O Amazon Fraud Detector não está mais aberto a novos clientes a partir de 7 de novembro de 2025. Para recursos semelhantes ao Amazon Fraud Detector SageMaker, explore Amazon AutoGluon, AWS WAF e.
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Escolha um tipo de modelo
Os seguintes tipos de modelo estão disponíveis no Amazon Fraud Detector. Escolha um tipo de modelo que funcione para seu caso de uso.
+ **Informações sobre fraudes on-line**
O tipo de modelo *Online Fraud Insights* é otimizado para detectar fraudes quando há poucos dados históricos disponíveis sobre a entidade que está sendo avaliada, por exemplo, um novo cliente se registrando on-line para uma nova conta.
+ **Informações sobre fraudes em transações**
O tipo de modelo *Transaction Fraud Insights* é mais adequado para detectar casos de uso de fraude em que a entidade que está sendo avaliada pode ter um histórico de interações que o modelo pode analisar para melhorar a precisão da previsão (por exemplo, um cliente existente com histórico de compras anteriores).
+ **Insights sobre aquisição de contas**
O tipo de modelo *Account Takeover Insights* detecta se uma conta foi comprometida por phishing ou outro tipo de ataque. Os dados de login de uma conta comprometida, como o navegador e o dispositivo usados no login, são diferentes dos dados históricos de login associados à conta.
# Informações sobre fraudes on-line
O Online Fraud Insights é um modelo de aprendizado de máquina supervisionado, o que significa que ele usa exemplos históricos de transações fraudulentas e legítimas para treinar o modelo. O modelo Online Fraud Insights pode detectar fraudes com base em poucos dados históricos. As entradas do modelo são flexíveis, então você pode adaptá-lo para detectar uma variedade de riscos de fraude, incluindo avaliações falsas, abuso de promoções e fraudes no checkout de hóspedes.
O modelo Online Fraud Insights usa um conjunto de algoritmos de aprendizado de máquina para enriquecimento, transformação e classificação de fraudes de dados. Como parte do processo de treinamento do modelo, o Online Fraud Insights enriquece elementos de dados brutos, como endereço IP e número BIN, com dados de terceiros, como a geolocalização do endereço IP ou o banco emissor de um cartão de crédito. Além de dados de terceiros, o Online Fraud Insights usa algoritmos de aprendizado profundo que levam em consideração os padrões de fraude observados na Amazon AWS e. Esses padrões de fraude se tornam recursos de entrada para seu modelo usando um algoritmo de aumento de árvore de gradiente.
Para aumentar o desempenho, o Online Fraud Insights otimiza os hiperparâmetros do algoritmo de aumento da árvore de gradiente por meio de um processo de otimização bayesiano. Ele treina sequencialmente dezenas de modelos diferentes com parâmetros de modelo variados (como número de árvores, profundidade das árvores e número de amostras por folha). Ele também usa diferentes estratégias de otimização, como aumentar a população minoritária de fraudes, para lidar com taxas de fraude muito baixas.
## Seleção da fonte de dados
Ao treinar um modelo do Online Fraud Insights, você pode escolher treinar o modelo em dados de eventos armazenados externamente (fora do Amazon Fraud Detector) ou armazenados no Amazon Fraud Detector. O armazenamento externo que o Amazon Fraud Detector suporta atualmente é o Amazon Simple Storage Service (Amazon S3). Se você estiver usando armazenamento externo, seu conjunto de dados do evento deve ser carregado no formato de valores separados por vírgula (CSV) em um bucket do Amazon S3. Essas opções de armazenamento de dados são chamadas na configuração de treinamento do modelo como EXTERNAL\$1EVENTS (para armazenamento externo) e INGESTED\$1EVENTS (para armazenamento interno). Para obter mais informações sobre as fontes de dados disponíveis e como armazenar dados nelas, consulte[Armazenamento de dados de eventos](event-data-storage.md).
## Preparar dados
Independentemente de onde você escolher armazenar os dados do seu evento (Amazon S3 ou Amazon Fraud Detector), os requisitos para o tipo de modelo do Online Fraud Insights são os mesmos.
Seu conjunto de dados deve conter o cabeçalho da coluna EVENT\$1LABEL. Essa variável classifica um evento como fraudulento ou legítimo. Ao usar um arquivo CSV (armazenamento externo), você deve incluir EVENT\$1LABEL para cada evento no arquivo. Para armazenamento interno, o campo EVENT\$1LABEL é opcional, mas todos os eventos devem ser rotulados para serem incluídos em um conjunto de dados de treinamento. Ao configurar seu modelo de treinamento, você pode escolher se deseja ignorar eventos não rotulados, assumir um rótulo legítimo para eventos não rotulados ou assumir um rótulo fraudulento para todos os eventos não rotulados.
## Seleção de dados
Consulte [Coletar dados de eventos](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#gather-event-data) para obter informações sobre como selecionar dados para treinar seu modelo Online Fraud Insights.
O processo de treinamento do Online Fraud Insights mostra e divide dados históricos com base em EVENT\$1TIMESTAMP. Não há necessidade de amostrar manualmente os dados, e isso pode afetar negativamente os resultados do seu modelo.
## Variáveis do evento
O modelo Online Fraud Insights requer pelo menos duas variáveis, além dos metadados de eventos necessários, que passaram pela [validação de dados](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation) para o treinamento do modelo e permitem até 100 variáveis por modelo. Geralmente, quanto mais variáveis você fornece, melhor o modelo pode diferenciar entre fraude e eventos legítimos. Embora o modelo Online Fraud Insights possa suportar dezenas de variáveis, incluindo variáveis personalizadas, recomendamos incluir endereço IP e endereço de e-mail, pois essas variáveis geralmente são mais eficazes na identificação da entidade que está sendo avaliada.
## Validando dados
Como parte do processo de treinamento, o Online Fraud Insights validará o conjunto de dados para problemas de qualidade de dados que possam afetar o treinamento do modelo. Depois de validar os dados, o Amazon Fraud Detector tomará as medidas apropriadas para criar o melhor modelo possível. Isso inclui emitir avisos sobre possíveis problemas de qualidade de dados, remover automaticamente variáveis com problemas de qualidade de dados ou emitir um erro e interromper o processo de treinamento do modelo. Para obter mais informações, consulte [validação do conjunto de dados](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation).
# Informações sobre fraudes em transações
O tipo de modelo Transaction Fraud Insights foi projetado para detectar fraudes on-line ou card-not-present em transações. O Transaction Fraud Insights é um modelo de aprendizado de máquina supervisionado, o que significa que ele usa exemplos históricos de transações fraudulentas e legítimas para treinar o modelo.
O modelo Transaction Fraud Insights usa um conjunto de algoritmos de aprendizado de máquina para enriquecimento, transformação e classificação de fraudes de dados. Ele utiliza um mecanismo de engenharia de recursos para criar agregados em nível de entidade e de evento. Como parte do processo de treinamento do modelo, o Transaction Fraud Insights enriquece elementos de dados brutos, como endereço IP e número BIN, com dados de terceiros, como a geolocalização do endereço IP ou o banco emissor de um cartão de crédito. Além de dados de terceiros, o Transaction Fraud Insights usa algoritmos de aprendizado profundo que levam em conta os padrões de fraude observados na Amazon. AWS Esses padrões de fraude se tornam recursos de entrada para seu modelo usando um algoritmo de aumento de árvore de gradiente.
Para aumentar o desempenho, o Transaction Fraud Insights otimiza os hiperparâmetros do algoritmo de aumento da árvore de gradiente por meio de um processo de otimização bayesiano, treinando sequencialmente dezenas de modelos diferentes com parâmetros de modelo variados (como número de árvores, profundidade das árvores, número de amostras por folha), bem como diferentes estratégias de otimização, como aumentar a população minoritária de fraudes para lidar com taxas de fraude muito baixas.
Como parte do processo de treinamento do modelo, o mecanismo de engenharia de recursos do modelo Transaction Fraud calcula os valores de cada entidade exclusiva em seu conjunto de dados de treinamento para ajudar a melhorar as previsões de fraudes. Por exemplo, durante o processo de treinamento, o Amazon Fraud Detector calcula e armazena a última vez que uma entidade fez uma compra e atualiza dinamicamente esse valor sempre que você chama a API `GetEventPrediction` ou`SendEvent`. Durante uma previsão de fraude, as variáveis do evento são combinadas com outros metadados da entidade e do evento para prever se a transação é fraudulenta.
## Seleção da fonte de dados
Os modelos do Transaction Fraud Insights são treinados em conjuntos de dados armazenados internamente somente com o Amazon Fraud Detector (INGESTED\$1EVENTS). Isso permite que o Amazon Fraud Detector atualize continuamente os valores calculados sobre as entidades que você está avaliando. Para obter mais informações sobre as fontes de dados disponíveis, consulte [Armazenamento de dados de eventos](event-data-storage.md)
## Preparar dados
Antes de treinar um modelo do Transaction Fraud Insights, certifique-se de que seu arquivo de dados contenha todos os cabeçalhos, conforme mencionado em [Prepare o conjunto de dados do evento](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#prepare-event-dataset). O modelo Transaction Fraud Insights compara novas entidades que são recebidas com os exemplos de entidades fraudulentas e legítimas no conjunto de dados, por isso é útil fornecer muitos exemplos para cada entidade.
O Amazon Fraud Detector transforma automaticamente o conjunto de dados de eventos armazenado no formato correto para treinamento. Depois que o modelo concluir o treinamento, você poderá revisar as métricas de desempenho e determinar se deve adicionar entidades ao seu conjunto de dados de treinamento.
## Seleção de dados
Por padrão, o Transaction Fraud Insights treina todo o seu conjunto de dados armazenado para o tipo de evento selecionado. Opcionalmente, você pode definir um intervalo de tempo para reduzir os eventos usados para treinar seu modelo. Ao definir um intervalo de tempo, certifique-se de que os registros usados para treinar o modelo tenham tido tempo suficiente para amadurecer. Ou seja, já passou tempo suficiente para garantir que registros legítimos e fraudulentos tenham sido identificados corretamente. Por exemplo, para fraudes de estorno, geralmente são necessários 60 dias ou mais para identificar corretamente eventos fraudulentos. Para obter o melhor desempenho do modelo, certifique-se de que todos os registros em seu conjunto de dados de treinamento estejam maduros.
Não há necessidade de selecionar um intervalo de tempo que represente uma taxa de fraude ideal. O Amazon Fraud Detector coleta amostras automaticamente de seus dados para alcançar o equilíbrio entre taxas de fraude, intervalo de tempo e contagem de entidades.
O Amazon Fraud Detector retornará um erro de validação durante o treinamento do modelo se você selecionar um intervalo de tempo para o qual não haja eventos suficientes para treinar um modelo com sucesso. Para conjuntos de dados armazenados, o campo EVENT\$1LABEL é opcional, mas os eventos devem ser rotulados para serem incluídos em seu conjunto de dados de treinamento. Ao configurar seu modelo de treinamento, você pode escolher se deseja ignorar eventos não rotulados, assumir um rótulo legítimo para eventos não rotulados ou assumir um rótulo fraudulento para eventos não rotulados.
## Variáveis do evento
O tipo de evento usado para treinar o modelo deve conter pelo menos 2 variáveis, além dos metadados de eventos obrigatórios, que passaram pela [validação de dados](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation) e podem conter até 100 variáveis. Geralmente, quanto mais variáveis você fornece, melhor o modelo pode diferenciar entre fraude e eventos legítimos. Embora o modelo Transaction Fraud Insight possa suportar dezenas de variáveis, incluindo variáveis personalizadas, recomendamos que você inclua endereço IP, endereço de e-mail, tipo de instrumento de pagamento, preço do pedido e BIN do cartão.
## Validando dados
Como parte do processo de treinamento, o Transaction Fraud Insights valida o conjunto de dados de treinamento para problemas de qualidade de dados que possam afetar o treinamento do modelo. Depois de validar os dados, o Amazon Fraud Detector toma as medidas apropriadas para criar o melhor modelo possível. Isso inclui emitir avisos sobre possíveis problemas de qualidade de dados, remover automaticamente variáveis com problemas de qualidade de dados ou emitir um erro e interromper o processo de treinamento do modelo. Para obter mais informações, consulte [Validação do conjunto de dados](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation).
O Amazon Fraud Detector emitirá um aviso, mas continuará treinando um modelo se o número de entidades exclusivas for inferior a 1.500, pois isso pode afetar a qualidade dos dados de treinamento. Se você receber um aviso, revise a [métrica de desempenho](training-performance-metrics.md).
# Insights sobre aquisição de contas
O tipo de modelo Account Takeover Insights (ATI) identifica atividades on-line fraudulentas detectando se as contas foram comprometidas por invasões maliciosas, phishing ou roubo de credenciais. O Account Takeover Insights é um modelo de aprendizado de máquina que usa eventos de login da sua empresa on-line para treinar o modelo.
Você pode incorporar um modelo treinado do Account Takeover Insights ao seu fluxo de login em tempo real para detectar se uma conta está comprometida. O modelo avalia uma variedade de tipos de autenticação e login. Eles incluem logins de aplicativos web, autenticações baseadas em API e single-sign-on (SSO). Para usar o modelo Account Takeover Insights, chame a [GetEventPrediction](https://docs.aws.amazon.com/frauddetector/latest/api/API_GetEventPrediction.html)API depois que uma credencial de login válida for apresentada. A API gera uma pontuação que quantifica o risco de a conta ser comprometida. O Amazon Fraud Detector usa a pontuação e as regras que você definiu para retornar um ou mais resultados para os eventos de login. Os resultados são aqueles que você configurou. Com base nos resultados que você recebe, você pode tomar as medidas apropriadas para cada login. Ou seja, você pode aprovar ou contestar as credenciais apresentadas para o login. Por exemplo, você pode contestar as credenciais solicitando um PIN da conta como verificação adicional.
Você também pode usar o modelo Account Takeover Insights para avaliar logins de contas de forma assíncrona e realizar ações em contas de alto risco. Por exemplo, uma conta de alto risco pode ser adicionada à fila de investigação para que um revisor humano determine se outras medidas precisam ser tomadas, como suspender a conta.
O modelo Account Takeover Insights é treinado usando um conjunto de dados que contém os eventos históricos de login da sua empresa. Você fornece esses dados. Opcionalmente, você pode rotular as contas como legítimas ou fraudulentas. No entanto, isso não é necessário para treinar o modelo. O modelo Account Takeover Insights detecta anomalias com base no histórico de logins bem-sucedidos de uma conta. Ele também aprende a detectar anomalias no comportamento de um usuário que sugerem um risco maior de um evento de invasão maliciosa da conta. Por exemplo, um usuário que normalmente faz login a partir do mesmo conjunto de dispositivos e endereços IP. Um fraudador normalmente faz login usando um dispositivo e uma localização geográfica diferentes. Essa técnica produz uma pontuação de risco de uma atividade ser anômala, o que normalmente é a principal característica das invasões de contas mal-intencionadas.
Antes de treinar um modelo do Account Takeover Insights, o Amazon Fraud Detector usa uma combinação de técnicas de aprendizado de máquina para realizar o enriquecimento, a agregação e a transformação de dados. Então, durante o processo de treinamento, o Amazon Fraud Detector enriquece os elementos de dados brutos que você fornece. Exemplos de elementos de dados brutos incluem endereço IP e agente de usuário. O Amazon Fraud Detector usa esses elementos para criar entradas adicionais que descrevem os dados de login. Essas entradas incluem o dispositivo, o navegador e as entradas de geolocalização. O Amazon Fraud Detector também usa os dados de login que você fornece para computar continuamente variáveis agregadas que descrevem o comportamento anterior do usuário. Exemplos de comportamento do usuário incluem o número de vezes que o usuário fez login a partir de um endereço IP específico. Usando esses enriquecimentos e agregados adicionais, o Amazon Fraud Detector pode gerar um forte desempenho do modelo a partir de um pequeno conjunto de entradas de seus eventos de login.
O modelo Account Takeover Insights detecta casos em que uma conta legítima é acessada por um agente mal-intencionado, independentemente de o agente mal-intencionado ser humano ou robô. O modelo produz uma pontuação única que indica o risco relativo de comprometimento da conta. As contas que podem ter sido comprometidas são marcadas como contas de alto risco. Você pode processar contas de alto risco de duas maneiras. Você também pode impor uma verificação de identidade adicional. Ou você pode enviar a conta para uma fila para investigação manual.
## Seleção da fonte de dados
Os modelos do Account Takeover Insights são treinados em um conjunto de dados armazenado internamente, no Amazon Fraud Detector. Para armazenar seus dados de eventos de login com o Amazon Fraud Detector, crie um arquivo CSV com os eventos de login dos usuários. Para cada evento, inclua dados de login, como data e hora do evento, ID do usuário, endereço IP, agente do usuário e se os dados de login são válidos. Depois de criar o arquivo CSV, primeiro faça o upload do arquivo para o Amazon Fraud Detector e, em seguida, use o recurso de importação para armazenar os dados. Em seguida, você pode treinar seu modelo usando os dados armazenados. Para obter mais informações sobre como armazenar seu conjunto de dados de eventos com o Amazon Fraud Detector, consulte [Armazene seus dados de eventos internamente com o Amazon Fraud Detector](storing-event-data-afd.md)
## Preparar dados
O Amazon Fraud Detector exige que você forneça os dados de login da sua conta de usuário em um arquivo de valores separados por vírgula (CSV) codificado no formato UTF-8. A primeira linha do seu arquivo CSV deve conter um cabeçalho de arquivo. O cabeçalho do arquivo consiste em metadados de eventos e variáveis de eventos que descrevem cada elemento de dados. Os dados do evento seguem o cabeçalho. Cada linha nos dados do evento consiste em dados de um único evento de login.
Para o modelo Accounts Takeover Insights, você deve fornecer os seguintes metadados de eventos e variáveis de eventos na linha de cabeçalho do seu arquivo CSV.
**Metadados do evento**
Recomendamos que você forneça os seguintes metadados no cabeçalho do arquivo CSV. Os metadados do evento devem estar em letras maiúsculas.
+ EVENT\$1ID - Um identificador exclusivo para o evento de login.
+ ENTITY\$1TYPE - A entidade que realiza o evento de login, como um lojista ou um cliente.
+ ENTITY\$1ID - Um identificador para a entidade que está executando o evento de login.
+ EVENT\$1TIMESTAMP - A data e hora em que o evento de login ocorreu. O carimbo de data/hora deve estar no padrão ISO 8601 em UTC.
+ EVENT\$1LABEL (recomendado) - Um rótulo que classifica o evento como fraudulento ou legítimo. Você pode usar qualquer rótulo, como “fraude”, “legítimo”, “1" ou “0".
**nota**
Os metadados do evento devem estar em letras maiúsculas. É sensível a maiúsculas e minúsculas.
Os rótulos não são necessários para eventos de login. No entanto, recomendamos que você inclua os metadados EVENT\$1LABEL e forneça rótulos para seus eventos de login. Tudo bem se os rótulos estiverem incompletos ou esporádicos. Se você fornecer etiquetas, o Amazon Fraud Detector as usará para calcular automaticamente uma taxa de descoberta de aquisição de contas e exibi-la no gráfico e na tabela de desempenho do modelo.
**Variáveis do evento**
Para o modelo Accounts Takeover Insights, há variáveis obrigatórias (obrigatórias) que você deve fornecer e variáveis opcionais. Ao criar suas variáveis, certifique-se de atribuir a variável ao tipo correto de variável. Como parte do processo de treinamento do modelo, o Amazon Fraud Detector usa o tipo de variável associado à variável para realizar o enriquecimento de variáveis e a engenharia de recursos.
**nota**
Os nomes das variáveis do evento devem estar em letras minúsculas. Eles diferenciam maiúsculas de minúsculas.
**Variáveis obrigatórias**
As variáveis a seguir são necessárias para treinar um modelo do Accounts Takeover Insights.
| Categoria | Tipo de variável | Description |
| --- | --- | --- |
| IP address (endereço de IP) | IP\$1ADDRESS | O endereço IP usado no evento de login |
| Navegador e dispositivo | AGENTE DE USUÁRIO | O navegador, o dispositivo e o sistema operacional usados no evento de login |
| Credenciais válidas | CREDENCIADO VÁLIDO | Indica se as credenciais usadas para login são válidas |
**Variáveis opcionais**
As variáveis a seguir são opcionais para treinar um modelo do Accounts Takeover Insights.
| Categoria | Tipo | Description |
| --- | --- | --- |
| Navegador e dispositivo | IMPRESSÃO DIGITAL | O identificador exclusivo da impressão digital de um navegador ou dispositivo |
| ID da sessão | SESSION\$1ID | O identificador de uma sessão de autenticação |
| Rótulo | RÓTULO\$1EVENTO | Uma etiqueta que classifica o evento como fraudulento ou legítimo. Você pode usar qualquer rótulo, como “fraude”, “legítimo”, “1" ou “0". |
| Timestamp | LABEL\$1TIMESTAMP | O carimbo de data e hora da última atualização do rótulo. Isso é necessário se EVENT\$1LABEL for fornecido. |
**nota**
Você pode fornecer qualquer nome de variável para ambas as variáveis obrigatórias (variáveis opcionais). É importante que cada variável obrigatória e opcional seja atribuída ao tipo correto de variável.
Você pode fornecer variáveis adicionais. No entanto, o Amazon Fraud Detector não incluirá essas variáveis para treinar um modelo do Accounts Takeover Insights.
## Seleção de dados
A coleta de dados é uma etapa importante para criar seu modelo Account Takeover Insights. Ao começar a coletar seus dados de login, considere os seguintes requisitos e recomendações:
**Obrigatório**
+ Forneça pelo menos 1.500 exemplos de contas de usuário, cada uma com pelo menos dois eventos de login associados.
+ Seu conjunto de dados deve abranger pelo menos 30 dias de eventos de login. Posteriormente, você pode especificar o intervalo de tempo específico dos eventos a serem usados para treinar o modelo.
**Recomendado**
+ Seu conjunto de dados inclui exemplos de eventos de login malsucedidos. Opcionalmente, você pode rotular esses logins malsucedidos como “fraudulentos” ou “legítimos”.
+ Prepare dados históricos com eventos de login que abrangem mais de seis meses e inclua 100 mil entidades.
Se você não tiver um conjunto de dados que já atenda aos requisitos mínimos, considere transmitir dados de eventos para o Amazon Fraud Detector chamando a operação da [SendEvent](https://docs.aws.amazon.com/frauddetector/latest/api/API_SendEvent.html)API.
## Validando dados
Antes de criar seu modelo Account Takeover Insights, o Amazon Fraud Detector verifica se os metadados e as variáveis que você incluiu em seu conjunto de dados para treinar o modelo atendem aos requisitos de tamanho e formato. Para obter mais informações, consulte [Validação do conjunto de dados](create-event-dataset.md#dataset-validation). Ele também verifica outros requisitos. Se o conjunto de dados não passar pela validação, o modelo não será criado. Para que o modelo seja criado com sucesso, certifique-se de corrigir os dados que não passaram na validação antes de treinar novamente.
**Erros comuns do conjunto de dados**
Ao validar um conjunto de dados para treinar um modelo do Account Takeover Insights, o Amazon Fraud Detector verifica esses e outros problemas e gera um erro se encontrar um ou mais dos problemas.
+ O arquivo CSV não está no formato UTF-8.
+ O cabeçalho do arquivo CSV não contém pelo menos um dos seguintes metadados:`EVENT_ID`,`ENTITY_ID`, ou. `EVENT_TIMESTAMP`
+ O cabeçalho do arquivo CSV não contém pelo menos uma variável dos seguintes tipos de variáveis:`IP_ADDRESS`,`USERAGENT`, ou`VALIDCRED`.
+ Há mais de uma variável associada ao mesmo tipo de variável.
+ Mais de 0,1% dos valores em `EVENT_TIMESTAMP` contêm valores nulos ou valores diferentes dos formatos de data e hora suportados.
+ O número de dias entre o primeiro e o último evento é inferior a 30 dias.
+ Mais de 10% das variáveis do tipo `IP_ADDRESS` variável são inválidas ou nulas.
+ Mais de 50% das variáveis do tipo `USERAGENT` variável contêm nulos.
+ Todas as variáveis do tipo de `VALIDCRED` variável são definidas como`false`.