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.

AI Maritim Agenik: Analisis Anomali Kontekstual dengan AI Generatif

Merevolusi Analisis Anomali Maritim dengan AI Agenik

Dunia aktivitas maritim global yang luas dan rumit menyajikan tantangan unik untuk operasi keamanan, intelijen, dan komersial. Mengidentifikasi dan memahami perilaku kapal yang tidak biasa – mulai dari pergerakan tak terduga hingga penyimpangan dari pola yang diketahui – seringkali membutuhkan waktu yang sangat banyak, keahlian domain yang mendalam, dan korelasi berbagai sumber data yang berbeda. Windward, pemimpin dalam Maritime AI™, telah lama menyediakan intelijen penting untuk operasi maritim. Sekarang, bekerja sama dengan AWS, Windward memanfaatkan AI generatif agenik untuk mengubah proses ini, beralih dari peringatan terisolasi ke intelijen kontekstual yang komprehensif.

Kemitraan inovatif ini bertujuan untuk memberdayakan analis maritim, secara drastis mengurangi waktu investigasi dan memungkinkan mereka untuk fokus pada pengambilan keputusan bernilai tinggi daripada pengumpulan data yang melelahkan. Dengan memadukan intelijen geospasial dengan AI generatif canggih, solusi baru Windward menyediakan tampilan 360°, mengantisipasi ancaman dan melindungi aset-aset penting di laut dengan kecepatan dan presisi yang belum pernah terjadi sebelumnya.

Tantangan: Dari Kelebihan Data menjadi Wawasan yang Dapat Ditindaklanjuti

Secara historis, investigasi anomali maritim adalah upaya yang sangat manual dan memakan waktu. Analis akan menghabiskan berjam-jam menyaring informasi yang terfragmentasi, mencoba menghubungkan titik-titik antara berbagai aliran data untuk memahami perilaku anomali kapal. Proses ini tidak hanya menuntut upaya yang signifikan tetapi juga keahlian domain yang mendalam untuk menafsirkan nuansa aktivitas maritim, pola cuaca, dan peristiwa geopolitik.

Sistem Deteksi Dini Windward yang ada berhasil mengidentifikasi pola mencurigakan, tetapi tujuannya adalah untuk mempercepat jalur dari deteksi ke pengambilan keputusan. Untuk mengoptimalkan alur kerja analitis dan menyediakan wawasan yang benar-benar 'siap misi', Windward mengidentifikasi tiga peningkatan strategis utama yang diperlukan:

Alur Kerja Terpadu: Meminimalkan kebutuhan analis untuk berkonsultasi dengan sumber data eksternal, menciptakan lingkungan analitis yang mulus dan terfokus.
Optimalisasi Keahlian: Mengotomatiskan pengumpulan dan korelasi awal data kontekstual (cuaca, berita, peringatan terkait), memungkinkan pakar domain mendedikasikan waktu berharga mereka untuk interpretasi strategis dan pengambilan keputusan.
Cakupan Komprehensif: Menyederhanakan sintesis informasi untuk memungkinkan investigasi yang lebih cepat dan mendalam terhadap beberapa peringatan secara bersamaan.

Untuk mengatasi tujuan ambisius ini, Windward bermitra dengan AWS Generative AI Innovation Center untuk mengembangkan MAI Expert™, agen maritim AI generatif pertama yang mampu mengontekstualisasikan anomali maritim kompleks secara otomatis.

Arsitektur Agenik: Memberdayakan Intelijen Kontekstual dengan AWS

Inti dari solusi Windward yang ditingkatkan terletak pada arsitektur multi-langkah berbasis AI-nya, yang diterapkan di AWS. Sistem ini secara otomatis mengambil data yang relevan dari berbagai sumber internal dan eksternal dan menggunakan informasi ini untuk menghasilkan deskripsi tekstual yang mengontekstualisasikan peristiwa anomali maritim secara menyeluruh.

Proses dimulai ketika anomali diidentifikasi oleh sistem Deteksi Dini Windward. Metadata yang relevan—seperti stempel waktu anomali, koordinat wilayah, jenis anomali, dan kelas kapal—diekstraksi dari basis data internal Windward.

Metadata ini kemudian dimasukkan ke dalam sistem analisis agenik yang didukung oleh model bahasa besar (LLM) di Amazon Bedrock. Seluruh alur kerja analisis anomali multi-langkah diorkestrasi menggunakan AWS Step Functions, memastikan alur kerja yang tangguh dan skalabel.

Langkah pertama dalam proses terorkestrasi ini melibatkan kueri beberapa sumber data eksternal yang beragam untuk mengumpulkan informasi latar belakang yang relevan:

Umpan Berita Real-time: Peringatan dan sinyal peristiwa yang ditemukan dari data publik diambil dan disaring berdasarkan waktu dan lokasi anomali maritim.
Pencarian Web Cerdas: LLM menghasilkan kueri pencarian yang tepat, memungkinkan pengambilan hasil pencarian web terkini yang memberikan konteks real-time untuk anomali.
Data Cuaca: API eksternal dimanfaatkan untuk mengambil data cuaca penting, termasuk suhu, kecepatan angin, dan curah hujan, untuk lokasi dan waktu anomali tertentu.

Setiap sumber data dikueri menggunakan fungsi AWS Lambda terpisah. Pendekatan modular ini memastikan efisiensi dan skalabilitas, memungkinkan integrasi mudah sumber data baru sesuai kebutuhan.

Refleksi Diri Dinamis dan Kurasi Data

Inovasi inti dalam solusi agenik ini adalah kemampuan refleksi dirinya, yang secara dinamis menentukan kebutuhan pengambilan data tambahan. Setelah pengumpulan data awal dari berita, pencarian web, dan cuaca, alur kerja beralih ke langkah kedua. Di sini, LLM terpisah—yang didukung oleh Claude dari Anthropic melalui Amazon Bedrock—memeriksa item data yang diambil.

LLM ini diinstruksikan untuk memutuskan apakah data yang dikumpulkan sejauh ini cukup untuk menjelaskan anomali atau apakah aspek-aspek tertentu yang terkait dengan peristiwa tersebut masih hilang. Kemudian dapat menghasilkan kueri pencarian baru yang lebih halus untuk hasil web tambahan atau memberi sinyal kepada alur kerja untuk melanjutkan. Lingkaran umpan balik cerdas ini, yang digambarkan dalam Gambar 2, memungkinkan sistem untuk secara proaktif mencari konteks yang lebih komprehensif, menambahkannya ke informasi yang telah dikumpulkan sebelumnya.

Architecture diagram for windward aws blog Gambar 1. Arsitektur solusi yang menunjukkan layanan AWS dan AI generatif.

Diagram of flow through self-reflection Gambar 2. Logika refleksi diri dalam sistem analisis anomali agenik.

Setelah fase pengambilan data dinamis dan refleksi diri ini, sistem menggunakan proses penyaringan dan pemeringkatan dua tahap untuk menghapus item berita yang tidak relevan dan memastikan konteks dengan kualitas tertinggi:

Pemeringkatan Ulang dengan Amazon Rerank: Model AI, Amazon Rerank, mengurutkan kumpulan item data awal berdasarkan relevansinya dengan anomali. Langkah ini sangat penting untuk mempertahankan 'recall' yang tinggi, secara efisien mengurangi kumpulan kandidat untuk tahap selanjutnya.
Penilaian Presisi Berbasis LLM: Setiap item yang memiliki peringkat teratas kemudian dinilai lebih lanjut oleh LLM di berbagai dimensi, termasuk waktu, lokasi, dan jenis kapal yang cocok. Sistem menetapkan skor relevansi antara 0 dan 100, hanya mempertahankan item data yang melebihi ambang batas yang ditentukan sebelumnya. Ini memastikan presisi tinggi, menjamin bahwa hanya informasi yang paling relevan yang berkontribusi pada analisis akhir.

Wawasan yang Dapat Ditindaklanjuti: Laporan Kontekstual

Akhirnya, data yang telah disaring dan diberi peringkat dengan cermat diteruskan ke LLM lain. LLM ini mensintesis semua intelijen yang terkumpul untuk menghasilkan laporan yang ringkas dan kontekstual mengenai anomali. Laporan tersebut merangkum potensi penyebab, risiko, dan implikasi dari peristiwa maritim yang terdeteksi. Yang terpenting, laporan ini ditulis untuk pelanggan Windward dan secara langsung mengutip semua sumber data yang digunakan, memberikan transparansi penuh dan memungkinkan pengguna untuk memverifikasi informasi serta mendalami lebih jauh dengan mengikuti tautan yang disediakan.

Maritime intelligence product Gambar 3. Contoh laporan anomali yang dihasilkan dari MAI Expert™ Windward.

Output ini secara drastis mengurangi beban kognitif analis, menyajikan narasi siap pakai yang menjelaskan anomali dalam konteks operasional dan geopolitiknya yang lebih luas.

Evaluasi dan Dampak

Sistem end-to-end dievaluasi secara ketat terhadap serangkaian komprehensif anomali maritim historis. Evaluasi ini sering melibatkan pendekatan LLM sebagai hakim ('LLM-as-a-judge'), menilai kualitas, akurasi, dan kelengkapan laporan kontekstual yang dihasilkan.

Implikasi dari solusi AI generatif agenik ini sangat mendalam. Dengan mengotomatiskan proses pengumpulan dan korelasi data yang melelahkan, Windward memberdayakan analis maritim untuk:

Meningkatkan Efisiensi: Mengurangi secara signifikan waktu yang dihabiskan untuk investigasi, membebaskan sumber daya manusia yang berharga.
Meningkatkan Kesadaran Situasi: Memperoleh pemahaman yang lebih dalam dan lebih kontekstual tentang anomali, bergerak melampaui peringatan terisolasi ke intelijen komprehensif.
Mempercepat Pengambilan Keputusan: Memungkinkan keputusan yang lebih cepat dan lebih terinformasi, penting untuk mengantisipasi ancaman dan melindungi aset di lingkungan maritim yang dinamis.
Mengoptimalkan Keahlian: Memungkinkan pakar domain untuk fokus pada interpretasi strategis dan analisis tingkat tinggi, memanfaatkan keterampilan unik mereka di tempat yang paling penting.

Kolaborasi antara Windward dan AWS mencontohkan bagaimana AI generatif mutakhir dan infrastruktur cloud dapat dimanfaatkan untuk memecahkan masalah dunia nyata yang kompleks, mengubah sektor-sektor penting seperti intelijen maritim dan menetapkan standar baru untuk analisis anomali kontekstual.