Kafka-Betrugserkennung

Von Connic

Transaktionen in Kafka Streams werden in Echtzeit auf Betrugsrisiken bewertet. Die Bewertung berücksichtigt die Häufigkeit von Transaktionen, geografische Anomalien und kundenspezifische Muster.

SicherheitExperteKafka

Auf GitHub ansehen Quickstart

connic init my-project --templates=kafka-fraud-detector

Überblick

Ein Agent liest Transaktionen aus einem Kafka-Topic und bewertet ihr Betrugsrisiko anhand der Transaktionshäufigkeit, geografischer Anomalien und des Abgleichs mit Mustern aus dem Retrieval. Eine Bedingung beschränkt den Zugriff auf das Tool admin_override abhängig vom Kontext. Transaktionen mit derselben customer_id werden nacheinander verarbeitet, um Race Conditions zu verhindern. Warnmeldungen zu hohen Risiken werden von einem Tool-Agenten formatiert und in einem ausgehenden Kafka-Topic veröffentlicht.

Use Cases

Erkennung von Zahlungsbetrug

Jede Transaktion wird in Echtzeit auf Betrugssignale wie unmögliche Ortswechsel, ungewöhnlich hohe Aktivität und bekannte Muster geprüft.

Risikobasiertes Routing

Transaktionen werden abhängig vom Risikoniveau in unterschiedliche Prüfwarteschlangen geleitet: automatisch genehmigen, markieren, zurückhalten oder blockieren.

Lernen neuer Muster

Neuartige Betrugsmuster werden im Retrieval gespeichert und stehen für spätere Prüfungen bereit.

Architektur

Kafka (Transaktionen)

fraud-scorer

Retrieval

fraud-escalator

Kafka (Warnmeldungen)

Erzeugte Projektstruktur

Der Befehl connic init my-project --templates=kafka-fraud-detector erzeugt diesen Dateibaum.

kafka-fraud-detector/
  agents/
    fraud-scorer.yaml
    fraud-escalator.yaml
  tools/
    fraud_tools.py
  middleware/
    fraud-scorer.py
  schemas/
    fraud-assessment.json
  requirements.txt
  README.md

Loslegen

Installiere das Template, erstelle ein Connic-Projekt und starte das Deployment. Mit Git startet jeder Push automatisch ein Deployment; die CLI funktioniert unabhängig vom Git-Anbieter.

Voraussetzungen

Python 3.10+
Ein Connic-Konto mit einem angelegten Projekt
Projektguthaben für ein connic/* KI-Modell oder Zugangsdaten für einen BYOK Provider

Projekt erstellen

Installieren und Projekt anlegen

Installiere das SDK und erstelle aus diesem Template ein Projekt.

terminal

pip install connic-composer-sdk
connic init my-project --templates=kafka-fraud-detector

Danach cd my-project

Bereitstellen

Als Deployment-Methode stehen Git und CLI zur Auswahl. Bei Git startet jeder Push automatisch ein Deployment; die CLI funktioniert mit GitLab, Bitbucket oder ganz ohne Git.

Git-Integration

Verbinde in Connic unter Projekt Settings → Git & Environments das GitHub-Repository
Ordne auf derselben Seite den Branch (z. B. main) der Produktivumgebung zu
Pushe das erzeugte Projekt in dieses Repository

terminal

git add .
git commit -m "Kafka-Betrugserkennung Template hinzufügen"
git push origin main

CLI Deployment

Erstelle in Connic unter Projekt Settings → API Keys & MCP Auth einen API Key und kopiere die Projekt-ID
Führe im Projektverzeichnis connic login aus
Teste mit connic dev und Hot Reload, führe mit connic test Testsuiten aus oder starte mit connic deploy das Deployment für den Produktivbetrieb

terminal

connic login
connic dev     # Temporäre Entwicklungsumgebung mit Hot Reload
connic test    # Deklarative Test Suites ausführen
connic deploy  # In den Produktivbetrieb deployen

Verbinden und konfigurieren

Füge eine eingehende Kafka-Verbindung für das Transaktions-Topic und eine ausgehende Kafka-Verbindung für Betrugswarnungen hinzu. Konfiguriere Bootstrap Server und optional die SASL-Authentifizierung. Ein connic/* KI-Modell nutzen oder BYOK-Zugangsdaten unter Projekt Settings → LLM Provider hinterlegen.

Vollständiger Einrichtungsleitfaden für Verbindungen Quickstart Guide Docs zu Verbindungen

Template-Quelle

Das vollständige Template lässt sich einsehen, verbessern oder für einen anderen Einsatz forken.

connic-org/connic-awesome-agents/tree/main/kafka-fraud-detector

Informationen

Publisher: Von Connic
Kategorie: Agent Templates
Schwierigkeitsgrad: Experte
Funktioniert mit: Kafka
Quelle: GitHub

Weitere Agent Templates

Marketplace durchsuchen

Recherche-Assistent

Der Assistent zerlegt komplexe Recherchefragen in Teilaufgaben und startet spezialisierte Agenten parallel. Er führt Informationen aus dem Web und internen Quellen zu strukturierten Berichten zusammen und bewertet die Verlässlichkeit der Ergebnisse.

SQS-Bestellverarbeitung

Bestellungen aus SQS-Queues werden mit Betrugserkennung, Bestandsprüfung und Concurrency-Keys validiert und abgewickelt. Ergebnisse werden in einer ausgehenden Queue veröffentlicht.

Persönlicher Telegram-Assistent

Der multimodale Telegram-Assistent verarbeitet Text, Bilder, Sprache, Video und Dokumente. Er durchsucht das Web, speichert Notizen und Wissen und plant Erinnerungen mit persistenten Sessions.

Lead-Anreicherung

Neue Registrierungen werden durch Unternehmensrecherche angereichert und anhand des idealen Kundenprofils bewertet. Qualifizierte Leads werden gespeichert.

Compliance-Auditor

Zeitgesteuerte Compliance-Prüfungen werten regulatorische Neuerungen aus der Websuche, per MCP abrufbare Dokumentation und frühere Prüfergebnisse aus dem Retrieval aus. Daraus entstehen Zusammenfassungen mit einer Bewertung.

S3-Dokumenten-Pipeline

Nach einem Upload in S3 liest die Pipeline den Inhalt des Dokuments aus, klassifiziert es und leitet es weiter. Sie unterstützt PDFs, Bilder und Textdateien sowie Retries bei Fehlern.