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 veštačka inteligencija: Kontekstualna analiza anomalija sa generativnom veštačkom inteligencijom

title: "Agentna pomorska veštačka inteligencija: Kontekstualna analiza anomalija sa generativnom veštačkom inteligencijom" slug: "from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai" date: "2026-04-07" lang: "sr" source: "https://aws.amazon.com/blogs/machine-learning/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai/" category: "AI za preduzeća" keywords:

Pomorska veštačka inteligencija
Generativna veštačka inteligencija
Detekcija anomalija
AWS
Amazon Bedrock
Agentna veštačka inteligencija
Nadzor plovila
Mašinsko učenje
Kontekstualna inteligencija
Windward
AWS Step Functions
AI automatizacija meta_description: "Windward i AWS koriste agentnu generativnu veštačku inteligenciju za transformaciju analize pomorskih anomalija, pružajući kontekstualnu inteligenciju iz izolovanih upozorenja, poboljšavajući bezbednost i operativnu efikasnost." image: "/images/articles/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai.png" image_alt: "Dijagram arhitekture koji prikazuje kako AWS servisi i generativna veštačka inteligencija pokreću Windward-ovu agentnu analizu pomorskih anomalija za kontekstualnu inteligenciju." quality_score: 94 content_score: 93 seo_score: 95 companies:
AWS schema_type: "NewsArticle" reading_time: 5 faq:
question: "Šta je Windward-ov MAI Expert™ i kako koristi generativnu veštačku inteligenciju?" answer: 'Windward-ov MAI Expert™ je pionirski pomorski agent sa generativnom veštačkom inteligencijom, dizajniran da kontekstualizuje pomorske anomalije. Koristi generativnu veštačku inteligenciju, posebno velike jezičke modele (LLM) na Amazon Bedrock-u, za automatizaciju prikupljanja, korelacije i sinteze različitih izvora podataka. To mu omogućava da generiše sveobuhvatne procene rizika i sažetke za sumnjive aktivnosti plovila, omogućavajući analitičarima da brže i preciznije donose informisane odluke, prebacujući fokus sa prikupljanja podataka na stratešku interpretaciju.'
question: "Kako funkcioniše rešenje za agentnu analizu pomorskih anomalija?" answer: "Rešenje, razvijeno u saradnji sa AWS-om, je višestepeni AI-pokretani proces. Počinje ekstrakcijom metapodataka iz događaja anomalije. Ti metapodaci zatim pokreću agentni sistem za analizu koristeći LLM-ove na Amazon Bedrock-u, orkestrirane pomoću AWS Step Functions. Sistem pretražuje različite eksterne izvore podataka (vesti, veb pretraga, vreme) putem AWS Lambda funkcija. Ključni korak samorefleksije, pokretan LLM-om kao što je Anthropic-ov Claude, određuje da li su potrebni dodatni podaci. Na kraju, filtrirani i rangirani podaci se koriste od strane drugog LLM-a za generisanje kontekstualizovanog izveštaja, uz navođenje svih izvora."
question: "Koji su AWS servisi centralni za Windward-ovo rešenje sa generativnom veštačkom inteligencijom?" answer: "Nekoliko ključnih AWS servisa podržava Windward-ovo rešenje za agentnu analizu pomorskih anomalija. Amazon Bedrock hostuje velike jezičke modele (LLM), uključujući Anthropic-ov Claude, koji su odgovorni za generisanje upita, samorefleksiju, ocenjivanje i generisanje izveštaja. AWS Step Functions orkestrira ceo višestepeni analitički proces, obezbeđujući neometan rad. AWS Lambda funkcije se koriste za preuzimanje podataka iz različitih eksternih izvora. Pored toga, Amazon Rerank pomaže u filtriranju i rangiranju relevantnih vesti kako bi se održao visok kvalitet i relevantnost podataka."
question: "Koji su primarni izazovi koje je Windward želeo da reši ovim pristupom generativne veštačke inteligencije?" answer: 'Pre ovog rešenja, pomorski analitičari su provodili značajno vreme ručno prikupljajući i korelirajući složene podatke kako bi razumeli anomalije u ponašanju plovila. Windward je nastojao da reši tri ključna strateška poboljšanja: kreiranje unificiranog toka rada za minimiziranje konsultacija sa eksternim podacima, optimizaciju ekspertize automatizacijom prikupljanja podataka (vreme, vesti, upozorenja) kako bi se stručnjaci fokusirali na stratešku interpretaciju, i pružanje sveobuhvatne pokrivenosti pojednostavljivanjem sinteze informacija za brzu, dubinsku istragu više upozorenja istovremeno.'
question: "Kako sistem obezbeđuje relevantnost preuzetih informacija za specifičnu anomaliju?" answer: 'Rešenje koristi robustan dvostepeni proces filtriranja i rangiranja kako bi se obezbedila relevantnost podataka. Prvo, AI model poput Amazon Rerank-a inicijalno sortira preuzete vesti na osnovu njihove relevantnosti za anomaliju, sa ciljem održavanja visoke povratne vrednosti dok se uklanjaju izuzetno irelevantni podaci. Drugo, namenski LLM ocenjuje svaku od najviše rangiranih stavki po više dimenzija kao što su vreme, lokacija i tip plovila. Zadržavaju se samo stavke podataka sa ocenom relevantnosti iznad unapred određenog praga, čime se obezbeđuje visoka preciznost i da se u konačnom izveštaju koriste samo najrelevantnije informacije.'

Revolucionisanje analize pomorskih anomalija pomoću agentne veštačke inteligencije

Ogroman, složen svet globalne pomorske aktivnosti predstavlja jedinstvene izazove za bezbednost, obaveštajne službe i komercijalne operacije. Identifikovanje i razumevanje neobičnog ponašanja plovila – od neočekivanih kretanja do odstupanja od poznatih obrazaca – često zahteva ogromno vreme, duboku stručnost u oblasti i korelaciju različitih izvora podataka. Windward, lider u oblasti pomorske veštačke inteligencije (Maritime AI™), dugo je pružao ključne obaveštajne podatke za pomorske operacije. Sada, u saradnji sa AWS-om, Windward koristi agentnu generativnu veštačku inteligenciju kako bi transformisao ovaj proces, prelazeći sa izolovanih upozorenja na sveobuhvatnu, kontekstualnu inteligenciju.

Ovo revolucionarno partnerstvo ima za cilj da osnaži pomorske analitičare, drastično smanjujući vreme istrage i omogućavajući im da se fokusiraju na donošenje odluka visoke vrednosti, umesto na mukotrpno prikupljanje podataka. Spajanjem geoprostorne inteligencije sa naprednom generativnom veštačkom inteligencijom, Windward-ovo novo rešenje pruža pogled od 360°, predviđajući pretnje i štiteći kritična sredstva na moru sa neviđenom brzinom i preciznošću.

Izazov: Od preopterećenja podacima do upotrebljivih uvida

Istorijski gledano, istraga pomorskih anomalija bila je visoko manuelan i vremenski intenzivan poduhvat. Analitičari bi provodili sate pretražujući fragmentirane informacije, pokušavajući da povežu različite tokove podataka kako bi razumeli anomalno ponašanje plovila. Ovaj proces je zahtevao ne samo značajan napor, već i duboku stručnost u oblasti kako bi se interpretirale nijanse pomorskih aktivnosti, vremenskih obrazaca i geopolitičkih događaja.

Windward-ov postojeći sistem za rano otkrivanje uspešno identifikuje sumnjive obrasce, ali cilj je bio da se ubrza put od detekcije do donošenja odluka. Da bi se optimizovao analitički tok posla i pružili zaista "spremni za misiju" uvidi, Windward je identifikovao tri ključna strateška poboljšanja koja su potrebna:

Ujedinjeni tok rada: Smanjiti potrebu da analitičari konsultuju eksterne izvore podataka, stvarajući besprekorno i fokusirano analitičko okruženje.
Optimizacija ekspertize: Automatizovati prikupljanje i početnu korelaciju kontekstualnih podataka (vreme, vesti, povezana upozorenja), omogućavajući stručnjacima u oblasti da svoje dragoceno vreme posvete strateškoj interpretaciji i donošenju odluka.
Sveobuhvatna pokrivenost: Pojednostaviti sintezu informacija kako bi se omogućila brža i dublja istraga više upozorenja istovremeno.

Da bi se pozabavio ovim ambicioznim ciljevima, Windward se udružio sa AWS Generative AI Innovation Center-om kako bi razvio MAI Expert™, prvog generativnog AI pomorskog agenta sposobnog da automatski kontekstualizuje složene pomorske anomalije.

Agentna arhitektura: Omogućavanje kontekstualne inteligencije pomoću AWS-a

Srce Windward-ovog unapređenog rešenja leži u njegovoj višestepenoj arhitekturi pokretanoj veštačkom inteligencijom, implementiranoj na AWS-u. Ovaj sistem automatski preuzima relevantne podatke iz različitih internih i eksternih izvora i koristi ove informacije za generisanje tekstualnog opisa koji temeljno kontekstualizuje događaje pomorskih anomalija.

Proces počinje kada Windward Early Detection sistem identifikuje anomaliju. Relevantni metapodaci – kao što su vremenska oznaka anomalije, koordinate regiona, tip anomalije i klasa plovila – ekstrahuju se iz Windward-ove interne baze podataka.

Ovi metapodaci se zatim unose u agentni sistem za analizu pokretan velikim jezičkim modelima (LLM) na Amazon Bedrock-u. Celokupni višestepeni proces analize anomalija orkestrira se korišćenjem AWS Step Functions, obezbeđujući robustan i skalabilan tok rada.

Prvi korak u ovom orkestriranom procesu uključuje pretraživanje više, raznolikih eksternih izvora podataka radi prikupljanja relevantnih pozadinskih informacija:

Vesti u realnom vremenu: Upozorenja i signali događaja otkriveni iz javnih podataka preuzimaju se i filtriraju na osnovu vremena i lokacije pomorske anomalije.
Inteligentna veb pretraga: LLM-ovi generišu precizne upite za pretragu, omogućavajući preuzimanje ažurnih rezultata veb pretrage koji pružaju kontekst u realnom vremenu za anomaliju.
Podaci o vremenu: Eksterni API se koristi za preuzimanje kritičnih podataka o vremenu, uključujući temperaturu, brzinu vetra i padavine, za specifičnu lokaciju i vreme anomalije.

Svaki izvor podataka se pretražuje pomoću zasebne AWS Lambda funkcije. Ovaj modularni pristup obezbeđuje efikasnost i skalabilnost, omogućavajući laku integraciju novih izvora podataka po potrebi.

Dinamička samorefleksija i kuriranje podataka

Ključna inovacija u ovom agentnom rešenju je njegova sposobnost samorefleksije, koja dinamički određuje potrebu za dodatnim preuzimanjem podataka. Nakon početnog prikupljanja podataka iz vesti, veb pretrage i vremenskih uslova, proces se prebacuje na drugi korak. Ovde, zasebni LLM – pokretan Anthropic-ovim Claude-om putem Amazon Bedrock-a – ispituje preuzete stavke podataka.

Ovaj LLM je instruiran da odluči da li su do sada prikupljeni podaci dovoljni da objasne anomaliju ili da li određeni aspekti vezani za događaj i dalje nedostaju. Tada može generisati novi, precizniji upit za pretragu za dodatne rezultate sa veba ili signalizirati procesu da nastavi dalje. Ova inteligentna povratna petlja, prikazana na Slici 2, omogućava sistemu da proaktivno traži sveobuhvatniji kontekst, dodajući ga prethodno prikupljenim informacijama.

Architecture diagram for windward aws blog Slika 1. Arhitektura rešenja koja prikazuje AWS servise i generativnu veštačku inteligenciju.

Diagram of flow through self-reflection Slika 2. Logika samorefleksije u agentnom sistemu za analizu anomalija.

Nakon ove dinamičke faze preuzimanja podataka i samorefleksije, sistem koristi dvostepeni proces filtriranja i rangiranja za uklanjanje irelevantnih vesti i obezbeđivanje najvišeg kvaliteta konteksta:

Ponovno rangiranje sa Amazon Rerank: AI model, Amazon Rerank, sortira početni set stavki podataka prema njihovoj relevantnosti za anomaliju. Ovaj korak je ključan za održavanje visoke povratne vrednosti, efikasno smanjujući skup kandidata za sledeću fazu.
Precizno ocenjivanje zasnovano na LLM-u: Svaka od najviše rangiranih stavki se zatim dodatno ocenjuje pomoću LLM-a po više dimenzija, uključujući vreme, lokaciju i podudaranje tipa plovila. Sistem dodeljuje ocene relevantnosti između 0 i 100, zadržavajući samo one stavke podataka koje prelaze unapred definisan prag. Ovo obezbeđuje visoku preciznost, garantujući da samo najrelevantnije informacije doprinose konačnoj analizi.

Upotrebljivi uvidi: Kontekstualizovani izveštaj

Na kraju, pažljivo filtrirani i rangirani podaci se prosleđuju drugom LLM-u. Ovaj LLM sintetiše sve prikupljene informacije kako bi generisao sažet, kontekstualizovan izveštaj o anomaliji. Izveštaj sumira potencijalne uzroke, rizike i implikacije detektovanog pomorskog događaja. Ključno je da je napisan za Windward-ove klijente i direktno navodi sve korišćene izvore podataka, pružajući potpunu transparentnost i omogućavajući korisnicima da provere informacije i dublje istraže prateći priložene linkove.

Maritime intelligence product Slika 3. Primer generisanog izveštaja o anomalijama iz Windward-ovog MAI Expert™.

Ovaj izlaz drastično smanjuje kognitivno opterećenje analitičara, predstavljajući im gotov narativ koji objašnjava anomaliju unutar njenog šireg operativnog i geopolitičkog konteksta.

Evaluacija i uticaj

Celokupan sistem se rigorozno procenjuje u odnosu na sveobuhvatan set istorijskih pomorskih anomalija. Ova evaluacija često uključuje pristup LLM-a kao sudije, procenjujući kvalitet, tačnost i potpunost generisanih kontekstualnih izveštaja.

Implikacije ovog rešenja agentne generativne veštačke inteligencije su duboke. Automatizacijom napornog procesa prikupljanja i korelacije podataka, Windward osnažuje pomorske analitičare da:

Poboljšaju efikasnost: Značajno smanje vreme provedeno na istrazi, oslobađajući dragocene ljudske resurse.
Poboljšaju svest o situaciji: Steknu dublje, kontekstualnije razumevanje anomalija, prelazeći sa izolovanih upozorenja na sveobuhvatnu inteligenciju.
Ubrzaju donošenje odluka: Omoguće brže i informisanije odluke, kritične za predviđanje pretnji i zaštitu sredstava u dinamičnim pomorskim okruženjima.
Optimizuju ekspertizu: Omoguće stručnjacima u oblasti da se fokusiraju na stratešku interpretaciju i analizu na visokom nivou, koristeći svoje jedinstvene veštine tamo gde su najvažnije.

Saradnja između Windward-a i AWS-a je primer kako se vrhunska generativna veštačka inteligencija i infrastruktura u oblaku mogu iskoristiti za rešavanje složenih problema u stvarnom svetu, transformišući kritične sektore poput pomorske obaveštajne službe i postavljajući novi standard za kontekstualnu analizu anomalija.