Sjálfvirk gervigreind fyrir sjófarendur: Samhengisbundin fráviksgreining með myndandi gervigreind

Bylting í fráviksgreiningu í siglingum með sjálfvirkri gervigreind

Hið víðfeðma og flókna heimsvíðfeðmt sjófarendastarf kynnir einstakar áskoranir fyrir öryggi, upplýsingaöflun og viðskiptarekstur. Að bera kennsl á og skilja óvenjulega hegðun skipa – frá óvæntum hreyfingum til frávika frá þekktum mynstrum – krefst oft mikils tíma, djúprar sérfræðiþekkingar og tengingar ólíkra gagnaheimilda. Windward, leiðandi í gervigreind fyrir sjófarendur (Maritime AI™), hefur lengi veitt mikilvægar upplýsingar fyrir sjávarrekstur. Nú, í samstarfi við AWS, nýtir Windward sjálfvirka myndandi gervigreind til að umbreyta þessu ferli, og færist frá einangruðum viðvörunum yfir í yfirgripsmikla, samhengisbundna greind.

Þetta brautryðjandi samstarf miðar að því að styrkja greiningaraðila í sjófarendum, draga verulega úr rannsóknartíma og leyfa þeim að einbeita sér að mikilvægri ákvarðanatöku frekar en erfiðri gagnasöfnun. Með því að sameina landfræðilega greind með háþróaðri myndandi gervigreind veitir nýja lausn Windward 360° yfirlit, spáir fyrir um ógnir og verndar mikilvægar eignir á sjó með óviðjafnanlegum hraða og nákvæmni.

Áskorunin: Frá gagnamagni til nothæfra innsýna

Sögulega séð var rannsókn á frávikum í siglingum mjög handvirkt og tímafrekt verkefni. Greiningaraðilar vörðu tímum saman í að sigta í gegnum sundurleitar upplýsingar, reyna að tengja saman ýmsa gagnaflokka til að skilja óvenjulega hegðun skips. Þetta ferli krafðist ekki aðeins mikillar fyrirhafnar heldur einnig djúprar sérfræðiþekkingar til að túlka fínleg blæbrigði sjófarendastarfsemi, veðurmynsturs og landfræðilegra atburða.

Núverandi snemmgreiningarkerfi Windward ber kennsl á grunsamleg mynstur, en markmiðið var að flýta fyrir leiðinni frá greiningu til ákvarðanatöku. Til að hámarka greiningarvinnuflæðið og veita sannarlega 'tilbúnar til verkefnis' innsýn, greindi Windward þrjár lykil stefnumótandi úrbætur sem þörf var á:

• Sameinað vinnuflæði: Lágmarka þörf greiningaraðila fyrir að ráðfæra sig við ytri gagnaheimildir, skapa óaðfinnanlegt og einbeitt greiningarumhverfi.
• Hagræðing sérfræðiþekkingar: Sjálfvirknivæða söfnun og upphaflega tengingu samhengisgagna (veður, fréttir, tengdar viðvaranir), sem gerir sérfræðingum á sviðinu kleift að verja dýrmætum tíma sínum í stefnumótandi túlkun og ákvarðanatöku.
• Alhliða umfjöllun: Straumlínulaga upplýsingasamþættingu til að gera hraðari og ítarlegri rannsókn á mörgum viðvörunum samtímis.

Til að takast á við þessi metnaðarfullu markmið, tók Windward höndum saman við AWS Generative AI Innovation Center til að þróa MAI Expert™, fyrsta myndandi gervigreindamiðil fyrir sjófarendur sem er fær um að setja flókin frávik í siglingum í samhengi.

Sjálfvirkur arkitektúr: Aflknúin samhengisgreind með AWS

Kjarninn í endurbættri lausn Windward liggur í margþrepa, gervigreindardrifnum arkitektúr hennar, sem er dreift á AWS. Þetta kerfi sækir sjálfvirkt viðeigandi gögn frá ýmsum innri og ytri heimildum og notar þessar upplýsingar til að búa til textalýsingu sem setur frávik í siglingum í ítarlegt samhengi.

Ferlið hefst þegar Windward Early Detection kerfið greinir frávik. Viðeigandi lýsigögn – eins og tímasetning fráviks, svæðishnit, frávikstegund og skipstegund – eru dregin út úr innri gagnagrunni Windward.

Þessi lýsigögn eru síðan færð inn í sjálfvirkt greiningarkerfi knúið af stórum tungumálalíkönum (LLMs) á Amazon Bedrock. Allri margþrepa fráviksgreiningarferlinu er stýrt með AWS Step Functions, sem tryggir öflugt og skalanlegt vinnuflæði.

Fyrsta skrefið í þessu stýrða ferli felur í sér að spyrja margar, fjölbreyttar ytri gagnaheimildir til að safna viðeigandi bakgrunnsupplýsingum:

• Rauntíma fréttaflæði: Viðvaranir og atburðamerki sem uppgötvast úr opinberum gögnum eru sótt og síuð út frá tíma og staðsetningu fráviksins í siglingum.
• Greind vefleit: LLMs búa til nákvæmar leitarfyrirspurnir, sem gerir kleift að sækja uppfærðar vefleitarniðurstöður sem veita rauntíma samhengi fyrir frávikið.
• Veðurgögn: Ytri API er notað til að sækja mikilvæg veðurgögn, þar á meðal hitastig, vindhraða og úrkomu, fyrir tiltekna staðsetningu og tíma fráviksins.

Hver gagnaheimild er spurð með sérstakri AWS Lambda aðgerð. Þessi einingabundna nálgun tryggir hagkvæmni og skalanleika, sem gerir auðvelda samþættingu nýrra gagnaheimilda kleift eftir þörfum.

Kraftmikil sjálfsskoðun og gagnaumsjón

Kjarnanýsköpun í þessari sjálfvirku lausn er sjálfsskoðunargeta hennar, sem ákvarðar kraftmikið þörf fyrir viðbótargagnasöfnun. Eftir upphaflega gagnasöfnun frá fréttum, vefleit og veðri, færist ferliskeðjan yfir í annað þrep. Hér skoðar sérstakt LLM – knúið af Claude frá Anthropic í gegnum Amazon Bedrock – sóttu gagnaatriði.

Þessu LLM er skipað að ákveða hvort gögnin sem safnað hefur verið hingað til séu nægjanleg til að útskýra frávikið eða hvort ákveðnir þættir sem tengjast atburðinum vanti enn. Það getur þá annað hvort búið til nýja, nákvæmari leitarfyrirspurn fyrir fleiri vefniðurstöður eða gefið ferliskeðjunni merki um að halda áfram. Þessi greinda endurgjöf, sýnd á mynd 2, gerir kerfinu kleift að leita sjálfvirkt að ítarlegra samhengi og bæta því við áður safnaðar upplýsingar.

Mynd 1. Lausnararkitektúr sem sýnir AWS þjónustu og myndandi gervigreind.

Mynd 2. Sjálfsskoðunarvísun í sjálfvirka fráviksgreiningarkerfinu.

Eftir þetta kraftmikla gagnasöfnunar- og sjálfsskoðunarferli notar kerfið tveggja þrepa síunar- og röðunarferli til að fjarlægja óviðkomandi fréttir og tryggja bestu mögulegu samhengi:

1. Endurröðun með Amazon Rerank: Gervigreindarlíkan, Amazon Rerank, raðar upphaflega setti gagnaatriða út frá mikilvægi þeirra fyrir frávikið. Þetta skref er mikilvægt til að viðhalda mikilli endurheimt, og minnkar á skilvirkan hátt hóp frambjóðenda fyrir næsta þrep.
2. Nákvæmnisstigagjöf byggð á LLM: Hverjum af efstu atriðunum er síðan gefið frekari stig af LLM eftir mörgum víddum, þar á meðal tíma, staðsetningu og samsvarandi skipstegund. Kerfið gefur mikilvægisstig á bilinu 0 til 100, og heldur aðeins þeim gagnaatriðum sem fara yfir fyrirfram ákveðinn þröskuld. Þetta tryggir mikla nákvæmni, og ábyrgist að aðeins mikilvægustu upplýsingarnar leggja sitt af mörkum til lokagreiningarinnar.

Nothæf innsýn: Samhengisbundna skýrslan

Að lokum er vandlega síuð og röðuð gögn send til annars LLM. Þetta LLM samþættir allar safnaðar upplýsingar til að búa til hnitmiðaða, samhengisbundna skýrslu um frávikið. Skýrslan dregur saman hugsanlegar orsakir, áhættur og afleiðingar sjávaratburðarins sem uppgötvaðist. Mikilvægt er að hún er skrifuð fyrir viðskiptavini Windward og nefnir beint allar gagnaheimildir sem notaðar eru, veitir fullkomið gagnsæi og gerir notendum kleift að staðfesta upplýsingar og kafa dýpra með því að fylgja meðfylgjandi tenglum.

Mynd 3. Dæmi um myndaða fráviksskýrslu frá MAI Expert™ frá Windward.

Þetta framleiðsla dregur verulega úr hugrænum álagi á greiningaraðila, og kynnir þeim tilbúna frásögn sem útskýrir frávikið innan víðara rekstrar- og landfræðilegs samhengis.

Mat og áhrif

Kerfið í heild sinni er metið ítarlega út frá yfirgripsmiklu setti af sögulegum frávikum í siglingum. Þetta mat felur oft í sér LLM-sem-dómari nálgun, sem metur gæði, nákvæmni og heilleika samhengisbundinna skýrslna sem myndast.

Áhrifin af þessari sjálfvirku myndandi gervigreindarlau eru djúpstæð. Með því að sjálfvirknivæða hið erfiða ferli gagnasöfnunar og tengingar, styrkir Windward greiningaraðila í siglingum til að:

• Auka skilvirkni: Draga verulega úr þeim tíma sem fer í rannsókn, og losa um dýrmætar mannauðsauðlindir.
• Bæta yfirsýn: Öðlast dýpri og samhengisbundnari skilning á frávikum, færa sig frá einangruðum viðvörunum yfir í yfirgripsmikla greind.
• Flýta fyrir ákvarðanatöku: Gera hraðari og upplýstari ákvarðanir mögulegar, sem er mikilvægt til að spá fyrir um ógnir og vernda eignir í kraftmiklu sjófarendarumhverfi.
• Hagræða sérfræðiþekkingu: Leyfa sérfræðingum á sviðinu að einbeita sér að stefnumótandi túlkun og háþróaðri greiningu, nýta sérstaka færni sína þar sem hún skiptir mestu máli.

Samstarfið milli Windward og AWS er dæmi um hvernig nýjasta myndandi gervigreind og skýjainnviðir geta verið nýttir til að leysa flókin raunveruleg vandamál, umbreytt mikilvægum geirum eins og sjávarupplýsingaöflun og sett nýjan staðal fyrir samhengisbundna fráviksgreiningu.