A első rész Ennek a három részből álló sorozatnak egy olyan megoldást mutattunk be, amely bemutatja, hogyan automatizálhatja a dokumentumok hamisításának és nagyarányú csalásának észlelését az AWS AI és a gépi tanulási (ML) szolgáltatások segítségével jelzálog-biztosítási felhasználási esetekben.
Ebben a bejegyzésben egy megközelítést mutatunk be egy mély tanuláson alapuló számítógépes látásmodell kifejlesztésére, amely a jelzáloghitel-jegyzésben hamisított képeket észlel és kiemel. Útmutatást adunk a mély tanulási hálózatok kiépítéséhez, képzéséhez és telepítéséhez Amazon SageMaker.
A 3. részben bemutatjuk a megoldás megvalósításának módját Amazon csalásészlelő.
Megoldás áttekintése
Annak érdekében, hogy a jelzáloghitel-jegyzés során feltárjuk az okirat-hamisításokat, a SageMakerben tárolt számítógépes látási modellt alkalmazzuk képhamisítás-felderítő megoldásunkhoz. Ez a modell egy tesztképet kap bemenetként, és kimenetként a hamisítás valószínűségi előrejelzését generálja. A hálózati architektúra a következő ábrán látható.
A képhamisítás főként négy technikát foglal magában: illesztést, másolást-mozgatást, eltávolítást és javítást. A hamisítás jellemzőitől függően különböző nyomok használhatók a felderítés és a lokalizáció alapjául. Ezek a nyomok közé tartoznak a JPEG tömörítési műtermékek, az élek inkonzisztenciái, a zajminták, a színkonzisztencia, a vizuális hasonlóság, az EXIF-konzisztencia és a kameramodell.
Tekintettel a képhamisítás-felderítés kiterjedt területére, a hibaszint-elemzés (ELA) algoritmust használjuk szemléltető módszerként a hamisítások észlelésére. Az ELA technikát választottuk ehhez a bejegyzéshez a következő okok miatt:
- Gyorsabban kivitelezhető, és könnyen észlelhető a képek hamisítása.
- Úgy működik, hogy elemzi a kép különböző részeinek tömörítési szintjét. Ez lehetővé teszi a manipulációra utaló inkonzisztenciák észlelését – például ha egy területet másoltak és illesztettek be egy másik képről, amelyet más tömörítési szinten mentettek el.
- Jól érzékeli a finomabb vagy zökkenőmentes manipulációkat, amelyeket szabad szemmel nehéz észrevenni. A képen még kis változtatások is kimutatható tömörítési anomáliákat okozhatnak.
- Nem támaszkodik az eredeti, módosítatlan képre az összehasonlításhoz. Az ELA csak a megkérdőjelezett képen belül tudja azonosítani a manipulációs jeleket. Más technikákhoz gyakran a módosítatlan eredetire van szükség az összehasonlításhoz.
- Ez egy könnyű technika, amely csak a digitális képadatok tömörítési műtermékeinek elemzésére támaszkodik. Ez nem függ speciális hardvertől vagy törvényszéki szakértelemtől. Ezáltal az ELA elérhetővé válik első lépéses elemző eszközként.
- A kimeneti ELA-kép egyértelműen kiemeli a tömörítési szintek közötti különbségeket, így láthatóan nyilvánvalóvá teszi a manipulált területeket. Ez lehetővé teszi még a nem szakértő számára is, hogy felismerje az esetleges manipuláció jeleit.
- Számos képtípuson működik (például JPEG, PNG és GIF), és csak magát a képet igényli elemzéséhez. Más kriminalisztikai technikák formátuma vagy az eredeti képre vonatkozó követelmények korlátozottabbak lehetnek.
Azonban valós helyzetekben, ahol előfordulhat, hogy a bemeneti dokumentumok kombinációja (JPEG, PNG, GIF, TIFF, PDF) használható, javasoljuk, hogy az ELA-t más módszerekkel együtt alkalmazza, mint pl. élek inkonzisztenciájának észlelése, zajminták, szín egységessége, EXIF adatok konzisztenciája, kamera modell azonosításaés betűtípus egységessége. Célunk, hogy a bejegyzés kódját további hamisítás-felderítési technikákkal frissítsük.
Az ELA alapfeltevése azt feltételezi, hogy a bemeneti képek JPEG formátumúak, amely a veszteséges tömörítéséről ismert. Mindazonáltal a módszer akkor is hatékony lehet, ha a bemeneti képek eredetileg veszteségmentes formátumban (például PNG, GIF vagy BMP) voltak, majd a manipulációs folyamat során később JPEG formátumba konvertálták őket. Ha az ELA-t eredeti veszteségmentes formátumokra alkalmazzák, az jellemzően egyenletes képminőséget jelez romlás nélkül, ami kihívást jelent a megváltozott területek pontos meghatározása. A JPEG képeken az elvárt norma az, hogy a teljes kép hasonló tömörítési szintet mutasson. Ha azonban a kép egy adott része jelentősen eltérő hibaszintet mutat, az gyakran azt sugallja, hogy digitális módosítás történt.
Az ELA kiemeli a JPEG tömörítési arány különbségeit. Az egyenletes színezésű területeken valószínűleg alacsonyabb lesz az ELA (például sötétebb szín a nagy kontrasztú élekhez képest). A manipuláció vagy módosítás azonosításához a következőkre kell figyelni:
- A hasonló éleknek hasonló fényességgel kell rendelkezniük az ELA eredményben. Minden nagy kontrasztú élnek hasonlónak kell lennie, és minden alacsony kontrasztú élnek hasonlónak kell lennie. Eredeti fényképen az alacsony kontrasztú éleknek majdnem olyan fényesnek kell lenniük, mint a nagy kontrasztúaknak.
- A hasonló textúráknak hasonló színezésűeknek kell lenniük az ELA alatt. A részletesebb felülettel rendelkező területek, például egy kosárlabda közeli felvétele, valószínűleg magasabb ELA-értékkel rendelkezik, mint a sima felület.
- A felület tényleges színétől függetlenül az ELA alatt minden sík felületnek körülbelül azonos színűnek kell lennie.
A JPEG képek veszteséges tömörítési rendszert használnak. A kép minden újrakódolása (újramentése) további minőségromlást okoz a képnek. Pontosabban, a JPEG algoritmus 8×8 pixeles rácson működik. Minden 8×8 négyzet egymástól függetlenül tömörítve van. Ha a kép teljesen módosítatlan, akkor minden 8×8-as négyzetnek hasonló hibalehetőségekkel kell rendelkeznie. Ha a képet nem módosítják és újra elmentik, akkor minden négyzetnek megközelítőleg ugyanolyan sebességgel kell leromlani.
Az ELA meghatározott JPEG minőségi szinten menti a képet. Ez az újramentés ismert mennyiségű hibát vezet be a teljes képen. Az újramentett képet ezután összehasonlítja az eredeti képpel. Ha egy képet módosítanak, akkor minden 8×8 négyzetnek, amelyet a módosítás érintett, nagyobb hibapotenciálnak kell lennie, mint a kép többi részének.
Az ELA eredményei közvetlenül függnek a képminőségtől. Érdemes tudni, hogy hozzáadtak-e valamit, de ha a képet többször másolják, akkor az ELA csak az újramentések észlelését engedélyezheti. Próbálja meg megtalálni a kép legjobb minőségű változatát.
A képzés és a gyakorlat segítségével az ELA megtanulhatja a képméretezést, a minőséget, a kivágást és az átalakítások újramentését is. Például, ha egy nem JPEG képen látható rácsvonalak találhatók (1 pixel széles 8×8 négyzetben), akkor ez azt jelenti, hogy a kép JPEG-ként indult, és nem JPEG formátumba (például PNG) lett konvertálva. Ha a kép egyes részein hiányoznak a rácsvonalak, vagy a rácsvonalak eltolódnak, akkor ez egy illesztést vagy rajzolt részt jelöl a nem JPEG képen.
A következő szakaszokban bemutatjuk a számítógépes látásmodell konfigurálásának, betanításának és telepítésének lépéseit.
Előfeltételek
A bejegyzés követéséhez teljesítse a következő előfeltételeket:
- Legyen AWS-fiókod.
- Beállítása Amazon SageMaker Studio. Gyorsan elindíthatja a SageMaker Studio alkalmazást az alapértelmezett előre beállított értékek használatával, ami megkönnyíti a gyors indítást. További információkért lásd: Az Amazon SageMaker leegyszerűsíti az Amazon SageMaker Studio beállítását az egyes felhasználók számára.
- Nyissa meg a SageMaker Studio-t, és indítson el egy rendszerterminált.
- Futtassa a következő parancsot a terminálban:
git clone https://github.com/aws-samples/document-tampering-detection.git
- A SageMaker Studio futtatásának egy felhasználó és a notebook környezet konfigurációinak teljes költsége óránként 7.314 USD.
Állítsa be a modell képzési jegyzetfüzetet
Hajtsa végre a következő lépéseket az edzési jegyzetfüzet beállításához:
- Nyissa meg a
tampering_detection_training.ipynb
fájlt a dokumentum-szabotázs-észlelés könyvtárból. - Állítsa be a notebook környezetet a TensorFlow 2.6 Python 3.8 CPU vagy GPU Optimized képpel.
A GPU-ra optimalizált példányok kiválasztásakor előfordulhat, hogy nem elégséges a rendelkezésre állás, vagy elérheti a GPU-példányok kvótakorlátját az AWS-fiókjában. A kvóta növeléséhez keresse fel a Szolgáltatási kvóták konzolt, és növelje meg a szükséges példánytípushoz tartozó szolgáltatási korlátot. Ilyen esetekben használhat CPU-ra optimalizált notebook környezetet is. - A mag, választ Python3.
- A Példánytípus, választ ml.m5d.24xnagy vagy bármely más nagy példány.
Egy nagyobb példánytípust választottunk, hogy csökkentsük a modell betanítási idejét. Egy ml.m5d.24xlarge notebook környezetben az óránkénti költség 7.258 USD óránként.
Futtassa a képzési jegyzetfüzetet
Futtassa a jegyzetfüzet minden celláját tampering_detection_training.ipynb
sorrendben. Néhány sejtet részletesebben tárgyalunk a következő szakaszokban.
Készítse elő az adatkészletet az eredeti és manipulált képek listájával
Mielőtt futtatná a következő cellát a jegyzetfüzetben, készítsen elő egy adatkészletet az eredeti és manipulált dokumentumokból az üzleti igényei alapján. Ehhez a bejegyzéshez egy mintaadatkészletet használunk, amely manipulált fizetési listákat és bankkivonatokat tartalmaz. Az adatkészlet a képfájl könyvtárában érhető el GitHub tárház.
A jegyzetfüzet beolvassa az eredeti és a manipulált képeket a images/training
könyvtárban.
A képzéshez szükséges adatkészlet egy CSV-fájl segítségével jön létre, amely két oszloppal rendelkezik: a képfájl elérési útja és a kép címkéje (0 az eredeti képhez és 1 a manipulált képhez).
Feldolgozza az adatkészletet az egyes képzési képek ELA-eredményeinek generálásával
Ebben a lépésben létrehozzuk a bemeneti képzési kép ELA eredményét (90%-os minőségben). A funkció convert_to_ela_image
két paramétert vesz fel: az elérési utat, amely a képfájl elérési útja, és a minőséget, amely a JPEG-tömörítés minőségi paraméterét jelenti. A funkció a következő lépéseket hajtja végre:
- Alakítsa át a képet RGB formátumba, és mentse újra a képet JPEG fájlként a megadott minőségben tempresaved.jpg néven.
- Számítsa ki az eredeti kép és az újramentett JPEG-kép (ELA) közötti különbséget, hogy meghatározza az eredeti és az újramentett képek közötti maximális pixelérték-különbséget.
- Számítsa ki a méretarányt a maximális különbség alapján az ELA kép fényerejének beállításához.
- Növelje az ELA kép fényerejét a számított léptéktényezővel.
- Méretezze át az ELA eredményét 128x128x3-ra, ahol a 3 a csatornák számát jelöli, hogy csökkentse az edzés bemeneti méretét.
- Az ELA kép visszaküldése.
A veszteséges képformátumokban, például a JPEG-ben, a kezdeti mentési folyamat jelentős színveszteséghez vezet. Ha azonban a képet betöltik, majd újrakódolják ugyanabban a veszteséges formátumban, általában kisebb a színromlás. Az ELA eredmények kiemelik azokat a képterületeket, amelyek a leginkább érzékenyek a színromlásra az újramentéskor. Általában az elváltozások feltűnően jelennek meg azokban a régiókban, amelyekben a kép többi részéhez képest nagyobb a leromlási lehetőség.
Ezután a képeket egy NumPy tömbbe dolgozzák fel a képzéshez. Ezután a bemeneti adatkészletet véletlenszerűen felosztottuk tanítási és teszt- vagy validációs adatokra (80/20). A cellák futtatásakor figyelmen kívül hagyhatja a figyelmeztetéseket.
Az adatkészlet méretétől függően ezeknek a celláknak a futtatása időt vehet igénybe. Az ebben a tárolóban biztosított mintaadatkészlet esetében ez 5–10 percig tarthat.
Konfigurálja a CNN modellt
Ebben a lépésben elkészítjük a VGG hálózat minimális változatát kis konvolúciós szűrőkkel. A VGG-16 13 konvolúciós rétegből és három teljesen összekapcsolt rétegből áll. A következő képernyőkép a konvolúciós neurális hálózat (CNN) modellünk felépítését mutatja be.
Vegye figyelembe a következő konfigurációkat:
- Bemenet – A modell 128x128x3 képbemeneti méretet vesz fel.
- Konvolúciós rétegek – A konvolúciós rétegek minimális receptív mezőt (3×3) használnak, a lehető legkisebb méretet, amely még mindig fel/le és balra/jobbra rögzít. Ezt követi az egyenirányított lineáris egység (ReLU) aktiválási funkciója, amely csökkenti az edzési időt. Ez egy lineáris függvény, amely pozitív esetben a bemenetet adja ki; ellenkező esetben a kimenet nulla. A konvolúciós lépés az alapértelmezetten (1 pixel) van rögzítve, hogy a konvolúció után is megmaradjon a térbeli felbontás (a lépés a bemeneti mátrixon belüli pixeleltolások száma).
- Teljesen összekapcsolt rétegek – A hálózatnak két teljesen összekapcsolt rétege van. Az első sűrű réteg a ReLU aktiválást használja, a második pedig a softmaxot, hogy a képet eredetinek vagy manipuláltnak minősítse.
A cellák futtatásakor figyelmen kívül hagyhatja a figyelmeztetéseket.
Mentse el a modell műtermékeit
Mentse el a betanított modellt egyedi fájlnévvel – például az aktuális dátum és idő alapján – egy modell nevű könyvtárba.
A modell Keras formátumban kerül mentésre a kiterjesztéssel .keras
. A modell melléktermékeit 1 nevű könyvtárként is mentjük, amely tartalmazza a szerializált aláírásokat és a futtatásukhoz szükséges állapotot, beleértve a változó értékeket és a SageMaker futási környezetbe telepíthető szótárakat (amelyről ebben a bejegyzésben később tárgyalunk).
Mérje meg a modell teljesítményét
A következő veszteséggörbe a modell veszteségének előrehaladását mutatja a képzési korszakok (iterációk) során.
A veszteségfüggvény azt méri, hogy a modell előrejelzései mennyire egyeznek a tényleges célokkal. Az alacsonyabb értékek jobb összhangot jeleznek az előrejelzések és a valódi értékek között. A korszakonként csökkenő veszteség azt jelzi, hogy a modell javul. A pontossági görbe szemlélteti a modell pontosságát az edzési korszakokon keresztül. A pontosság a helyes előrejelzések aránya az előrejelzések teljes számához viszonyítva. A nagyobb pontosság jobban teljesítő modellt jelez. Általában a pontosság nő a képzés során, ahogy a modell megtanulja a mintákat, és javítja előrejelző képességét. Ezek segítenek meghatározni, hogy a modell túlillesztése (jól teljesít az edzési adatokon, de rosszul teljesít a nem látott adatokon) vagy alulfitt (nem tanul eleget az edzési adatokból).
A következő zavaros mátrix vizuálisan bemutatja, hogy a modell mennyire pontosan tesz különbséget a pozitív (hamisított kép, 1-es értékként ábrázolva) és a negatív (sértetlen kép, 0-s értékként ábrázolt) osztályok között.
A modellképzést követően a következő lépésünk a számítógépes látásmodell API-ként történő telepítése. Ezt az API-t a biztosítási munkafolyamat részeként integrálják az üzleti alkalmazásokba. Ennek eléréséhez egy teljesen felügyelt szolgáltatást, az Amazon SageMaker Inference-t használjuk. Ez a szolgáltatás zökkenőmentesen integrálható az MLOps eszközökkel, lehetővé téve a méretezhető modelltelepítést, a költséghatékony következtetéseket, a továbbfejlesztett modellkezelést a termelésben, és csökkenti a működési összetettséget. Ebben a bejegyzésben a modellt valós idejű következtetési végpontként helyezzük üzembe. Fontos azonban megjegyezni, hogy az üzleti alkalmazások munkafolyamatától függően a modell telepítése kötegelt feldolgozásra, aszinkron kezelésre vagy kiszolgáló nélküli telepítési architektúrán keresztül is testreszabható.
Állítsa be a modelltelepítési jegyzetfüzetet
Hajtsa végre a következő lépéseket a modell-telepítési jegyzetfüzet beállításához:
- Nyissa meg a
tampering_detection_model_deploy.ipynb
fájl a dokumentum-szabotázs-észlelés könyvtárból. - Állítsa be a notebook környezetet a Data Science 3.0 képpel.
- A mag, választ Python3.
- A Példánytípus, választ ml.t3.közeg.
Egy ml.t3.medium notebook környezetben az óránkénti költség 0.056 USD.
Hozzon létre egyéni soron belüli szabályzatot a SageMaker szerepkörhöz, hogy engedélyezze az összes Amazon S3 műveletet
A AWS Identity and Access Management (IAM) szerepe a SageMaker számára a formátumban lesz AmazonSageMaker- ExecutionRole-<random numbers>
. Győződjön meg arról, hogy a megfelelő szerepet használja. A szerepkör neve a SageMaker tartománykonfigurációiban a felhasználói adatok alatt található.
Frissítse az IAM-szerepet, hogy tartalmazzon egy soron belüli szabályzatot, amely lehetővé teszi az összeset Amazon egyszerű tárolási szolgáltatás (Amazon S3) akciókat. Erre azért lesz szükség, hogy automatizálni lehessen a modell műtermékeit tároló S3 tárolók létrehozását és törlését. Korlátozhatja a hozzáférést bizonyos S3 gyűjtőkhöz. Vegye figyelembe, hogy helyettesítő karaktert használtunk az S3 csoport nevéhez az IAM-irányelvben (tamperingdetection*
).
Futtassa a telepítési jegyzetfüzetet
Futtassa a jegyzetfüzet minden celláját tampering_detection_model_deploy.ipynb
sorrendben. Néhány sejtet részletesebben tárgyalunk a következő szakaszokban.
Hozzon létre egy S3 vödröt
Futtassa a cellát egy S3 vödör létrehozásához. A vödör neve lesz tamperingdetection<current date time>
és ugyanabban az AWS régióban, mint a SageMaker Studio környezet.
Hozza létre a modellműtermék-archívumot, és töltse fel az Amazon S3-ra
Hozzon létre egy tar.gz fájlt a modell melléktermékeiből. A modell melléktermékeit egy 1 nevű könyvtárba mentettük, amely tartalmazza a soros aláírásokat és a futtatáshoz szükséges állapotot, beleértve a változóértékeket és a SageMaker futási környezetbe telepítendő szótárakat. Felvehet egy egyedi következtetési fájlt is inference.py
a modell műtermékének kódmappájában. Az egyéni következtetés felhasználható a bemeneti kép elő- és utófeldolgozására.
Hozzon létre egy SageMaker következtetési végpontot
A SageMaker következtetési végpont létrehozásához szükséges cella néhány percig tarthat.
Tesztelje a következtetés végpontját
A funkció check_image
Előfeldolgozza a képet ELA képként, elküldi egy SageMaker végpontnak következtetés céljából, lekéri és feldolgozza a modell előrejelzéseit, majd kinyomtatja az eredményeket. A modell a bemeneti kép NumPy tömbjét ELA-képként veszi az előrejelzések biztosításához. Az előrejelzések 0-ként jelennek meg, amely nem manipulált képet, és 1-ként hamisított képet jelent.
Indítsuk elő a modellt egy fizetősablon sértetlen képével, és ellenőrizzük az eredményt.
A modell az osztályozást 0-ként adja ki, ami egy sértetlen képet jelent.
Most hívjuk meg a modellt a fizetési lap manipulált képével, és nézzük meg az eredményt.
A modell az 1-es besorolást adja ki, ami egy hamisított képet jelent.
korlátozások
Bár az ELA kiváló eszköz a módosítások észlelésére, számos korlátozás létezik, például a következők:
- Előfordulhat, hogy egyetlen képpont változtatás vagy kisebb színbeállítás nem okoz észrevehető változást az ELA-ban, mivel a JPEG rácson működik.
- Az ELA csak azt azonosítja, hogy mely régiókban van eltérő tömörítési szint. Ha egy gyengébb minőségű képet egy jobb minőségű képbe illesztett, akkor a gyengébb minőségű kép sötétebb tartományként jelenhet meg.
- A kép méretezése, átszínezése vagy zaj hozzáadása a teljes képet módosítja, ami magasabb hibaszintet eredményez.
- Ha egy képet többször újramentenek, akkor az teljesen minimális hibaszinten állhat, ahol több újramentés nem változtatja meg a képet. Ebben az esetben az ELA fekete képet ad vissza, és ezzel az algoritmussal semmilyen módosítás nem azonosítható.
- A Photoshop segítségével a kép egyszerű mentése automatikusan élesítheti a textúrákat és az éleket, ami magasabb hibaszintet eredményez. Ez a műtermék nem azonosítja a szándékos módosítást; azt jelzi, hogy egy Adobe terméket használtak. Technikailag az ELA módosításként jelenik meg, mert az Adobe automatikusan végrehajtott egy módosítást, de a módosítást a felhasználó nem feltétlenül szándékolta.
Javasoljuk, hogy az ELA-t más, a blogban korábban tárgyalt technikák mellett használja a képmanipulációs esetek szélesebb körének észlelése érdekében. Az ELA független eszközként is szolgálhat a képi különbségek vizuális vizsgálatához, különösen akkor, ha a CNN-alapú modell betanítása kihívást jelent.
Tisztítsuk meg
A megoldás részeként létrehozott erőforrások eltávolításához hajtsa végre a következő lépéseket:
- Futtassa a jegyzetfüzet celláit a Razzia szakasz. Ezzel törli a következőket:
- SageMaker következtetési végpont – A következtetési végpont neve a következő lesz
tamperingdetection-<datetime>
. - Az S3-vödörben és magában az S3-vödörben található objektumok – A vödör neve lesz
tamperingdetection<datetime>
.
- SageMaker következtetési végpont – A következtetési végpont neve a következő lesz
- Állítsa le a SageMaker Studio notebook erőforrásait.
Következtetés
Ebben a bejegyzésben egy teljes körű megoldást mutattunk be a dokumentum-hamisítás és csalás észlelésére a mély tanulás és a SageMaker segítségével. ELA-t használtunk a képek előfeldolgozására és a tömörítési szintek eltéréseinek azonosítására, amelyek manipulációra utalhatnak. Ezután egy CNN-modellt betanítottunk erre a feldolgozott adatkészletre, hogy a képeket eredetinek vagy manipuláltnak minősítse.
A modell nagy teljesítményt érhet el, 95% feletti pontossággal az üzleti követelményeknek megfelelő (hamisított és eredeti) adatkészlettel. Ez azt jelzi, hogy megbízhatóan képes észlelni a hamisított dokumentumokat, például a fizetési táblákat és a banki kivonatokat. A betanított modell egy SageMaker-végponton van üzembe helyezve, hogy lehetővé tegye az alacsony késleltetésű következtetéseket a skálán. Ennek a megoldásnak a jelzáloghitel-munkafolyamatokba való integrálásával az intézmények automatikusan megjelölhetik a gyanús dokumentumokat a további csalások kivizsgálásához.
Bár erős, az ELA-nak vannak bizonyos korlátai a finomabb manipulációk bizonyos típusainak azonosításában. Következő lépésként a modell továbbfejleszthető további törvényszéki technikák beépítésével a képzésbe, valamint nagyobb, változatosabb adatkészletek felhasználásával. Összességében ez a megoldás bemutatja, hogyan használhatja a mély tanulást és az AWS-szolgáltatásokat olyan hatásos megoldások létrehozására, amelyek növelik a hatékonyságot, csökkentik a kockázatokat és megakadályozzák a csalást.
A 3. részben bemutatjuk, hogyan lehet megvalósítani a megoldást az Amazon Fraud Detectoron.
A szerzőkről
Anup Ravindranath az Amazon Web Services (AWS) vezető megoldási építésze a kanadai Torontóban, és pénzügyi szolgáltatások szervezeteivel dolgozik együtt. Segít az ügyfeleknek abban, hogy átalakítsák vállalkozásukat és innovációt hajtsanak végre a felhőben.
Vinnie Saini az Amazon Web Services (AWS) vezető megoldási építésze a kanadai Torontóban. Segített a Financial Services ügyfeleinek a felhőben való átalakulásában, AI- és ML-vezérelt megoldásokkal az építészeti kiválóság erős alappillérein.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/train-and-host-a-computer-vision-model-for-tampering-detection-on-amazon-sagemaker-part-2/
- :van
- :is
- :nem
- :ahol
- $ UP
- 056
- 1
- 100
- 13
- 195
- 258
- 408
- 75
- 8
- 95%
- a
- képesség
- Rólunk
- hozzáférés
- hozzáférhető
- Fiók
- pontosság
- pontosan
- Elérése
- át
- törvény
- cselekvések
- Az aktiválás
- tényleges
- hozzáadott
- hozzáadásával
- További
- Hozzáteszi
- állítsa
- Beállítás
- vályogtégla
- Után
- ellen
- AI
- cél
- algoritmus
- igazítás
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- majdnem
- mentén
- mellett
- Is
- megváltozott
- amazon
- Amazon csalásészlelő
- Amazon SageMaker
- Amazon SageMaker Studio
- Az Amazon Web Services
- Amazon Web Services (AWS)
- összeg
- an
- elemzés
- elemez
- elemzése
- és a
- Másik
- bármilyen
- api
- megjelenik
- Megjelenik
- alkalmazások
- alkalmazott
- megközelítés
- körülbelül
- építészeti
- építészet
- Archív
- VANNAK
- TERÜLET
- területek
- Sor
- AS
- feltételezi
- At
- automatizált
- automatikusan
- elérhetőség
- elérhető
- AWS
- Bank
- alapján
- Kosárlabda
- BE
- mert
- válik
- óta
- BEST
- Jobb
- között
- Fekete
- Blog
- fellendítésére
- Fényes
- épít
- Épület
- üzleti
- Üzleti alkalmazások
- vállalkozások
- de
- by
- számított
- hívott
- szoba
- TUD
- Kanada
- fogások
- eset
- esetek
- Fogás
- sejt
- Cellák
- bizonyos
- kihívást
- változik
- Változások
- csatornák
- jellemzők
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztályok
- besorolás
- osztályoz
- világosan
- felhő
- CNN
- kód
- szín
- Oszlopok
- kombináció
- összehasonlítani
- képest
- összehasonlítás
- teljes
- teljesen
- bonyolultság
- összetevő
- számítógép
- Számítógépes látás
- konfigurálása
- zavar
- kötőszó
- összefüggő
- tekintélyes
- következetes
- áll
- Konzol
- konstrukció
- tartalmaz
- megtérít
- átalakított
- konvolúciós neurális hálózat
- kijavítására
- Költség
- tudott
- CPU
- teremt
- készítette
- létrehozása
- teremtés
- Jelenlegi
- görbe
- szokás
- Ügyfelek
- sötétebb
- dátum
- adat-tudomány
- adatkészletek
- találka
- csökkenő
- mély
- mély tanulás
- alapértelmezett
- bizonyítani
- mutatja
- jelöli
- sűrű
- függ
- függő
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- részlet
- részletek
- kimutatására
- Érzékelés
- Határozzuk meg
- Fejleszt
- diagram
- különbség
- különbségek
- különböző
- digitális
- közvetlenül
- megvitatni
- tárgyalt
- kijelzők
- megkülönbözteti
- számos
- do
- dokumentum
- dokumentumok
- Nem
- domain
- húzott
- hajtott
- alatt
- minden
- könnyen
- él
- Hatékony
- hatékonyság
- hangsúlyt helyez
- foglalkoztatás
- lehetővé
- lehetővé téve
- végtől végig
- Endpoint
- fokozott
- fokozás
- elég
- Egész
- teljesen
- Környezet
- korszakok
- hiba
- hibák
- különösen
- Eter (ETH)
- Még
- Minden
- vizsgálva
- példa
- Kiváló
- kiváló
- kiállít
- kiállító
- kiterjedt
- várható
- szakvélemény
- kiterjesztés
- szem
- megkönnyítését
- tényező
- kevés
- mező
- filé
- Szűrők
- pénzügyi
- pénzügyi szolgáltatások
- Találjon
- vezetéknév
- rögzített
- lakás
- következik
- követ
- következő
- A
- Törvényszéki
- kriminalisztika
- kovácsolt
- formátum
- talált
- Alapítvány
- Alapítványi
- négy
- csalás
- ból ből
- teljesen
- funkció
- további
- általában
- generál
- generál
- generáló
- gif
- megy
- jó
- GPU
- nagyobb
- Rács
- útmutatást
- kellett
- Kezelés
- Kemény
- hardver
- Legyen
- tekintettel
- he
- segít
- segít
- segít
- <p></p>
- Kiemel
- kiemeli
- Találat
- vendéglátó
- házigazdája
- óra
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- IAM
- azonosított
- azonosítja
- azonosítani
- azonosító
- Identitás
- IEEE
- if
- figyelmen kívül hagy
- illusztrálja
- kép
- képek
- hatásos
- végre
- fontos
- javítja
- javuló
- in
- tartalmaz
- Beleértve
- következetlenségek
- amely magában foglalja
- Növelje
- Növeli
- független
- függetlenül
- jelez
- jelzi
- egyéni
- információ
- kezdetben
- kezdeményez
- újít
- bemenet
- példa
- példányok
- intézmények
- integrált
- integrál
- integrálása
- Szándékos
- bele
- bevezet
- Bemutatja
- vizsgálat
- jár
- kérdés
- IT
- iterációk
- ITS
- maga
- jpg
- Tart
- keras
- Ismer
- ismert
- Címke
- hiány
- nagy
- nagyobb
- a későbbiekben
- indít
- réteg
- tojók
- vezetékek
- TANUL
- tanulás
- kevesebb
- szint
- szintek
- könnyűsúlyú
- mint
- valószínűség
- Valószínű
- LIMIT
- korlátozások
- lineáris
- vonalak
- Lista
- Honosítás
- néz
- le
- alacsonyabb
- gép
- gépi tanulás
- készült
- főleg
- csinál
- KÉSZÍT
- Gyártás
- sikerült
- vezetés
- Manipuláció
- sok
- Mérkőzés
- Mátrix
- maximális
- Lehet..
- eszközök
- intézkedések
- közepes
- Találkozik
- módszer
- mód
- minimális
- minimum
- kisebb
- jegyzőkönyv
- ML
- MLOps
- modell
- Módosítások
- módosított
- módosítása
- több
- Jelzálog
- a legtöbb
- többszörös
- név
- Nevezett
- szükségszerűen
- Szükség
- szükséges
- negatív
- hálózat
- hálózatok
- ideg-
- neurális hálózat
- Mindazonáltal
- következő
- nem
- Zaj
- megjegyezni
- jegyzetfüzet
- szám
- számtalan
- célkitűzés
- Nyilvánvaló
- of
- gyakran
- on
- ONE
- csak
- működik
- operatív
- optimalizált
- or
- érdekében
- szervezetek
- eredeti
- eredetileg
- Más
- másképp
- mi
- eredmények
- teljesítmény
- kimenetek
- felett
- átfogó
- paraméter
- paraméterek
- rész
- különös
- alkatrészek
- ösvény
- minták
- mert
- teljesítmény
- teljesített
- előadó
- Előadja
- photoshop
- kép
- pilléreket
- pixel
- Plató
- Platón adatintelligencia
- PlatoData
- cselekmény
- politika
- porció
- pozitív
- lehetséges
- állás
- potenciális
- potenciálokat
- erős
- gyakorlat
- előrejelzés
- Tippek
- jósló
- Készít
- előfeltételek
- be
- bemutatott
- konzervált
- megakadályozása
- korábban
- Plakátok
- folyamat
- feldolgozott
- Folyamatok
- feldolgozás
- Termékek
- Termelés
- haladás
- ad
- feltéve,
- Piton
- világítás
- megkérdőjelezte
- gyorsabb
- véletlen
- hatótávolság
- gyors
- Arány
- hányados
- való Világ
- real-time
- birodalom
- miatt
- kap
- elismerik
- ajánl
- helyesbített
- csökkenteni
- Csökkent
- csökkenti
- utal
- vidék
- régiók
- újrakezdés
- támaszkodnak
- eltávolítás
- eltávolítása
- vakolás
- raktár
- képviselők
- képviselő
- jelentése
- szükség
- kötelező
- követelmények
- megköveteli,
- Felbontás
- Tudástár
- REST
- korlátozott
- eredményez
- Eredmények
- visszatérés
- RGB
- Kockázat
- Szerep
- futás
- futás
- sagemaker
- SageMaker következtetés
- azonos
- Minta adatkészlet
- Megtakarítás
- mentett
- megtakarítás
- skálázható
- Skála
- skálázás
- forgatókönyvek
- Tudomány
- zökkenőmentes
- zökkenőmentesen
- Második
- Rész
- szakaszok
- kiválasztott
- kiválasztása
- küld
- idősebb
- Series of
- szolgál
- vagy szerver
- szolgáltatás
- Szolgáltatások
- készlet
- felépítés
- ő
- váltás
- Műszakok
- kellene
- Műsorok
- aláírások
- jelzi
- Jelek
- hasonló
- Egyszerű
- egyszerűsíti
- egyetlen
- Méret
- kicsi
- sima
- megoldások
- Megoldások
- néhány
- valami
- térbeli
- specializált
- különleges
- kifejezetten
- meghatározott
- osztott
- Spot
- négyzet
- terek
- kezdődött
- Állami
- nyilatkozatok
- Lépés
- Lépései
- Még mindig
- tárolás
- tárolni
- lépés
- erős
- stúdió
- Később
- ilyen
- javasolja,
- biztos
- felületi
- fogékony
- gyanús
- gyorsan
- rendszer
- szabott
- Vesz
- tart
- célok
- technikailag
- technika
- technikák
- tensorflow
- terminál
- teszt
- Tesztelés
- mint
- hogy
- A
- Az állam
- azok
- Őket
- akkor
- Ott.
- Ezek
- dolgok
- ezt
- három
- Keresztül
- idő
- alkalommal
- nak nek
- szerszám
- szerszámok
- toronto
- Végösszeg
- érintett
- Vonat
- kiképzett
- Képzések
- Átalakítás
- transzformációk
- igaz
- megpróbál
- kettő
- típus
- típusok
- jellemzően
- alatt
- mögöttes
- jegyzési
- egyedi
- egység
- Frissítések
- upon
- USAdollár
- használ
- használati eset
- használt
- használó
- használ
- segítségével
- érvényesítés
- érték
- Értékek
- változó
- különféle
- változat
- látható
- látomás
- Látogat
- vizuális
- előző
- akar
- volt
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- amikor
- ami
- széles
- lesz
- val vel
- belül
- nélkül
- munkafolyamat
- munkafolyamatok
- dolgozó
- művek
- te
- A te
- zephyrnet
- nulla