☁️AWS Machine Learning Blog•最新收集於 25m
Jumio 打造低於 100 毫秒的詐欺特徵庫
💡掌握可提供低於 100 毫秒詐欺特徵、並大幅節省年度成本的 AWS 架構。
⚡ 30-Second TL;DR
有什麼變化
集中管理詐欺偵測工作負載所需的線上與即時特徵。
為什麼重要
此案例顯示即時特徵基礎架構能大規模支援對延遲敏感的詐欺決策。對於希望整合分散式 ML 管線的團隊而言，其成本節省與集中式設計具有參考價值。
下一步行動
評估詐欺模型的線上特徵延遲，並將其串流管線對應至 Kinesis Data Streams、Apache Flink 與 SageMaker Feature Store。
誰應關注：Enterprise & Security Teams
關鍵要點
- •集中管理詐欺偵測工作負載所需的線上與即時特徵。
- •使用 Apache Flink 與 Kinesis Data Streams 處理串流特徵更新。
- •在低於 100 毫秒內提供特徵，同時每年降低約 12 萬美元成本。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Jumio 的此項架構解決了過去在處理跨多個詐欺偵測模型時，特徵一致性不足與資料孤島的問題。
- •該解決方案利用 Amazon SageMaker Feature Store 的線上儲存功能，確保了低延遲的特徵檢索，這對於即時身分驗證至關重要。
- •透過將特徵工程從應用程式邏輯中解耦，Jumio 顯著提升了資料科學團隊開發新詐欺偵測模型的迭代速度。
- •此架構採用了事件驅動（Event-driven）的設計模式，能夠在使用者行為發生變化的毫秒級時間內自動更新特徵庫。
- •除了成本節省，該系統還透過標準化特徵定義，減少了模型訓練與推論環境之間的特徵偏差（Training-Serving Skew）。
📊 競品分析▸ Show
| 特色 | Jumio (AWS 架構) | Feedzai | Sift |
|---|---|---|---|
| 核心優勢 | 深度整合 AWS 生態系，低延遲 | 專注於金融業的端到端詐欺管理 | 廣泛的社群詐欺偵測網路 |
| 部署模式 | 雲端原生 (AWS) | 混合雲/多雲 | SaaS 平台 |
| 延遲表現 | < 100ms | < 200ms | < 200ms |
| 成本結構 | 依使用量計費 (節省營運成本) | 企業級授權 | 依交易量計費 |
🛠️ 技術深入
- 採用 Amazon Kinesis Data Streams 作為即時資料攝取層，處理來自全球各地的驗證請求串流。
- 利用 Amazon Managed Service for Apache Flink 執行複雜的視窗運算（Windowing），計算使用者在特定時間窗口內的行為特徵。
- Amazon SageMaker Feature Store 作為單一事實來源（Single Source of Truth），同時支援線上（低延遲）與離線（模型訓練）特徵存取。
- 實作了自動化的特徵管道（Feature Pipelines），確保從原始資料到特徵向量的轉換過程具有可重複性與版本控制。
- 系統架構支援高併發請求，透過 AWS 的自動擴展機制應對詐欺攻擊高峰期的流量波動。
🔮 前景展望AI analysis grounded in cited sources
Jumio 將進一步整合生成式 AI 以自動化特徵工程。
隨著特徵庫的集中化，該公司具備了利用 LLM 自動發現新型詐欺模式並生成對應特徵的資料基礎。
即時特徵庫將成為 Jumio 跨產品線的標準化基礎設施。
該架構的成功驗證了集中式特徵管理對降低營運成本與提升模型效能的價值，將推動其在生物辨識與文件驗證產品中的全面應用。
⏳ 時間線
2021-03
Jumio 宣布收購 Beam Solutions 以強化反洗錢 (AML) 與詐欺偵測能力。
2022-09
Jumio 推出 Jumio Platform，整合多項身分驗證與詐欺偵測服務。
2024-05
Jumio 與 AWS 深度合作，開始優化其機器學習基礎設施以應對大規模即時驗證需求。
2025-11
Jumio 正式部署基於 SageMaker Feature Store 的集中式即時特徵庫架構。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： AWS Machine Learning Blog ↗