L'immagine mostra un flusso di lavoro della pipeline per la previsione di frodi in tempo reale utilizzando Oracle Compute Cloud@Customer, Kafka e una pipeline Morpheus in un contenitore Docker in tre swinlan sovrapposti uno sotto l'altro.

Ambiente host: il flusso inizia verso il basso da Transaction data (validation.csv) al producer Python situato nell'ambiente host.

• A destra, "Previsione di frode live" è scritto accanto a un'icona di una persona.

Kafka: il flusso continua verso il basso fino all'argomento Kafka: INPUT (gnn_fraud_input) situato nella swimlane Kafka.

• Nel mezzo, sotto "Ambiente host" e sopra "Pipeline Morpheus", questa sezione rappresenta i flussi di messaggistica di input e output.
• A sinistra, viene visualizzato "", con un'etichetta "Input stream".

Pipeline Morpheus (contenitore Docker): il workflow continua da INPUT (gnn_fraud_input) all'origine Kafka che si trova nel swimlane della pipeline Morpheus.

• L'origine Kafka passa alla deserializzazione.
• Deserializza si connette alla costruzione Graph.
• La costruzione del grafico si connette a GNN interface (GraphSAGE).
• GNN interface (GraphSAGE)" (neural network icon) si connette a Classification (XGBoost).
• Classification (XGBoost) per la serializzazione.
• Serialize si connette al sink di Kafka.

Il sink Kafka connette nuovamente Kafka topic: OUTPUT (gnn_fraud_output) nella swimlane Kafka.

Kafka topic: OUTPUT (gnn_fraud_output) si connette al consumer Python nel swimlane dell'ambiente host.

Il consumer Python si connette alla previsione di frodi in tempo reale nell'ambiente host.