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.

Aģentiskais jūras AI: Kontekstuāla anomāliju analīze ar ģeneratīvo AI

Revolucionizējot jūras anomāliju analīzi ar aģentisko AI

Plašā un sarežģītā globālās jūras aktivitāšu pasaule rada unikālas problēmas drošībai, izlūkošanai un komerciālajām operācijām. Neparastu kuģu uzvedības identificēšana un izpratne – sākot no negaidītām kustībām līdz novirzēm no zināmiem modeļiem – bieži prasa milzīgu laiku, dziļas jomas zināšanas un dažādu datu avotu korelāciju. Windward, līderis jūras AI™ jomā, jau sen sniedz kritiski svarīgu informāciju jūras operācijām. Tagad, sadarbojoties ar AWS, Windward izmanto aģentisko ģeneratīvo AI, lai pārveidotu šo procesu, pārejot no izolētiem brīdinājumiem uz visaptverošu, kontekstuālu inteliģenci.

Šī novatoriskā partnerība ir vērsta uz jūras analītiķu spēju stiprināšanu, ievērojami samazinot izmeklēšanas laiku un ļaujot viņiem koncentrēties uz augstas vērtības lēmumu pieņemšanu, nevis grūto datu vākšanu. Apvienojot ģeotelpiskās inteliģences datus ar progresīvo ģeneratīvo AI, Windward jaunais risinājums nodrošina 360° skatu, paredzot draudus un aizsargājot kritiskos aktīvus jūrā ar vēl nepieredzētu ātrumu un precizitāti.

Izaicinājums: No datu pārsātinājuma līdz praktiski pielietojamai informācijai

Vēsturiski jūras anomāliju izmeklēšana bija ļoti manuāls un laikietilpīgs process. Analītiķi pavadīja stundas, sijājot fragmentētu informāciju, cenšoties savienot punktus starp dažādām datu plūsmām, lai izprastu kuģa anomālo uzvedību. Šis process prasīja ne tikai ievērojamas pūles, bet arī dziļas jomas zināšanas, lai interpretētu jūras aktivitāšu, laikapstākļu modeļu un ģeopolitisko notikumu nianses.

Windward esošā agrīnās atklāšanas sistēma veiksmīgi identificē aizdomīgus modeļus, taču mērķis bija paātrināt ceļu no atklāšanas līdz lēmumu pieņemšanai. Lai optimizētu analītisko darba plūsmu un nodrošinātu patiesi 'misijai gatavus' ieskatus, Windward identificēja trīs galvenos stratēģiskos uzlabojumus:

Vienota darba plūsma: Samazināt analītiķu nepieciešamību konsultēties ar ārējiem datu avotiem, radot viengabalainu un mērķtiecīgu analītisko vidi.
Ekspertīzes optimizācija: Automatizēt kontekstuālo datu (laikapstākļi, ziņas, saistītie brīdinājumi) vākšanu un sākotnējo korelāciju, ļaujot jomas ekspertiem veltīt savu vērtīgo laiku stratēģiskai interpretācijai un lēmumu pieņemšanai.
Visaptverošs pārklājums: Racionalizēt informācijas sintēzi, lai nodrošinātu ātrāku un padziļinātāku vairāku brīdinājumu izpēti vienlaicīgi.

Lai sasniegtu šos ambiciozos mērķus, Windward sadarbojās ar AWS Generative AI Innovation Center, lai izstrādātu MAI Expert™ – pirmo ģeneratīvā AI jūras aģentu, kas spēj automātiski kontekstualizēt sarežģītas jūras anomālijas.

Aģentiskā arhitektūra: Kontekstuālās inteliģences nodrošināšana ar AWS

Windward uzlabotā risinājuma pamatā ir daudzpakāpju, ar AI darbināta arhitektūra, kas izvietota AWS. Šī sistēma automātiski izgūst attiecīgos datus no dažādiem iekšējiem un ārējiem avotiem un izmanto šo informāciju, lai ģenerētu tekstuālu aprakstu, kas rūpīgi kontekstualizē jūras anomāliju notikumus.

Process sākas, kad Windward agrīnās atklāšanas sistēma identificē anomāliju. Attiecīgie metadati — piemēram, anomālijas laika zīmogs, reģiona koordinātas, anomālijas tips un kuģa klase — tiek izgūti no Windward iekšējās datubāzes.

Pēc tam šie metadati tiek ievadīti aģentiskās analīzes sistēmā, ko darbina lieli valodu modeļi (LLM) Amazon Bedrock platformā. Visa daudzpakāpju anomāliju analīzes cauruļvada sistēma tiek orķestrēta, izmantojot AWS Step Functions, nodrošinot robustu un mērogojamu darba plūsmu.

Pirmais solis šajā orķestrētajā procesā ietver vaicājumu veikšanu vairākiem, dažādiem ārējiem datu avotiem, lai savāktu attiecīgo fona informāciju:

Reāllaika ziņu plūsma: Brīdinājumi un notikumu signāli, kas atklāti no publiskajiem datiem, tiek izgūti un filtrēti, pamatojoties uz jūras anomālijas laiku un atrašanās vietu.
Inteliģenta tīmekļa meklēšana: LLM ģenerē precīzus meklēšanas vaicājumus, nodrošinot atjauninātu tīmekļa meklēšanas rezultātu izguvi, kas sniedz reāllaika kontekstu anomālijai.
Laikapstākļu dati: Tiek izmantots ārējs API, lai izgūtu kritiskus laikapstākļu datus, tostarp temperatūru, vēja ātrumu un nokrišņus, konkrētajai anomālijas vietai un laikam.

Katrs datu avots tiek vaicāts, izmantojot atsevišķu AWS Lambda funkciju. Šī modulārā pieeja nodrošina efektivitāti un mērogojamību, ļaujot viegli integrēt jaunus datu avotus pēc vajadzības.

Dinamiska pašrefleksija un datu atlase

Galvenā inovācija šajā aģentiskajā risinājumā ir tā pašrefleksijas spēja, kas dinamiski nosaka nepieciešamību pēc papildu datu izgūšanas. Pēc sākotnējās datu vākšanas no ziņām, tīmekļa meklēšanas un laikapstākļiem, cauruļvada sistēma pāriet uz otro posmu. Šeit atsevišķs LLM — ko nodrošina Anthropic's Claude caur Amazon Bedrock — pārbauda izgūtos datu vienumus.

Šim LLM ir uzdots izlemt, vai līdz šim savāktie dati ir pietiekami, lai izskaidrotu anomāliju, vai arī joprojām trūkst noteiktu ar notikumu saistītu aspektu. Pēc tam tas var ģenerēt jaunu, precizētāku meklēšanas vaicājumu papildu tīmekļa rezultātiem vai signalizēt cauruļvadai, lai tā turpinātu darbu. Šī inteliģentā atgriezeniskās saites cilpa, kas attēlota 2. attēlā, ļauj sistēmai proaktīvi meklēt visaptverošāku kontekstu, pievienojot to iepriekš savāktai informācijai.

Architecture diagram for windward aws blog 1. attēls. Risinājuma arhitektūra, kas demonstrē AWS pakalpojumus un ģeneratīvo AI.

Diagram of flow through self-reflection 2. attēls. Pašrefleksijas loģika aģentiskajā anomāliju analīzes sistēmā.

Pēc šīs dinamiskās datu izgūšanas un pašrefleksijas fāzes sistēma izmanto divpakāpju filtrēšanas un ranžēšanas procesu, lai noņemtu neatbilstošus ziņu vienumus un nodrošinātu visaugstāko konteksta kvalitāti:

Pārrindošana ar Amazon Rerank: AI modelis, Amazon Rerank, sakārto sākotnējo datu vienumu kopumu atbilstoši to atbilstībai anomālijai. Šis solis ir būtisks, lai saglabātu augstu atsauksmi, efektīvi samazinot kandidātu loku nākamajam posmam.
Uz LLM balstīta precizitātes vērtēšana: Pēc tam katrs no augstāk novērtētajiem vienumiem tiek vēlreiz novērtēts ar LLM pēc vairākām dimensijām, tostarp laika, atrašanās vietas un atbilstošā kuģa tipa. Sistēma piešķir atbilstības rādītājus no 0 līdz 100, saglabājot tikai tos datu vienumus, kas pārsniedz iepriekš noteiktu slieksni. Tas nodrošina augstu precizitāti, garantējot, ka galīgajā analīzē tiek izmantota tikai visatbilstošākā informācija.

Praktiski pielietojama informācija: Kontekstuālais ziņojums

Visbeidzot, rūpīgi filtrētie un ranžētie dati tiek nodoti citam LLM. Šis LLM sintezē visu savākto informāciju, lai ģenerētu kodolīgu, kontekstuālu ziņojumu par anomāliju. Ziņojumā apkopoti iespējamie cēloņi, riski un sekas atklātajam jūras notikumam. Būtiski, ka tas ir rakstīts Windward klientiem un tieši citē visus izmantotos datu avotus, nodrošinot pilnīgu pārredzamību un ļaujot lietotājiem pārbaudīt informāciju un iedziļināties, sekojot sniegtajām saitēm.

Maritime intelligence product 3. attēls. Windward's MAI Expert™ ģenerēta anomāliju ziņojuma piemērs.

Šī izvade ievērojami samazina analītiķu kognitīvo slodzi, sniedzot viņiem gatavu stāstījumu, kas izskaidro anomāliju plašākā operatīvajā un ģeopolitiskajā kontekstā.

Novērtējums un ietekme

Visa sistēma tiek rūpīgi novērtēta, salīdzinot ar visaptverošu vēsturisko jūras anomāliju kopumu. Šajā novērtējumā bieži tiek izmantota pieeja 'LLM kā tiesnesis', novērtējot ģenerēto kontekstuālo ziņojumu kvalitāti, precizitāti un pilnīgumu.

Šī aģentiskā ģeneratīvā AI risinājuma sekas ir dziļas. Automatizējot laikietilpīgo datu vākšanas un korelācijas procesu, Windward dod jūras analītiķiem iespēju:

Uzlabot efektivitāti: Ievērojami samazināt izmeklēšanai veltīto laiku, atbrīvojot vērtīgus cilvēkresursus.
Uzlabot situācijas apzināšanos: Iegūt dziļāku, kontekstuālāku izpratni par anomālijām, pārejot no izolētiem brīdinājumiem uz visaptverošu inteliģenci.
Paātrināt lēmumu pieņemšanu: Nodrošināt ātrākus un informētākus lēmumus, kas ir būtiski draudu paredzēšanai un aktīvu aizsardzībai dinamiskā jūras vidē.
Optimizēt ekspertīzi: Ļaut jomas ekspertiem koncentrēties uz stratēģisku interpretāciju un augsta līmeņa analīzi, izmantojot savas unikālās prasmes tur, kur tās ir vissvarīgākās.

Windward un AWS sadarbība rāda, kā progresīvu ģeneratīvo AI un mākoņinfrastruktūru var izmantot, lai risinātu sarežģītas reālās pasaules problēmas, pārveidojot kritiskās nozares, piemēram, jūras izlūkošanu, un nosakot jaunu standartu kontekstuālajai anomāliju analīzei.