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.

Agentowa sztuczna inteligencja w sektorze morskim: Kontekstualna analiza anomalii z wykorzystaniem generatywnej sztucznej inteligencji

title: "Agentowa sztuczna inteligencja w sektorze morskim: Kontekstualna analiza anomalii z wykorzystaniem generatywnej sztucznej inteligencji" slug: "from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai" date: "2026-04-07" lang: "pl" source: "https://aws.amazon.com/blogs/machine-learning/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai/" category: "AI dla Przedsiębiorstw" keywords:

Morska SI
Generatywna SI
Wykrywanie Anomalii
AWS
Amazon Bedrock
Agentowa SI
Monitorowanie Statków
Uczenie Maszynowe
Inteligencja Kontekstowa
Windward
AWS Step Functions
Automatyzacja SI meta_description: "Windward i AWS wykorzystują agentową generatywną SI do przekształcenia analizy anomalii morskich, dostarczając kontekstową inteligencję z izolowanych alertów, co zwiększa bezpieczeństwo i efektywność operacyjną." image: "/images/articles/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai.png" image_alt: "Schemat architektury przedstawiający, jak usługi AWS i generatywna sztuczna inteligencja wspierają agentową analizę anomalii morskich Windward w celu uzyskania inteligencji kontekstowej." quality_score: 94 content_score: 93 seo_score: 95 companies:
AWS schema_type: "NewsArticle" reading_time: 5 faq:
question: "Czym jest MAI Expert™ Windward i jak wykorzystuje generatywną sztuczną inteligencję?" answer: "MAI Expert™ Windward to pionierski generatywny agent morski AI firmy, zaprojektowany do kontekstualizacji anomalii morskich. Wykorzystuje on generatywną sztuczną inteligencję, w szczególności duże modele językowe (LLM) na Amazon Bedrock, do automatyzacji zbierania, korelowania i syntezy różnorodnych źródeł danych. Pozwala to na generowanie kompleksowych ocen ryzyka i podsumowań podejrzanych działań statków, umożliwiając analitykom szybsze i dokładniejsze podejmowanie świadomych decyzji, przenosząc ich uwagę z gromadzenia danych na strategiczną interpretację."
question: "Jak działa agentowe rozwiązanie do analizy anomalii morskich?" answer: "Rozwiązanie, opracowane we współpracy z AWS, to wieloetapowy, zasilany przez sztuczną inteligencję potok. Zaczyna się od ekstrakcji metadanych z wydarzenia anomalii. Te metadane następnie uruchamiają agentowy system analityczny wykorzystujący LLM-y na Amazon Bedrock, orkiestrowany przez AWS Step Functions. System odpytuje różne zewnętrzne źródła danych (wiadomości, wyszukiwanie internetowe, pogoda) za pośrednictwem funkcji AWS Lambda. Kluczowy krok autorefleksji, zasilany przez LLM, taki jak Claude firmy Anthropic, określa, czy potrzebne są dodatkowe dane. Na koniec przefiltrowane i uszeregowane dane są wykorzystywane przez inny LLM do generowania kontekstualnego raportu, cytującego wszystkie źródła."
question: "Jakie usługi AWS są kluczowe dla generatywnego rozwiązania AI Windward?" answer: "Kilka kluczowych usług AWS stanowi podstawę agentowego rozwiązania Windward do analizy anomalii morskich. Amazon Bedrock hostuje duże modele językowe (LLM), w tym Claude firmy Anthropic, które odpowiadają za generowanie zapytań, autorefleksję, punktację i generowanie raportów. AWS Step Functions orkiestruje cały wieloetapowy potok analizy, zapewniając płynny przepływ pracy. Funkcje AWS Lambda są używane do pobierania danych z różnych zewnętrznych źródeł. Dodatkowo, Amazon Rerank pomaga w filtrowaniu i rankingu odpowiednich pozycji wiadomości, aby utrzymać wysoką jakość i trafność danych."
question: "Jakie główne wyzwania Windward zamierzał rozwiązać za pomocą tego podejścia generatywnej sztucznej inteligencji?" answer: "Przed wprowadzeniem tego rozwiązania analitycy morscy poświęcali znaczną ilość czasu na ręczne gromadzenie i korelowanie złożonych danych w celu zrozumienia anomalii w zachowaniu statków. Windward dążył do wprowadzenia trzech kluczowych usprawnień strategicznych: stworzenia ujednoliconego przepływu pracy, aby zminimalizować konieczność konsultacji zewnętrznych danych; optymalizacji wiedzy eksperckiej poprzez automatyzację zbierania danych (pogoda, wiadomości, alerty), tak aby eksperci dziedzinowi mogli skupić się na strategicznej interpretacji; oraz zapewnienia kompleksowego pokrycia poprzez usprawnienie syntezy informacji dla szybkiego, dogłębnego badania wielu alertów jednocześnie."
question: "W jaki sposób system zapewnia trafność pobranych informacji dla konkretnej anomalii?" answer: "Rozwiązanie wykorzystuje solidny dwuetapowy proces filtrowania i rankingu, aby zapewnić trafność danych. Po pierwsze, model SI, taki jak Amazon Rerank, początkowo sortuje pobrane wiadomości na podstawie ich trafności dla anomalii, mając na celu utrzymanie wysokiej kompletności przy jednoczesnym usuwaniu wysoce nieistotnych danych. Po drugie, dedykowany LLM ocenia każdą z najwyżej ocenionych pozycji w wielu wymiarach, takich jak czas, lokalizacja i typ statku. Zachowywane są tylko te elementy danych, których wynik trafności przekracza wcześniej ustalony próg, co zapewnia wysoką precyzję i gwarantuje, że w końcowym raporcie zostaną użyte tylko najbardziej trafne informacje."

Rewolucjonizacja analizy anomalii morskich za pomocą agentowej sztucznej inteligencji

Rozległy, złożony świat globalnej działalności morskiej stawia unikalne wyzwania dla bezpieczeństwa, wywiadu i operacji komercyjnych. Identyfikowanie i rozumienie nietypowego zachowania statków – od nieoczekiwanych ruchów po odstępstwa od znanych wzorców – często wymaga ogromnej ilości czasu, głębokiej wiedzy dziedzinowej i korelowania rozproszonych źródeł danych. Windward, lider w dziedzinie Morskiej SI™, od dawna dostarcza kluczowych informacji wywiadowczych dla operacji morskich. Teraz, we współpracy z AWS, Windward wykorzystuje agentową generatywną SI do przekształcenia tego procesu, przechodząc od izolowanych alertów do kompleksowej, kontekstowej inteligencji.

To przełomowe partnerstwo ma na celu wzmocnienie pozycji analityków morskich, drastycznie skracając czas dochodzeń i pozwalając im skupić się na podejmowaniu decyzji o wysokiej wartości, zamiast na uciążliwym gromadzeniu danych. Łącząc inteligencję geoprzestrzenną z zaawansowaną generatywną SI, nowe rozwiązanie Windward zapewnia widok 360°, przewidując zagrożenia i chroniąc kluczowe aktywa na morzu z niespotykaną szybkością i precyzją.

Wyzwanie: Od nadmiaru danych do praktycznych wniosków

Historycznie, badanie anomalii morskich było przedsięwzięciem wysoce manualnym i czasochłonnym. Analitycy spędzali godziny na przeszukiwaniu fragmentarycznych informacji, próbując połączyć kropki między różnymi strumieniami danych, aby zrozumieć anomalne zachowanie statku. Proces ten wymagał nie tylko znacznego wysiłku, ale także głębokiej wiedzy dziedzinowej do interpretacji niuansów działalności morskiej, wzorców pogodowych i wydarzeń geopolitycznych.

Istniejący system wczesnego wykrywania Windward skutecznie identyfikuje podejrzane wzorce, ale celem było przyspieszenie drogi od wykrycia do podjęcia decyzji. Aby zoptymalizować przepływ pracy analitycznej i dostarczyć prawdziwie "gotowych do misji" wniosków, Windward zidentyfikował trzy kluczowe strategiczne ulepszenia:

Ujednolicony Przepływ Pracy: Minimalizacja potrzeby konsultowania zewnętrznych źródeł danych przez analityków, tworząc płynne i skoncentrowane środowisko analityczne.
Optymalizacja Ekspertyzy: Automatyzacja zbierania i wstępnej korelacji danych kontekstowych (pogoda, wiadomości, powiązane alerty), umożliwiając ekspertom dziedzinowym poświęcenie cennego czasu na strategiczną interpretację i podejmowanie decyzji.
Kompleksowe Pokrycie: Usprawnienie syntezy informacji w celu umożliwienia szybszego i dogłębnego badania wielu alertów jednocześnie.

Aby osiągnąć te ambitne cele, Windward nawiązał współpracę z AWS Generative AI Innovation Center w celu opracowania MAI Expert™, pierwszego generatywnego agenta morskiej sztucznej inteligencji zdolnego do automatycznej kontekstualizacji złożonych anomalii morskich.

Agentowa Architektura: Zasilanie inteligencji kontekstowej za pomocą AWS

Sercem ulepszonego rozwiązania Windward jest jego wieloetapowa architektura zasilana przez SI, wdrożona na AWS. System ten automatycznie pobiera odpowiednie dane z różnych wewnętrznych i zewnętrznych źródeł i wykorzystuje te informacje do generowania tekstowego opisu, który dogłębnie kontekstualizuje zdarzenia anomalii morskich.

Proces rozpoczyna się, gdy anomalia zostanie zidentyfikowana przez system wczesnego wykrywania Windward. Odpowiednie metadane – takie jak sygnatura czasowa anomalii, współrzędne regionu, typ anomalii i klasa statku – są wyodrębniane z wewnętrznej bazy danych Windward.

Te metadane są następnie wprowadzane do agentowego systemu analitycznego zasilanego przez duże modele językowe (LLM) na Amazon Bedrock. Cały wieloetapowy potok analizy anomalii jest orkiestrowany za pomocą AWS Step Functions, zapewniając solidny i skalowalny przepływ pracy.

Pierwszy krok w tym orkiestrowanym procesie obejmuje odpytywanie wielu, różnorodnych zewnętrznych źródeł danych w celu zebrania odpowiednich informacji kontekstowych:

Kanał Wiadomości w Czasie Rzeczywistym: Alerty i sygnały o wydarzeniach wykryte na podstawie danych publicznych są pobierane i filtrowane na podstawie czasu i lokalizacji anomalii morskiej.
Inteligentne Wyszukiwanie w Sieci: LLM generują precyzyjne zapytania wyszukiwania, umożliwiając pobieranie aktualnych wyników wyszukiwania internetowego, które dostarczają kontekstu w czasie rzeczywistym dla anomalii.
Dane Pogodowe: Zewnętrzne API jest wykorzystywane do pobierania krytycznych danych pogodowych, w tym temperatury, prędkości wiatru i opadów, dla konkretnej lokalizacji i czasu anomalii.

Każde źródło danych jest odpytywane za pomocą oddzielnej funkcji AWS Lambda. To modułowe podejście zapewnia wydajność i skalowalność, umożliwiając łatwą integrację nowych źródeł danych w razie potrzeby.

Dynamiczna Autorefleksja i Kuracja Danych

Kluczową innowacją w tym agentowym rozwiązaniu jest jego zdolność do autorefleksji, która dynamicznie określa potrzebę pobierania dodatkowych danych. Po wstępnym zebraniu danych z wiadomości, wyszukiwania internetowego i pogody, potok przechodzi do drugiego etapu. Tutaj, oddzielny LLM – zasilany przez Claude firmy Anthropic za pośrednictwem Amazon Bedrock – analizuje pobrane elementy danych.

Ten LLM jest instruowany, aby zdecydować, czy zebrane dotychczas dane są wystarczające do wyjaśnienia anomalii, czy też nadal brakuje pewnych aspektów związanych ze zdarzeniem. Może on następnie wygenerować nowe, bardziej precyzyjne zapytanie wyszukiwania dla dodatkowych wyników internetowych lub zasygnalizować potokowi, aby kontynuował. Ta inteligentna pętla sprzężenia zwrotnego, przedstawiona na Rysunku 2, pozwala systemowi proaktywnie poszukiwać bardziej kompleksowego kontekstu, dołączając go do wcześniej zebranych informacji.

Architecture diagram for windward aws blog Rysunek 1. Architektura rozwiązania demonstrująca usługi AWS i generatywną sztuczną inteligencję.

Diagram of flow through self-reflection Rysunek 2. Logika autorefleksji w agentowym systemie analizy anomalii.

Po tej fazie dynamicznego pobierania danych i autorefleksji system stosuje dwuetapowy proces filtrowania i rankingu, aby usunąć nieistotne elementy wiadomości i zapewnić najwyższą jakość kontekstu:

Ponowne rankingowanie z Amazon Rerank: Model SI, Amazon Rerank, sortuje początkowy zestaw elementów danych zgodnie z ich trafnością dla anomalii. Ten krok jest kluczowy dla utrzymania wysokiej kompletności, efektywnie redukując pulę kandydatów do następnego etapu.
Punktacja precyzyjna oparta na LLM: Każdy z najwyżej ocenionych elementów jest następnie dalej punktowany przez LLM w wielu wymiarach, w tym czasu, lokalizacji i zgodności typu statku. System przypisuje oceny trafności w zakresie od 0 do 100, zachowując tylko te elementy danych, których wynik trafności przekracza wcześniej ustalony próg. Zapewnia to wysoką precyzję, gwarantując, że tylko najbardziej istotne informacje przyczyniają się do końcowej analizy.

Praktyczne Wnioski: Skontekstualizowany Raport

Na koniec, skrupulatnie przefiltrowane i uszeregowane dane są przekazywane do innego LLM. Ten LLM syntetyzuje wszystkie zebrane informacje, aby wygenerować zwięzły, skontekstualizowany raport na temat anomalii. Raport podsumowuje potencjalne przyczyny, ryzyka i implikacje wykrytego zdarzenia morskiego. Co najważniejsze, jest on przeznaczony dla klientów Windward i bezpośrednio cytuje wszystkie użyte źródła danych, zapewniając pełną przejrzystość i umożliwiając użytkownikom weryfikację informacji oraz pogłębienie wiedzy poprzez kliknięcie w podane linki.

Maritime intelligence product Rysunek 3. Przykład wygenerowanego raportu anomalii z MAI Expert™ Windward.

Ocena i Wpływ

System end-to-end jest rygorystycznie oceniany w oparciu o kompleksowy zestaw historycznych anomalii morskich. Ocena ta często obejmuje podejście LLM jako sędziego, oceniające jakość, dokładność i kompletność generowanych raportów kontekstowych.

Implikacje tego agentowego rozwiązania generatywnej sztucznej inteligencji są głębokie. Automatyzując pracochłonny proces zbierania i korelowania danych, Windward umożliwia analitykom morskim:

Zwiększenie Wydajności: Znaczące skrócenie czasu poświęcanego na dochodzenia, uwalniając cenne zasoby ludzkie.
Poprawa Świadomości Sytuacyjnej: Zyskanie głębszego, bardziej kontekstowego zrozumienia anomalii, przechodząc od izolowanych alertów do kompleksowej inteligencji.
Przyspieszenie Podejmowania Decyzji: Umożliwienie szybszych i bardziej świadomych decyzji, co jest kluczowe dla przewidywania zagrożeń i ochrony aktywów w dynamicznym środowisku morskim.
Optymalizacja Wiedzy Eksperckiej: Umożliwienie ekspertom dziedzinowym skupienia się na strategicznej interpretacji i analizie na wysokim poziomie, wykorzystując ich unikalne umiejętności tam, gdzie są one najważniejsze.

Współpraca między Windward a AWS jest przykładem tego, jak najnowocześniejsza generatywna SI i infrastruktura chmurowa mogą być wykorzystane do rozwiązywania złożonych problemów rzeczywistych, przekształcając kluczowe sektory, takie jak wywiad morski, i ustalając nowy standard dla kontekstowej analizy anomalii.