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.

Agenttinen merenkulun tekoäly: Kontekstuaalinen poikkeama-analyysi generatiivisen tekoälyn avulla

title: "Agenttinen merenkulun tekoäly: Kontekstuaalinen poikkeama-analyysi generatiivisen tekoälyn avulla" slug: "from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai" date: "2026-04-07" lang: "fi" source: "https://aws.amazon.com/blogs/machine-learning/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai/" category: "Yritysten tekoäly" keywords:

Merenkulun tekoäly
Generatiivinen tekoäly
Poikkeamien havaitseminen
AWS
Amazon Bedrock
Agenttinen tekoäly
Alusten valvonta
Koneoppiminen
Kontekstuaalinen älykkyys
Windward
AWS Step Functions
Tekoälyn automaatio meta_description: "Windward ja AWS hyödyntävät agenttista generatiivista tekoälyä merenkulun poikkeama-analyysin muuntamiseen, tarjoten kontekstuaalista älykkyyttä eristetyistä hälytyksistä, parantaen turvallisuutta ja operatiivista tehokkuutta." image: "/images/articles/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai.png" image_alt: "Arkkitehtuurikaavio, joka näyttää, kuinka AWS-palvelut ja generatiivinen tekoäly mahdollistavat Windwardin agenttisen merenkulun poikkeama-analyysin kontekstuaalisen älykkyyden saavuttamiseksi." quality_score: 94 content_score: 93 seo_score: 95 companies:
AWS schema_type: "NewsArticle" reading_time: 5 faq:
question: "Mikä on Windwardin MAI Expert™ ja miten se hyödyntää generatiivista tekoälyä?" answer: "Windwardin MAI Expert™ on yrityksen uraauurtava generatiivinen tekoälyn merenkulkija-agentti, joka on suunniteltu kontekstualisoimaan merenkulun poikkeamia. Se hyödyntää generatiivista tekoälyä, erityisesti suuria kielimalleja (LLM) Amazon Bedrockissa, automatisoimaan erilaisten tietolähteiden keräämisen, korreloinnin ja synteesin. Tämä mahdollistaa kattavien riskiarvioiden ja yhteenvetojen luomisen epäilyttävistä alustoimista, mikä antaa analyytikoille mahdollisuuden tehdä tietoon perustuvia päätöksiä nopeammin ja tarkemmin, siirtäen heidän huomionsa tiedonkeruusta strategiseen tulkintaan."
question: "Miten agenttinen merenkulun poikkeama-analyysiratkaisu toimii?" answer: "Ratkaisu, joka on kehitetty yhteistyössä AWS:n kanssa, on monikerroksinen tekoälyllä toimiva putki. Se alkaa poikkeamatapahtuman metatiedon poimimisella. Nämä metatiedot laukaisevat sitten agenttisen analyysijärjestelmän, joka hyödyntää LLM:iä Amazon Bedrockissa ja jota orkestroi AWS Step Functions. Järjestelmä kysyy erilaisia ulkoisia tietolähteitä (uutiset, verkkohaku, sää) AWS Lambda -funktioiden kautta. Ratkaiseva itsetarkastelu-vaihe, jota ohjaa LLM, kuten Anthropicin Claude, määrittää, tarvitaanko lisätietoja. Lopuksi, suodatettuja ja priorisoituja tietoja käyttää toinen LLM kontekstualisoidun raportin luomiseen, jossa kaikki lähteet mainitaan."
question: "Mitkä AWS-palvelut ovat keskeisiä Windwardin generatiivisen tekoälyratkaisun kannalta?" answer: "Useat keskeiset AWS-palvelut tukevat Windwardin agenttista merenkulun poikkeama-analyysiratkaisua. Amazon Bedrock isännöi suuria kielimalleja (LLM), mukaan lukien Anthropicin Claude, jotka vastaavat kyselyjen generoinnista, itsetarkastelusta, pisteytyksestä ja raporttien luomisesta. AWS Step Functions orkestroi koko monikerroksisen analyysiputken varmistaen sujuvan työnkulun. AWS Lambda -funktioita käytetään tiedon hakemiseen eri ulkoisista lähteistä. Lisäksi Amazon Rerank auttaa suodattamaan ja priorisoimaan asiaankuuluvia uutisartikkeleita korkean tiedonlaadun ja relevanssin ylläpitämiseksi."
question: "Mitä ensisijaisia haasteita Windward pyrki ratkaisemaan tällä generatiivisen tekoälyn lähestymistavalla?" answer: "Ennen tätä ratkaisua merenkulun analyytikot käyttivät huomattavasti aikaa monimutkaisen datan manuaaliseen keräämiseen ja korrelointiin alusten käyttäytymisen poikkeamien ymmärtämiseksi. Windward pyrki vastaamaan kolmeen keskeiseen strategiseen parannukseen: yhdenmukaisen työnkulun luominen ulkoisten tietokonsultaatioiden minimoimiseksi, asiantuntemuksen optimointi automatisoimalla tiedonkeruu (sää, uutiset, hälytykset), jotta alan asiantuntijat voivat keskittyä strategiseen tulkintaan, ja kattavan kattavuuden tarjoaminen virtaviivaistamalla tiedon synteesiä useiden hälytysten nopeaan, perusteelliseen tutkimiseen samanaikaisesti."
question: "Miten järjestelmä varmistaa haetun tiedon relevanssin tietylle poikkeamalle?" answer: "Ratkaisu käyttää vankkaa kaksivaiheista suodatus- ja priorisointiprosessia tiedon relevanssin varmistamiseksi. Ensinnäkin, tekoälymalli, kuten Amazon Rerank, lajittelee alustavasti haetut uutisartikkelit niiden relevanssin perusteella poikkeamaan nähden, tavoitteenaan säilyttää korkea hakuosuus samalla kun poistetaan erittäin epäolennaiset tiedot. Toiseksi, omistettu LLM pisteyttää jokaisen parhaiten sijoittuneen kohteen useiden ulottuvuuksien, kuten ajan, sijainnin ja alustyypin, mukaan. Vain ne tiedot, joiden relevanssipisteet ovat ennalta määrätyn kynnyksen yläpuolella, säilytetään, mikä varmistaa korkean tarkkuuden ja sen, että lopullisessa raportissa käytetään vain olennaisinta tietoa."

Mullistaa merenkulun poikkeama-analyysin agenttisella tekoälyllä

Maailmanlaajuisen merenkulkutoiminnan laaja ja monimutkainen maailma asettaa ainutlaatuisia haasteita turvallisuudelle, tiedustelulle ja kaupallisille toiminnoille. Epätavallisen alusten käyttäytymisen tunnistaminen ja ymmärtäminen – odottamattomista liikkeistä poikkeamiin tunnetuista kaavoista – vaatii usein valtavasti aikaa, syvällistä alan asiantuntemusta ja erilaisten tietolähteiden korrelointia. Windward, merenkulun tekoälyn™ johtaja, on jo pitkään tarjonnut kriittistä tiedustelutietoa merenkulkutoimintaan. Nyt, yhteistyössä AWS:n kanssa, Windward hyödyntää agenttista generatiivista tekoälyä muuttaakseen tätä prosessia, siirtyen eristetyistä hälytyksistä kattavaan, kontekstuaaliseen tiedustelutietoon.

Tämä uraauurtava kumppanuus pyrkii vahvistamaan merenkulun analyytikoita, vähentämään merkittävästi tutkinta-aikoja ja antaen heidän keskittyä arvokkaaseen päätöksentekoon työlään tiedonkeruun sijaan. Yhdistämällä paikkatietotiedustelun edistyneeseen generatiiviseen tekoälyyn, Windwardin uusi ratkaisu tarjoaa 360° näkymän, ennakoiden uhkia ja suojellen kriittisiä omaisuuksia merellä ennennäkemättömällä nopeudella ja tarkkuudella.

Haaste: Tiedon ylikuormituksesta toiminnallisiin oivalluksiin

Historiallisesti merenkulun poikkeamien tutkiminen oli erittäin manuaalista ja aikaa vievää. Analyytikot käyttivät tunteja sirpaloituneen tiedon seulomiseen, yrittäen yhdistää pisteitä eri tietovirtojen välillä ymmärtääkseen aluksen epätavallisen käyttäytymisen. Tämä prosessi vaati paitsi huomattavaa vaivannäköä myös syvällistä alan asiantuntemusta merenkulkutoimintojen, sääolosuhteiden ja geopoliittisten tapahtumien vivahteiden tulkintaan.

Windwardin olemassa oleva Early Detection -järjestelmä tunnistaa menestyksekkäästi epäilyttävät mallit, mutta tavoitteena oli nopeuttaa matkaa havaitsemisesta päätöksentekoon. Analyyttisen työnkulun optimoimiseksi ja aidosti "tehtävävalmiiden" oivallusten tarjoamiseksi Windward tunnisti kolme keskeistä strategista parannusta, joita tarvittiin:

Yhtenäinen työnkulku: Minimoi analyytikkojen tarve konsultoida ulkoisia tietolähteitä, luoden saumattoman ja keskittyneen analyyttisen ympäristön.
Asiantuntemuksen optimointi: Automatisoi kontekstuaalisen tiedon (sää, uutiset, liittyvät hälytykset) kerääminen ja alustava korrelointi, antaen alan asiantuntijoille mahdollisuuden omistaa arvokas aikansa strategiseen tulkintaan ja päätöksentekoon.
Kattava peitto: Virtaviivaista tiedon synteesiä mahdollistaaksesi useiden hälytysten nopeamman ja syvällisemmän tutkimuksen samanaikaisesti.

Näiden kunnianhimoisten tavoitteiden saavuttamiseksi Windward teki yhteistyötä AWS Generative AI Innovation Centerin kanssa kehittääkseen MAI Expert™ -järjestelmän, ensimmäisen generatiivisen tekoälyn merenkulkija-agentin, joka kykenee automaattisesti kontekstualisoimaan monimutkaisia merenkulun poikkeamia.

Agenttinen arkkitehtuuri: Kontekstuaalisen älykkyyden tehostaminen AWS:n avulla

Windwardin parannetun ratkaisun ytimessä on sen monikerroksinen, tekoälypohjainen arkkitehtuuri, joka on otettu käyttöön AWS:ssä. Tämä järjestelmä hakee automaattisesti asiaankuuluvaa tietoa erilaisista sisäisistä ja ulkoisista lähteistä ja käyttää tätä tietoa luodakseen tekstuaalisen kuvauksen, joka kontekstualisoi perusteellisesti merenkulun poikkeamatapahtumat.

Prosessi alkaa, kun Windwardin Early Detection -järjestelmä tunnistaa poikkeaman. Asiaankuuluvat metatiedot – kuten poikkeaman aikaleima, alueen koordinaatit, poikkeaman tyyppi ja alusluokka – poimitaan Windwardin sisäisestä tietokannasta.

Nämä metatiedot syötetään sitten agenttiseen analyysijärjestelmään, joka toimii suurilla kielimalleilla (LLM) Amazon Bedrockissa. Koko monikerroksinen poikkeama-analyysiputki orkestroidaan AWS Step Functions -palvelun avulla, mikä varmistaa vankan ja skaalautuvan työnkulun.

Ensimmäinen vaihe tässä orkestroidussa prosessissa sisältää useiden, monipuolisten ulkoisten tietolähteiden kyselyn asiaankuuluvien taustatietojen keräämiseksi:

Reaaliaikainen uutisvirta: Julkisista tiedoista löydetyt hälytykset ja tapahtumasignaalit haetaan ja suodatetaan merenkulun poikkeaman ajan ja sijainnin perusteella.
Älykäs verkkohaku: LLM:t luovat tarkkoja hakukyselyitä, mikä mahdollistaa ajantasaisten verkkohakutulosten noutamisen, jotka tarjoavat reaaliaikaisen kontekstin poikkeamalle.
Säätiedot: Ulkoista APIa käytetään kriittisten säätietojen, kuten lämpötilan, tuulen nopeuden ja sademäärän, noutamiseen poikkeaman tiettyyn sijaintiin ja ajankohtaan.

Jokaista tietolähdettä kysytään erillisellä AWS Lambda -funktiolla. Tämä modulaarinen lähestymistapa varmistaa tehokkuuden ja skaalautuvuuden, mahdollistaen uusien tietolähteiden helpon integroinnin tarpeen mukaan.

Dynaaminen itsetarkastelu ja tiedon kuratointi

Tämän agenttisen ratkaisun ydin innovaatio on sen itsetarkastelukyky, joka dynaamisesti määrittää lisätiedon tarpeen. Alkuperäisen tiedonkeruun (uutiset, verkkohaku ja sää) jälkeen putki siirtyy toiseen vaiheeseen. Tässä erillinen LLM – jota tehostaa Anthropicin Claude Amazon Bedrockin kautta – tutkii haetut tiedot.

Tätä LLM:ää ohjeistetaan päättämään, riittääkö tähän mennessä kerätty tieto selittämään poikkeaman vai puuttuuko tiettyjä tapahtumaan liittyviä näkökohtia. Se voi sitten joko luoda uuden, tarkemman hakukyselyn lisäverkkotuloksille tai signaloida putkelle jatkamista. Tämä älykäs palautesilmukka, joka on kuvattu kuvassa 2, antaa järjestelmälle mahdollisuuden hakea ennakoivasti kattavampaa kontekstia ja liittää sen aiemmin kerättyyn tietoon.

Arkkitehtuurikaavio Windward AWS -blogille Kuva 1. Ratkaisun arkkitehtuuri, joka esittelee AWS-palveluita ja generatiivista tekoälyä.

Kaavio itsetarkastelun läpi kulkevasta virrasta Kuva 2. Itsetarkastelun logiikka agenttisessa poikkeama-analyysijärjestelmässä.

Tämän dynaamisen tiedonhaku- ja itsetarkasteluvaiheen jälkeen järjestelmä käyttää kaksivaiheista suodatus- ja priorisointiprosessia poistaakseen epäolennaiset uutisartikkelit ja varmistaakseen korkeimman laadun kontekstin:

Uudelleenjärjestely Amazon Rerankilla: Tekoälymalli, Amazon Rerank, lajittelee alkuperäisen tietojoukon kohteet niiden relevanssin mukaan poikkeamaan nähden. Tämä vaihe on ratkaisevan tärkeä korkean hakuosuuden ylläpitämiseksi, vähentäen tehokkaasti ehdokkaiden joukkoa seuraavaa vaihetta varten.
LLM-pohjainen tarkkuuspisteytys: Kukin parhaiten sijoittuneista kohteista pisteytetään sitten LLM:n toimesta useilla ulottuvuuksilla, mukaan lukien aika, sijainti ja vastaava alustyyppi. Järjestelmä määrittää relevanssipisteet välillä 0–100, säilyttäen vain ne tiedot, jotka ylittävät ennalta määritetyn kynnyksen. Tämä varmistaa korkean tarkkuuden, taaten, että vain olennaisin tieto osallistuu lopulliseen analyysiin.

Toiminnallisia oivalluksia: Kontekstualisoitu raportti

Lopuksi huolellisesti suodatettu ja priorisoitu tieto välitetään toiselle LLM:lle. Tämä LLM syntetisoi kaiken kerätyn tiedustelutiedon luodakseen tiiviin, kontekstualisoidun raportin poikkeamasta. Raportti tiivistää havaitun merenkulkutapahtuman mahdolliset syyt, riskit ja seuraukset. Erityisen tärkeää on, että se on kirjoitettu Windwardin asiakkaille ja se viittaa suoraan kaikkiin käytettyihin tietolähteisiin, tarjoten täyden avoimuuden ja antaen käyttäjille mahdollisuuden tarkistaa tietoja ja syventyä niihin seuraamalla annettuja linkkejä.

Merenkulun tiedustelutuote Kuva 3. Esimerkki generoidusta poikkeamaraportista Windwardin MAI Expert™ -järjestelmästä.

Tämä tulos vähentää merkittävästi analyytikkojen kognitiivista kuormitusta, tarjoten heille valmiin kertomuksen, joka selittää poikkeaman sen laajemmassa operatiivisessa ja geopoliittisessa kontekstissa.

Arviointi ja vaikutus

Päästä päähän -järjestelmä arvioidaan tiukasti kattavan joukon historiallisia merenkulun poikkeamia vastaan. Tämä arviointi sisältää usein LLM-tuomarina -lähestymistavan, jossa arvioidaan generoituijen kontekstuaalisten raporttien laatua, tarkkuutta ja täydellisyyttä.

Tämän agenttisen generatiivisen tekoälyratkaisun seuraukset ovat syvälliset. Automatisoimalla työlään tiedonkeruun ja korreloinnin Windward antaa merenkulun analyytikoille mahdollisuuden:

Paranna tehokkuutta: Vähennä merkittävästi tutkintaan käytettyä aikaa, vapauttaen arvokkaita henkilöresursseja.
Paranna tilannetietoisuutta: Saavuta syvempi, kontekstuaalisempi ymmärrys poikkeamista, siirtyen eristetyistä hälytyksistä kattavaan tiedustelutietoon.
Nopeuta päätöksentekoa: Mahdollista nopeammat ja tietoon perustuvat päätökset, jotka ovat kriittisiä uhkien ennakoimiseksi ja omaisuuden suojelemiseksi dynaamisissa merenkulun ympäristöissä.
Optimoi asiantuntemus: Anna alan asiantuntijoiden keskittyä strategiseen tulkintaan ja korkean tason analyysiin, hyödyntäen heidän ainutlaatuisia taitojaan siellä, missä niillä on eniten merkitystä.

Windwardin ja AWS:n yhteistyö on esimerkki siitä, kuinka huippuluokan generatiivista tekoälyä ja pilvi-infrastruktuuria voidaan hyödyntää monimutkaisten reaalimaailman ongelmien ratkaisemiseen, muuttaen kriittisiä aloja, kuten merenkulun tiedustelua, ja asettaen uuden standardin kontekstuaaliselle poikkeama-analyysille.