Firma e-commerce posiada nieoznaczone historyczne dane transakcyjne w formacie CSV w S3 i musi wykryć anomalne transakcje (oszustwa). Jakiej kombinacji modeli powinna użyć do wykrywania anomalii w tym nieoznaczonym zbiorze danych? (Wybierz dwie opcje.)

Prawidłowe odpowiedzi to IP Insights i Random Cut Forest (RCF). IP Insights jest odpowiednie do wykrywania anomalii na podstawie adresów IP, co jest kluczowe w przypadku oszustw transakcyjnych, gdzie podejrzane adresy IP mogą wskazywać na nieprawidłowości. RCF to algorytm bez nadzoru, idealny do wykrywania anomalii w dużych zbiorach danych bez etykiet, takich jak historyczne dane transakcyjne. K-nearest neighbors (k-NN) jest algorytmem klasyfikacji lub regresji, który może być używany do wykrywania anomalii, ale wymaga metryki odległości i może być kosztowny obliczeniowo dla dużych zbiorów danych. Linear learner z funkcją logistyczną i XGBoost to algorytmy nadzorowane, które wymagają etykietowanych danych do treningu, a w tym przypadku dane są nieoznaczone.