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.

IA Marítima Agente: Análise Contextual de Anomalias com IA Generativa

Revolucionando a Análise de Anomalias Marítimas com IA Agente

O vasto e complexo mundo da atividade marítima global apresenta desafios únicos para a segurança, inteligência e operações comerciais. Identificar e compreender o comportamento incomum de embarcações – desde movimentos inesperados a desvios de padrões conhecidos – muitas vezes exige tempo imenso, profunda expertise no domínio e a correlação de fontes de dados díspares. A Windward, líder em IA Marítima™, há muito fornece inteligência crítica para operações marítimas. Agora, em colaboração com a AWS, a Windward está aproveitando a IA generativa agente para transformar esse processo, passando de alertas isolados para uma inteligência contextual abrangente.

Essa parceria inovadora visa capacitar os analistas marítimos, reduzindo drasticamente os tempos de investigação e permitindo que eles se concentrem na tomada de decisões de alto valor, em vez da árdua coleta de dados. Ao fundir inteligência geoespacial com IA generativa avançada, a nova solução da Windward oferece uma visão 360°, antecipando ameaças e protegendo ativos críticos no mar com velocidade e precisão sem precedentes.

O Desafio: Do Excesso de Dados aos Insights Acionáveis

Historicamente, a investigação de anomalias marítimas era um empreendimento altamente manual e demorado. Os analistas passavam horas peneirando informações fragmentadas, tentando conectar pontos entre vários fluxos de dados para entender o comportamento anômalo de uma embarcação. Esse processo exigia não apenas um esforço significativo, mas também profunda expertise no domínio para interpretar as nuances das atividades marítimas, padrões climáticos e eventos geopolíticos.

O sistema de Detecção Precoce existente da Windward identifica com sucesso padrões suspeitos, mas o objetivo era acelerar o caminho da detecção para a tomada de decisões. Para otimizar o fluxo de trabalho analítico e fornecer insights verdadeiramente "prontos para a missão", a Windward identificou três melhorias estratégicas importantes necessárias:

Fluxo de Trabalho Unificado: Minimizar a necessidade de os analistas consultarem fontes de dados externas, criando um ambiente analítico contínuo e focado.
Otimização da Expertise: Automatizar a coleta e a correlação inicial de dados contextuais (clima, notícias, alertas relacionados), permitindo que os especialistas no domínio dediquem seu valioso tempo à interpretação estratégica e à tomada de decisões.
Cobertura Abrangente: Otimizar a síntese de informações para permitir uma investigação mais rápida e aprofundada de múltiplos alertas simultaneamente.

Para abordar esses objetivos ambiciosos, a Windward fez parceria com o AWS Generative AI Innovation Center para desenvolver o MAI Expert™, o primeiro agente marítimo de IA generativa capaz de contextualizar automaticamente anomalias marítimas complexas.

Arquitetura Agente: Potencializando a Inteligência Contextual com AWS

O cerne da solução aprimorada da Windward reside em sua arquitetura multifásica e impulsionada por IA, implantada na AWS. Esse sistema busca automaticamente dados relevantes de várias fontes internas e externas e usa essas informações para gerar uma descrição textual que contextualiza minuciosamente os eventos de anomalias marítimas.

O processo começa quando uma anomalia é identificada pelo sistema de Detecção Precoce da Windward. Metadados relevantes – como carimbo de data/hora da anomalia, coordenadas da região, tipo de anomalia e classe da embarcação – são extraídos do banco de dados interno da Windward.

Esses metadados são então inseridos em um sistema de análise agente impulsionado por grandes modelos de linguagem (LLMs) no Amazon Bedrock. Todo o pipeline de análise de anomalias multifásico é orquestrado usando AWS Step Functions, garantindo um fluxo de trabalho robusto e escalável.

O primeiro passo nesse processo orquestrado envolve a consulta de múltiplas e diversas fontes de dados externas para coletar informações de fundo relevantes:

Feed de Notícias em Tempo Real: Alertas e sinais de eventos descobertos a partir de dados públicos são buscados e filtrados com base no tempo e na localização da anomalia marítima.
Pesquisa Web Inteligente: LLMs geram consultas de pesquisa precisas, permitindo a recuperação de resultados de pesquisa web atualizados que fornecem contexto em tempo real para a anomalia.
Dados Meteorológicos: Uma API externa é utilizada para recuperar dados meteorológicos críticos, incluindo temperatura, velocidade do vento e precipitação, para a localização e o tempo específicos da anomalia.

Cada fonte de dados é consultada usando uma função AWS Lambda separada. Essa abordagem modular garante eficiência e escalabilidade, permitindo a fácil integração de novas fontes de dados conforme necessário.

Autorreflexão Dinâmica e Curadoria de Dados

Uma inovação central nesta solução agente é sua capacidade de autorreflexão, que determina dinamicamente a necessidade de recuperação de dados adicionais. Após a coleta inicial de dados de notícias, pesquisa web e clima, o pipeline passa para uma segunda etapa. Aqui, um LLM separado — impulsionado pelo Claude da Anthropic através do Amazon Bedrock — examina os itens de dados recuperados.

Este LLM é instruído a decidir se os dados coletados até agora são suficientes para explicar a anomalia ou se certos aspectos relacionados ao evento ainda estão faltando. Ele pode então gerar uma nova consulta de pesquisa mais refinada para resultados web adicionais ou sinalizar o pipeline para prosseguir. Esse loop de feedback inteligente, representado na Figura 2, permite que o sistema busque proativamente um contexto mais abrangente, anexando-o às informações previamente coletadas.

Architecture diagram for windward aws blog Figura 1. Arquitetura da solução demonstrando os serviços AWS e a IA generativa.

Diagram of flow through self-reflection Figura 2. Lógica de autorreflexão no sistema de análise de anomalias agente.

Após essa fase dinâmica de recuperação de dados e autorreflexão, o sistema emprega um processo de filtragem e classificação em duas etapas para remover itens de notícias irrelevantes e garantir a mais alta qualidade de contexto:

Reclassificação com Amazon Rerank: Um modelo de IA, o Amazon Rerank, classifica o conjunto inicial de itens de dados de acordo com sua relevância para a anomalia. Esta etapa é crucial para manter alta recall, reduzindo eficientemente o pool de candidatos para a próxima fase.
Pontuação de Precisão baseada em LLM: Cada um dos itens mais bem classificados é então pontuado por um LLM em múltiplas dimensões, incluindo tempo, localização e tipo de embarcação correspondente. O sistema atribui pontuações de relevância entre 0 e 100, retendo apenas os itens de dados que excedem um limite predefinido. Isso garante alta precisão, garantindo que apenas as informações mais pertinentes contribuam para a análise final.

Insights Acionáveis: O Relatório Contextualizado

Finalmente, os dados meticulosamente filtrados e classificados são passados para outro LLM. Este LLM sintetiza toda a inteligência coletada para gerar um relatório conciso e contextualizado sobre a anomalia. O relatório resume as causas potenciais, riscos e implicações do evento marítimo detectado. Crucialmente, ele é escrito para os clientes da Windward e cita diretamente todas as fontes de dados utilizadas, fornecendo total transparência e permitindo que os usuários verifiquem informações e se aprofundem seguindo os links fornecidos.

Maritime intelligence product Figura 3. Exemplo de relatório de anomalia gerado pelo MAI Expert™ da Windward.

Essa saída reduz drasticamente a carga cognitiva dos analistas, apresentando-lhes uma narrativa pronta que explica a anomalia dentro de seu contexto operacional e geopolítico mais amplo.

Avaliação e Impacto

O sistema de ponta a ponta é rigorosamente avaliado contra um conjunto abrangente de anomalias marítimas históricas. Essa avaliação geralmente envolve uma abordagem de LLM-como-juiz, avaliando a qualidade, precisão e completude dos relatórios contextuais gerados.

As implicações dessa solução de IA generativa agente são profundas. Ao automatizar o trabalhoso processo de coleta e correlação de dados, a Windward capacita os analistas marítimos a:

Aumentar a Eficiência: Reduzir significativamente o tempo gasto na investigação, liberando valiosos recursos humanos.
Melhorar a Consciência Situacional: Obter uma compreensão mais profunda e contextual de anomalias, indo além de alertas isolados para uma inteligência abrangente.
Acelerar a Tomada de Decisão: Permitir decisões mais rápidas e informadas, críticas para antecipar ameaças e proteger ativos em ambientes marítimos dinâmicos.
Otimizar a Expertise: Permitir que especialistas no domínio se concentrem na interpretação estratégica e na análise de alto nível, aproveitando suas habilidades únicas onde elas mais importam.

A colaboração entre a Windward e a AWS exemplifica como a IA generativa de ponta e a infraestrutura de nuvem podem ser aproveitadas para resolver problemas complexos do mundo real, transformando setores críticos como a inteligência marítima e estabelecendo um novo padrão para a análise contextual de anomalias.