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.

• Sur la droite, "Prédiction de la fraude en direct" est écrite à côté d'une icône d'une personne.

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

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

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.

• La source Kafka circule vers la désérialisation.
• La désérialisation se connecte à la construction graphique.
• La construction de graphique se connecte à GNN interface (GraphSAGE).
• GNN interface (GraphSAGE)" (neural network icon) se connecte à Classification (XGBoost).
• Classification (XGBoost) pour sérialiser.
• Sérialisez les connexions au récepteur Kafka.

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.