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.

აგენტური საზღვაო AI: კონტექსტური ანომალიების ანალიზი გენერაციული AI-ის გამოყენებით

რევოლუცია საზღვაო ანომალიების ანალიზში აგენტური AI-ის გამოყენებით

გლობალური საზღვაო აქტივობის ფართო, რთული სამყარო უნიკალურ გამოწვევებს უქმნის უსაფრთხოებას, დაზვერვასა და კომერციულ ოპერაციებს. გემის უჩვეულო ქცევის იდენტიფიცირება და გაგება – მოულოდნელი გადაადგილებებიდან ცნობილი შაბლონებიდან გადახრებამდე – ხშირად მოითხოვს უზარმაზარ დროს, ღრმა დომენურ ექსპერტიზას და განსხვავებული მონაცემთა წყაროების კორელაციას. Windward, საზღვაო AI™-ის ლიდერი, დიდი ხანია უზრუნველყოფს კრიტიკულ დაზვერვას საზღვაო ოპერაციებისთვის. ახლა, AWS-თან თანამშრომლობით, Windward იყენებს აგენტურ გენერაციულ AI-ს ამ პროცესის ტრანსფორმაციისთვის, გადადის იზოლირებული გაფრთხილებებიდან ყოვლისმომცველ, კონტექსტურ ინტელექტზე.

ეს ნოვატორული პარტნიორობა მიზნად ისახავს საზღვაო ანალიტიკოსების გაძლიერებას, მკვეთრად შეამცირებს გამოძიების დროს და მათ საშუალებას მისცემს ფოკუსირება მოახდინონ მაღალი ღირებულების გადაწყვეტილების მიღებაზე, ვიდრე შრომატევად მონაცემთა შეგროვებაზე. გეოსივრცული დაზვერვის მოწინავე გენერაციულ AI-სთან შერწყმით, Windward-ის ახალი გადაწყვეტა უზრუნველყოფს 360° ხედვას, ითვალისწინებს საფრთხეებს და იცავს კრიტიკულ აქტივებს ზღვაზე უპრეცედენტო სიჩქარითა და სიზუსტით.

გამოწვევა: მონაცემთა გადატვირთვიდან ქმედითუნარიან ინსაიტებამდე

ისტორიულად, საზღვაო ანომალიების გამოძიება ძირითადად ხელით შესრულებადი და შრომატევადი იყო. ანალიტიკოსები საათებს ხარჯავდნენ ფრაგმენტული ინფორმაციის დალაგებაზე, ცდილობდნენ დაეკავშირებინათ წერტილები მონაცემთა სხვადასხვა ნაკადს შორის, რათა გაეგოთ გემის ანომალიური ქცევა. ეს პროცესი მოითხოვდა არა მხოლოდ მნიშვნელოვან ძალისხმევას, არამედ ღრმა დომენურ ექსპერტიზას საზღვაო აქტივობების, ამინდის ნიმუშების და გეოპოლიტიკური მოვლენების ნიუანსების ინტერპრეტაციისთვის.

Windward-ის არსებულმა ადრეული გამოვლენის სისტემამ წარმატებით ამოიცნო საეჭვო ნიმუშები, მაგრამ მიზანი იყო გამოვლენიდან გადაწყვეტილების მიღებამდე გზის დაჩქარება. ანალიტიკური სამუშაო ნაკადის ოპტიმიზაციისა და ჭეშმარიტად „მისიაზე მზად“ ინსაიტების უზრუნველსაყოფად, Windward-მა განსაზღვრა სამი ძირითადი სტრატეგიული გაუმჯობესება, რომელიც საჭირო იყო:

ერთიანი სამუშაო ნაკადი: მინიმუმამდე დაყვანა ანალიტიკოსების საჭიროებაზე, მიმართონ გარე მონაცემთა წყაროებს, შექმნან უწყვეტი და ფოკუსირებული ანალიტიკური გარემო.
ექსპერტიზის ოპტიმიზაცია: კონტექსტური მონაცემების (ამინდი, ახალი ამბები, დაკავშირებული გაფრთხილებები) შეგროვებისა და საწყისი კორელაციის ავტომატიზაცია, რაც საშუალებას აძლევს დომენის ექსპერტებს თავიანთი ღირებული დრო დაუთმონ სტრატეგიულ ინტერპრეტაციასა და გადაწყვეტილების მიღებას.
ყოვლისმომცველი დაფარვა: ინფორმაციის სინთეზის გამარტივება მრავალი გაფრთხილების ერთდროული, სწრაფი და სიღრმისეული გამოძიების შესაძლებლობისთვის.

ამ ამბიციური მიზნების მისაღწევად, Windward-მა AWS Generative AI Innovation Center-თან პარტნიორობით შექმნა MAI Expert™, პირველი გენერაციული AI საზღვაო აგენტი, რომელსაც შეუძლია რთული საზღვაო ანომალიების ავტომატური კონტექსტუალიზაცია.

აგენტური არქიტექტურა: კონტექსტური ინტელექტის გაძლიერება AWS-ით

Windward-ის გაუმჯობესებული გადაწყვეტის გული მდგომარეობს მის მრავალსაფეხურიან, AI-ზე დაფუძნებულ არქიტექტურაში, რომელიც განთავსებულია AWS-ზე. ეს სისტემა ავტომატურად იღებს შესაბამის მონაცემებს სხვადასხვა შიდა და გარე წყაროდან და იყენებს ამ ინფორმაციას ტექსტური აღწერილობის შესაქმნელად, რომელიც საფუძვლიანად კონტექსტუალიზაციას უკეთებს საზღვაო ანომალიის მოვლენებს.

პროცესი იწყება, როდესაც ანომალია იდენტიფიცირდება Windward-ის ადრეული გამოვლენის სისტემის მიერ. შესაბამისი მეტამონაცემები — როგორიცაა ანომალიის დროის ნიშანი, რეგიონის კოორდინატები, ანომალიის ტიპი და გემის კლასი — ამოღებულია Windward-ის შიდა მონაცემთა ბაზიდან.

ეს მეტამონაცემები შემდეგ გადადის აგენტურ ანალიზის სისტემაში, რომელიც იკვებება დიდი ენობრივი მოდელებით (LLMs) Amazon Bedrock-ზე. მთელი მრავალსაფეხურიანი ანომალიების ანალიზის პაიპლაინი ორკესტრირებულია AWS Step Functions-ის გამოყენებით, რაც უზრუნველყოფს მძლავრ და მასშტაბირებად სამუშაო ნაკადს.

ამ ორკესტრირებულ პროცესში პირველი ნაბიჯი მოიცავს მრავალი, მრავალფეროვანი გარე მონაცემთა წყაროდან ინფორმაციის მოძიებას შესაბამისი ფონური ინფორმაციის შესაგროვებლად:

რეალურ დროში ახალი ამბების არხი: საჯარო მონაცემებიდან აღმოჩენილი გაფრთხილებები და მოვლენის სიგნალები მოძიებულია და იფილტრება საზღვაო ანომალიის დროისა და ადგილმდებარეობის მიხედვით.
ინტელექტუალური ვებ ძიება: LLMs ქმნიან ზუსტ საძიებო მოთხოვნებს, რაც საშუალებას იძლევა მოძიებულ იქნეს განახლებული ვებ ძიების შედეგები, რომლებიც უზრუნველყოფენ ანომალიის რეალურ დროში კონტექსტს.
ამინდის მონაცემები: გარე API გამოიყენება კრიტიკული ამინდის მონაცემების, მათ შორის ტემპერატურის, ქარის სიჩქარისა და ნალექების მოსაზიდად, ანომალიის კონკრეტული ადგილმდებარეობისა და დროისთვის.

თითოეული მონაცემთა წყარო მოძიებულია ცალკე AWS Lambda ფუნქციის გამოყენებით. ეს მოდულური მიდგომა უზრუნველყოფს ეფექტურობასა და მასშტაბირებადობას, რაც საჭიროების შემთხვევაში ახალი მონაცემთა წყაროების მარტივ ინტეგრაციას იძლევა.

დინამიური თვით-რეფლექსია და მონაცემთა კურაცია

ამ აგენტური გადაწყვეტის ერთ-ერთი მთავარი ინოვაცია არის მისი თვით-რეფლექსიის შესაძლებლობა, რომელიც დინამიურად განსაზღვრავს დამატებითი მონაცემების მოძიების საჭიროებას. ახალი ამბებიდან, ვებ ძიებიდან და ამინდისგან თავდაპირველი მონაცემების შეგროვების შემდეგ, პაიპლაინი გადადის მეორე ეტაპზე. აქ, ცალკე LLM — რომელიც იკვებება Anthropic-ის Claude-ით Amazon Bedrock-ის მეშვეობით — აანალიზებს მოძიებულ მონაცემთა ელემენტებს.

ამ LLM-ს ევალება გადაწყვიტოს, არის თუ არა შეგროვებული მონაცემები საკმარისი ანომალიის ასახსნელად, თუ მოვლენასთან დაკავშირებული გარკვეული ასპექტები ჯერ კიდევ აკლია. შემდეგ მას შეუძლია შექმნას ახალი, უფრო დახვეწილი საძიებო მოთხოვნა დამატებითი ვებ შედეგებისთვის ან მიანიშნოს პაიპლაინს გაგრძელება. ეს ინტელექტუალური უკუკავშირის მარყუჟი, რომელიც ნაჩვენებია სურათ 2-ზე, საშუალებას აძლევს სისტემას პროაქტიულად მოიძიოს უფრო ყოვლისმომცველი კონტექსტი, დაამატოს ის ადრე შეგროვებულ ინფორმაციას.

არქიტექტურის დიაგრამა Windward AWS ბლოგისთვის სურათი 1. გადაწყვეტის არქიტექტურა, რომელიც აჩვენებს AWS სერვისებსა და გენერაციულ AI-ს.

დიაგრამა თვით-რეფლექსიის გავლით ნაკადის შესახებ სურათი 2. თვით-რეფლექსიის ლოგიკა აგენტურ ანომალიების ანალიზის სისტემაში.

მონაცემთა დინამიური მოძიებისა და თვით-რეფლექსიის ამ ფაზის შემდეგ, სისტემა იყენებს ორეტაპიან გაფილტვრისა და რანჟირების პროცესს, რათა მოაშოროს შეუსაბამო ახალი ამბები და უზრუნველყოს უმაღლესი ხარისხის კონტექსტი:

გადარანჟირება Amazon Rerank-ით: AI მოდელი, Amazon Rerank, ახარისხებს მონაცემთა ელემენტების საწყის კომპლექტს მათი ანომალიასთან შესაბამისობის მიხედვით. ეს ნაბიჯი გადამწყვეტია მაღალი რეკოლის შესანარჩუნებლად, კანდიდატების ფონდის ეფექტურად შესამცირებლად შემდეგი ეტაპისთვის.
LLM-ზე დაფუძნებული სიზუსტის შეფასება: შემდეგ თითოეული მაღალ რანჟირებული ელემენტი დამატებით ფასდება LLM-ის მიერ მრავალი განზომილების მიხედვით, მათ შორის დროის, ადგილმდებარეობისა და შესატყვისი გემის ტიპის მიხედვით. სისტემა ანიჭებს რელევანტურობის ქულებს 0-დან 100-მდე, ინარჩუნებს მხოლოდ იმ მონაცემთა ელემენტებს, რომლებიც აღემატება წინასწარ განსაზღვრულ ზღვარს. ეს უზრუნველყოფს მაღალ სიზუსტეს, რაც გარანტიას იძლევა, რომ მხოლოდ ყველაზე აქტუალური ინფორმაცია შეიტანება საბოლოო ანალიზში.

ქმედითუნარიანი ინსაიტები: კონტექსტუალიზებული ანგარიში

დაბოლოს, ზედმიწევნით გაფილტრული და რანჟირებული მონაცემები გადაეცემა სხვა LLM-ს. ეს LLM აერთიანებს მთელ შეგროვებულ ინტელექტს, რათა შექმნას მოკლე, კონტექსტუალიზებული ანგარიში ანომალიის შესახებ. ანგარიში აჯამებს გამოვლენილი საზღვაო მოვლენის პოტენციურ მიზეზებს, რისკებსა და შედეგებს. რაც მთავარია, ის დაწერილია Windward-ის მომხმარებლებისთვის და უშუალოდ ასახელებს ყველა გამოყენებულ მონაცემთა წყაროს, უზრუნყოფს სრულ გამჭვირვალობას და მომხმარებლებს საშუალებას აძლევს გადაამოწმონ ინფორმაცია და უფრო ღრმად ჩაუღრმავდნენ მოწოდებული ბმულების მიყოლებით.

საზღვაო დაზვერვის პროდუქტი სურათი 3. Windward-ის MAI Expert™-ის მიერ გენერირებული ანომალიის ანგარიშის მაგალითი.

ეს გამომავალი მკვეთრად ამცირებს ანალიტიკოსების კოგნიტურ დატვირთვას, მათ სთავაზობს მზა ნარატივს, რომელიც ხსნის ანომალიას მის უფრო ფართო ოპერაციულ და გეოპოლიტიკურ კონტექსტში.

შეფასება და გავლენა

ბოლოდან ბოლომდე სისტემა მკაცრად ფასდება ისტორიული საზღვაო ანომალიების ყოვლისმომცველი ნაკრების მიხედვით. ეს შეფასება ხშირად მოიცავს LLM-როგორც-მოსამართლის მიდგომას, რომელიც აფასებს გენერირებული კონტექსტური ანგარიშების ხარისხს, სიზუსტეს და სისრულეს.

ამ აგენტური გენერაციული AI გადაწყვეტის შედეგები ღრმაა. მონაცემთა შეგროვებისა და კორელაციის შრომატევადი პროცესის ავტომატიზაციით, Windward აძლიერებს საზღვაო ანალიტიკოსებს, რათა:

გააუმჯობესონ ეფექტურობა: მნიშვნელოვნად შეამცირონ გამოძიებაზე დახარჯული დრო, გაათავისუფლონ ღირებული ადამიანური რესურსები.
გააუმჯობესონ სიტუაციური ცნობიერება: მიიღონ ანომალიების უფრო ღრმა, უფრო კონტექსტური გაგება, გადავიდნენ იზოლირებული გაფრთხილებებიდან ყოვლისმომცველ დაზვერვაზე.
დააჩქარონ გადაწყვეტილების მიღება: შესაძლებელი გახადონ უფრო სწრაფი და ინფორმირებული გადაწყვეტილებები, რაც კრიტიკულია საფრთხეების გათვალისწინებისა და აქტივების დასაცავად დინამიურ საზღვაო გარემოში.
მოახდინონ ექსპერტიზის ოპტიმიზაცია: საშუალება მისცენ დომენის ექსპერტებს ფოკუსირება მოახდინონ სტრატეგიულ ინტერპრეტაციასა და მაღალი დონის ანალიზზე, გამოიყენონ თავიანთი უნიკალური უნარები იქ, სადაც მათ ყველაზე მეტად სჭირდებათ.

Windward-სა და AWS-ს შორის თანამშრომლობა გვიჩვენებს, თუ როგორ შეიძლება გამოყენებულ იქნას უახლესი გენერაციული AI და ღრუბლოვანი ინფრასტრუქტურა რთული რეალური პრობლემების გადასაჭრელად, ისეთი კრიტიკული სექტორების ტრანსფორმაციისთვის, როგორიცაა საზღვაო დაზვერვა და კონტექსტური ანომალიების ანალიზის ახალი სტანდარტის დაწესებისთვის.