What is Windward's MAI Expert™ and how does it utilize generative AI?

Windward's MAI Expert™ is the company's pioneering generative AI maritime agent designed to contextualize maritime anomalies. It leverages generative AI, particularly large language models (LLMs) on Amazon Bedrock, to automate the collection, correlation, and synthesis of diverse data sources. This allows it to generate comprehensive risk assessments and summaries for suspicious vessel activities, enabling analysts to make informed decisions faster and with greater accuracy, shifting their focus from data gathering to strategic interpretation.

How does the agentic maritime anomaly analysis solution work?

The solution, developed in collaboration with AWS, is a multi-step AI-powered pipeline. It starts by extracting metadata from an anomaly event. This metadata then triggers an agentic analysis system using LLMs on Amazon Bedrock, orchestrated by AWS Step Functions. The system queries various external data sources (news, web search, weather) via AWS Lambda functions. A crucial self-reflection step, powered by an LLM like Anthropic's Claude, determines if additional data is needed. Finally, filtered and ranked data is used by another LLM to generate a contextualized report, citing all sources.

What AWS services are central to Windward's generative AI solution?

Several key AWS services underpin Windward's agentic maritime anomaly analysis solution. Amazon Bedrock hosts the large language models (LLMs), including Anthropic's Claude, which are responsible for query generation, self-reflection, scoring, and report generation. AWS Step Functions orchestrates the entire multi-step analysis pipeline, ensuring a smooth workflow. AWS Lambda functions are used to fetch data from various external sources. Additionally, Amazon Rerank assists in filtering and ranking relevant news items to maintain high data quality and relevance.

What are the primary challenges Windward aimed to solve with this generative AI approach?

Before this solution, maritime analysts spent significant time manually gathering and correlating complex data to understand vessel behavior anomalies. Windward sought to address three key strategic improvements: creating a Unified Workflow to minimize external data consultations, optimizing Expertise by automating data collection (weather, news, alerts) so domain experts could focus on strategic interpretation, and providing Comprehensive Coverage by streamlining information synthesis for rapid, in-depth investigation of multiple alerts simultaneously.

How does the system ensure the relevance of retrieved information for a specific anomaly?

The solution employs a robust two-step filtering and ranking process to ensure data relevance. First, an AI model like Amazon Rerank initially sorts retrieved news items based on their relevance to the anomaly, aiming to maintain high recall while removing highly irrelevant data. Second, a dedicated LLM scores each of the top-ranked items across multiple dimensions such as time, location, and vessel type. Only data items with a relevance score above a predetermined threshold are retained, ensuring high precision and that only the most pertinent information is used in the final report.

Agentní námořní AI: Kontextuální analýza anomálií s generativní AI

Revoluční analýza námořních anomálií s agentní AI

Rozsáhlý, složitý svět globálních námořních aktivit představuje jedinečné výzvy pro bezpečnost, zpravodajství a komerční operace. Identifikace a pochopení neobvyklého chování plavidel – od neočekávaných pohybů po odchylky od známých vzorců – často vyžaduje nesmírné množství času, hluboké odborné znalosti domény a korelaci různorodých datových zdrojů. Windward, lídr v oblasti námořní AI™, dlouhodobě poskytuje kritické zpravodajské informace pro námořní operace. Nyní, ve spolupráci s AWS, Windward využívá agentní generativní AI k transformaci tohoto procesu, přesouvajíc se od izolovaných upozornění k komplexní, kontextuální inteligenci.

Toto průlomové partnerství si klade za cíl posílit námořní analytiky, drasticky zkrátit dobu vyšetřování a umožnit jim soustředit se na rozhodování s vysokou hodnotou, namísto namáhavého sběru dat. Fúzí geoprostorové inteligence s pokročilou generativní AI poskytuje nové řešení Windward 360° pohled, předvídá hrozby a chrání kritická aktiva na moři s bezprecedentní rychlostí a přesností.

Výzva: Od přetížení daty k použitelným poznatkům

Historicky bylo vyšetřování námořních anomálií vysoce manuální a časově náročné úsilí. Analytici trávili hodiny probíráním roztříštěných informací a snažili se spojit body mezi různými datovými toky, aby pochopili anomální chování plavidla. Tento proces vyžadoval nejen značné úsilí, ale také hluboké odborné znalosti domény pro interpretaci nuancí námořních aktivit, povětrnostních vzorců a geopolitických událostí.

Stávající systém včasné detekce společnosti Windward úspěšně identifikuje podezřelé vzorce, ale cílem bylo urychlit cestu od detekce k rozhodování. K optimalizaci analytického pracovního postupu a poskytnutí skutečně "mise-připravených" poznatků, Windward identifikoval tři klíčová strategická zlepšení:

Jednotný pracovní postup: Minimalizovat potřebu analytiků konzultovat externí datové zdroje, čímž se vytvoří bezproblémové a zaměřené analytické prostředí.
Optimalizace odbornosti: Automatizovat sběr a počáteční korelaci kontextuálních dat (počasí, zprávy, související upozornění), což umožní odborníkům v dané doméně věnovat svůj cenný čas strategické interpretaci a rozhodování.
Komplexní pokrytí: Zefektivnit syntézu informací, aby bylo možné rychlejší a hloubkové prošetření více upozornění současně.

K dosažení těchto ambiciózních cílů se Windward spojil s inovačním centrem AWS Generative AI Innovation Center, aby vyvinul MAI Expert™, prvního generativního AI námořního agenta schopného automaticky contextualizovat komplexní námořní anomálie.

Agentní architektura: Pohánění kontextuální inteligence s AWS

Jádro vylepšeného řešení společnosti Windward spočívá v jeho vícekrokové architektuře poháněné AI, nasazené na AWS. Tento systém automaticky získává relevantní data z různých interních a externích zdrojů a používá tyto informace k vygenerování textového popisu, který důkladně contextualizuje události námořních anomálií.

Proces začíná, když je anomálie identifikována systémem Windward Early Detection. Relevantní metadata – jako je časové razítko anomálie, souřadnice regionu, typ anomálie a třída plavidla – jsou extrahovány z interní databáze Windward.

Tato metadata jsou poté předána do systému agentní analýzy poháněného velkými jazykovými modely (LLM) na Amazon Bedrock. Celá vícekroková pipeline analýzy anomálií je orchestrána pomocí AWS Step Functions, což zajišťuje robustní a škálovatelný pracovní postup.

První krok v tomto orchestrálním procesu zahrnuje dotazování více, různorodých externích datových zdrojů za účelem shromáždění relevantních základních informací:

Zpravodajství v reálném čase: Upozornění a signály událostí objevené z veřejných dat jsou načteny a filtrovány na základě času a místa námořní anomálie.
Inteligentní webové vyhledávání: LLM generují přesné vyhledávací dotazy, což umožňuje načítání aktuálních výsledků webového vyhledávání, které poskytují kontext anomálie v reálném čase.
Údaje o počasí: Externí API je využíváno k získání kritických meteorologických dat, včetně teploty, rychlosti větru a srážek, pro konkrétní místo a čas anomálie.

Každý datový zdroj je dotazován pomocí samostatné funkce AWS Lambda. Tento modulární přístup zajišťuje efektivitu a škálovatelnost, což umožňuje snadnou integraci nových datových zdrojů podle potřeby.

Dynamická sebe-reflexe a správa dat

Klíčovou inovací v tomto agentním řešení je jeho schopnost sebe-reflexe, která dynamicky určuje potřebu dalšího získávání dat. Po počátečním sběru dat ze zpráv, webového vyhledávání a počasí se pipeline přesune k druhému kroku. Zde samostatný LLM – poháněný Anthropic's Claude prostřednictvím Amazon Bedrock – zkoumá získané datové položky.

Tento LLM je instruován, aby rozhodl, zda dosud shromážděná data jsou dostatečná k vysvětlení anomálie, nebo zda stále chybí určité aspekty související s událostí. Poté může buď vygenerovat nový, upřesněnější vyhledávací dotaz pro další webové výsledky, nebo signalizovat pipeline, aby pokračovala. Tato inteligentní zpětná vazba, zobrazená na Obrázku 2, umožňuje systému proaktivně vyhledávat komplexnější kontext a připojovat jej k dříve shromážděným informacím.

Architecture diagram for windward aws blog Obrázek 1. Architektura řešení demonstrující služby AWS a generativní AI.

Diagram of flow through self-reflection Obrázek 2. Logika sebe-reflexe v systému agentní analýzy anomálií.

Po této fázi dynamického získávání dat a sebe-reflexe systém využívá dvoufázový proces filtrování a řazení, aby odstranil irelevantní zprávy a zajistil kontext nejvyšší kvality:

Přerovnání s Amazon Rerank: Model AI, Amazon Rerank, seřadí počáteční soubor datových položek podle jejich relevance k anomálii. Tento krok je klíčový pro udržení vysoké úplnosti, čímž se efektivně snižuje skupina kandidátů pro další fázi.
Bodování přesnosti založené na LLM: Každá z nejlépe hodnocených položek je poté dále bodována LLM napříč několika dimenzemi, včetně času, místa a odpovídajícího typu plavidla. Systém přiřazuje skóre relevance mezi 0 a 100, přičemž zachovává pouze ty datové položky, které překračují předem definovanou hranici. Tím je zajištěna vysoká přesnost, což zaručuje, že do konečné analýzy přispějí pouze ty nejrelevantnější informace.

Použitelné poznatky: Kontextualizovaná zpráva

Nakonec jsou pečlivě filtrovaná a seřazená data předána dalšímu LLM. Tento LLM syntetizuje všechny shromážděné zpravodajské informace k vygenerování stručné, kontextualizované zprávy o anomálii. Zpráva shrnuje potenciální příčiny, rizika a dopady detekované námořní události. Zásadní je, že je napsána pro zákazníky společnosti Windward a přímo cituje všechny použité datové zdroje, čímž poskytuje plnou transparentnost a umožňuje uživatelům ověřit informace a ponořit se hlouběji sledováním poskytnutých odkazů.

Maritime intelligence product Obrázek 3. Příklad vygenerované zprávy o anomálii z MAI Expert™ společnosti Windward.

Tento výstup drasticky snižuje kognitivní zátěž analytiků a předkládá jim hotový narativ, který vysvětluje anomálii v jejím širším operačním a geopolitickém kontextu.

Hodnocení a dopad

Kompletní systém je přísně hodnocen proti komplexní sadě historických námořních anomálií. Toto hodnocení často zahrnuje přístup LLM jako soudce, který posuzuje kvalitu, přesnost a úplnost vygenerovaných kontextuálních zpráv.

Dopady tohoto agentního generativního řešení AI jsou hluboké. Automatizací namáhavého procesu shromažďování a korelace dat Windward umožňuje námořním analytikům:

Zvýšit efektivitu: Výrazně zkrátit čas strávený vyšetřováním, čímž se uvolní cenné lidské zdroje.
Zlepšit situační povědomí: Získat hlubší, kontextuálnější pochopení anomálií, přesahující izolovaná upozornění k komplexní inteligenci.
Urychlit rozhodování: Umožnit rychlejší a informovanější rozhodnutí, kritická pro předvídání hrozeb a ochranu aktiv v dynamickém námořním prostředí.
Optimalizovat odbornost: Umožnit odborníkům v dané oblasti soustředit se na strategickou interpretaci a analýzu na vysoké úrovni, čímž využijí své jedinečné dovednosti tam, kde jsou nejdůležitější.

Spolupráce mezi Windward a AWS je příkladem toho, jak lze špičkovou generativní AI a cloudovou infrastrukturu využít k řešení komplexních problémů reálného světa, transformovat kritické sektory, jako je námořní zpravodajství, a nastavit nový standard pro kontextuální analýzu anomálií.