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.

בינה מלאכותית ימית מבוססת סוכנים: ניתוח חריגות קונטקסטואלי באמצעות בינה מלאכותית גנרטיבית

מהפכה בניתוח חריגות ימיות באמצעות בינה מלאכותית מבוססת סוכנים

העולם העצום והמורכב של הפעילות הימית הגלובלית מציג אתגרים ייחודיים לאבטחה, מודיעין ותפעול מסחרי. זיהוי והבנת התנהגות חריגה של כלי שיט – מתנועות בלתי צפויות ועד סטיות מדפוסים מוכרים – דורשים לעתים קרובות זמן רב, מומחיות עמוקה בתחום וקישור של מקורות נתונים שונים. Windward, מובילה בתחום הבינה המלאכותית הימית (Maritime AI™), סיפקה זה מכבר מודיעין קריטי לפעילות ימית. כעת, בשיתוף פעולה עם AWS, Windward ממנפת בינה מלאכותית גנרטיבית מבוססת סוכנים כדי לשנות תהליך זה, לעבור מהתראות מבודדות למודיעין מקיף וקונטקסטואלי.

שותפות פורצת דרך זו שואפת להעצים אנליסטים ימיים, לצמצם באופן דרסטי את זמני החקירה ולאפשר להם להתמקד בקבלת החלטות בעלות ערך גבוה במקום באיסוף נתונים מייגע. על ידי שילוב מודיעין גיאוספטי עם בינה מלאכותית גנרטיבית מתקדמת, הפתרון החדש של Windward מספק תצוגה של 360°, צופה איומים ומגן על נכסים קריטיים בים במהירות ובדיוק חסרי תקדים.

האתגר: מעומס נתונים לתובנות ניתנות לפעולה

היסטורית, חקירת חריגות ימיות הייתה מאמץ ידני ועתיר זמן. אנליסטים היו מבלים שעות בחיפוש אחר מידע מקוטע, מנסים לחבר נקודות בין זרמי נתונים שונים כדי להבין התנהגות חריגה של כלי שיט. תהליך זה דרש לא רק מאמץ משמעותי אלא גם מומחיות עמוקה בתחום כדי לפרש את הניואנסים של פעילויות ימיות, דפוסי מזג אוויר ואירועים גיאופוליטיים.

מערכת הגילוי המוקדם הקיימת של Windward מזהה בהצלחה דפוסים חשודים, אך המטרה הייתה להאיץ את הדרך מגילוי לקבלת החלטות. כדי לייעל את זרימת העבודה האנליטית ולספק תובנות "מוכנות למשימה" באמת, Windward זיהתה שלושה שיפורים אסטרטגיים מרכזיים שנחוצים:

זרימת עבודה מאוחדת: מזעור הצורך של אנליסטים להתייעץ עם מקורות נתונים חיצוניים, יצירת סביבה אנליטית חלקה וממוקדת.
אופטימיזציה של מומחיות: אוטומציה של איסוף וקישור ראשוני של נתונים קונטקסטואליים (מזג אוויר, חדשות, התראות קשורות), המאפשרת למומחי תחום להקדיש את זמנם היקר לפרשנות אסטרטגית וקבלת החלטות.
כיסוי מקיף: ייעול סינתזת המידע כדי לאפשר חקירה מהירה ומעמיקה יותר של מספר התראות בו-זמנית.

כדי לעמוד ביעדים שאפתניים אלה, Windward שיתפה פעולה עם מרכז החדשנות של AWS לבינה מלאכותית גנרטיבית (AWS Generative AI Innovation Center) לפיתוח MAI Expert™, סוכן הבינה המלאכותית הימית הגנרטיבית הראשון המסוגל לקשר באופן אוטומטי חריגות ימיות מורכבות.

ארכיטקטורה מבוססת סוכנים: מניעה מודיעין קונטקסטואלי עם AWS

הלב של הפתרון המשופר של Windward טמון בארכיטקטורה רבת-השלבים המופעלת על ידי AI, הפרוסה ב-AWS. מערכת זו שולפת אוטומטית נתונים רלוונטיים ממקורות פנימיים וחיצוניים שונים ומשתמשת במידע זה כדי לייצר תיאור טקסטואלי המסביר באופן יסודי אירועי חריגה ימיים.

התהליך מתחיל כאשר חריגה מזוהה על ידי מערכת הגילוי המוקדם של Windward. מטא-נתונים רלוונטיים – כגון חותמת זמן החריגה, קואורדינטות האזור, סוג החריגה וסוג כלי השיט – נחלצים ממסד הנתונים הפנימי של Windward.

מטא-נתונים אלה מוזנים לאחר מכן למערכת ניתוח מבוססת סוכנים המופעלת על ידי מודלי שפה גדולים (LLMs) ב-Amazon Bedrock. כל צינור ניתוח החריגות הרב-שלבי מנוהל באמצעות AWS Step Functions, מה שמבטיח זרימת עבודה חזקה וניתנת להרחבה.

השלב הראשון בתהליך מנוהל זה כרוך בשליחת שאילתות למספר מקורות נתונים חיצוניים ומגוונים כדי לאסוף מידע רקע רלוונטי:

עדכון חדשות בזמן אמת: התראות ואותות אירועים המתגלים מנתונים ציבוריים נשלפים ומסוננים על בסיס הזמן והמיקום של החריגה הימית.
חיפוש חכם באינטרנט: LLMs מייצרים שאילתות חיפוש מדויקות, המאפשרות אחזור תוצאות חיפוש עדכניות באינטרנט המספקות הקשר בזמן אמת לחריגה.
נתוני מזג אוויר: API חיצוני משמש לאחזור נתוני מזג אוויר קריטיים, כולל טמפרטורה, מהירות רוח ומשקעים, עבור המיקום והזמן הספציפיים של החריגה.

כל מקור נתונים נשאל באמצעות פונקציית AWS Lambda נפרדת. גישה מודולרית זו מבטיחה יעילות ויכולת הרחבה, ומאפשרת שילוב קל של מקורות נתונים חדשים לפי הצורך.

רפלקציה עצמית דינמית ואוצרות נתונים

חידוש ליבה בפתרון מבוסס סוכנים זה הוא יכולת הרפלקציה העצמית שלו, הקובעת באופן דינמי את הצורך באחזור נתונים נוספים. לאחר איסוף הנתונים הראשוני מחדשות, חיפוש באינטרנט ומזג אוויר, הצינור עובר לשלב שני. כאן, LLM נפרד – המופעל על ידי Claude של Anthropic באמצעות Amazon Bedrock – בוחן את פריטי הנתונים שנשלפו.

LLM זה מקבל הוראה להחליט אם הנתונים שנאספו עד כה מספיקים כדי להסביר את החריגה או אם עדיין חסרים היבטים מסוימים הקשורים לאירוע. לאחר מכן הוא יכול לייצר שאילתת חיפוש חדשה ומדויקת יותר עבור תוצאות אינטרנט נוספות או לאותת לצינור להמשיך. לולאת משוב חכמה זו, המתוארת באיור 2, מאפשרת למערכת לחפש באופן יזום הקשר מקיף יותר, ולצרף אותו למידע שנאסף בעבר.

Architecture diagram for windward aws blog איור 1. ארכיטקטורת פתרונות המדגימה שירותי AWS ובינה מלאכותית גנרטיבית.

Diagram of flow through self-reflection איור 2. לוגיקת רפלקציה עצמית במערכת ניתוח החריגות מבוססת הסוכנים.

לאחר שלב זה של אחזור נתונים דינמי ורפלקציה עצמית, המערכת משתמשת בתהליך סינון ודירוג דו-שלבי כדי להסיר פריטי חדשות לא רלוונטיים ולהבטיח את ההקשר האיכותי ביותר:

דירוג מחדש עם Amazon Rerank: מודל AI, Amazon Rerank, ממיין את קבוצת פריטי הנתונים הראשונית לפי רלוונטיותם לחריגה. שלב זה חיוני לשמירה על רמת היזכרות (recall) גבוהה, תוך צמצום יעיל של מאגר המועמדים לשלב הבא.
ניקוד דיוק מבוסס LLM: כל אחד מהפריטים המדורגים המובילים מקבל ניקוד נוסף על ידי LLM על פני ממדים מרובים, כולל זמן, מיקום וסוג כלי שיט תואם. המערכת מקצה ציוני רלוונטיות בין 0 ל-100, ושומרת רק על פריטי נתונים העולים על סף שנקבע מראש. זה מבטיח דיוק גבוה, ומוודא שרק המידע הרלוונטי ביותר תורם לניתוח הסופי.

תובנות ניתנות לפעולה: הדוח הקונטקסטואלי

לבסוף, הנתונים המדויקים, המסוננים והמדורגים מועברים ל-LLM אחר. LLM זה מסנתז את כל המודיעין שנאסף כדי לייצר דוח תמציתי ומותאם להקשר על החריגה. הדוח מסכם גורמים אפשריים, סיכונים והשלכות של האירוע הימי שזוהה. באופן קריטי, הוא נכתב עבור לקוחות Windward ומציין באופן ישיר את כל מקורות הנתונים ששימשו, ומספק שקיפות מלאה ומאפשר למשתמשים לאמת מידע ולהעמיק באמצעות קישורים מסופקים.

Maritime intelligence product איור 3. דוגמה לדוח חריגה שנוצר על ידי MAI Expert™ של Windward.

תפוקה זו מפחיתה באופן דרסטי את העומס הקוגניטיבי על אנליסטים, ומציגה להם נרטיב מוכן המסביר את החריגה בהקשרה התפעולי והגיאופוליטי הרחב יותר.

הערכה והשפעה

המערכת מקצה לקצה מוערכת בקפדנות מול קבוצה מקיפה של חריגות ימיות היסטוריות. הערכה זו כוללת לעתים קרובות גישת LLM כשופט, המעריכה את האיכות, הדיוק והשלמות של הדוחות הקונטקסטואליים שנוצרו.

ההשלכות של פתרון בינה מלאכותית גנרטיבית מבוסס סוכנים זה הן עמוקות. על ידי אוטומציה של תהליך מייגע של איסוף וקישור נתונים, Windward מאפשרת לאנליסטים ימיים:

לשפר יעילות: לצמצם באופן משמעותי את הזמן המושקע בחקירה, ולשחרר משאבי אנוש יקרי ערך.
לשפר את מודעות המצב: להשיג הבנה עמוקה וקונטקסטואלית יותר של חריגות, תוך מעבר מעבר להתראות מבודדות למודיעין מקיף.
להאיץ קבלת החלטות: לאפשר קבלת החלטות מהירה ומושכלת יותר, קריטית לחיזוי איומים והגנה על נכסים בסביבות ימיות דינמיות.
לייעל מומחיות: לאפשר למומחי תחום להתמקד בפרשנות אסטרטגית ובניתוח ברמה גבוהה, תוך מינוף כישוריהם הייחודיים במקום שבו הם חשובים ביותר.

שיתוף הפעולה בין Windward ל-AWS מדגים כיצד ניתן לרתום בינה מלאכותית גנרטיבית חדשנית ותשתיות ענן לפתרון בעיות מורכבות בעולם האמיתי, תוך שינוי מגזרים קריטיים כמו מודיעין ימי וקביעת סטנדרט חדש לניתוח חריגות קונטקסטואלי.