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.

Agentna pomorska umjetna inteligencija: Kontekstualna analiza anomalija s generativnom umjetnom inteligencijom

Revolucioniranje analize pomorskih anomalija s agentnom umjetnom inteligencijom

Prostrani, složeni svijet globalnih pomorskih aktivnosti predstavlja jedinstvene izazove za sigurnost, obavještajne službe i komercijalne operacije. Identificiranje i razumijevanje neobičnog ponašanja plovila – od neočekivanih kretanja do odstupanja od poznatih obrazaca – često zahtijeva golemo vrijeme, duboko stručno znanje i korelaciju različitih izvora podataka. Windward, lider u pomorskoj umjetnoj inteligenciji (Maritime AI™), dugo je pružao ključne obavještajne podatke za pomorske operacije. Sada, u suradnji s AWS-om, Windward koristi agentnu generativnu umjetnu inteligenciju za transformaciju tog procesa, prelazeći s izoliranih upozorenja na sveobuhvatnu, kontekstualnu inteligenciju.

Ovo revolucionarno partnerstvo ima za cilj osnažiti pomorske analitičare, drastično smanjujući vrijeme istrage i omogućujući im da se usredotoče na donošenje odluka visoke vrijednosti, umjesto na mukotrpno prikupljanje podataka. Spajanjem geospacijalne inteligencije s naprednom generativnom umjetnom inteligencijom, Windwardovo novo rješenje pruža pogled od 360°, predviđajući prijetnje i štiteći kritičnu imovinu na moru s neviđenom brzinom i preciznošću.

Izazov: Od preopterećenja podacima do upotrebljivih uvida

Povijesno gledano, istraga pomorskih anomalija bila je vrlo ručni i vremenski intenzivan pothvat. Analitičari bi provodili sate pretražujući fragmentirane informacije, pokušavajući povezati točke između različitih tokova podataka kako bi razumjeli anomalno ponašanje plovila. Ovaj proces zahtijevao je ne samo značajan napor, već i duboko stručno znanje za tumačenje nijansi pomorskih aktivnosti, vremenskih obrazaca i geopolitičkih događaja.

Windwardov postojeći sustav ranog otkrivanja uspješno identificira sumnjive obrasce, ali cilj je bio ubrzati put od otkrivanja do donošenja odluka. Kako bi optimizirao analitički tijek rada i pružio istinski 'spremne za misiju' uvide, Windward je identificirao tri ključna strateška poboljšanja koja su potrebna:

Jedinstven tijek rada: Minimizirati potrebu analitičara za konzultacijama s vanjskim izvorima podataka, stvarajući besprijekorno i fokusirano analitičko okruženje.
Optimizacija stručnosti: Automatizirati prikupljanje i početnu korelaciju kontekstualnih podataka (vrijeme, vijesti, povezana upozorenja), omogućujući stručnjacima za domenu da svoje dragocjeno vrijeme posvete strateškom tumačenju i donošenju odluka.
Sveobuhvatna pokrivenost: Pojednostaviti sintezu informacija kako bi se omogućila brža i dubinska istraga više upozorenja istovremeno.

Kako bi ostvario te ambiciozne ciljeve, Windward se udružio s AWS Generative AI Innovation Centrom kako bi razvio MAI Expert™, prvog generativnog AI pomorskog agenta sposobnog za automatsko kontekstualiziranje složenih pomorskih anomalija.

Agentna arhitektura: Osnaživanje kontekstualne inteligencije s AWS-om

Srž Windwardovog poboljšanog rješenja leži u njegovoj višestupanjskoj, AI pogonjenoj arhitekturi, implementiranoj na AWS-u. Ovaj sustav automatski dohvaća relevantne podatke iz različitih internih i vanjskih izvora i koristi te informacije za generiranje tekstualnog opisa koji temeljito kontekstualizira događaje pomorskih anomalija.

Proces započinje kada Windwardov sustav ranog otkrivanja identificira anomaliju. Relevantni metapodaci – poput vremenske oznake anomalije, koordinata regije, tipa anomalije i klase plovila – izvlače se iz Windwardove interne baze podataka.

Ti se metapodaci zatim unose u agentni analitički sustav pogonjen velikim jezičnim modelima (LLM) na Amazon Bedrocku. Cijeli višestupanjski sustav analize anomalija orkestriran je pomoću AWS Step Functions, osiguravajući robustan i skalabilan tijek rada.

Prvi korak u ovom orkestriranom procesu uključuje pretraživanje više, raznolikih vanjskih izvora podataka za prikupljanje relevantnih pozadinskih informacija:

Vijesti u stvarnom vremenu: Upozorenja i signali događaja otkriveni iz javnih podataka dohvaćaju se i filtriraju na temelju vremena i lokacije pomorske anomalije.
Inteligentno pretraživanje weba: LLM-ovi generiraju precizne upite za pretraživanje, omogućujući dohvaćanje ažurnih rezultata pretraživanja weba koji pružaju kontekst anomalije u stvarnom vremenu.
Podaci o vremenu: Vanjski API koristi se za dohvaćanje kritičnih vremenskih podataka, uključujući temperaturu, brzinu vjetra i oborine, za specifičnu lokaciju i vrijeme anomalije.

Svaki izvor podataka pretražuje se pomoću zasebne AWS Lambda funkcije. Ovaj modularni pristup osigurava učinkovitost i skalabilnost, omogućujući jednostavnu integraciju novih izvora podataka prema potrebi.

Dinamička samorefleksija i kuriranje podataka

Ključna inovacija u ovom agentnom rješenju je njegova sposobnost samorefleksije, koja dinamički određuje potrebu za dodatnim dohvaćanjem podataka. Nakon početnog prikupljanja podataka iz vijesti, pretraživanja weba i vremena, sustav prelazi na drugi korak. Ovdje, zaseban LLM – pogonjen Anthropicovim Claudeom putem Amazon Bedrocka – ispituje dohvaćene stavke podataka.

Ovaj LLM je upućen da odluči jesu li dosad prikupljeni podaci dovoljni za objašnjenje anomalije ili ako određeni aspekti vezani uz događaj još uvijek nedostaju. Zatim može generirati novi, precizniji upit za pretraživanje za dodatne web rezultate ili signalizirati sustavu da nastavi. Ova inteligentna povratna petlja, prikazana na Slici 2, omogućuje sustavu da proaktivno traži sveobuhvatniji kontekst, dodajući ga prethodno prikupljenim informacijama.

Architecture diagram for windward aws blog Slika 1. Arhitektura rješenja koja prikazuje AWS usluge i generativnu umjetnu inteligenciju.

Diagram of flow through self-reflection Slika 2. Logika samorefleksije u agentnom sustavu analize anomalija.

Nakon ove faze dinamičkog dohvaćanja podataka i samorefleksije, sustav koristi dvostupanjski proces filtriranja i rangiranja kako bi uklonio nerelevantne vijesti i osigurao kontekst najviše kvalitete:

Ponovno rangiranje s Amazon Rerankom: AI model, Amazon Rerank, sortira početni skup podataka prema njihovoj relevantnosti za anomaliju. Ovaj korak je ključan za održavanje visokog 'recalla', učinkovito smanjujući bazen kandidata za sljedeću fazu.
Bodovanje preciznosti temeljeno na LLM-u: Svaka od najbolje rangiranih stavki zatim se dodatno ocjenjuje od strane LLM-a kroz više dimenzija, uključujući vrijeme, lokaciju i podudaranje tipa plovila. Sustav dodjeljuje ocjene relevantnosti između 0 i 100, zadržavajući samo one podatke koji prelaze unaprijed definirani prag. To osigurava visoku preciznost, jamčeći da samo najrelevantnije informacije doprinose konačnoj analizi.

Upotrebljivi uvidi: Kontekstualizirano izvješće

Konačno, pomno filtrirani i rangirani podaci prosljeđuju se drugom LLM-u. Ovaj LLM sintetizira sve prikupljene obavještajne podatke kako bi generirao sažeto, kontekstualizirano izvješće o anomaliji. Izvješće sažima potencijalne uzroke, rizike i implikacije detektiranog pomorskog događaja. Ključno je da je napisano za Windwardove klijente i izravno navodi sve korištene izvore podataka, pružajući potpunu transparentnost i omogućujući korisnicima da provjere informacije i dublje istraže prateći priložene poveznice.

Maritime intelligence product Slika 3. Primjer generiranog izvješća o anomaliji iz Windwardovog MAI Experta™.

Ovaj izlaz drastično smanjuje kognitivno opterećenje analitičara, pružajući im gotov narativ koji objašnjava anomaliju unutar šireg operativnog i geopolitičkog konteksta.

Evaluacija i utjecaj

Cjelokupni sustav rigorozno se ocjenjuje u odnosu na sveobuhvatan skup povijesnih pomorskih anomalija. Ova evaluacija često uključuje pristup 'LLM kao sudac', procjenjujući kvalitetu, točnost i potpunost generiranih kontekstualnih izvješća.

Implikacije ovog agentnog rješenja generativne umjetne inteligencije su dalekosežne. Automatizacijom mukotrpnog procesa prikupljanja i korelacije podataka, Windward osnažuje pomorske analitičare da:

Povećaju učinkovitost: Značajno smanje vrijeme provedeno na istrazi, oslobađajući dragocjene ljudske resurse.
Poboljšaju svijest o situaciji: Ostvare dublje, kontekstualnije razumijevanje anomalija, prelazeći s izoliranih upozorenja na sveobuhvatnu inteligenciju.
Ubrzaju donošenje odluka: Omoguće brže i informiranije odluke, ključne za predviđanje prijetnji i zaštitu imovine u dinamičnim pomorskim okruženjima.
Optimiziraju stručnost: Omoguće stručnjacima za domenu da se usredotoče na strateško tumačenje i analizu visoke razine, koristeći svoje jedinstvene vještine tamo gdje su najvažnije.

Suradnja između Windwarda i AWS-a pokazuje kako se najmodernija generativna umjetna inteligencija i cloud infrastruktura mogu iskoristiti za rješavanje složenih problema iz stvarnog svijeta, transformirajući kritične sektore poput pomorske obavještajne djelatnosti i postavljajući novi standard za kontekstualnu analizu anomalija.