력합니다. 선택적으로 개체 유형에 대한 설명을 입력합니다. 1. **개체 생성을** 선택합니다. 1. **이벤트 변수**의 **이 이벤트의 변수를 정의하는 방법 선택**에서 **훈련 데이터 세트에서 변수 선택을** 선택합니다. 1. **IAM 역할**에서 **IAM 역할 생성을** 선택합니다. 1. **IAM 역할 생성** 페이지에서 예제 데이터를 업로드한 S3 버킷의 이름을 입력하고 **역할 생성을** 선택합니다. 1. **데이터 위치에** 예제 데이터의 경로를 입력합니다. 예제 데이터를 업로드한 후 저장한 `S3 URI` 경로입니다. 경로는와 비슷합니다`S3://your-bucket-name/example dataset filename.csv`. 1. **업로드**를 선택합니다. Amazon Fraud Detector는 예제 데이터 파일에서 헤더를 추출하여 변수 유형으로 매핑합니다. 매핑은 콘솔에 표시됩니다. 1. **레이블 - 선택 사항**에서 **레이블**에 대해 **새 레이블 생성을** 선택합니다. 1. **레이블 생성** 페이지에서 이름으로 `fraud`를 입력합니다. 이 레이블은 예제 데이터 세트의 사기 계정 등록을 나타내는 값에 해당합니다. 1. **레이블 생성을** 선택합니다. 1. 두 번째 레이블을 생성한 다음 이름으로 `legit`를 입력합니다. 이 레이블은 예제 데이터 세트의 합법적인 계정 등록을 나타내는 값에 해당합니다. 1. **이벤트 유형 생성을** 선택합니다. ## 3단계: 모델 생성 1. **모델** 페이지에서 **모델 추가**를 선택한 다음 **모델 생성을** 선택합니다. 1. **1단계 - 모델 세부 정보 정의**에 모델 이름으로 `sample_fraud_detection_model`를 입력합니다. 선택적으로 모델에 대한 설명을 추가합니다. 1. **모델 유형**에서 **온라인 사기 인사이트** 모델을 선택합니다. 1. **이벤트 유형**에서 **sample\$1registration**을 선택합니다. 1단계에서 생성한 이벤트 유형입니다. 1. **기록 이벤트 데이터**에서 1. **이벤트 데이터 소스**에서 ** S3에 저장된 이벤트 데이터를** 선택합니다. 1. **IAM 역할**에서 1단계에서 생성한 역할을 선택합니다. 1. **훈련 데이터 위치에** 예제 데이터 파일의 S3 URI 경로를 입력합니다. 1. **다음**을 선택합니다. ## 4단계: 모델 훈련 1. **모델 입력**에서 모든 확인란을 선택된 상태로 둡니다. 기본적으로 Amazon Fraud Detector는 과거 이벤트 데이터 세트의 모든 변수를 모델 입력으로 사용합니다. 1. **레이블 분류**에서 **사기 레이블**의 경우이 레이블은 예제 데이터 세트의 사기 이벤트를 나타내는 값에 해당****하므로 사기를 선택합니다. **적법한 레이블**의 경우이 레이블은 예제 데이터 세트의 적법한 이벤트를 나타내는 값에 해당하므로 **적법**성을 선택합니다. 1. **레이블이 지정되지 않은 이벤트 처리**의 경우이 예제 데이터 세트에 대한 **레이블이 지정되지 않은 이벤트 무시** 기본 선택을 유지합니다. 1. **다음**을 선택합니다. 1. 검토 후 **모델 생성 및 훈련**을 선택합니다. Amazon Fraud Detector는 모델을 생성하고 모델의 새 버전을 훈련하기 시작합니다. **모델 버전**에서 **상태** 열은 모델 훈련의 상태를 나타냅니다. 예제 데이터 세트를 사용하는 모델 훈련을 완료하는 데 약 45분이 걸립니다. 모델 훈련이 완료된 후 상태가 **배포 준비 완료**로 변경됩니다. # 5단계: 모델 성능 검토 Amazon Fraud Detector를 사용하는 중요한 단계는 모델 점수와 성능 지표를 사용하여 모델의 정확도를 평가하는 것입니다. 모델 훈련이 완료되면 Amazon Fraud Detector는 모델 훈련에 사용되지 않은 데이터의 15%를 사용하여 모델 성능을 검증하고 모델 성능 점수 및 기타 성능 지표를 생성합니다. 1. 모델의 성능을 보려면 1. Amazon Fraud Detector 콘솔의 왼쪽 탐색 창에서 **모델을** 선택합니다. 1. **모델** 페이지에서 방금 훈련한 모델(**sample\$1fraud\$1detection\$1model**)을 선택한 다음 **1.0**을 선택합니다. 이 버전은 모델에 대해 생성된 Amazon Fraud Detector 버전입니다. 1. **모델 성능** 전체 점수와 Amazon Fraud Detector가이 모델에 대해 생성한 기타 모든 지표를 살펴봅니다. 이 페이지의 모델 성능 점수 및 성능 지표에 대한 자세한 내용은 [모델 점수](model-scores.md) 및 섹션을 참조하세요[모델 성능 지표](training-performance-metrics.md). 훈련된 모든 Amazon Fraud Detector 모델에는이 자습서에서 모델에 대해 표시되는 성능 지표와 유사한 실제 사기 탐지 성능 지표가 있을 것으로 예상할 수 있습니다. # 6단계: 모델 배포 훈련된 모델의 성능 지표를 검토하고 이를 사용할 준비가 되면 사기 예측을 생성하고 모델을 배포할 수 있습니다. 1. Amazon Fraud Detector 콘솔의 왼쪽 탐색 창에서 **모델을** 선택합니다. 1. **모델** 페이지에서 **sample\$1fraud\$1detection\$1model**을 선택한 다음 배포하려는 특정 모델 버전을 선택합니다. 이 자습서에서는 **1.0**을 선택합니다. 1. **모델 버전** 페이지에서 **작업을** 선택한 다음 **모델 버전 배포**를 선택합니다. 1. **모델 버전**에서 **상태는** 배포 상태를 표시합니다. 배포가 완료되면 상태가 **활성**으로 변경됩니다. 이는 모델 버전이 활성화되어 사기 예측을 생성하는 데 사용할 수 있음을 나타냅니다. 를 계속 진행[파트 B: 사기 예측 생성](part-b.md)하여 사기 예측을 생성하는 단계를 완료합니다. # 파트 B: 사기 예측 생성 사기 예측은 비즈니스 활동(이벤트)에 대한 사기 평가입니다. Amazon Fraud Detector는 탐지기를 사용하여 사기 예측을 생성합니다. 탐지기에는 사기를 평가하려는 특정 이벤트에 대한 모델 및 규칙과 같은 탐지 로직이 포함되어 있습니다. 탐지 로직은 규칙을 사용하여 모델과 연결된 데이터를 해석하는 방법을 Amazon Fraud Detector에 알립니다. 이 자습서에서는 이전에 업로드한 계정 등록 예제 데이터 세트를 사용하여 계정 등록 이벤트를 평가합니다. 파트 A에서는 모델을 생성, 훈련 및 배포했습니다. 파트 B에서는 `sample_registration` 이벤트 유형에 대한 감지기를 빌드하고, 배포된 모델을 추가하고, 규칙 및 규칙 실행 순서를 생성한 다음, 사기 예측을 생성하는 데 사용하는 감지기 버전을 생성하고 활성화합니다. ## 1단계: 감지기 빌드 **감지기를 생성하려면** 1. Amazon Fraud Detector 콘솔의 왼쪽 탐색 창에서 **감지기를** 선택합니다. 1. **감지기 생성**을 선택합니다. 1. **감지기 세부 정보 정의** 페이지에서 감지기 이름`sample_detector`에를 입력합니다. 선택적으로와 같은 감지기에 대한 설명을 입력합니다`my sample fraud detector`. 1. **이벤트 유형**에서 **sample\$1registration**을 선택합니다. 이 이벤트는이 자습서의 파트 A에서 생성한 이벤트입니다. 1. **다음**을 선택합니다. ## 2단계: 모델 추가 이 자습서의 파트 A를 완료했다면 감지기에 추가할 수 있는 Amazon Fraud Detector 모델이 이미 있을 것입니다. 아직 모델을 생성하지 않은 경우 파트 A로 이동하여 모델을 생성, 훈련 및 배포하는 단계를 완료한 다음 파트 B를 계속 진행합니다. 1. **모델 추가 - 선택 사항**에서 **모델 추가**를 선택합니다. 1. **모델 추가** 페이지의 **모델 선택**에서 이전에 배포한 Amazon Fraud Detector 모델 이름을 선택합니다. **버전 선택**에서 배포된 모델의 모델 버전을 선택합니다. 1. **모델 추가**를 선택합니다. 1. **다음**을 선택합니다. ## 3단계: 규칙 추가 규칙은 사기 예측을 평가할 때 모델 성능 점수를 해석하는 방법을 Amazon Fraud Detector에 알려주는 조건입니다. 이 자습서에서는 , 및 `high_fraud_risk``medium_fraud_risk`의 세 가지 규칙을 생성합니다`low_fraud_risk`. 1. **규칙 추가** 페이지의 **규칙 정의**에서 규칙 이름`high_fraud_risk`에를 입력하고 **설명 - 선택 사항**에서 규칙에 대한 설명**This rule captures events with a high ML model score**으로를 입력합니다. 1. **표현식**에서 Amazon Fraud Detector 간소화된 규칙 표현식 언어를 사용하여 다음 규칙 표현식을 입력합니다. `$sample_fraud_detection_model_insightscore > 900` 1. **결과**에서 **새 결과 생성을** 선택합니다. 결과는 사기 예측의 결과이며 평가 중에 규칙이 일치하면 반환됩니다. 1. **새 결과 생성**에서 결과 이름으로 `verify_customer`를 입력합니다. 필요한 경우 설명을 입력합니다. 1. **결과 저장**을 선택합니다. 1. **규칙 추가**를 선택하여 규칙 검증 검사기를 실행하고 규칙을 저장합니다. 생성된 후 Amazon Fraud Detector는 감지기에서 규칙을 사용할 수 있도록 합니다. 1. **다른 규칙 추가**를 선택한 다음 **규칙 생성** 탭을 선택합니다. 1. 다음 `low_fraud_risk` 규칙 세부 정보를 사용하여이 프로세스를 두 번 더 반복하여 `medium_fraud_risk` 및 규칙을 생성합니다. + medium\$1fraud\$1risk 규칙 이름: `medium_fraud_risk` 결과: `review` 표현식: `$sample_fraud_detection_model_insightscore <= 900 and` `$sample_fraud_detection_model_insightscore > 700` + low\$1fraud\$1risk 규칙 이름: `low_fraud_risk` 결과: `approve` 표현식: `$sample_fraud_detection_model_insightscore <= 700` 이러한 값은이 자습서에 사용되는 예제입니다. 자체 감지기에 대한 규칙을 생성할 때 모델 및 사용 사례에 적합한 값을 사용합니다. 1. 세 가지 규칙을 모두 생성한 후 **다음을** 선택합니다. 규칙 생성 및 작성에 대한 자세한 내용은 [규칙](rules.md) 및 단원을 참조하십시오[규칙 언어 참조](rule-language-reference.md). ## 4단계: 규칙 실행 및 규칙 순서 구성 감지기에 포함된 규칙의 규칙 실행 모드에 따라 정의한 모든 규칙이 평가되는지 또는 규칙 평가가 첫 번째 일치 규칙에서 중지되는지가 결정됩니다. 규칙 순서에 따라 규칙을 실행할 순서가 결정됩니다. 기본 규칙 실행 모드는 입니다`FIRST_MATCHED`. **첫 번째 일치** 첫 번째 일치 규칙 실행 모드는 정의된 규칙 순서를 기반으로 첫 번째 일치 규칙의 결과를 반환합니다. `FIRST_MATCHED`를 지정하면 Amazon Fraud Detector는 처음부터 마지막까지 순차적으로 규칙을 평가하고 처음 일치하는 규칙에서 중지합니다. 그러면 Amazon Fraud Detector는 해당 단일 규칙에 대한 결과를 제공합니다. 에서 규칙을 실행하는 순서는 결과적으로 발생하는 사기 예측 결과에 영향을 미칠 수 있습니다. 규칙을 생성한 후 다음 단계에 따라 규칙을 원하는 순서로 실행하도록 재정렬합니다. `high_fraud_risk` 규칙이 아직 규칙 목록 상단에 없는 경우 **순서를** 선택한 다음 **1**을 선택합니다. 그러면 첫 `high_fraud_risk` 번째 위치로 이동합니다. 규칙이 두 번째 위치에 있고 `medium_fraud_risk` 규칙`low_fraud_risk`이 세 번째 위치에 있도록이 프로세스를 반복합니다. **모두 일치** 일치하는 모든 규칙 실행 모드는 규칙 순서에 관계없이 일치하는 모든 규칙에 대한 결과를 반환합니다. 를 지정하면 `ALL_MATCHED`Amazon Fraud Detector는 모든 규칙을 평가하고 일치하는 모든 규칙에 대한 결과를 반환합니다. 이 자습서`FIRST_MATCHED`에서를 선택한 **후 다음을** 선택합니다. # 5단계: 감지기 버전 검토 및 생성 감지기 버전은 사기 예측을 생성하는 데 사용되는 특정 모델과 규칙을 정의합니다. 1. **검토 및 생성** 페이지에서 구성한 감지기 세부 정보, 모델 및 규칙을 검토합니다. 변경해야 하는 경우 해당 섹션 옆에 있는 **편집**을 선택합니다. 1. **감지기 생성**을 선택합니다. 생성되면 감지기의 첫 번째 버전이 감지기 버전 테이블에 `Draft` 상태와 함께 나타납니다. **초안** 버전을 사용하여 감지기를 테스트합니다. # 6단계: 감지기 버전 테스트 및 활성화 Amazon Fraud Detector 콘솔에서 테스트 **실행 기능과 함께 모의 데이터를 사용하여 탐지기의 로직을 테스트**할 수 있습니다. 이 자습서에서는 예제 데이터 세트의 계정 등록 데이터를 사용할 수 있습니다. 1. **감지기 버전 세부 정보** 페이지 하단에서 **테스트 실행**으로 스크롤합니다. 1. **이벤트 메타데이터**에 이벤트가 발생한 시점의 타임스탬프를 입력하고 이벤트를 수행하는 개체의 고유 식별자를 입력합니다. 이 자습서에서는 타임스탬프의 날짜 선택기에서 날짜를 선택하고 개체 ID에 “1234”를 입력합니다. 1. **이벤트 변수**에 테스트할 변수 값을 입력합니다. 이 자습서에서는 `ip_address` 및 `email_address` 필드만 필요합니다. 이는 Amazon Fraud Detector 모델을 훈련하는 데 사용되는 입력이기 때문입니다. 다음 예제 값을 사용할 수 있습니다. 제안된 변수 이름을 사용했다고 가정합니다. + ip\$1address: `205.251.233.178` + email\$1address: `johndoe@exampledomain.com` 1. **테스트 실행**을 선택합니다. 1. Amazon Fraud Detector는 규칙 실행 모드를 기반으로 사기 예측 결과를 반환합니다. 규칙 실행 모드가 인 경우 `FIRST_MATCHED`반환된 결과는 일치하는 첫 번째 규칙에 해당합니다. 첫 번째 규칙은 우선 순위가 가장 높은 규칙입니다. true로 평가되면 일치됩니다. 규칙 실행 모드가 인 경우 반환`ALL_MATCHED`된 결과는 일치하는 모든 규칙에 해당합니다. 즉, 모두 true로 평가됩니다. 또한 Amazon Fraud Detector는 감지기에 추가된 모든 모델의 모델 점수를 반환합니다. 입력을 변경하고 몇 가지 테스트를 실행하여 다양한 결과를 확인할 수 있습니다. 테스트에 예제 데이터 세트의 *ip\$1address* 및 *email\$1address* 값을 사용하고 결과가 예상대로인지 확인할 수 있습니다. 1. 감지기의 작동 방식에 만족하면 감지기를에서 `Draft`로 승격합니다`Active`. 이렇게 하면 탐지기를 실시간 사기 탐지에 사용할 수 있습니다. **감지기 버전 세부 정보** 페이지에서 **작업**, **게시**, **버전 게시**를 선택합니다. 이렇게 하면 감지기의 상태가 **초안**에서 **활성으로 변경됩니다.** 이 시점에서 모델과 관련 탐지기 로직은 Amazon Fraud Detector `GetEventPrediction` API를 사용하여 사기에 대한 온라인 활동을 실시간으로 평가할 준비가 됩니다. CSV 입력 파일과 `CreateBatchPredictionJob` API를 사용하여 이벤트를 오프라인으로 평가할 수도 있습니다. 사기 예측에 대한 자세한 내용은 섹션을 참조하세요. [사기 예측](getting-fraud-predictions.md) 이 자습서를 완료하여 다음을 수행했습니다. + 이벤트 데이터 세트 예제를 Amazon S3에 업로드했습니다. + 예제 데이터 세트를 사용하여 Amazon Fraud Detector 사기 탐지 모델을 생성하고 교육했습니다. + Amazon Fraud Detector가 생성한 모델 성능 점수 및 기타 성능 지표를 확인했습니다. + 사기 탐지 모델을 배포했습니다. + 감지기를 생성하고 배포된 모델을 추가했습니다. + 감지기에 규칙, 규칙 실행 순서 및 결과가 추가되었습니다. + 다양한 입력을 제공하고 규칙 및 규칙 실행 순서가 예상대로 작동하는지 확인하여 감지기를 테스트했습니다. + 감지기를 게시하여 활성화했습니다. # 자습서: 사용 시작하기 AWS SDK for Python (Boto3) 이 자습서에서는 Amazon Fraud Detector 모델을 빌드 및 훈련한 다음이 모델을 사용하여를 사용하여 실시간 사기 예측을 생성하는 방법을 설명합니다 AWS SDK for Python (Boto3). 모델은 Amazon S3 버킷에 업로드하는 계정 등록 예제 데이터 파일을 사용하여 훈련됩니다. 이 자습서를 마치면 다음 작업을 완료합니다. + Amazon Fraud Detector 모델 구축 및 훈련 + 실시간 사기 예측 생성 ## 사전 조건 다음은이 자습서의 사전 조건 단계입니다. + 완료됨[Amazon Fraud Detector 설정](set-up.md). 이미가 있는 경우 Boto3 SDK 버전 1.14.29 이상을 사용하고 있는지 [AWS SDK 설정](set-up.md#set-up-sdk)확인합니다. + 이 자습서에 필요한 [예제 데이터 세트 가져오기 및 업로드](step-1-get-s3-data.md) 파일에 대한 지침을 따랐습니다. ## 시작하기 ### 1단계: Python 환경 설정 및 확인 Boto는 Python용 Amazon Web Services(AWS) SDK입니다. 이를 사용하여 생성, 구성 및 관리할 수 있습니다 AWS 서비스. Boto3를 설치하는 방법에 대한 지침은 [Python용 AWS SDK(Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html)를 참조하세요. 설치 후 다음 Python 예제 명령을 AWS SDK for Python (Boto3)실행하여 환경이 올바르게 구성되었는지 확인합니다. 환경이 올바르게 구성된 경우 응답에는 감지기 목록이 포함됩니다. 감지기가 생성되지 않은 경우 목록이 비어 있습니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') response = fraudDetector.get_detectors() print(response) ``` ### 2단계: 변수, 개체 유형 및 레이블 생성 이 단계에서는 모델, 이벤트 및 규칙을 정의하는 데 사용되는 리소스를 생성합니다. #### 변수 생성 변수는 이벤트 유형, 모델 및 규칙을 생성하는 데 사용할 데이터 세트의 데이터 요소입니다. 다음 예제에서는 [CreateVariable](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateVariable.html) API를 사용하여 두 개의 변수를 생성합니다. 변수는 `email_address` 및 입니다`ip_address`. 해당 변수 유형인 `EMAIL_ADDRESS` 및에 할당합니다`IP_ADDRESS`. 이러한 변수는 업로드한 예제 데이터 세트의 일부입니다. 변수 유형을 지정하면 Amazon Fraud Detector는 모델 훈련 중과 예측을 가져올 때 변수를 해석합니다. 연결된 변수 유형이 있는 변수만 모델 훈련에 사용할 수 있습니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') #Create variable email_address fraudDetector.create_variable( name = 'email_address', variableType = 'EMAIL_ADDRESS', dataSource = 'EVENT', dataType = 'STRING', defaultValue = '' ) #Create variable ip_address fraudDetector.create_variable( name = 'ip_address', variableType = 'IP_ADDRESS', dataSource = 'EVENT', dataType = 'STRING', defaultValue = '' ) ``` #### 개체 유형 생성 엔터티는 이벤트를 수행하는 사용자를 나타내며 엔터티 유형은 엔터티를 분류합니다. 분류 예에는 *고객*, *판매자* 또는 *계정이* 포함됩니다. 다음 예제에서는 [PutEntityType](https://docs.aws.amazon.com//frauddetector/latest/api/API_PutEntityType.html) API를 사용하여 `sample_customer` 엔터티 유형을 생성합니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.put_entity_type( name = 'sample_customer', description = 'sample customer entity type' ) ``` #### 레이블 생성 레이블은 이벤트를 사기성 또는 합법적인 것으로 분류하며 사기 탐지 모델을 훈련하는 데 사용됩니다. 모델은 이러한 레이블 값을 사용하여 이벤트를 분류하는 방법을 학습합니다. 다음 예제에서는 [Putlabel](https://docs.aws.amazon.com//frauddetector/latest/api/API_PutLabel.html) API를 사용하여 `fraud` 및 레이블 2개를 생성합니다`legit`. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.put_label( name = 'fraud', description = 'label for fraud events' ) fraudDetector.put_label( name = 'legit', description = 'label for legitimate events' ) ``` ### 3단계: 이벤트 유형 생성 Amazon Fraud Detector를 사용하면 위험을 평가하고 개별 이벤트에 대한 사기 예측을 생성하는 모델을 구축할 수 있습니다. 이벤트 유형은 개별 이벤트의 구조를 정의합니다. 다음 예제에서는 [PutEventType](https://docs.aws.amazon.com//frauddetector/latest/api/API_PutEventType.html) API를 사용하여 이벤트 유형을 생성합니다`sample_registration`. 이전 단계에서 생성한 변수(`email_address`,`ip_address`), 엔터티 유형(`sample_customer`), 레이블(`fraud`, `legit`)을 지정하여 이벤트 유형을 정의합니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.put_event_type ( name = 'sample_registration', eventVariables = ['ip_address', 'email_address'], labels = ['legit', 'fraud'], entityTypes = ['sample_customer']) ``` ### 4단계: 모델 생성, 훈련 및 배포 Amazon Fraud Detector는 모델을 교육하여 특정 이벤트 유형에 대한 사기를 탐지하는 방법을 학습합니다. 이전 단계에서 이벤트 유형을 생성했습니다. 이 단계에서는 이벤트 유형에 대한 모델을 생성하고 훈련합니다. 모델은 모델 버전의 컨테이너 역할을 합니다. 모델을 훈련할 때마다 새 버전이 생성됩니다. 다음 예제 코드를 사용하여 온라인 사기 인사이트 모델을 생성하고 교육합니다. 이 모델을 라고 합니다`sample_fraud_detection_model`. 이는 Amazon S3에 업로드한 계정 등록 예제 데이터 세트를 `sample_registration` 사용하는 이벤트 유형에 대한 것입니다. Amazon Fraud Detector가 지원하는 다양한 모델 유형에 대한 자세한 내용은 섹션을 참조하세요[모델 유형 선택](choosing-model-type.md). **모델 생성** 다음 예제에서는 [CreateModel](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateModel.html) API를 사용하여 모델을 생성합니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.create_model ( modelId = 'sample_fraud_detection_model', eventTypeName = 'sample_registration', modelType = 'ONLINE_FRAUD_INSIGHTS') ``` **모델 훈련** 다음 예제에서는 [CreateModelVersion](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateModelVersion.html) API를 사용하여 모델을 훈련합니다. `trainingDataSource` 및 예제 데이터 세트를 저장한 Amazon S3 위치에 `'EXTERNAL_EVENTS'` 대해를 지정하고 용 Amazon S3 버킷의 *RoleArn*을 지정합니다`externalEventsDetail`. `trainingDataSchema` 파라미터에서 Amazon Fraud Detector가 예제 데이터를 해석하는 방법을 지정합니다. 보다 구체적으로, 포함할 변수와 이벤트 레이블을 분류하는 방법을 지정합니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.create_model_version ( modelId = 'sample_fraud_detection_model', modelType = 'ONLINE_FRAUD_INSIGHTS', trainingDataSource = 'EXTERNAL_EVENTS', trainingDataSchema = { 'modelVariables' : ['ip_address', 'email_address'], 'labelSchema' : { 'labelMapper' : { 'FRAUD' : ['fraud'], 'LEGIT' : ['legit'] } } }, externalEventsDetail = { 'dataLocation' : 's3://amzn-s3-demo-bucket/your-example-data-filename.csv', 'dataAccessRoleArn' : 'role_arn' } ) ``` 모델을 여러 번 훈련할 수 있습니다. 모델을 훈련할 때마다 새 버전이 생성됩니다. 모델 훈련이 완료되면 모델 버전 상태가 로 업데이트됩니다`TRAINING_COMPLETE`. 모델 성능 점수 및 기타 모델 성능 지표를 검토할 수 있습니다. **모델 성능 검토** Amazon Fraud Detector를 사용하는 중요한 단계는 모델 점수와 성능 지표를 사용하여 모델의 정확도를 평가하는 것입니다. 모델 훈련이 완료되면 Amazon Fraud Detector는 모델 훈련에 사용되지 않은 데이터의 15%를 사용하여 모델 성능을 검증합니다. 모델 성능 점수 및 기타 성능 지표를 생성합니다. [DescribeModelVersions](https://docs.aws.amazon.com//frauddetector/latest/api/API_DescribeModelVersions.html) API를 사용하여 모델 성능을 검토합니다. 이 **모델의 모델 성능** 전체 점수와 Amazon Fraud Detector에서 생성한 기타 모든 지표를 살펴봅니다. 모델 성능 점수 및 성능 지표에 대한 자세한 내용은 [모델 점수](model-scores.md) 및 섹션을 참조하세요[모델 성능 지표](training-performance-metrics.md). 훈련된 모든 Amazon Fraud Detector 모델에는이 자습서의 지표와 유사한 실제 사기 탐지 성능 지표가 있을 것으로 예상할 수 있습니다. **모델 배포** 훈련된 모델의 성능 지표를 검토한 후 모델을 배포하고 Amazon Fraud Detector에서 사기 예측을 생성할 수 있도록 합니다. 훈련된 모델을 배포하려면 [UpdateModelVersionStatus](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateModelVersionStatus.html) API를 사용합니다. 다음 예제에서는 모델 버전 상태를 ACTIVE로 업데이트하는 데 사용됩니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.update_model_version_status ( modelId = 'sample_fraud_detection_model', modelType = 'ONLINE_FRAUD_INSIGHTS', modelVersionNumber = '1.00', status = 'ACTIVE' ) ``` ### 5단계: 감지기, 결과, 규칙 및 감지기 버전 생성 감지기에는 모델 및 규칙과 같은 감지 로직이 포함되어 있습니다. 이 로직은 사기를 평가하려는 특정 이벤트에 대한 것입니다. 규칙은 예측 중에 변수 값을 해석하는 방법을 Amazon Fraud Detector에 알리기 위해 지정하는 조건입니다. 결과는 사기 예측의 결과입니다. 감지기에는 *DRAFT*, *ACTIVE* 또는 *INACTIVE* 상태의 각 버전을 포함하는 여러 버전이 있을 수 있습니다. 감지기 버전에는 연결된 규칙이 하나 이상 있어야 합니다. 다음 예제 코드를 사용하여 감지기, 규칙, 결과를 생성하고 감지기를 게시합니다. **감지기 생성** 다음 예제에서는 [PutDetector](https://docs.aws.amazon.com//frauddetector/latest/api/API_PutDetector.html) API를 사용하여 `sample_registration` 이벤트 유형에 대한 `sample_detector` 감지기를 생성합니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.put_detector ( detectorId = 'sample_detector', eventTypeName = 'sample_registration' ) ``` **결과 생성** 가능한 각 사기 예측 결과에 대한 결과가 생성됩니다. 다음 예제에서 [PutOutcome](https://docs.aws.amazon.com//frauddetector/latest/api/API_PutOutcome.html) API는 , 및 `verify_customer``review`의 세 가지 결과를 생성하는 데 사용됩니다`approve`. 이러한 결과는 나중에 규칙에 할당됩니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.put_outcome( name = 'verify_customer', description = 'this outcome initiates a verification workflow' ) fraudDetector.put_outcome( name = 'review', description = 'this outcome sidelines event for review' ) fraudDetector.put_outcome( name = 'approve', description = 'this outcome approves the event' ) ``` **규칙 생성** 규칙은 데이터 세트의 하나 이상의 변수, 로직 표현식 및 하나 이상의 결과로 구성됩니다. 다음 예제에서 [CreateRule](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateRule.html) API는 , 및 `high_risk``medium_risk`의 세 가지 규칙을 생성하는 데 사용됩니다`low_risk`. 규칙 표현식을 생성하여 모델 성능 점수 `sample_fraud_detection_model_insightscore` 값을 다양한 임계값과 비교합니다. 이는 이벤트의 위험 수준을 결정하고 이전 단계에서 정의된 결과를 할당하기 위한 것입니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.create_rule( ruleId = 'high_fraud_risk', detectorId = 'sample_detector', expression = '$sample_fraud_detection_model_insightscore > 900', language = 'DETECTORPL', outcomes = ['verify_customer'] ) fraudDetector.create_rule( ruleId = 'medium_fraud_risk', detectorId = 'sample_detector', expression = '$sample_fraud_detection_model_insightscore <= 900 and $sample_fraud_detection_model_insightscore > 700', language = 'DETECTORPL', outcomes = ['review'] ) fraudDetector.create_rule( ruleId = 'low_fraud_risk', detectorId = 'sample_detector', expression = '$sample_fraud_detection_model_insightscore <= 700', language = 'DETECTORPL', outcomes = ['approve'] ) ``` **감지기 버전 생성** 감지기 버전은 사기 예측을 가져오는 데 사용되는 모델과 규칙을 정의합니다. 다음 예제에서는 [CreateDetectorVersion](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateDetectorVersion.html) API를 사용하여 감지기 버전을 생성합니다. 모델 버전 세부 정보, 규칙 및 규칙 실행 모드 FIRST\$1MATCHED를 제공하여 이를 수행합니다. 규칙 실행 모드는 규칙을 평가하기 위한 시퀀스를 지정합니다. 규칙 실행 모드 FIRST\$1MATCHED는 규칙이 처음에는 마지막으로 순차적으로 평가되고 일치하는 규칙에서 중지되도록 지정합니다. ``` import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.create_detector_version( detectorId = 'sample_detector', rules = [{ 'detectorId' : 'sample_detector', 'ruleId' : 'high_fraud_risk', 'ruleVersion' : '1' }, { 'detectorId' : 'sample_detector', 'ruleId' : 'medium_fraud_risk', 'ruleVersion' : '1' }, { 'detectorId' : 'sample_detector', 'ruleId' : 'low_fraud_risk', 'ruleVersion' : '1' } ], modelVersions = [{ 'modelId' : 'sample_fraud_detection_model', 'modelType': 'ONLINE_FRAUD_INSIGHTS', 'modelVersionNumber' : '1.00' } ], ruleExecutionMode = 'FIRST_MATCHED' ) ``` ### 6단계: 사기 예측 생성 이 자습서의 마지막 단계에서는 이전 단계에서 `sample_detector` 생성된 탐지기를 사용하여 `sample_registration` 이벤트 유형에 대한 사기 예측을 실시간으로 생성합니다. 감지기는 Amazon S3에 업로드된 예제 데이터를 평가합니다. 응답에는 모델 성능 점수와 일치하는 규칙과 관련된 모든 결과가 포함됩니다. 다음 예제에서 [GetEventPrediction](https://docs.aws.amazon.com//frauddetector/latest/api/API_GetEventPrediction.html) API는 각 요청에 대해 단일 계정 등록의 데이터를 제공하는 데 사용됩니다. 이 자습서에서는 계정 등록 예제 데이터 파일에서 데이터(email\$1address 및 ip\$1address)를 가져옵니다. 상단 헤더 줄 뒤의 각 줄(행)은 단일 계정 등록 이벤트의 데이터를 나타냅니다. ``` 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' } ) ``` 이 자습서를 완료한 후 다음을 수행했습니다. + 이벤트 데이터 세트 예제를 Amazon S3에 업로드했습니다. + 모델을 생성하고 훈련하는 데 사용되는 변수, 엔터티 및 레이블을 생성했습니다. + 예제 데이터 세트를 사용하여 모델을 생성하고 교육했습니다. + Amazon Fraud Detector가 생성한 모델 성능 점수 및 기타 성능 지표를 확인했습니다. + 사기 탐지 모델을 배포했습니다. + 감지기를 생성하고 배포된 모델을 추가했습니다. + 감지기에 규칙, 규칙 실행 순서 및 결과가 추가되었습니다. + 감지기 버전을 생성했습니다. + 다양한 입력을 제공하고 규칙 및 규칙 실행 순서가 예상대로 작동하는지 확인하여 감지기를 테스트했습니다. ## (선택 사항) Jupyter(iPython) 노트북을 사용하여 Amazon Fraud Detector APIs 탐색 Amazon Fraud Detector APIs를 사용하는 방법에 대한 자세한 예는 [aws-fraud-detector-samples GitHub 리포지토리](https://github.com/aws-samples/aws-fraud-detector-samples)를 참조하세요. 노트북에서 다루는 주제에는 Amazon Fraud Detector APIs를 사용하여 모델과 탐지기를 구축하고 `GetEventPrediction` API를 사용하여 배치 사기 예측 요청을 하는 것이 모두 포함됩니다. # 다음 단계 이제 모델과 탐지기를 생성했으므로 더 자세히 살펴보고 모델과 탐지기를 생성하고 사기 예측을 생성할 수 있습니다. Amazon Fraud Detector 사용 설명서의 다음 섹션에서는 비즈니스 또는 조직이 Amazon Fraud Detector를 사용하여 사기를 탐지하는 방법을 설명합니다. + 모델 훈련을 위한 이벤트 데이터 세트를 준비하고 생성합니다. + 이벤트 유형 생성 + 모델 생성 + 감지기 생성 + 사기 예측 가져오기 + Amazon Fraud Detector 리소스(특히 변수, 개체, 결과 및 레이블) 관리 + 보안 및 규정 준수 목표에 맞게 Amazon Fraud Detector 구성 + Amazon Fraud Detector 모니터링 및 Amazon Fraud Detector API 호출 로깅 + Amazon Fraud Detector 관련 문제 해결