Uma empresa de e-commerce tem dados históricos de transações em formato CSV não rotulados no S3 e precisa detectar transações anômalas (fraude). Qual combinação de modelos eles devem usar para detectar anomalias neste conjunto de dados não rotulados? (Escolha duas.)

IP Insights e Random Cut Forest (RCF) são as escolhas corretas porque são algoritmos de detecção de anomalias não supervisionados, adequados para dados sem rótulos. IP Insights é especializado em identificar atividades incomuns de endereços IP, o que é relevante para detectar fraude em transações. RCF é eficaz na detecção de pontos de dados anômalos em conjuntos de dados de alta dimensão, identificando padrões que se desviam da norma. K-nearest neighbors (k-NN) pode ser usado para detecção de anomalias, mas geralmente requer dados rotulados ou uma abordagem de detecção de anomalias baseada em densidade que não é tão direta quanto RCF para grandes conjuntos de dados. Linear Learner e XGBoost são algoritmos de aprendizado supervisionado, exigindo dados rotulados para treinamento, o que não é o caso aqui.