L'illustration présente un flux de travail de pipeline pour la prévision de fraude en direct à l'aide d'Oracle Compute Cloud@Customer, de Kafka et d'un pipeline Morpheus dans un conteneur Docker dans trois swinlanes empilés l'un sous l'autre.

Environnement hôte : Le flux commence vers le bas à partir de Transaction data (validation.csv) vers le producteur Python situé dans l'environnement hôte.

• À droite, " Prédiction de fraude en direct " est écrit à côté d'une icône d'une personne.

Kafka : Le flux continue vers le bas jusqu'à la rubrique Kafka : INPUT (gnn_fraud_input) située dans le couloir d'activité Kafka.

• Au milieu, sous " Environnement hôte " et au-dessus " Pipeline Morpheus ", cette section représente les flux de messagerie d'entrée et de sortie.
• Sur la gauche, "" est affiché, avec une étiquette "Input stream".

Pipeline Morpheus (conteneur Docker) : Le flux de travail se poursuit de INPUT (gnn_fraud_input) à la source Kafka située dans le couloir d'activité du pipeline Morpheus.

• La source Kafka circule vers la fonction de désérialisation.
• Deserialize se connecte à la construction Graph.
• La construction du graphique se connecte à GNN interface (GraphSAGE).
• GNN interface (GraphSAGE)" (neural network icon) se connecte à Classification (XGBoost).
• Classification (XGBoost) pour sérialiser.
• La sérialisation se connecte à l'évier Kafka.

Le dissipateur Kafka se connecte de nouveau à Kafka topic: OUTPUT (gnn_fraud_output) dans le couloir d'activité Kafka.

Kafka topic: OUTPUT (gnn_fraud_output) se connecte au consommateur Python dans le couloir d'activité de l'environnement hôte.

Le consommateur Python se connecte à la prédiction de fraude en direct dans l'environnement hôte.