Impulsando la Confianza y la Seguridad en el Comercio Electrónico con Soluciones de IA

Etapas, tecnologías y servicios implementados

DinoCloud propuso una solución avanzada basada en IA para abordar estos desafíos.
El proyecto implicó la implementación de un modelo de detección de fraudes utilizando XGBoost en Amazon SageMaker, con una tubería (pipeline) que incluía tres etapas:

1. Feature Engineering (Ingeniería de Características):
   Se realizó un análisis exploratorio de datos (EDA) para identificar patrones de fraude, limpiar los datos y seleccionar las características más relevantes. Se extrajeron y transformaron características desde un bucket de Amazon S3, utilizando herramientas como boto3 para la gestión eficiente del conjunto de datos.
2. Entrenamiento del Modelo:
   Se entrenó el modelo usando Amazon SageMaker con un script que afinó el algoritmo XGBoost a los datos preparados. El modelo fue evaluado utilizando métricas como precisión, recall y F1-score para garantizar una alta efectividad en la detección de fraudes.
3. Inferencia en Tiempo Real:
   Se desplegó el modelo entrenado usando funciones de AWS Lambda, permitiendo la inferencia en tiempo real sobre nuevas transacciones. Esto permitió la clasificación automática de transacciones como legítimas o fraudulentas antes de ser procesadas.

Despliegue Automatizado de la Infraestructura

Para mantener el sistema de manera eficiente, la infraestructura y los recursos sin servidor fueron desplegados utilizando:

• AWS CDK: Automatizó la infraestructura central, incluyendo buckets de S3 y roles de seguridad, con el AWS Cloud Development Kit (CDK), facilitando la integración y la escalabilidad.
• Serverless Framework: Implementó funciones Lambda para asegurar una respuesta rápida y escalable para la inferencia de datos de fraude en tiempo real.