Una empresa de comercio electrónico tiene datos históricos de transacciones en formato CSV sin etiquetar en S3 y necesita detectar transacciones anómalas (fraude). ¿Qué combinación de modelos debería usar para detectar anomalías en este conjunto de datos sin etiquetar? (Elija dos.)

La empresa tiene datos sin etiquetar, lo que descarta modelos supervisados como Linear Learner y XGBoost, ya que requieren etiquetas para el entrenamiento. K-nearest neighbors (k-NN) se usa principalmente para clasificación o regresión, no es la mejor opción para detección de anomalías en datos sin etiquetar. IP Insights es ideal para detectar anomalías basadas en direcciones IP, como inicios de sesión inusuales o transacciones desde ubicaciones sospechosas, lo cual es relevante para el fraude en comercio electrónico. Random Cut Forest (RCF) es un algoritmo de detección de anomalías no supervisado que funciona bien para identificar puntos de datos atípicos en grandes conjuntos de datos, como transacciones fraudulentas, sin necesidad de etiquetas.