L'image présente un workflow 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 couloirs empilés l'un au-dessous de l'autre.
Environnement hôte : le flux démarre vers le bas de Transaction data (validation.csv)
vers le fournisseur de portlets Python situé dans l'environnement hôte.
Kafka : le flux continue vers le bas jusqu'à la rubrique Kafka : INPUT (gnn_fraud_input)
situé dans le couloir d'activité Kafka.
Pipeline deorpheus (conteneur Docker) : le workflow se poursuit de INPUT (gnn_fraud_input)
vers la source Kafka située dans le couloir d'activité du pipeline Morpheus.
GNN interface (GraphSAGE)
.
GNN interface (GraphSAGE)" (neural network icon)
se connecte à Classification (XGBoost)
.
Classification (XGBoost)
pour sérialiser.
Le récepteur Kafka se connecte à 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.