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.

Агентский морской ИИ: Контекстный анализ аномалий с помощью генеративного ИИ

Революция в анализе морских аномалий с помощью агентского ИИ

Обширный и сложный мир глобальной морской деятельности представляет уникальные проблемы для обеспечения безопасности, разведки и коммерческих операций. Выявление и понимание необычного поведения судов — от неожиданных перемещений до отклонений от известных маршрутов — часто требует огромного количества времени, глубоких предметных знаний и корреляции разрозненных источников данных. Windward, лидер в области морского ИИ (Maritime AI™), давно предоставляет критически важные данные для морских операций. Теперь, в сотрудничестве с AWS, Windward использует агентский генеративный ИИ для преобразования этого процесса, переходя от разрозненных оповещений к всеобъемлющему, контекстному интеллекту.

Это новаторское партнерство призвано расширить возможности морских аналитиков, значительно сократив время расследования и позволив им сосредоточиться на принятии важных решений, а не на трудоемком сборе данных. Объединяя геопространственную информацию с передовым генеративным ИИ, новое решение Windward обеспечивает 360-градусный обзор, предвидя угрозы и защищая критически важные активы в море с беспрецедентной скоростью и точностью.

Вызов: От избытка данных к действенным инсайтам

Исторически расследование морских аномалий было крайне ручным и трудоемким занятием. Аналитики тратили часы, просеивая разрозненную информацию, пытаясь связать воедино различные потоки данных, чтобы понять аномальное поведение судна. Этот процесс требовал не только значительных усилий, но и глубоких предметных знаний для интерпретации нюансов морской деятельности, погодных условий и геополитических событий.

Существующая система раннего обнаружения Windward успешно выявляет подозрительные закономерности, но цель состояла в том, чтобы ускорить путь от обнаружения к принятию решений. Чтобы оптимизировать аналитический рабочий процесс и предоставить по-настоящему "готовые к миссии" данные, Windward выделила три ключевых стратегических улучшения:

Единый рабочий процесс: Минимизировать необходимость для аналитиков обращаться к внешним источникам данных, создавая бесшовную и сфокусированную аналитическую среду.
Оптимизация экспертизы: Автоматизировать сбор и первоначальную корреляцию контекстных данных (погода, новости, связанные оповещения), позволяя экспертам посвящать свое ценное время стратегической интерпретации и принятию решений.
Всеобъемлющий охват: Оптимизировать синтез информации, чтобы обеспечить более быстрое и углубленное расследование нескольких оповещений одновременно.

Для достижения этих амбициозных целей Windward в партнерстве с Центром инноваций генеративного ИИ AWS разработала MAI Expert™ — первого морского агента генеративного ИИ, способного автоматически контекстуализировать сложные морские аномалии.

Агентская архитектура: обеспечение контекстного интеллекта с помощью AWS

Суть усовершенствованного решения Windward заключается в его многоступенчатой архитектуре на базе ИИ, развернутой на AWS. Эта система автоматически извлекает релевантные данные из различных внутренних и внешних источников и использует эту информацию для создания текстового описания, которое всесторонне контекстуализирует события морских аномалий.

Процесс начинается, когда аномалия выявляется системой раннего обнаружения Windward. Соответствующие метаданные — такие как отметка времени аномалии, координаты региона, тип аномалии и класс судна — извлекаются из внутренней базы данных Windward.

Эти метаданные затем передаются в систему агентского анализа, работающую на больших языковых моделях (LLM) в Amazon Bedrock. Весь многоступенчатый конвейер анализа аномалий оркестрируется с использованием AWS Step Functions, что обеспечивает надежный и масштабируемый рабочий процесс.

Первый шаг в этом оркестрированном процессе включает запрос к нескольким разнообразным внешним источникам данных для сбора релевантной фоновой информации:

Новостная лента в реальном времени: Оповещения и сигналы событий, обнаруженные из общедоступных данных, извлекаются и фильтруются на основе времени и местоположения морской аномалии.
Интеллектуальный веб-поиск: LLM генерируют точные поисковые запросы, позволяя извлекать актуальные результаты веб-поиска, которые предоставляют контекст аномалии в реальном времени.
Данные о погоде: Внешний API используется для получения критически важных данных о погоде, включая температуру, скорость ветра и осадки, для конкретного местоположения и времени аномалии.

Каждый источник данных запрашивается с использованием отдельной функции AWS Lambda. Этот модульный подход обеспечивает эффективность и масштабируемость, позволяя легко интегрировать новые источники данных по мере необходимости.

Динамическая саморефлексия и курирование данных

Ключевым нововведением в этом агентском решении является его способность к саморефлексии, которая динамически определяет необходимость дополнительного извлечения данных. После первоначального сбора данных из новостей, веб-поиска и погоды, конвейер переходит ко второму шагу. Здесь отдельный LLM, работающий на Claude от Anthropic через Amazon Bedrock, анализирует извлеченные элементы данных.

Этому LLM дано указание решить, достаточно ли собранных данных для объяснения аномалии, или же некоторые аспекты, связанные с событием, все еще отсутствуют. Затем он может либо сгенерировать новый, более уточненный поисковый запрос для получения дополнительных результатов веб-поиска, либо дать сигнал конвейеру продолжить работу. Этот интеллектуальный цикл обратной связи, показанный на Рисунке 2, позволяет системе активно искать более полную контекстную информацию, добавляя ее к ранее собранным данным.

Архитектурная схема для блога windward aws Рисунок 1. Архитектура решения, демонстрирующая сервисы AWS и генеративный ИИ.

Схема потока саморефлексии Рисунок 2. Логика саморефлексии в системе агентского анализа аномалий.

После этапа динамического извлечения данных и саморефлексии система применяет двухэтапный процесс фильтрации и ранжирования для удаления нерелевантных новостных элементов и обеспечения максимально качественного контекста:

Переранжирование с помощью Amazon Rerank: Модель ИИ, Amazon Rerank, сортирует исходный набор элементов данных в соответствии с их релевантностью аномалии. Этот шаг имеет решающее значение для поддержания высокой полноты, эффективно сокращая пул кандидатов для следующего этапа.
Оценка точности на основе LLM: Каждый из элементов с наивысшим рейтингом затем дополнительно оценивается LLM по нескольким параметрам, включая время, местоположение и соответствующий тип судна. Система присваивает оценки релевантности от 0 до 100, сохраняя только те элементы данных, которые превышают заданный порог. Это обеспечивает высокую точность, гарантируя, что только самая ретинальная информация будет использоваться в окончательном анализе.

Практические выводы: Контекстуализированный отчет

Наконец, тщательно отфильтрованные и ранжированные данные передаются другому LLM. Этот LLM синтезирует всю собранную информацию для создания краткого, контекстуализированного отчета об аномалии. Отчет суммирует потенциальные причины, риски и последствия обнаруженного морского события. Что особенно важно, он написан для клиентов Windward и напрямую цитирует все использованные источники данных, обеспечивая полную прозрачность и позволяя пользователям проверять информацию и углубляться в нее, переходя по предоставленным ссылкам.

Продукт морского интеллекта Рисунок 3. Пример сгенерированного отчета об аномалии из MAI Expert™ от Windward.

Этот результат значительно снижает когнитивную нагрузку на аналитиков, предоставляя им готовое описание, объясняющее аномалию в ее более широком операционном и геополитическом контексте.

Оценка и влияние

Система "от начала до конца" строго оценивается по всестороннему набору исторических морских аномалий. Эта оценка часто включает подход "LLM как судья", оценивающий качество, точность и полноту сгенерированных контекстных отчетов.

Последствия этого агентского решения на базе генеративного ИИ весьма значительны. Автоматизируя трудоемкий процесс сбора и корреляции данных, Windward позволяет морским аналитикам:

Повысить эффективность: Значительно сократить время, затрачиваемое на расследования, высвобождая ценные человеческие ресурсы.
Улучшить ситуационную осведомленность: Получить более глубокое, контекстное понимание аномалий, переходя от разрозненных оповещений к всеобъемлющему интеллекту.
Ускорить принятие решений: Обеспечить более быстрые и обоснованные решения, что критически важно для предвидения угроз и защиты активов в динамичных морских условиях.
Оптимизировать экспертизу: Позволить экспертам сосредоточиться на стратегической интерпретации и высокоуровневом анализе, используя их уникальные навыки там, где это наиболее важно.

Сотрудничество между Windward и AWS является примером того, как передовой генеративный ИИ и облачная инфраструктура могут быть использованы для решения сложных реальных проблем, трансформируя такие критически важные сектора, как морская разведка, и устанавливая новый стандарт для контекстного анализа аномалий.