Firma chce prosić użytkowników o dodatkową weryfikację, gdy uzyskują dostęp do witryny z nietypowych lokalizacji. Posiadają terabajty logów internetowych z adresami IP źródłowymi oraz, dla uwierzytelnionych żądań, nazwami logowania. Jakie podejście należy zastosować do zbudowania decyzji opartej na ML, która sygnalizuje, kiedy należy zażądać dodatkowych informacji?

Prawidłowa odpowiedź to użycie algorytmu IP Insights. Jest on specjalnie zaprojektowany do wykrywania nietypowych wzorców dostępu na podstawie adresów IP i identyfikatorów użytkowników, co idealnie pasuje do scenariusza wykrywania nietypowych lokalizacji dostępu. Planowanie nocnych aktualizacji i ponownego trenowania zapewnia, że model będzie na bieżąco z nowymi danymi i zmieniającymi się wzorcami dostępu. Pozostałe opcje są mniej odpowiednie: Użycie SageMaker Ground Truth do etykietowania "udanego/nieudanego dostępu" nie jest celem; celem jest wykrywanie nietypowych lokalizacji. Algorytm Factorization Machines (FM) jest bardziej ogólnym algorytmem do rekomendacji lub klasyfikacji, a nie specyficznie do wykrywania anomalii IP. Etykietowanie "udanego/nieudanego" dostępu i użycie IP Insights również nie jest właściwe, ponieważ IP Insights nie wymaga etykietowania sukcesu/niepowodzenia, ale raczej uczy się wzorców z danych IP i identyfikatorów. Algorytm Object2Vec jest przeznaczony do osadzania obiektów i znajdowania podobieństw, a nie do wykrywania anomalii w kontekście adresów IP i użytkowników.