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.

هوش مصنوعی عاملیت‌محور دریایی: تحلیل ناهنجاری‌های زمینه‌محور با هوش مصنوعی مولد

تحول در تحلیل ناهنجاری‌های دریایی با هوش مصنوعی عاملیت‌محور

دنیای وسیع و پیچیده فعالیت‌های دریایی جهانی، چالش‌های منحصربه‌فردی را برای امنیت، اطلاعات و عملیات تجاری به همراه دارد. شناسایی و درک رفتارهای غیرعادی کشتی‌ها – از حرکات غیرمنتظره تا انحراف از الگوهای شناخته شده – اغلب نیازمند زمان بسیار زیاد، تخصص عمیق در حوزه و همبسته‌سازی منابع داده‌ای مختلف است. Windward، پیشرو در هوش مصنوعی دریایی (Maritime AI™)، مدت‌هاست که اطلاعات حیاتی را برای عملیات دریایی فراهم می‌کند. اکنون، Windward با همکاری AWS، از هوش مصنوعی مولد عاملیت‌محور برای متحول کردن این فرآیند استفاده می‌کند و از هشدارهای جداگانه به هوشمندی جامع و زمینه‌محور حرکت می‌کند.

این همکاری پیشگامانه با هدف توانمندسازی تحلیل‌گران دریایی، کاهش چشمگیر زمان تحقیقات و اجازه دادن به آن‌ها برای تمرکز بر تصمیم‌گیری‌های با ارزش بالا به جای جمع‌آوری داده‌های طاقت‌فرسا انجام می‌شود. راهکار جدید Windward با ترکیب هوش مکانی-فضایی با هوش مصنوعی مولد پیشرفته، دیدی ۳۶۰ درجه ارائه می‌دهد و تهدیدات را پیش‌بینی کرده و از دارایی‌های حیاتی در دریا با سرعت و دقتی بی‌سابقه محافظت می‌کند.

چالش: از حجم بالای داده تا بینش‌های قابل اقدام

در گذشته، تحقیق در مورد ناهنجاری‌های دریایی تلاشی بسیار دستی و زمان‌بر بود. تحلیل‌گران ساعت‌ها را صرف غربال کردن اطلاعات پراکنده می‌کردند و تلاش می‌کردند تا نقاط مختلف را بین جریان‌های داده‌ای گوناگون به هم وصل کنند تا رفتار غیرعادی یک کشتی را درک کنند. این فرآیند نه تنها نیازمند تلاش قابل توجهی بود، بلکه تخصص عمیقی در حوزه برای تفسیر ظرافت‌های فعالیت‌های دریایی، الگوهای آب‌وهوایی و رویدادهای ژئوپلیتیک طلب می‌کرد.

سیستم تشخیص زودهنگام Windward با موفقیت الگوهای مشکوک را شناسایی می‌کند، اما هدف این بود که مسیر از تشخیص تا تصمیم‌گیری تسریع شود. برای بهینه‌سازی گردش کار تحلیلی و ارائه بینش‌های واقعاً "آماده مأموریت"، Windward سه بهبود استراتژیک کلیدی را شناسایی کرد:

گردش کار یکپارچه: نیاز تحلیل‌گران به مشاوره با منابع داده خارجی را به حداقل رسانده و یک محیط تحلیلی یکپارچه و متمرکز ایجاد کند.
بهینه‌سازی تخصص: جمع‌آوری و همبسته‌سازی اولیه داده‌های زمینه‌ای (آب‌وهوا، اخبار، هشدارهای مرتبط) را خودکار کند، تا کارشناسان حوزه بتوانند زمان ارزشمند خود را به تفسیر استراتژیک و تصمیم‌گیری اختصاص دهند.
پوشش جامع: ترکیب اطلاعات را ساده‌سازی کند تا امکان تحقیق سریع و عمیق همزمان در مورد چندین هشدار فراهم شود.

برای دستیابی به این اهداف جاه‌طلبانه، Windward با مرکز نوآوری هوش مصنوعی مولد AWS همکاری کرد تا MAI Expert™ را توسعه دهد؛ اولین عامل هوش مصنوعی مولد دریایی که قادر به زمینه‌سازی خودکار ناهنجاری‌های پیچیده دریایی است.

معماری عاملیت‌محور: تقویت هوشمندی زمینه‌محور با AWS

قلب راهکار تقویت شده Windward در معماری چند مرحله‌ای و مبتنی بر هوش مصنوعی آن نهفته است که بر روی AWS مستقر شده است. این سیستم به طور خودکار داده‌های مرتبط را از منابع داخلی و خارجی مختلف واکشی می‌کند و از این اطلاعات برای تولید توضیحات متنی استفاده می‌کند که رویدادهای ناهنجاری دریایی را به طور کامل زمینه‌سازی می‌کند.

این فرآیند زمانی آغاز می‌شود که یک ناهنجاری توسط سیستم تشخیص زودهنگام Windward شناسایی شود. فراداده‌های مرتبط — مانند برچسب زمانی ناهنجاری، مختصات منطقه، نوع ناهنجاری و کلاس کشتی — از پایگاه داده داخلی Windward استخراج می‌شوند.

سپس این فراداده به یک سیستم تحلیل عاملیت‌محور که توسط مدل‌های زبان بزرگ (LLM) در Amazon Bedrock قدرت گرفته است، وارد می‌شود. کل پایپ‌لاین تحلیل ناهنجاری چند مرحله‌ای با استفاده از AWS Step Functions هماهنگ می‌شود و از یک گردش کار قوی و مقیاس‌پذیر اطمینان می‌دهد.

اولین گام در این فرآیند هماهنگ شده، شامل پرس‌وجو از چندین منبع داده خارجی متنوع برای جمع‌آوری اطلاعات پس‌زمینه مرتبط است:

فید خبری بلادرنگ: هشدارها و سیگنال‌های رویداد کشف شده از داده‌های عمومی بر اساس زمان و مکان ناهنجاری دریایی واکشی و فیلتر می‌شوند.
جستجوی هوشمند وب: LLM‌ها پرس‌وجوهای جستجوی دقیق تولید می‌کنند و امکان بازیابی نتایج جستجوی وب به‌روز را فراهم می‌کنند که زمینه بلادرنگ را برای ناهنجاری فراهم می‌آورد.
داده‌های آب‌وهوا: از یک API خارجی برای بازیابی داده‌های آب‌وهوایی حیاتی، شامل دما، سرعت باد و بارش، برای مکان و زمان خاص ناهنجاری استفاده می‌شود.

هر منبع داده با استفاده از یک تابع AWS Lambda جداگانه پرس‌وجو می‌شود. این رویکرد ماژولار کارایی و مقیاس‌پذیری را تضمین می‌کند و امکان ادغام آسان منابع داده جدید را در صورت نیاز فراهم می‌آورد.

خودبازتابی پویا و تنظیم داده‌ها

یک نوآوری اصلی در این راهکار عاملیت‌محور، قابلیت خودبازتابی آن است که به طور پویا نیاز به بازیابی داده‌های اضافی را تعیین می‌کند. پس از جمع‌آوری اولیه داده‌ها از اخبار، جستجوی وب و آب‌وهوا، پایپ‌لاین به مرحله دوم می‌رود. در اینجا، یک LLM جداگانه — که توسط Claude شرکت Anthropic از طریق Amazon Bedrock قدرت گرفته است — آیتم‌های داده بازیابی شده را بررسی می‌کند.

به این LLM دستور داده می‌شود تا تصمیم بگیرد که آیا داده‌های جمع‌آوری شده تاکنون برای توضیح ناهنجاری کافی هستند یا جنبه‌های خاصی مرتبط با رویداد هنوز از دست رفته‌اند. سپس می‌تواند یک پرس‌وجوی جستجوی جدید و دقیق‌تر برای نتایج وب اضافی تولید کند یا به پایپ‌لاین سیگنال دهد که ادامه یابد. این حلقه بازخورد هوشمند، که در شکل ۲ به تصویر کشیده شده است، به سیستم اجازه می‌دهد تا به طور فعال به دنبال زمینه جامع‌تر باشد و آن را به اطلاعات قبلاً جمع‌آوری شده اضافه کند.

نمودار معماری برای بلاگ Windward AWS شکل ۱. معماری راهکار که سرویس‌های AWS و هوش مصنوعی مولد را نشان می‌دهد.

نمودار جریان از طریق خودبازتابی شکل ۲. منطق خودبازتابی در سیستم تحلیل ناهنجاری عاملیت‌محور.

به دنبال این فاز پویای بازیابی و خودبازتابی داده‌ها، سیستم از یک فرآیند فیلترینگ و رتبه‌بندی دو مرحله‌ای برای حذف آیتم‌های خبری نامربوط و اطمینان از بالاترین کیفیت زمینه استفاده می‌کند:

رتبه‌بندی مجدد با Amazon Rerank: یک مدل هوش مصنوعی، Amazon Rerank، مجموعه اولیه آیتم‌های داده را بر اساس مرتبط بودنشان با ناهنجاری مرتب می‌کند. این مرحله برای حفظ بازیابی بالا و کاهش کارآمد مجموعه کاندیداها برای مرحله بعدی حیاتی است.
امتیازدهی دقیق مبتنی بر LLM: سپس هر یک از آیتم‌های برتر رتبه‌بندی شده توسط یک LLM در ابعاد مختلفی از جمله زمان، مکان و نوع کشتی امتیاز داده می‌شوند. سیستم امتیازات مرتبط بودن را بین ۰ تا ۱۰۰ اختصاص می‌دهد و تنها آن دسته از آیتم‌های داده‌ای را که از یک آستانه از پیش تعیین شده فراتر می‌روند، نگه می‌دارد. این امر دقت بالا را تضمین می‌کند و مطمئن می‌شود که تنها مرتبط‌ترین اطلاعات در تحلیل نهایی استفاده می‌شوند.

بینش‌های عملیاتی: گزارش زمینه‌محور

در نهایت، داده‌های با دقت فیلتر شده و رتبه‌بندی شده به یک LLM دیگر منتقل می‌شوند. این LLM تمام اطلاعات جمع‌آوری شده را ترکیب می‌کند تا یک گزارش مختصر و زمینه‌محور درباره ناهنجاری تولید کند. این گزارش علل بالقوه، خطرات و پیامدهای رویداد دریایی شناسایی شده را خلاصه می‌کند. مهم‌تر از همه، این گزارش برای مشتریان Windward نوشته شده و به طور مستقیم به تمام منابع داده‌ای استفاده شده استناد می‌کند، که شفافیت کامل را فراهم می‌آورد و به کاربران اجازه می‌دهد اطلاعات را تأیید کنند و با دنبال کردن پیوندهای ارائه شده، عمیق‌تر شوند.

محصول هوش دریایی شکل ۳. نمونه‌ای از گزارش ناهنجاری تولید شده توسط MAI Expert™ Windward.

این خروجی بار شناختی را بر تحلیل‌گران به شدت کاهش می‌دهد و یک روایت آماده به آن‌ها ارائه می‌دهد که ناهنجاری را در بستر عملیاتی و ژئوپلیتیک گسترده‌تر آن توضیح می‌دهد.

ارزیابی و تأثیر

سیستم کامل به طور دقیق در برابر مجموعه‌ای جامع از ناهنجاری‌های تاریخی دریایی ارزیابی می‌شود. این ارزیابی اغلب شامل رویکرد LLM به عنوان قاضی است که کیفیت، دقت و کامل بودن گزارش‌های زمینه‌ای تولید شده را ارزیابی می‌کند.

پیامدهای این راهکار هوش مصنوعی مولد عاملیت‌محور عمیق است. Windward با خودکارسازی فرآیند طاقت‌فرسای جمع‌آوری و همبسته‌سازی داده‌ها، تحلیل‌گران دریایی را توانمند می‌سازد تا:

افزایش کارایی: زمان صرف شده برای تحقیق را به طور قابل توجهی کاهش داده و منابع انسانی ارزشمند را آزاد کند.
بهبود آگاهی موقعیتی: درک عمیق‌تر و زمینه‌محورتر از ناهنجاری‌ها به دست آورند و از هشدارهای جداگانه به هوشمندی جامع حرکت کنند.
تسریع تصمیم‌گیری: تصمیم‌گیری‌های سریع‌تر و آگاهانه‌تر را امکان‌پذیر سازند، که برای پیش‌بینی تهدیدات و حفاظت از دارایی‌ها در محیط‌های دریایی پویا حیاتی است.
بهینه‌سازی تخصص: به کارشناسان حوزه اجازه دهند تا بر تفسیر استراتژیک و تحلیل سطح بالا تمرکز کنند و از مهارت‌های منحصربه‌فرد خود در جایی که بیشترین اهمیت را دارند، استفاده کنند.

همکاری بین Windward و AWS نمونه‌ای از نحوه استفاده از هوش مصنوعی مولد پیشرفته و زیرساخت ابری برای حل مسائل پیچیده دنیای واقعی، متحول کردن بخش‌های حیاتی مانند هوش دریایی و تعیین استاندارد جدیدی برای تحلیل ناهنجاری‌های زمینه‌محور است.