Agentic na AI sa Maritima: Pagsusuri ng Anomalyang Ayon sa Konteksto Gamit ang Generative AI

Binabago ang Pagsusuri ng Anomaliya sa Maritima gamit ang Agentic AI

Ang malawak at masalimuot na mundo ng pandaigdigang aktibidad sa maritime ay nagdudulot ng mga natatanging hamon para sa seguridad, intelihensya, at komersyal na operasyon. Ang pagtukoy at pag-unawa sa hindi pangkaraniwang pag-uugali ng barko – mula sa hindi inaasahang paggalaw hanggang sa paglihis mula sa mga kilalang pattern – ay madalas na nangangailangan ng napakaraming oras, malalim na kadalubhasaan sa larangan, at ang ugnayan ng iba't ibang pinagmulan ng data. Ang Windward, isang nangunguna sa Maritime AI™, ay matagal nang nagbibigay ng kritikal na intelihensya para sa mga operasyon sa dagat. Ngayon, sa pakikipagtulungan sa AWS, ginagamit ng Windward ang agentic generative AI upang baguhin ang prosesong ito, lumipat mula sa mga nakahiwalay na alerto patungo sa komprehensibo at batay sa kontekstong intelihensya.

Ang makasaysayang pagtutulungan na ito ay naglalayong bigyang-kapangyarihan ang mga analyst ng maritime, lubhang binabawasan ang oras ng pagsisiyasat at nagbibigay-daan sa kanila na tumuon sa mahahalagang paggawa ng desisyon sa halip na matrabahong koleksyon ng data. Sa pamamagitan ng pagsasanib ng geospatial intelligence sa advanced generative AI, ang bagong solusyon ng Windward ay nagbibigay ng 360° na pananaw, na naghihintay sa mga banta at nagpoprotekta sa mahahalagang ari-arian sa dagat na may walang kaparis na bilis at katumpakan.

Ang Hamon: Mula sa Labis na Dami ng Data Tungo sa Kapaki-pakinabang na Impormasyon

Sa kasaysayan, ang pagsisiyasat sa anomalya sa maritime ay isang lubhang manual at matagal na gawain. Ang mga analyst ay gumugugol ng oras sa pagsusuri ng mga pira-pirasong impormasyon, sinusubukang ikonekta ang mga punto sa pagitan ng iba't ibang daloy ng data upang maunawaan ang anomalya sa pag-uugali ng isang barko. Ang prosesong ito ay nangangailangan hindi lamang ng malaking pagsisikap kundi pati na rin ng malalim na kadalubhasaan sa larangan upang bigyang-kahulugan ang mga nuances ng mga aktibidad sa maritime, mga pattern ng panahon, at mga kaganapan sa geopolitical.

Matagumpay na natukoy ng kasalukuyang sistema ng Early Detection ng Windward ang mga kahina-hinalang pattern, ngunit ang layunin ay pabilisin ang daan mula sa pagtuklas hanggang sa paggawa ng desisyon. Upang ma-optimize ang analytical workflow at magbigay ng tunay na "handa sa misyon" na impormasyon, tinukoy ng Windward ang tatlong pangunahing estratehikong pagpapabuti na kailangan:

• Pinag-isang Daloy ng Trabaho (Unified Workflow): Bawasan ang pangangailangan para sa mga analyst na kumonsulta sa mga panlabas na pinagmulan ng data, na lumilikha ng isang tuloy-tuloy at nakatuong analytical na kapaligiran.
• Pag-optimize ng Kadalubhasaan: I-automate ang koleksyon at paunang ugnayan ng kontekstwal na data (panahon, balita, kaugnay na alerto), na nagpapahintulot sa mga eksperto sa larangan na ilaan ang kanilang mahalagang oras sa estratehikong interpretasyon at paggawa ng desisyon.
• Komprehensibong Saklaw: I-streamline ang synthesis ng impormasyon upang paganahin ang mas mabilis at mas malalim na pagsisiyasat ng maraming alerto nang sabay-sabay.

Upang matugunan ang mga ambisyosong layunin na ito, nakipagtulungan ang Windward sa AWS Generative AI Innovation Center upang bumuo ng MAI Expert™, ang unang generative AI maritime agent na may kakayahang awtomatikong magbigay ng konteksto sa mga kumplikadong anomalya sa maritime.

Arkitekturang Agentic: Nagpapagana sa Intelihensiyang Batay sa Konteksto gamit ang AWS

Ang puso ng pinahusay na solusyon ng Windward ay nakasalalay sa multi-step, pinapagana ng AI na arkitektura nito, na naka-deploy sa AWS. Awtomatikong kinukuha ng sistemang ito ang nauugnay na data mula sa iba't ibang panloob at panlabas na pinagmulan at ginagamit ang impormasyong ito upang bumuo ng isang paglalarawan ng teksto na lubusang nagbibigay ng konteksto sa mga kaganapan ng anomalya sa maritime.

Nagsisimula ang proseso kapag ang isang anomalya ay natukoy ng Windward Early Detection system. Ang nauugnay na metadata—tulad ng timestamp ng anomalya, koordinasyon ng rehiyon, uri ng anomalya, at klase ng barko—ay kinukuha mula sa internal na database ng Windward.

Ang metadata na ito ay pagkatapos ay inilalagay sa isang sistema ng pagsusuring agentic na pinapagana ng malalaking modelo ng wika (LLMs) sa Amazon Bedrock. Ang buong multi-step na pipeline ng pagsusuri ng anomalya ay ino-orchestrate gamit ang AWS Step Functions, na tinitiyak ang isang matibay at nasusukat na daloy ng trabaho.

Ang unang hakbang sa ino-orchestrate na prosesong ito ay nagsasangkot ng pagtatanong sa maraming, magkakaibang panlabas na pinagmulan ng data upang makalikom ng nauugnay na impormasyon sa background:

• Real-time na Balita (News Feed): Ang mga alerto at signal ng kaganapan na natuklasan mula sa pampublikong data ay kinukuha at sinasala batay sa oras at lokasyon ng anomalya sa maritime.
• Matalinong Paghahanap sa Web: Ang mga LLM ay bumubuo ng tumpak na mga query sa paghahanap, na nagpapagana sa pagkuha ng up-to-date na mga resulta ng paghahanap sa web na nagbibigay ng real-time na konteksto para sa anomalya.
• Data ng Panahon: Isang panlabas na API ang ginagamit upang kumuha ng kritikal na data ng panahon, kabilang ang temperatura, bilis ng hangin, at pag-ulan, para sa partikular na lokasyon at oras ng anomalya.

Ang bawat pinagmulan ng data ay sinisiyasat gamit ang isang hiwalay na AWS Lambda function. Tinitiyak ng modular na pamamaraang ito ang kahusayan at scalability, na nagpapahintulot sa madaling pagsasama ng mga bagong pinagmulan ng data kung kinakailangan.

Dinamikong Pagmuni-muni sa Sarili at Paglilinis ng Data

Ang pangunahing inobasyon sa agentic solution na ito ay ang kakayahan nitong magmuni-muni sa sarili (self-reflection), na dinamikong tumutukoy sa pangangailangan para sa karagdagang pagkuha ng data. Matapos ang paunang koleksyon ng data mula sa balita, web search, at panahon, lumilipat ang pipeline sa ikalawang hakbang. Dito, sinisiyasat ng isang hiwalay na LLM—na pinapagana ng Claude ng Anthropic sa pamamagitan ng Amazon Bedrock—ang mga nakuhang item ng data.

Ang LLM na ito ay inutusan na magpasya kung ang data na nakolekta hanggang ngayon ay sapat na upang ipaliwanag ang anomalya o kung mayroon pa ring nawawalang ilang aspeto na nauugnay sa kaganapan. Maaari itong bumuo ng isang bagong, mas pinong query sa paghahanap para sa karagdagang mga resulta sa web o magsenyas sa pipeline upang magpatuloy. Ang matalinong feedback loop na ito, na ipinapakita sa Figure 2, ay nagbibigay-daan sa system na aktibong maghanap ng mas komprehensibong konteksto, idinidikit ito sa mga impormasyong nakalap na dati.

Figure 1. Arkitektura ng solusyon na nagpapakita ng mga serbisyo ng AWS at generative AI.

Figure 2. Lohika ng pagmuni-muni sa sarili sa agentic anomaly analysis system.

Kasunod ng dinamikong pagkuha ng data at yugto ng pagmuni-muni sa sarili, gumagamit ang sistema ng dalawang yugto ng proseso ng pag-filter at pagraranggo upang alisin ang mga hindi nauugnay na balita at matiyak ang pinakamataas na kalidad ng konteksto:

1. Pag-re-rank gamit ang Amazon Rerank: Isang modelo ng AI, ang Amazon Rerank, ang nag-aayos ng paunang hanay ng mga item ng data ayon sa kanilang kaugnayan sa anomalya. Ang hakbang na ito ay mahalaga para sa pagpapanatili ng mataas na recall, epektibong binabawasan ang dami ng mga kandidato para sa susunod na yugto.
2. Pagmamarka ng Katumpakan Batay sa LLM: Ang bawat isa sa mga nangungunang item ay karagdagang minarkahan ng isang LLM sa maraming dimensyon, kabilang ang oras, lokasyon, at uri ng barko na tumutugma. Ang sistema ay nagtatalaga ng mga marka ng kaugnayan sa pagitan ng 0 at 100, pinapanatili lamang ang mga item ng data na lumampas sa isang paunang natukoy na threshold. Tinitiyak nito ang mataas na katumpakan, na ginagarantiya na ang pinaka-angkop na impormasyon lamang ang nag-aambag sa huling pagsusuri.

Kapaki-pakinabang na Impormasyon: Ang Ulat na Batay sa Konteksto

Sa huli, ang maingat na na-filter at naranggo na data ay ipinapasa sa isa pang LLM. Ang LLM na ito ay nagsasama-sama ng lahat ng nakalap na intelihensya upang bumuo ng isang maikli, batay sa kontekstong ulat sa anomalya. Buod ng ulat ang mga posibleng sanhi, panganib, at implikasyon ng natukoy na kaganapan sa maritime. Mahalaga, ito ay isinulat para sa mga customer ng Windward at direktang binabanggit ang lahat ng ginamit na pinagmulan ng data, nagbibigay ng buong transparency at nagpapahintulot sa mga user na i-verify ang impormasyon at suriin nang mas malalim sa pamamagitan ng pagsunod sa mga ibinigay na link.

Figure 3. Halimbawa ng nabuong ulat ng anomalya mula sa MAI Expert™ ng Windward.

Ang output na ito ay lubos na nagpapababa ng cognitive load sa mga analyst, na nagbibigay sa kanila ng isang handa nang salaysay na nagpapaliwanag ng anomalya sa loob ng mas malawak na konteksto ng operasyon at geopolitical.

Pagtatasa at Epekto

Ang end-to-end system ay mahigpit na sinusuri laban sa isang komprehensibong hanay ng mga makasaysayang anomalya sa maritime. Ang pagtatasa na ito ay madalas na nagsasangkot ng isang LLM-as-a-judge na pamamaraan, sinusuri ang kalidad, katumpakan, at pagkumpleto ng mga nabuong ulat na batay sa konteksto.

Ang mga implikasyon ng agentic generative AI solution na ito ay malalim. Sa pamamagitan ng pag-automate ng matrabahong proseso ng pagkolekta at ugnayan ng data, binibigyang-kapangyarihan ng Windward ang mga analyst ng maritime upang:

• Pahusayin ang Kahusayan: Malaki ang pagbaba ng oras na ginugol sa pagsisiyasat, nagpapalaya ng mahalagang human resources.
• Pagandahin ang Situational Awareness: Magkaroon ng mas malalim, mas batay sa kontekstong pag-unawa sa mga anomalya, lumipat mula sa mga nakahiwalay na alerto patungo sa komprehensibong intelihensya.
• Pabilisin ang Paggawa ng Desisyon: Paganahin ang mas mabilis at mas may kaalamang paggawa ng desisyon, mahalaga para sa pag-asam ng mga banta at pagprotekta sa mga ari-arian sa dinamikong kapaligiran sa maritime.
• I-optimize ang Kadalubhasaan: Payagan ang mga eksperto sa larangan na tumuon sa estratehikong interpretasyon at mataas na antas ng pagsusuri, ginagamit ang kanilang natatanging kasanayan kung saan ito pinakamahalaga.

Ang pagtutulungan sa pagitan ng Windward at AWS ay nagpapakita kung paano maaaring gamitin ang cutting-edge generative AI at cloud infrastructure upang lutasin ang mga kumplikadong problema sa totoong mundo, binabago ang mga kritikal na sektor tulad ng intelihensya sa maritime at nagtatakda ng isang bagong pamantayan para sa contextual anomaly analysis.