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.

Agentinis jūrų DI: kontekstinė anomalijų analizė naudojant generatyvinį DI

Jūrų anomalijų analizės revoliucija su agentiniu DI

Didžiulis, sudėtingas pasaulio jūrų veiklos pasaulis kelia unikalius iššūkius saugumui, žvalgybai ir komercinėms operacijoms. Nustatyti ir suprasti neįprastą laivų elgesį – nuo netikėtų judesių iki nukrypimų nuo žinomų modelių – dažnai reikalauja didžiulio laiko, gilių domenų žinių ir skirtingų duomenų šaltinių koreliacijos. Windward, jūrų DI™ lyderė, ilgą laiką teikė esminę informaciją jūrų operacijoms. Dabar, bendradarbiaudama su AWS, Windward pasitelkia agentinį generatyvinį DI, kad pakeistų šį procesą, pereinant nuo pavienių perspėjimų prie visapusiškos, kontekstinės informacijos.

Ši novatoriška partnerystė siekia sustiprinti jūrų analitikus, drastiškai sumažinant tyrimo laiką ir leidžiant jiems sutelkti dėmesį į aukštos vertės sprendimų priėmimą, o ne į varginantį duomenų rinkimą. Sujungdama geografinę žvalgybą su pažangiu generatyviniu DI, Windward naujas sprendimas suteikia 360° apžvalgą, numatydamas grėsmes ir apsaugodamas kritinius turtus jūroje su precedento neturinčiu greičiu ir tikslumu.

Iššūkis: nuo duomenų perkrovos iki veiksmingų įžvalgų

Istoriškai jūrų anomalijų tyrimas buvo labai rankinis ir daug laiko reikalaujantis darbas. Analitikai praleisdavo valandas naršydami po suskaidytą informaciją, bandydami sujungti įvairių duomenų srautų taškus, kad suprastų laivo anomalią elgseną. Šis procesas reikalavo ne tik didelių pastangų, bet ir gilių domenų žinių, kad būtų galima interpretuoti jūrų veiklos, oro sąlygų ir geopolitinių įvykių niuansus.

Windward esama ankstyvojo aptikimo sistema sėkmingai identifikuoja įtartinus modelius, tačiau tikslas buvo paspartinti kelią nuo aptikimo iki sprendimų priėmimo. Siekdama optimizuoti analizės darbo eigą ir teikti tikrai „misijai paruoštas“ įžvalgas, Windward nustatė tris pagrindinius strateginius patobulinimus, kurių reikėjo:

Vieninga darbo eiga: Sumažinti analitikų poreikį konsultuotis su išoriniais duomenų šaltiniais, sukuriant vientisą ir koncentruotą analizės aplinką.
Ekspertizės optimizavimas: Automatizuoti kontekstinių duomenų (oro, naujienų, susijusių perspėjimų) rinkimą ir pradinę koreliaciją, leidžiant domenų ekspertams skirti savo brangų laiką strateginiam interpretavimui ir sprendimų priėmimui.
Visapusiška aprėptis: Supaprastinti informacijos sintezę, kad būtų galima greičiau ir nuodugniau tirti kelis perspėjimus vienu metu.

Siekiant šių ambicingų tikslų, Windward bendradarbiavo su AWS Generatyvinio DI inovacijų centru, kad sukurtų MAI Expert™, pirmąjį generatyvinį DI jūrų agentą, galintį automatiškai kontekstualizuoti sudėtingas jūrų anomalijas.

Agentinė architektūra: kontekstinės informacijos teikimas su AWS

Windward patobulinto sprendimo esmė slypi jo daugiapakopėje, DI varomoje architektūroje, įdiegtoje AWS. Ši sistema automatiškai gauna atitinkamus duomenis iš įvairių vidinių ir išorinių šaltinių ir naudoja šią informaciją tekstiniam aprašymui, kuris išsamiai kontekstualizuoja jūrų anomalijų įvykius, generuoti.

Procesas prasideda, kai anomalija identifikuojama Windward ankstyvojo aptikimo sistemos. Atitinkami metaduomenys – tokie kaip anomalijos laikas, regiono koordinatės, anomalijos tipas ir laivo klasė – išgaunami iš Windward vidinės duomenų bazės.

Šie metaduomenys vėliau perduodami į agentinę analizės sistemą, varomą didelių kalbos modelių (LLM) per Amazon Bedrock. Visas daugiapakopis anomalijų analizės procesas orkestruojamas naudojant AWS Step Functions, užtikrinant patikimą ir keičiamą darbo eigą.

Pirmasis šio orkestruoto proceso žingsnis apima užklausų teikimą keliems, įvairiems išoriniams duomenų šaltiniams, siekiant surinkti atitinkamą pagrindinę informaciją:

Realaus laiko naujienų srautas: Iš viešųjų duomenų aptikti perspėjimai ir įvykių signalai gaunami ir filtruojami pagal jūrų anomalijos laiką ir vietą.
Pažangi interneto paieška: LLM generuoja tikslias paieškos užklausas, leidžiančias gauti atnaujintus interneto paieškos rezultatus, kurie suteikia realaus laiko kontekstą anomalijai.
Oro duomenys: Naudojama išorinė API, skirta gauti kritinius oro duomenis, įskaitant temperatūrą, vėjo greitį ir kritulius, konkrečiai anomalijos vietai ir laikui.

Kiekvienas duomenų šaltinis užklausiamas naudojant atskirą AWS Lambda funkciją. Šis modulinis požiūris užtikrina efektyvumą ir mastelį, leidžiant lengvai integruoti naujus duomenų šaltinius, kai to prireikia.

Dinaminė savirefleksija ir duomenų kuravimas

Pagrindinė šio agentinio sprendimo inovacija yra jo savirefleksijos galimybė, kuri dinamiškai nustato papildomų duomenų gavimo poreikį. Po pirminio duomenų surinkimo iš naujienų, interneto paieškos ir orų, procesas pereina į antrąjį etapą. Čia atskiras LLM, varomas Anthropic's Claude per Amazon Bedrock, nagrinėja gautus duomenų elementus.

Šiam LLM nurodoma nuspręsti, ar iki šiol surinktų duomenų pakanka anomalijai paaiškinti, ar tam tikri su įvykiu susiję aspektai vis dar trūksta. Tada jis gali sugeneruoti naują, patobulintą paieškos užklausą papildomiems interneto rezultatams arba signalizuoti procesui tęsti. Šis protingas grįžtamojo ryšio ciklas, parodytas 2 paveiksle, leidžia sistemai aktyviai ieškoti išsamesnio konteksto, pridedant jį prie anksčiau surinktos informacijos.

Architektūros diagrama Windward AWS tinklaraščiui 1 pav. Sprendimo architektūra, demonstruojanti AWS paslaugas ir generatyvinį DI.

Srauto per savirefleksiją diagrama 2 pav. Savirefleksijos logika agentinėje anomalijų analizės sistemoje.

Po šio dinaminio duomenų gavimo ir savirefleksijos etapo, sistema naudoja dviejų etapų filtravimo ir reitingavimo procesą, kad pašalintų nereikalingus naujienų elementus ir užtikrintų aukščiausią konteksto kokybę:

Pakartotinis reitingavimas su Amazon Rerank: DI modelis, Amazon Rerank, rūšiuoja pradinį duomenų elementų rinkinį pagal jų aktualumą anomalijai. Šis žingsnis yra labai svarbus norint išlaikyti aukštą prisiminimo lygį, efektyviai sumažinant kandidatų skaičių kitam etapui.
LLM pagrįstas tikslumo vertinimas: Kiekvienas iš aukščiausio rango elementų toliau vertinamas LLM pagal daugelį aspektų, įskaitant laiką, vietą ir atitinkantį laivo tipą. Sistema priskiria aktualumo balus nuo 0 iki 100, išlaikydama tik tuos duomenų elementus, kurie viršija iš anksto nustatytą slenkstį. Tai užtikrina aukštą tikslumą, garantuojant, kad galutinei analizei prisideda tik pati tinkamiausia informacija.

Veiksmingos įžvalgos: kontekstualizuota ataskaita

Galiausiai, kruopščiai filtruoti ir reitinguoti duomenys perduodami kitam LLM. Šis LLM sintezuoja visą surinktą informaciją, kad sugeneruotų glaustą, kontekstualizuotą ataskaitą apie anomaliją. Ataskaitoje apibendrinamos galimos aptikto jūrų įvykio priežastys, rizikos ir pasekmės. Svarbiausia, ji parašyta Windward klientams ir tiesiogiai cituoja visus naudotus duomenų šaltinius, suteikiant visišką skaidrumą ir leidžiant vartotojams patikrinti informaciją bei giliau pasidomėti pasinaudojant pateiktomis nuorodomis.

Jūrų žvalgybos produktas 3 pav. Generuotos anomalijos ataskaitos iš Windward's MAI Expert™ pavyzdys.

Šis rezultatas drastiškai sumažina analitikų kognityvinę naštą, pateikdamas jiems paruoštą naratyvą, paaiškinantį anomaliją platesniame veiklos ir geopolitiniame kontekste.

Vertinimas ir poveikis

Visa sistema griežtai vertinama pagal išsamų istoriškai užfiksuotų jūrų anomalijų rinkinį. Šis vertinimas dažnai apima LLM kaip teisėjo metodą, vertinant generuotų kontekstinių ataskaitų kokybę, tikslumą ir išsamumą.

Šio agentinio generatyvinio DI sprendimo pasekmės yra didžiulės. Automatizuodamas varginantį duomenų rinkimo ir koreliacijos procesą, Windward leidžia jūrų analitikams:

Padidinti efektyvumą: Žymiai sumažinti tyrimui skiriamą laiką, atlaisvinant vertingus žmogiškuosius išteklius.
Pagerinti situacijos suvokimą: Įgyti gilesnį, kontekstualesnį anomalijų supratimą, pereinant nuo pavienių perspėjimų prie išsamios informacijos.
Paspartinti sprendimų priėmimą: Sudaryti galimybę greičiau ir labiau pagrįstiems sprendimams, kurie yra kritiniai numatant grėsmes ir apsaugant turtą dinamiškoje jūrų aplinkoje.
Optimizuoti ekspertizę: Leisti domenų ekspertams sutelkti dėmesį į strateginį interpretavimą ir aukšto lygio analizę, panaudojant jų unikalius įgūdžius ten, kur jie svarbiausi.

Windward ir AWS bendradarbiavimas iliustruoja, kaip pažangiausias generatyvinis DI ir debesies infrastruktūra gali būti panaudojami sprendžiant sudėtingas realaus pasaulio problemas, transformuojant kritinius sektorius, tokius kaip jūrų žvalgyba, ir nustatant naują kontekstinės anomalijų analizės standartą.