NSUS Group 借助 HAQM SageMaker 增强金融欺诈防范系统

NSUS Group 是扑克行业的重要参与者，其运营的平台服务于全球数百万用户。起初，它依靠互联网数据中心（IDC）进行托管，这虽然满足了当时的需求，但缺乏可扩展性和效率。随着平台的发展，NSUS Group 看到了强化其基础设施的机会，以确保为用户提供无缝且安全的游戏体验。

日益增长的业务复杂性使这些挑战更加复杂。NSUS 需要其基础设施不仅局限于支持游戏业务，还能支持诸如用户行为分析和法规合规等先进功能。由于该公司每天要处理数百万笔金融交易，因此金融欺诈预防成为了至关重要的优先事项。

当时，NSUS 依靠人工调查方法来预防欺诈。熟练的工作人员需要分析历史数据和用户行为日志，但这种方法资源消耗大、成本高，且在可扩展性方面存在局限。 

面对这些挑战，NSUS 认识到需要一个更高效且可扩展的解决方案。该公司将采用自动化机器学习（ML）管道列为优先事项，以增强欺诈预防能力、简化运营并减少对人工流程的依赖。然而，向机器学习技术的过渡受到其遗留基础设施以及实施先进系统相关的高昂成本的阻碍。

NSUS 集团首席产品官 Daniel Lim 解释道：“以前，我们的欺诈预防网络严重依赖人力资源。采用先进技术来扩展我们的防御系统并实现更高的效率变得至关重要。”

通过应对这些挑战并专注于创新，NSUS 着手变革其运营方式，确保为其不断增长的玩家群体提供一个更加安全可靠的环境。

为了解决其传统反洗钱系统中的低效问题，NSUS 转向了一种由机器学习驱动的方法，构建了一个预测性金融交易管理系统。该系统旨在增强欺诈预防能力，同时简化运营流程。NSUS 利用 HAQM Simple Storage Service（HAQM S3）创建了一个可扩展、安全的数据湖，用于存储大量的用户行为数据。为了管理机器学习（ML）工作流程，NSUS 采用了 HAQM SageMaker，以实现无缝的数据预处理、特征工程、模型训练、超参数优化和部署。

在开发过程中，NSUS 采用了基于 XGBoost 的训练（一种广泛应用于电子商务欺诈预防的模型），并使用 AWS 上的 Apache Iceberg 对数据进行了优化。通过与 AWS 合作伙伴 Snowflake 合作并采用 AWS Glue，NSUS 简化了数据集成。 

HAQM SageMaker 在优化超参数、比较模型、跟踪训练历史以及实现协作式模型选择方面发挥了关键作用。其测试平台便于对各种不同的模型和数据集进行实验，无需专业的机器学习运维（MLOps）专业知识。此外，NSUS 使用 HAQM SageMaker Pipelines 来管理推理工作流程，将模型存储在 HAQM S3 中，并实施基于 API 的实时批量推理应用程序。 

通过采用 HAQM SageMaker，NSUS 将其劳动密集型、基于规则的系统转变为一个由机器学习驱动的自动化解决方案。这个先进的系统能够实时分析大量的用户行为数据集，实现主动的风险评测和欺诈预防，同时显著提高运营效率。

Lim 说：“HAQM SageMaker 使 NSUS 能够更有效地评估洗钱风险，为欺诈预防奠定更坚实的基础，并营造更健康的游戏环境。” 这一转变简化了 NSUS 的反洗钱操作，并建立了一个复杂精密的欺诈预防系统，确保为其全球用户群体提供安全的游戏体验，同时也表明了其在在线扑克行业对创新和法规合规的承诺。