Une entreprise souhaite demander aux utilisateurs une vérification supplémentaire lorsqu'ils accèdent au site depuis des emplacements inhabituels. Elle dispose de téraoctets de journaux web contenant les adresses IP source et, pour les requêtes authentifiées, les noms de connexion. Quelle approche devriez-vous utiliser pour construire la décision basée sur le ML qui signale quand demander des informations supplémentaires ?

L'approche correcte est d'utiliser Amazon SageMaker avec l'algorithme IP Insights. Cet algorithme est spécifiquement conçu pour détecter les anomalies dans les modèles d'accès basés sur les adresses IP et les identifiants d'utilisateur, ce qui correspond parfaitement au cas d'utilisation de détection d'accès depuis des emplacements inhabituels. La planification de mises à jour et de réentraînements nocturnes est cruciale pour maintenir la pertinence du modèle face à l'évolution des comportements d'accès. L'utilisation de SageMaker Ground Truth pour étiqueter chaque entrée comme "réussie" ou "échouée" n'est pas pertinente ici, car le problème est de détecter des accès inhabituels, pas simplement des succès ou des échecs d'authentification. De plus, IP Insights est un algorithme non supervisé ou semi-supervisé qui n'a pas besoin d'étiquettes explicites pour chaque transaction pour identifier les anomalies. L'algorithme factorization machines (FM) est plus adapté aux systèmes de recommandation ou à la prédiction de clics, et Object2Vec est utilisé pour générer des plongements (embeddings) d'objets, ce qui n'est pas l'objectif principal ici.