Un'azienda di e-commerce ha dati CSV storici di transazioni non etichettati in S3 e deve rilevare transazioni anomale (frodi). Quale combinazione di modelli dovrebbe utilizzare per rilevare anomalie in questo set di dati non etichettato? (Scegliere due.)

IP Insights è un algoritmo non supervisionato che rileva indirizzi IP anomali basati sui modelli di accesso, ideale per identificare transazioni fraudolente da IP insoliti. Random Cut Forest (RCF) è un algoritmo non supervisionato che rileva punti dati anomali all'interno di un set di dati, perfetto per identificare transazioni che si discostano significativamente dalla norma. Entrambi sono adatti per dati non etichettati. K-nearest neighbors (k-NN) può essere usato per il rilevamento di anomalie ma è meno efficiente su grandi dataset rispetto a RCF e richiede la scelta di un k ottimale. Linear learner e XGBoost sono algoritmi di apprendimento supervisionato e richiederebbero dati etichettati per l'addestramento, che non sono disponibili in questo scenario.