AI/ML based Card Payment Fraud Detection on AWS using replicated data from mainframe

Summary

このビデオでは、AWS上でAIMLベースのカード詐欺検出ソリューションを構築する方法を紹介します。メインフレームシステム上で動くカード支払い承認アプリケーションは、静的なビジネスルールを使って取引を承認または拒否します。AWSにリアルタイムで詐欺スコアを生成するよう、Amazon Fraud DetectorサービスまたはSageMakerで構築されたAIMLモデルにリクエストを送信するようにアプリケーションを強化します。モデルは、過去48時間の顧客購入履歴や過去24時間の販売者売上履歴などの属性でトレーニングされ、推論時に同じ属性を通して最適なスコアを生成します。ソリューションアーキテクチャをレビューし、顧客がカードをスワイプまたはオンラインで購入を試みると、銀行はメインフレームシステム上で承認リクエストを受け取り、AWS上のプロセスがリレーショナルデータベースから顧客と販売者の履歴を取得し、AIMLスコアリングモデルに提供します。

Takeaways

• 🚀 AWS上でAIMLベースのカード詐欺検出ソリューションを構築する方法が紹介されています。
• 🛠️ メインフレームシステム上のカード支払い承認アプリケーションは、静的なビジネスルールを使用してトランザクションを承認または拒否します。
• 🔄 レガシーアプリケーションは、AWSへのリアルタイム呼び出しを行い、Amazon Fraud DetectorサービスやSageMakerで構築された他のAIMLモデルによって詐欺スコアを生成するように強化されています。
• 📈 モデルは、過去48時間の顧客の購入履歴や過去24時間の売主の売上履歴などの属性を使用してトレーニングされています。
• 🔧 インファレンス時に、同じ属性がモデルに渡され、最適なスコアを生成します。
• 🏢 ソリューションアーキテクチャでは、顧客がカードをターミナルでスワイプしたりオンラインで購入をした場合、銀行はメインフレームシステム上で承認リクエストを受け取り、AWSへのリアルタイム呼び出しを行います。
• 🔑 AWS上で実行されているプロセスは、リレーショナルデータベースから顧客とマーチャントの履歴詳細を取得し、AIMLスコアリングモデルに提供します。
• 📊 スコアが高いほど、詐欺の可能性のあるトランザクションを示します。メインフレームアプリケーションは、他のビジネスルールと組み合わせてトランザクションを承認または拒否する決定を行います。
• 📚 詳細はメインフレームデータベースに挿入され、VSAM、DB2、またはIMSに記録されます。
• 🔄 Precisely Publisherエージェントはメインフレーム上で動作し、ApplyエージェントはAmazon EC2インスタンス上で動作します。Applyエージェントは、Publisherエージェントから受信した生のデータベースログをコピーブックを使用してJSON形式に変換し、Amazon Managed Streaming for KafkaまたはMSKにメッセージを配信します。
• 📈 MSKからのメッセージは、Kafka ConnectプロセスによってMSKから引き出し、RDSデータベースにライトされます。

Q & A

AWS上で構築されたカード詐欺検出ソリューションはどのような仕組みですか？

AWS上で構築されたカード詐欺検出ソリューションは、メインフレームシステム上で動作するカード支払い承認アプリケーションを強化し、静的なビジネスルールに加えてリアルタイムでAWSにアクセスして詐欺スコアを生成するAIMLモデルを活用しています。

AIMLモデルはどのようなデータを用いてトレーニングされていますか？

AIMLモデルは、例えば顧客の購入履歴（過去48時間の購入回数）や商人の販売履歴（過去24時間の報告された詐欺件数）などの属性を用いてトレーニングされています。

リアルタイムでのスコア生成において、どのような属性がモデルに渡されますか？

リアルタイムでのスコア生成においては、顧客と商人の履歴の詳細がモデルに渡され、最適なスコアを生成するのに使われます。

メインフレームアプリケーションはどのようにして取引を承認または拒否する決定を下しますか？

メインフレームアプリケーションは、AIMLスコアと他のビジネスルールを組み合わせて、取引を承認または拒否する決定を下します。

トランザクションの詳細はどこに記録されますか？

トランザクションの詳細はメインフレームデータベースに記録され、VSAM、DB2、またはIMSのいずれかになります。

Precisely Publisher AgentとApply Agentはどのように動作しますか？

Precisely Publisher Agentはメインフレーム上で動作し、データベースログを収集します。Apply AgentはAmazon EC2インスタンス上で動作し、Publisher Agentから受け取った生のデータベースログをJSONフォーマットに変換してAmazon Managed Streaming for KafkaまたはMSKに配信します。

Amazon S3にストリーミングされるデータはどのようにしてAIMLモデルに使われますか？

Amazon S3にストリーミングされるデータはオフラインでAIMLモデルのトレーニングに使われ、他の内部または外部データソースと共に分析とビジネスインテリジェンスに使用されます。

AWS CloudFormationテンプレートを使用して事前構築されたAWSリソースには何がありますか？

AWS CloudFormationテンプレートを使用して事前構築されたAWSリソースには、VPC、サブネット、IAMロール、AWS Key Management Serviceなどが含まれます。

メインフレームからのデータレプリケーションソフトウェアはどのように入手しますか？

AWS Marketplaceからメインフレームからのデータレプリケーションソフトウェアを入手します。Preciselyのデータレプリケーションソフトウェアを検索し、購読ボタンをクリックして購読を完了させます。

Amazon EC2インスタンスはどのように設定されますか？

Amazon EC2インスタンスは、AWS Marketplaceコンソールから起動し、作成したVPCとサブネットを選択します。また、セキュリティグループとIAMロールも設定し、ユーザーデータスクリプトを用いて必要なソフトウェアをインストールします。

メインフレームへの接続と認証にはどのような手順が必要ですか？

メインフレームへの接続と認証には、EC2インスタンスで作成された公開キーファイルをメインフレームにコピーし、デモン認証のためにキーファイルに追加する必要があります。

RDSポスターステーブルはどのように作成されますか？

RDSポスターステーブルは、psqlコマンドを使ってRDSデータベースに接続し、テーブルを作成コマンドを実行して作成されます。テーブルの列はVSAMコピーブックのフィールドに対応しています。

MSKからS3への配信とSNSへの統合はどのように設定されますか？

MSKからS3への配信とSNSへの統合は、Firehoseを使用して設定されます。Firehoseストリームを作成し、S3バケットを選択して配信先を設定します。EventBridgeパイプを使ってMSKからSNSにメッセージを配信することもできます。

Redshiftの生成SQLを使用して自然言語でクエリを実行する方法はどのようなものですか？

Redshiftの生成SQLでは、ノートブック内で自然言語でクエリを記述することができます。Redshiftは大規模な言語モデルを用いて、自然言語で記述されたクエリをSQLクエリに変換し、実行結果を提供します。

GitHubで詐欺検出セクションのコードサンプルを見ることができますか？

はい、GitHubにはビデオスクリプトに基づく詐欺検出セクションのコードサンプルがあります。

Outlines

00:00

🚀 AWS上でAIMLベースのカード詐欺検出ソリューションの構築

このビデオでは、AWS上でAIML（人工知能マシンラーニング）を使用してカード詐欺検出ソリューションを構築する方法を紹介します。メインフレームシステム上のカード支払い承認アプリケーションは、静的なビジネスルールを使って支払いを承認または拒否してきましたが、AWSにリアルタイムで詐欺スコアを求めるために機能が強化されました。このスコアは、Amazon Fraud DetectorサービスやSageMakerで構築された他のAIMLモデルによって生成されます。モデルは、過去48時間の顧客購入履歴や過去24時間の商人販売履歴などの属性でトレーニングされています。リアルタイムでのスコアの推定では、同じ属性がモデルに渡され、最適なスコアが生成されます。ソリューションアーキテクチャでは、顧客がカードをターミナルでスワイプしたりオンラインで購入を試みた際、銀行はメインフレームシステム上で承認リクエストを受け取り、AWSにリアルタイムでコールを行います。AWS上で動作するプロセスは、リレーショナルデータベースから顧客と商人の履歴詳細を取得し、AIMLスコアリングモデルに提供します。スコアが高いほど、取引が詐欺的である可能性が高くなります。メインフレームアプリケーションは、他のビジネスルールと組み合わせて取引を承認または拒否する決定を行います。詳細はメインフレームデータベースに挿入され、VSAM、DB2、またはIMSに記録されます。記録は、Precisely PublisherエージェントによってほぼリアルタイムでAWSに再適用されます。

05:01

🛠️ AWSリソースのセットアップとメインフレームとの統合

この段落では、AWS上でEC2インスタンスを設定し、メインフレームとの統合を行う手順が説明されています。まず、AWS Marketplaceからメインフレームデータレプリケーションソフトウェアを取得し、AWSコンソールからEC2インスタンスを起動します。インスタンスには、Kafka Poster、SQLクライアントなどの必要なソフトウェアがインストールされています。次に、Kafkaトピックを作成し、Precisely Publisherが記録をこのトピックに配信できるようにします。また、メインフレームへの接続に必要な公開鍵と秘密鍵を作成し、メインフレームにコピーする必要があります。メインフレーム上で、VSAMデータベースに記録を挿入し、Preciselyのデモンプロセスを使用してトピックに記録を配信します。RDSポスターデータベースにテーブルを作成し、そのテーブルに記録を挿入するためのLambda関数を作成します。これにより、メインフレームからAWSにデータを統合し、AIMLモデルのトレーニングに使用できるデータフローが構築されます。

10:03

🔧 MSK、S3、SNSを通じたデータパイプラインの設定

このセクションでは、AWSのMSK（Managed Streaming for Kafka）、S3（Simple Storage Service）、SNS（Simple Notification Service）を通じてデータパイプラインを設定する方法が解説されています。MSKクラスターを介してデータを受信し、S3にデータを配信するFirehoseストリームを作成します。さらに、EventBridgeパイプを使用して、MSKからSNSにデータをストリーミングし、メール通知を送信します。これらの設定により、リアルタイムのデータストリーミング、データの長期保存、分析のためのオフラインデータの使用が可能になります。また、Redshiftを使用して自然言語でクエリを実行し、ビジネスインサイトを引き出す方法も紹介されています。

15:04

📈 データ分析と詐欺検出モデルのトレーニング

最後の段落では、S3に蓄積されたデータを使ってAIMLモデルをトレーニングし、ビジネスインサイトを引き出す方法が説明されています。RedshiftのGenerative SQL機能を使って、自然言語でデータベースクエリを作成し、複雑なビジネス分析を実行できます。また、GitHubでサンプルコードを確認し、詐欺検出ソリューションの構築をさらに深めることもできます。このビデオでは、AWS上でAIMLを活用したカード詐欺検出ソリューションの構築とデータ分析の概要がわかりやすく説明されています。

Keywords

💡AIML

AIMLは「Artificial Intelligence Markup Language」の略で、人工知能を用いたマークアップ言語です。このビデオでは、AIMLを用いてカード詐欺検出ソリューションを構築しています。AIMLは、ビデオの主題であるAWS上で動作する詐欺検出サービスに密接に関係しており、リアルタイムでのカード支払いの承認・拒否に使用されます。

💡AWS

AWSは「Amazon Web Services」の略で、アマゾンが提供するクラウドコンピューティングプラットフォームです。ビデオではAWS上でAIMLベースのカード詐欺検出ソリューションを構築し、AWSの様々なサービスを活用してリアルタイムでのデータ取得や分析、詐欺スコアの生成を行うことを説明しています。

💡詐欺検出

詐欺検出は、不正な取引を検出し阻止するプロセスです。ビデオでは、AWS上で動作するAIMLモデルを使用してカード支払いの詐欺スコアを生成し、そのスコアに基づいて取引を承認または拒否するソリューションを構築しています。これはビデオの中心となるテーマであり、セキュリティとリスク管理に重要な役割を果たします。

💡リアルタイム

リアルタイムとは、即時に処理や応答が行われる技術的な概念です。ビデオではリアルタイムでの取引承認や詐欺スコアの生成について説明しており、これは迅速なリスク評価と取引管理に不可欠です。リアルタイムでのデータ取得と分析は、ビデオのソリューションアーキテクチャの重要な部分です。

💡メインフレーム

メインフレームは、大規模なデータ処理やトランザクション処理を行う高機能なコンピュータです。ビデオではメインフレームシステム上で動作するカード支払い承認アプリケーションからAWSへのリアルタイムコールを行って詐欺スコアを取得するプロセスを紹介しています。メインフレームは伝統的なビジネスルールに代わるものとして機能しており、ビデオのソリューションに重要な基盤を提供しています。

💡データベース

データベースは、構造化されたデータの集合を保存するシステムです。ビデオではリレーショナルデータベースから顧客と商人の履歴詳細を取得し、AIMLスコアリングモデルに提供するプロセスについて説明しています。データベースはビデオのソリューションアーキテクチャにおいて、重要な情報源として機能しています。

💡Amazon Fraud Detector

Amazon Fraud Detectorは、AWSが提供する詐欺検出サービスです。ビデオではこのサービスを使用して、顧客の購入履歴や商人の売上履歴などの属性を用いて詐欺スコアを生成しています。Amazon Fraud Detectorはビデオのソリューションの中で、詐欺検出の主要なツールとして機能しています。

💡SagMaker

SagMakerは、機械学習モデルを構築するためのAWSサービスです。ビデオではSagMakerを使用してAIMLモデルをトレーニングし、顧客の購入履歴や商人の売上履歴などのデータを用いて詐欺スコアを生成しています。SagMakerはビデオのソリューションにおいて、モデルのトレーニングと展開に重要な役割を果たしています。

💡データレプリケーション

データレプリケーションとは、データを複数の場所にコピーするプロセスです。ビデオではメインフレームからAWSへのデータレプリケーションについて説明しており、これはリアルタイムでのデータ分析と詐欺検出に必要なリアルタイムデータアクセスを実現します。データレプリケーションはビデオのソリューションアーキテクチャの重要な部分です。

💡Amazon S3

Amazon S3は、AWSが提供するストレージサービスです。ビデオではS3を使用してオフラインでのAIMLモデルのトレーニングと分析に使用されるデータを保存しています。Amazon S3はビデオのソリューションにおいて、データの長期保存とアクセスに重要な役割を果たしています。

Highlights

Building an AIML based card fraud detection solution on AWS.

Legacy card payment authorization application on z/OS mainframe system enhanced with real-time AWS calls.

Integration of Amazon Fraud Detector service or custom AI/ML models using SageMaker.

Model trained with customer and merchant history attributes for fraud score generation.

Solution architecture overview for card transaction authorization and fraud score retrieval.

Real-time data flow from mainframe to AWS for fraud score calculation.

Use of relational databases to store customer and merchant history details.

Fraud score indicating potential fraudulent transactions.

Combining business rules with fraud scores for transaction approval or decline.

Data replication from mainframe to AWS using Precisely Publisher and Apply agents.

Use of Amazon Managed Streaming for Kafka (MSK) for real-time data streaming.

Data consumption by various AWS services for analytics and business intelligence.

AWS CloudFormation template for creating pre-built resources like VPC, subnets, and IAM roles.

Setting up Amazon EC2 instance with Precisely software for data replication.

Replication of mainframe data to RDS PostgreSQL database using Lambda function.

Data streaming from MSK to Amazon S3 for offline model training and analytics.

Integration of Amazon EventBridge for streaming data to services like Amazon SNS for notifications.

Demonstration of capturing and replicating data online from VSAM databases.

Use of Generative SQL in Amazon Redshift for querying data using natural language.

Sample code for building the fraud detection solution available on GitHub.

Transcripts

in this video we are going to show you

how you can build an AIML based card

fraud detection Solution on

AWS in this use case the card payment

authorization application is running on

zos mainframe system and using static

business rules to approve or decline the

Legacy application is enhanced to make a

real-time call to AWS to get a fraud

score generated by Amazon fraud

detection service or any other AIML

model built using sag maker the model is

trained with attributes such as as

customer purchase history for example

number of purchases in last 48 hours and

Merchant sales history for example

reported frauds in last 24 hours during

inference of the score same attributes

are passed to the model to generate

optimal

score let us review the solution

architecture when a customer swipes a

card at Terminal or makes an online

purchase the bank will receive the

authorization request on the mainframe

system the application will make a

real-time call to AWS the process

running on AWS will get the customer and

Merchant history details from relational

database and provide to the AIML scoring

model running on say Amazon fraud

Detector service the model will return a

score higher score will indicate

potential fraudulent transaction the

Mainframe application combining with the

other business rule will make a decision

to approve or decline the transaction

detail is inserted on Mainframe database

either vsam db2 or IMS the record will

be captured and rep applicated to AWS

near real time using precisely the

precisely publisher agent is running on

Mainframe and the apply agent is running

on an Amazon ec2 instance the apply

agent converts raw database logs

received from publisher agent to Json

format using the copy book and publishes

the messages to Amazon managed streaming

for cofco or msk several service will

consume the message from msk a kovka

connect process can pull the messages

from msk and right to RDS database the

history detail details are read from

same database during the scoring process

MSG will stream the messages to Amazon

S3 using no code integration with fire

hose the data on S3 will be used offline

to train the AIML models along with

other internal or external data sources

for analytics and business intelligence

the messages from msk can be pulled to

Amazon red shift business users can run

query against the database using natural

language similarly other integration may

be built using Amazon event Bridge pipe

to stream data to services like Amazon

SNS or pinpoint for notification and

alerting in this demonstration there are

several AWS resources created some of

them are pre-built using cloud formation

template this includes VPC subnets IAM

roles AWS Key Management Service

Etc on AWS console we can see there is a

VPC created with three

subnets PR private link end points are

created for access to seress services

such as secret manager STS event Bridge

pipes

Etc a msk cluster is defined in the VPC

with three Brokers and three different

subnets both I am and sasl a

password-based authentication is

enabled the credentials are stored in

secret manager the bootstrap servers

detail for both IM am and sasl

authentication types are available in

client

information RDS posters database

instance would DB name as card payments

fraud a Lambda function is created to

pull the messages from Ms and insert RDS

posters

database the function will be running in

the same VPC

the environment variables are set for

RDS database connection

details a SNS topic messages from msk

will be streamed to SNS using an event

Bridge pipe the SNS topic is configured

to send email notification first we are

going to obtain the Mainframe data

replication software from Marketplace

from AWS console search for

Marketplace click discover products

type AWS Mainframe migration with

precisely on search

bar click on data replication for IBM

zos then click continue to subscribe

button follow the instructions to

complete subscription next we are going

to set up the amazon ec2 instance once

you have completed the subscription come

back to AWS Marketplace console and

click manage subscriptions then click

launch new instance click continue to

launch through

ec2 provide a name for the ec2

instance scroll down to network settings

and click

edit select the VPC created for this

solution select one of the

subnet click on select existing Security

Group and from the drop down on common

Security Group select the security group

created for the

solution expand the advanced details and

click existing I am roll and select

instance profile created by cloud

formation paste the script in the user

data text box the script first installs

the required software such as Liber

kofka poster SQL client Etc then it

creates a Kafka folder downloads and

extracts the Java Kafka libraries inside

the Kafka Libs folder downloads the msk

am jar file it creates an I am

authentication client properties file

the jar and the properties file are used

by the javascripts runs the kofka topic

script to create the kofka topic

precisely publisher will publish the

records to this topic then runs the

kofka consumer group script to create a

consumer group to be used later by the

even Bridge pipe andc broker details

have to be passed as one of the

parameter for the scripts next it

creates a precisely folder and then the

sasl producer configuration file for

precisely sets the path variable to

include precisely B directory and runs

the school key gen command to create the

private and public key file for

precisely the content of the public key

file has to be copied to Mainframe and

added in key file for demon for

authentication click launch instance to

launch a new ec2 instance with precisely

software installed next click on the

instance ID to open the details page for

the ec2 created click the connect

button type ec2 user for

username then click connect

this will open the ec2 command line the

ec2 user data script created the public

private key files for precisely the

naacl directory contains the public key

file to be copied to

Mainframe the software agent folder

contains software components to be

installed on Mainframe is zip file a

system administrator access is required

to install the software log into the

main frame in this use case we

considered the card payments

authorization history is stored in a

vsam

database the screen shows the Cobalt

copy Book used to define the layout of

the message the precisely software is

already installed and UI is available

using the ispf panel to perform admin

works the demon process in the publisher

is already created in started as a batch

job in this demonstration the demon job

is running on Port 90 5 DD name sqd off

refers the keys file the content of the

public key file created within the ec2

instance is pasted in this file and will

be used to authenticate the apply engine

when connection request is

made here's the publisher

job from the ispf panel for precisely

select option

three vssm to msk is the name of the

publisher engine and the configuration

is stored in cab mentioned the screen

shows the stats such as records captured

records published The Source log stream

shows the log stream name configured to

Stage the database changes in our

scenario the log stream is a vsam based

file but in production coupling facility

based log stream is

recommended One Source object is

configured which is identified by vsam

pure C this will capture the logs from

the card payments authorization V Sam

file switch back to ec2 command prompt

we will create the RDS posters table

connect to the RDS database using the

psql

command then run the create table

command the table columns corresponds to

the fields in the vsam copy book run a

select query to validate the table next

create a cpy subfolder inside precisely

folder create a file named cardor

payments and paste the Cobalt copybook

layout save the copy book

file create the apply engine script file

named script.

sqd The Script has the job name vs Sam

to msk is identifier the description

section refers to metadata referring to

the Cobalt copybook location the Sam

perk is the name of source object

identifier set by publisher Source data

store points to Mainframe IP address and

port for demon on Mainframe vssm to msk

is the publisher name vam CDC is data

source

type Target data store points to topic

name of the msk messages will be

distributed to kofka partitions using

key Json is the record format both

source and Target data source use cardor

payment SRC to describe the message

metadata the script used the replicate

function to convert raw ebcc log to Json

format with key fields from

copybook next we are going to set up the

msk S3 delivery via fire hose and

integration with SNS via event Bridge

pipe

MSG provides no code integration with

various AWS services on the MSG S3

delivery tab click create fire hose

stream some of the details are

pre-populated such as Source destination

msk

cluster paste the topic

name enter a name for the

stream select the S3 bucket created by

cloud formation template

add

prefixes click create fire host stream

to

create once the creation is complete you

will see the status is

active next click integration Tab and

then click connect Amazon msk cluster to

pipe enter a pipe

name paste the topic name in the

consumer group created

earlier for demonstration we are not

adding any filtering or enrichment

on the target page click in Target

service dropdown you can see the

different Services you can integrate

with select SNS then the topic expand

Target input Transformer on the sample

event select msk click on the value to

select the field for output click create

pipe to create the event Bridge pipe

once successfully created the status

will show is running now let's start the

apply engine and insert some record in

the vsam database on the ec2 command

prompt start the apply engine using the

sqdg command the process displays

valuable information about the data

sources and message layouts it's

connected to publisher engine on

Mainframe and waiting for data

now switch to Mainframe this PS file

contains records that will be inserted

to the vsam database the records map to

the layout of the copy book we saw

earlier in this demonstration we will

use the precisely batched differ

functionality to replicate data online

Sam or db2 IMS follow the same capture

publisher architecture with some

differences in setup and

configurations we are going to use the

job to copy the PS file to the current V

Sam and then run the sqd DFC DC utility

the utility compares the base and

current files and updates the change

records in the log stream submit the

job switching to the ispf panel we see

the engine is connected now the capture

and publish record counts have gone up

ec2 command prompt also shows records

ingested let's switch to another

terminal and let's run the select query

on RDS posters again we see the records

in the

table the metrics on Lambda console

shows the invocations it picked up the

messages from msk and inserted them to

RDS let's look at the other data

pipelines created from msk on S3 console

let's navigate to data folder and then

to the subfolders select one object and

click query with S3 select on the page

select Json as input and output format

then run SQL query we see the Json

message that was published to MSG by

precisely apply agent the change

operation is an insert in this case you

will denote an update and D delete

operation after image contains the new

values of the key Fields corresponding

to copybook fields and their respective

values an update database operation will

have both before and after image the

object stored in S3 will be aggreg ated

and used offline to train and update the

AIML

models the even Bridge pipe also

consumed the messages and sent email

notification with the Json messages body

here's a sample

email now let's experiment how we can

use generative SQL from Red shift to

query using natural language on the red

shift console page click on query data

click on plus sign and select notebook

select the cluster run SQL to create

schema directly from the msk topic and

then a materialized view with the data

from the

topic then click on generative SQL a

chatbot window is opened on right hand

side type in plain language for example

show top five states by purchase Amazon

qbed by large language model or llm

generates the SQL query to be executed

click add to notebook and then click run

we see the SQL

results let's try something little

complex

let's ask show top five Merchants with

highest single purchase ask to include

state of purchase and output also ask to

show the purchase amount in currency

format using generative AI red shift is

able to understand the request written

in natural language search the database

and generate the SQL you can do lot more

ask complex business Insight on the data

here's the

result in case you are looking for the

code sample to build the fraud detection

section check the sample code in GitHub

thanks for watching