En la imagen se muestra un flujo de trabajo de pipeline para la predicción de fraude en directo mediante Oracle Compute Cloud@Customer, Kafka y un pipeline Morpheus en un contenedor de Docker en tres franjas horarias apiladas una debajo de la otra.

Entorno de host: el flujo se inicia hacia abajo desde Transaction data (validation.csv) hasta el productor de Python ubicado en el entorno de host.

• A la derecha, "Predicción de fraude en vivo" se escribe junto a un icono de una persona.

Kafka: el flujo continúa hacia abajo hasta el tema de Kafka: INPUT (gnn_fraud_input), ubicado en la calle de navegación de Kafka.

• En el medio, en "Entorno de host" y por encima de "Pipeline Morpheus", esta sección representa los flujos de mensajes de entrada y salida.
• A la izquierda, se muestra "" con una etiqueta de "flujo de entrada".

Pipeline de Morpheus (contenedor de Docker): el flujo de trabajo continúa desde INPUT (gnn_fraud_input) hasta el origen de Kafka ubicado en la calle de navegación del pipeline de Morpheus.

• Los flujos de origen de Kafka se deserializan.
• Deserialize se conecta a la construcción de grafos.
• La construcción de grafos se conecta a GNN interface (GraphSAGE).
• GNN interface (GraphSAGE)" (neural network icon) se conecta a Classification (XGBoost).
• Classification (XGBoost) para serializar.
• Serializar se conecta al fregadero de Kafka.

El fregadero de Kafka conecta Kafka topic: OUTPUT (gnn_fraud_output) en la calle de navegación de Kafka.

Kafka topic: OUTPUT (gnn_fraud_output) se conecta al consumidor de Python en la calle de navegación del entorno host.

El consumidor de Python se conecta a la predicción de fraude en directo en el entorno del host.