A imagem mostra um workflow de pipeline para previsão de fraude ao vivo usando o Oracle Compute Cloud@Customer, o Kafka e um pipeline Morpheus em um contêiner do Docker em três swinlanes empilhadas uma abaixo da outra.

Ambiente Host: O fluxo é iniciado para baixo de Transaction data (validation.csv) para o produtor de Python localizado no ambiente Host.

• À direita, "Previsão de fraude ao vivo" é escrito ao lado de um ícone de uma pessoa.

Kafka: O fluxo continua para baixo até o tópico Kafka: INPUT (gnn_fraud_input) localizado no diagrama de natação Kafka.

• No meio, em "Ambiente Host" e acima de "Pipeline Morpheus", esta seção representa fluxos de mensagens de entrada e saída.
• À esquerda, "" é mostrado, com um rótulo "Fluxo de entrada".

Pipeline Morpheus (Contêiner do Docker): O workflow continua de INPUT (gnn_fraud_input) até a origem do Kafka localizada no swimlane do pipeline Morpheus.

• A origem do Kafka flui para a desserialização.
• A desserialização se conecta à construção de Gráficos.
• A construção do gráfico se conecta ao GNN interface (GraphSAGE).
• O GNN interface (GraphSAGE)" (neural network icon) se conecta ao Classification (XGBoost).
• Classification (XGBoost) para Serializar.
• Serializar conexões com o coletor do Kafka.

O dissipador do Kafka conecta de volta Kafka topic: OUTPUT (gnn_fraud_output) no diagrama funcional do Kafka.

O Kafka topic: OUTPUT (gnn_fraud_output) se conecta ao consumidor Python no diagrama funcional do ambiente host.

O consumidor de Python se conecta à previsão de fraude ao vivo no ambiente host.