Une entreprise de commerce électronique B2B souhaite une approche simple et légère sur le plan opérationnel pour rejeter les transactions frauduleuses, acceptant une certaine perte de transactions ou de clients rentables. Quelle solution répondra à ce besoin avec le moins d'effort opérationnel ?

La bonne réponse est d'utiliser l'API de prédiction d'Amazon Fraud Detector pour approuver ou refuser automatiquement toute activité que Fraud Detector signale comme frauduleuse. Cette option offre la solution la plus simple et la plus légère sur le plan opérationnel, car Fraud Detector est un service entièrement géré qui ne nécessite pas de construction ou de maintenance de modèle ML. Il peut automatiquement rejeter les transactions signalées comme frauduleuses, ce qui correspond à l'acceptation par l'entreprise d'une certaine perte de transactions rentables pour minimiser l'effort opérationnel. L'utilisation d'Amazon SageMaker pour approuver uniquement les transactions pour les produits déjà vendus est une règle métier simple, pas une solution de détection de fraude ML, et elle est trop restrictive. Entraîner un modèle de détection de fraude personnalisé dans Amazon SageMaker est plus complexe et nécessite plus d'effort opérationnel que Fraud Detector. L'utilisation de l'API de prédiction d'Amazon Fraud Detector pour signaler les activités potentiellement frauduleuses pour un examen humain est une option valide, mais elle n'est pas aussi simple et légère sur le plan opérationnel que le rejet automatique, car elle implique une intervention humaine.