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.

Agentna pomorska umetna inteligenca: kontekstualna analiza anomalij z generativno umetno inteligenco

Revolucioniranje analize pomorskih anomalij z agentno umetno inteligenco

Ogromen, kompleksen svet globalnih pomorskih dejavnosti predstavlja edinstvene izzive za varnost, obveščevalne službe in komercialne operacije. Prepoznavanje in razumevanje nenavadnega vedenja plovil – od nepričakovanih premikov do odstopanj od znanih vzorcev – pogosto zahteva ogromno časa, globoko strokovno znanje in korelacijo različnih virov podatkov. Windward, vodilni na področju pomorske umetne inteligence (Maritime AI™), že dolgo zagotavlja ključne obveščevalne podatke za pomorske operacije. Zdaj, v sodelovanju z AWS, Windward uporablja agentno generativno umetno inteligenco za preoblikovanje tega procesa, s prehodom od izoliranih opozoril k celoviti, kontekstualni inteligenci.

To prelomno partnerstvo je namenjeno opolnomočenju pomorskih analitikov, drastičnemu skrajšanju časa preiskave in omogočanju, da se osredotočijo na visoko vredno odločanje namesto na naporno zbiranje podatkov. Z združevanjem geoprostorske inteligence z napredno generativno umetno inteligenco Windwardova nova rešitev zagotavlja 360° pogled, predvideva grožnje in ščiti kritična sredstva na morju z izjemno hitrostjo in natančnostjo.

Izziv: Od preobremenjenosti s podatki do uporabnih spoznanj

V preteklosti je bila preiskava pomorskih anomalij zelo ročno in časovno potratno delo. Analitiki so preživeli ure, ko so prebirali razdrobljene informacije, poskušali povezati pike med različnimi tokovi podatkov, da bi razumeli anomalno vedenje plovila. Ta postopek ni zahteval le znatnega truda, ampak tudi globoko strokovno znanje za interpretacijo nians pomorskih dejavnosti, vremenskih vzorcev in geopolitičnih dogodkov.

Windwardov obstoječi sistem za zgodnje zaznavanje uspešno identificira sumljive vzorce, vendar je bil cilj pospešiti pot od zaznavanja do odločanja. Za optimizacijo analitičnega delovnega toka in zagotavljanje resnično "pripravljenih na misijo" vpogledov je Windward identificiral tri ključne strateške izboljšave:

Enotni delovni tok: Zmanjšajte potrebo, da analitiki pregledujejo zunanje vire podatkov, in ustvarite brezhibno in osredotočeno analitično okolje.
Optimizacija strokovnega znanja: Avtomatizirajte zbiranje in začetno korelacijo kontekstualnih podatkov (vreme, novice, povezana opozorila), kar bo strokovnjakom na tem področju omogočilo, da svoj dragoceni čas posvetijo strateški interpretaciji in odločanju.
Celovita pokritost: Poenostavite sintezo informacij, da omogočite hitrejše in poglobljeno preiskovanje več opozoril hkrati.

Za dosego teh ambicioznih ciljev se je Windward povezal z AWS Generative AI Innovation Center za razvoj MAI Expert™, prvega generativnega pomorskega agenta umetne inteligence, ki je sposoben samodejno kontekstualizirati kompleksne pomorske anomalije.

Agentna arhitektura: Omogočanje kontekstualne inteligence z AWS

Srce izboljšane rešitve Windward leži v njeni večstopenjski arhitekturi, ki jo poganja umetna inteligenca in je implementirana na AWS. Ta sistem samodejno pridobiva relevantne podatke iz različnih notranjih in zunanjih virov in te informacije uporablja za ustvarjanje besedilnega opisa, ki temeljito kontekstualizira dogodke pomorskih anomalij.

Postopek se začne, ko sistem Windward Early Detection identificira anomalijo. Relevantni metapodatki – kot so časovna oznaka anomalije, koordinate regije, vrsta anomalije in razred plovila – se ekstrahirajo iz Windwardove notranje baze podatkov.

Ti metapodatki se nato vnesejo v sistem agentne analize, ki ga poganjajo veliki jezikovni modeli (LLM) na Amazon Bedrocku. Celoten večstopenjski analitični proces anomalij je orkestriran z uporabo AWS Step Functions, kar zagotavlja robusten in razširljiv delovni tok.

Prvi korak v tem orkestriranem procesu vključuje poizvedovanje po več, raznolikih zunanjih virih podatkov za zbiranje relevantnih osnovnih informacij:

Vir novic v realnem času: Opozorila in signalni dogodki, odkriti iz javnih podatkov, se pridobijo in filtrirajo na podlagi časa in lokacije pomorske anomalije.
Inteligentno spletno iskanje: LLM generirajo natančne iskalne poizvedbe, kar omogoča pridobivanje posodobljenih rezultatov spletnega iskanja, ki zagotavljajo kontekst anomalije v realnem času.
Vremenski podatki: Zunanji API se uporablja za pridobivanje kritičnih vremenskih podatkov, vključno s temperaturo, hitrostjo vetra in padavinami, za specifično lokacijo in čas anomalije.

Vsak vir podatkov se poizveduje z ločeno funkcijo AWS Lambda. Ta modularni pristop zagotavlja učinkovitost in razširljivost, kar omogoča enostavno integracijo novih virov podatkov po potrebi.

Dinamična samooslikava in kuriranje podatkov

Ključna inovacija v tej agentni rešitvi je njena zmožnost samooslikave, ki dinamično določa potrebo po dodatnem pridobivanju podatkov. Po začetnem zbiranju podatkov iz novic, spletnega iskanja in vremena se proces premakne na drugo stopnjo. Tu ločen LLM – ki ga poganja Anthropicov Claude prek Amazon Bedrock – pregleda pridobljene podatkovne elemente.

Ta LLM je poučen, da se odloči, ali so do sedaj zbrani podatki zadostni za razlago anomalije ali pa določeni vidiki, povezani z dogodkom, še manjkajo. Nato lahko ustvari novo, bolj natančno iskalno poizvedbo za dodatne spletne rezultate ali signalizira procesu, naj nadaljuje. Ta inteligentna povratna zanka, prikazana na sliki 2, omogoča sistemu, da proaktivno išče celovitejši kontekst in ga dodaja k prej zbranim informacijam.

Arhitekturni diagram za windward aws blog Slika 1. Arhitektura rešitve, ki prikazuje storitve AWS in generativno umetno inteligenco.

Diagram poteka samooslikave Slika 2. Logika samooslikave v agentnem sistemu za analizo anomalij.

Po tej fazi dinamičnega pridobivanja podatkov in samooslikave sistem uporablja dvostopenjski postopek filtriranja in razvrščanja za odstranjevanje nepomembnih novic in zagotavljanje najvišje kakovosti konteksta:

Ponovno razvrščanje z Amazon Rerank: Model umetne inteligence, Amazon Rerank, razvrsti začetni nabor podatkovnih elementov glede na njihovo relevantnost za anomalijo. Ta korak je ključen za ohranjanje visoke priklicljivosti, saj učinkovito zmanjšuje nabor kandidatov za naslednjo fazo.
Točkovanje natančnosti na podlagi LLM: Vsakemu od najbolje uvrščenih elementov nato LLM dodeli točke glede na več dimenzij, vključno s časom, lokacijo in vrsto plovila. Sistem dodeli ocene relevantnosti med 0 in 100, pri čemer obdrži le tiste podatkovne elemente, ki presegajo vnaprej določen prag. To zagotavlja visoko natančnost in zagotavlja, da se v končni analizi uporabijo le najpomembnejše informacije.

Uporabna spoznanja: Kontekstualizirano poročilo

Končno se natančno filtrirani in razvrščeni podatki posredujejo drugemu LLM-u. Ta LLM sintetizira vse zbrane informacije in ustvari jedrnato, kontekstualizirano poročilo o anomaliji. Poročilo povzema morebitne vzroke, tveganja in posledice zaznanega pomorskega dogodka. Bistveno je, da je napisano za stranke Windwarda in neposredno navaja vse uporabljene vire podatkov, kar zagotavlja popolno preglednost in uporabnikom omogoča preverjanje informacij ter poglobljeno raziskovanje z uporabo priloženih povezav.

Izdelek pomorske inteligence Slika 3. Primer generiranega poročila o anomaliji iz Windwardovega MAI Expert™.

Ta izhod drastično zmanjšuje kognitivno obremenitev analitikov, saj jim ponuja že pripravljeno pripoved, ki pojasnjuje anomalijo v širšem operativnem in geopolitičnem kontekstu.

Vrednotenje in vpliv

Celoten sistem je strogo ovrednoten glede na obsežen nabor zgodovinskih pomorskih anomalij. To vrednotenje pogosto vključuje pristop LLM kot sodnika, ki ocenjuje kakovost, natančnost in celovitost generiranih kontekstualnih poročil.

Posledice te agentne rešitve generativne umetne inteligence so daljnosežne. Z avtomatizacijo napornega procesa zbiranja in korelacije podatkov Windward omogoča pomorskim analitikom, da:

Izboljšajo učinkovitost: Bistveno zmanjšajo čas, porabljen za preiskavo, s čimer se sprostijo dragoceni človeški viri.
Izboljšajo ozaveščenost o situaciji: Pridobijo globlje, bolj kontekstualno razumevanje anomalij, presegajoč izolirana opozorila do celovite inteligence.
Pospešijo odločanje: Omogočijo hitrejše in bolj informirane odločitve, kar je ključnega pomena za predvidevanje groženj in zaščito sredstev v dinamičnih pomorskih okoljih.
Optimizirajo strokovno znanje: Omogočijo strokovnjakom na tem področju, da se osredotočijo na strateško interpretacijo in analizo na visoki ravni, izkoriščajoč svoje edinstvene veščine tam, kjer so najpomembnejše.

Sodelovanje med Windwardom in AWS ponazarja, kako je mogoče izkoristiti najsodobnejšo generativno umetno inteligenco in oblačno infrastrukturo za reševanje kompleksnih problemov v realnem svetu, preoblikovanje kritičnih sektorjev, kot je pomorska inteligenca, in postavljanje novega standarda za kontekstualno analizo anomalij.