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.

Agentic Maritime AI: การวิเคราะห์ความผิดปกติเชิงบริบทด้วย Generative AI

ปฏิวัติการวิเคราะห์ความผิดปกติทางทะเลด้วย Agentic AI

โลกแห่งกิจกรรมทางทะเลทั่วโลกที่กว้างใหญ่และซับซ้อน นำเสนอความท้าทายที่ไม่เหมือนใครสำหรับการรักษาความปลอดภัย ข่าวกรอง และการดำเนินงานเชิงพาณิชย์ การระบุและทำความเข้าใจพฤติกรรมเรือที่ผิดปกติ ไม่ว่าจะเป็นการเคลื่อนที่ที่ไม่คาดคิดไปจนถึงการเบี่ยงเบนจากรูปแบบที่ทราบ มักต้องใช้เวลาอย่างมาก ความเชี่ยวชาญเชิงลึกในสาขา และการเชื่อมโยงแหล่งข้อมูลที่แตกต่างกัน Windward ซึ่งเป็นผู้นำด้าน Maritime AI™ ได้ให้ข้อมูลข่าวกรองที่สำคัญสำหรับการดำเนินงานทางทะเลมาอย่างยาวนาน และตอนนี้ ด้วยความร่วมมือกับ AWS, Windward กำลังใช้ Generative AI แบบ Agentic เพื่อพลิกโฉมกระบวนการนี้ โดยเปลี่ยนจากการแจ้งเตือนที่แยกออกมาเป็นการให้ข้อมูลเชิงลึกที่ครอบคลุมและมีบริบท

ความร่วมมือที่ก้าวล้ำนี้มีจุดมุ่งหมายเพื่อเสริมศักยภาพนักวิเคราะห์ทางทะเล ลดระยะเวลาการสอบสวนลงอย่างมาก และช่วยให้พวกเขามุ่งเน้นไปที่การตัดสินใจที่มีมูลค่าสูง แทนที่จะเป็นการรวบรวมข้อมูลที่ยุ่งยาก ด้วยการรวมข้อมูลภูมิสารสนเทศเข้ากับ Generative AI ขั้นสูง โซลูชันใหม่ของ Windward จึงนำเสนอภาพรวม 360 องศา คาดการณ์ภัยคุกคาม และปกป้องสินทรัพย์ที่สำคัญในทะเลด้วยความเร็วและความแม่นยำที่ไม่เคยมีมาก่อน

ความท้าทาย: จากข้อมูลท่วมท้นสู่ข้อมูลเชิงลึกที่นำไปใช้ได้จริง

ในอดีต การสอบสวนความผิดปกติทางทะเลเป็นงานที่ต้องทำด้วยตนเองและใช้เวลานานมาก นักวิเคราะห์จะใช้เวลาหลายชั่วโมงในการค้นหาข้อมูลที่กระจัดกระจาย พยายามเชื่อมโยงจุดต่างๆ ระหว่างสตรีมข้อมูลที่หลากหลายเพื่อทำความเข้าใจพฤติกรรมที่ผิดปกติของเรือ กระบวนการนี้ไม่เพียงแต่ต้องใช้ความพยายามอย่างมากเท่านั้น แต่ยังต้องใช้ความเชี่ยวชาญเชิงลึกในสาขาเพื่อตีความความละเอียดอ่อนของกิจกรรมทางทะเล รูปแบบสภาพอากาศ และเหตุการณ์ทางภูมิรัฐศาสตร์

ระบบ Early Detection ที่มีอยู่ของ Windward สามารถระบุรูปแบบที่น่าสงสัยได้สำเร็จ แต่เป้าหมายคือการเร่งเส้นทางจากการตรวจจับไปสู่การตัดสินใจ เพื่อเพิ่มประสิทธิภาพเวิร์กโฟลว์การวิเคราะห์และให้ข้อมูลเชิงลึกที่ "พร้อมปฏิบัติภารกิจ" อย่างแท้จริง Windward ได้ระบุการปรับปรุงเชิงกลยุทธ์ที่สำคัญสามประการที่จำเป็น:

เวิร์กโฟลว์แบบรวมศูนย์ (Unified Workflow): ลดความจำเป็นที่นักวิเคราะห์จะต้องปรึกษาแหล่งข้อมูลภายนอก สร้างสภาพแวดล้อมการวิเคราะห์ที่ราบรื่นและมุ่งเน้น
การเพิ่มประสิทธิภาพความเชี่ยวชาญ (Expertise Optimization): ทำให้การรวบรวมและการเชื่อมโยงข้อมูลบริบทเริ่มต้น (สภาพอากาศ ข่าว สัญญาณเตือนที่เกี่ยวข้อง) เป็นไปโดยอัตโนมัติ ทำให้นักวิเคราะห์ผู้เชี่ยวชาญสามารถใช้เวลาอันมีค่าในการตีความเชิงกลยุทธ์และการตัดสินใจ
การครอบคลุมที่ครอบคลุม (Comprehensive Coverage): ปรับปรุงการสังเคราะห์ข้อมูลเพื่อช่วยให้สามารถตรวจสอบสัญญาณเตือนหลายรายการพร้อมกันได้อย่างรวดเร็วและเจาะลึกยิ่งขึ้น

เพื่อบรรลุเป้าหมายที่ทะเยอทะยานเหล่านี้ Windward ได้ร่วมมือกับ AWS Generative AI Innovation Center เพื่อพัฒนา MAI Expert™ ซึ่งเป็นเอเจนต์ AI ทางทะเลแบบ Generative ตัวแรกที่สามารถสร้างบริบทให้กับความผิดปกติทางทะเลที่ซับซ้อนได้โดยอัตโนมัติ

สถาปัตยกรรมแบบ Agentic: ขับเคลื่อนข้อมูลเชิงลึกตามบริบทด้วย AWS

หัวใจของโซลูชันที่ได้รับการปรับปรุงของ Windward อยู่ในสถาปัตยกรรมที่ขับเคลื่อนด้วย AI แบบหลายขั้นตอน ซึ่งใช้งานอยู่บน AWS ระบบนี้จะดึงข้อมูลที่เกี่ยวข้องจากแหล่งข้อมูลภายในและภายนอกต่างๆ โดยอัตโนมัติ และใช้ข้อมูลนี้เพื่อสร้างคำอธิบายในรูปแบบข้อความที่ให้บริบทอย่างละเอียดสำหรับเหตุการณ์ความผิดปกติทางทะเล

กระบวนการเริ่มต้นเมื่อระบบ Windward Early Detection ระบุความผิดปกติ เมตาดาต้าที่เกี่ยวข้อง เช่น การประทับเวลาของความผิดปกติ พิกัดภูมิภาค ประเภทความผิดปกติ และประเภทเรือ จะถูกดึงออกจากฐานข้อมูลภายในของ Windward

จากนั้นเมตาดาต้านี้จะถูกส่งไปยัง ระบบวิเคราะห์แบบ Agentic ที่ขับเคลื่อนโดยโมเดลภาษาขนาดใหญ่ (LLMs) บน Amazon Bedrock ไปป์ไลน์การวิเคราะห์ความผิดปกติแบบหลายขั้นตอนทั้งหมดจะถูกจัดการโดยใช้ AWS Step Functions เพื่อให้มั่นใจถึงเวิร์กโฟลว์ที่แข็งแกร่งและปรับขนาดได้

ขั้นตอนแรกในกระบวนการที่ถูกจัดการนี้เกี่ยวข้องกับการสอบถามแหล่งข้อมูลภายนอกที่หลากหลายเพื่อรวบรวมข้อมูลพื้นฐานที่เกี่ยวข้อง:

ฟีดข่าวแบบเรียลไทม์: สัญญาณเตือนและสัญญาณเหตุการณ์ที่ค้นพบจากข้อมูลสาธารณะจะถูกดึงและกรองตามเวลาและตำแหน่งของความผิดปกติทางทะเล
การค้นหาเว็บอัจฉริยะ: LLMs สร้างคำค้นหาที่แม่นยำ ช่วยให้สามารถดึงผลการค้นหาเว็บที่อัปเดตซึ่งให้บริบทแบบเรียลไทม์สำหรับความผิดปกติ
ข้อมูลสภาพอากาศ: มีการใช้ API ภายนอกเพื่อดึงข้อมูลสภาพอากาศที่สำคัญ ซึ่งรวมถึงอุณหภูมิ ความเร็วลม และปริมาณน้ำฝน สำหรับตำแหน่งและเวลาที่เฉพาะเจาะจงของความผิดปกติ

แหล่งข้อมูลแต่ละแห่งจะถูกสอบถามโดยใช้ ฟังก์ชัน AWS Lambda แยกกัน แนวทางแบบโมดูลาร์นี้ช่วยให้มั่นใจถึงประสิทธิภาพและการปรับขนาดได้ ทำให้สามารถรวมแหล่งข้อมูลใหม่ๆ ได้อย่างง่ายดายตามความจำเป็น

การสะท้อนตนเองแบบไดนามิกและการจัดการข้อมูล

นวัตกรรมหลักในโซลูชันแบบ Agentic นี้คือความสามารถในการสะท้อนตนเอง ซึ่งจะกำหนดความจำเป็นในการดึงข้อมูลเพิ่มเติมแบบไดนามิก หลังจากการรวบรวมข้อมูลเบื้องต้นจากข่าว การค้นหาเว็บ และสภาพอากาศ ไปป์ไลน์จะย้ายไปยังขั้นตอนที่สอง ในขั้นตอนนี้ LLM แยกต่างหาก ซึ่งขับเคลื่อนโดย Anthropic's Claude ผ่าน Amazon Bedrock จะตรวจสอบรายการข้อมูลที่ดึงมา

LLM นี้ได้รับคำสั่งให้ตัดสินใจว่าข้อมูลที่รวบรวมมานั้นเพียงพอที่จะอธิบายความผิดปกติแล้วหรือไม่ หรือยังมีบางแง่มุมที่เกี่ยวข้องกับเหตุการณ์ขาดหายไปอยู่หรือไม่ จากนั้นจะสามารถสร้างคำค้นหาใหม่ที่ละเอียดขึ้นสำหรับผลการค้นหาเว็บเพิ่มเติม หรือส่งสัญญาณให้ไปป์ไลน์ดำเนินการต่อไป วงจรตอบรับอัจฉริยะนี้ ซึ่งแสดงในภาพที่ 2 ช่วยให้ระบบค้นหาบริบทที่ครอบคลุมมากขึ้นเชิงรุก โดยผนวกเข้ากับข้อมูลที่รวบรวมไว้ก่อนหน้านี้

Architecture diagram for windward aws blog ภาพที่ 1. สถาปัตยกรรมโซลูชันที่แสดงบริการของ AWS และ Generative AI

Diagram of flow through self-reflection ภาพที่ 2. ตรรกะการสะท้อนตนเองในระบบวิเคราะห์ความผิดปกติแบบ Agentic

หลังจากขั้นตอนการดึงข้อมูลและการสะท้อนตนเองแบบไดนามิกนี้ ระบบจะใช้กระบวนการกรองและจัดอันดับสองขั้นตอนเพื่อลบข่าวที่ไม่เกี่ยวข้องและเพื่อให้แน่ใจว่าได้บริบทที่มีคุณภาพสูงสุด:

การจัดอันดับใหม่ด้วย Amazon Rerank: โมเดล AI, Amazon Rerank, จัดเรียงชุดข้อมูลเริ่มต้นตามความเกี่ยวข้องกับความผิดปกติ ขั้นตอนนี้มีความสำคัญอย่างยิ่งต่อการรักษา Recall ให้สูง ลดจำนวนผู้สมัครสำหรับขั้นตอนต่อไปได้อย่างมีประสิทธิภาพ
การให้คะแนนความแม่นยำตาม LLM: จากนั้นรายการที่ได้รับการจัดอันดับสูงสุดแต่ละรายการจะถูกให้คะแนนเพิ่มเติมโดย LLM ในหลายมิติ ซึ่งรวมถึงเวลา สถานที่ และประเภทเรือที่ตรงกัน ระบบจะกำหนดคะแนนความเกี่ยวข้องระหว่าง 0 ถึง 100 โดยเก็บเฉพาะรายการข้อมูลที่เกินเกณฑ์ที่กำหนดไว้ล่วงหน้าเท่านั้น สิ่งนี้ทำให้มั่นใจได้ถึงความแม่นยำสูง รับประกันว่าเฉพาะข้อมูลที่เกี่ยวข้องที่สุดเท่านั้นที่นำไปใช้ในการวิเคราะห์ขั้นสุดท้าย

ข้อมูลเชิงลึกที่นำไปใช้ได้จริง: รายงานเชิงบริบท

สุดท้าย ข้อมูลที่ถูกกรองและจัดอันดับอย่างพิถีพิถันจะถูกส่งไปยัง LLM อีกตัวหนึ่ง LLM นี้จะสังเคราะห์ข้อมูลข่าวกรองที่รวบรวมมาทั้งหมดเพื่อสร้างรายงานที่กระชับและมีบริบทเกี่ยวกับความผิดปกติ รายงานสรุปสาเหตุ ความเสี่ยง และผลกระทบที่อาจเกิดขึ้นจากเหตุการณ์ทางทะเลที่ตรวจพบ ที่สำคัญคือ รายงานนี้เขียนขึ้นสำหรับลูกค้าของ Windward และอ้างอิงแหล่งข้อมูลทั้งหมดที่ใช้โดยตรง ให้ความโปร่งใสอย่างเต็มที่ และช่วยให้ผู้ใช้สามารถตรวจสอบข้อมูลและเจาะลึกยิ่งขึ้นโดยการทำตามลิงก์ที่ให้มา

Maritime intelligence product ภาพที่ 3. ตัวอย่างรายงานความผิดปกติที่สร้างโดย MAI Expert™ ของ Windward

ผลลัพธ์นี้ช่วยลดภาระทางความคิดของนักวิเคราะห์ได้อย่างมาก โดยนำเสนอการบรรยายที่พร้อมใช้งานซึ่งอธิบายความผิดปกติภายในบริบทการดำเนินงานและภูมิรัฐศาสตร์ที่กว้างขึ้น

การประเมินและผลกระทบ

ระบบแบบ end-to-end ได้รับการประเมินอย่างเข้มงวดเทียบกับชุดความผิดปกติทางทะเลในอดีตที่ครอบคลุม การประเมินนี้มักจะเกี่ยวข้องกับแนวทาง LLM-as-a-judge ซึ่งประเมินคุณภาพ ความแม่นยำ และความสมบูรณ์ของรายงานเชิงบริบทที่สร้างขึ้น

ผลกระทบของโซลูชัน Generative AI แบบ Agentic นี้มีความสำคัญอย่างยิ่ง ด้วยการทำให้กระบวนการรวบรวมและเชื่อมโยงข้อมูลที่ยุ่งยากเป็นไปโดยอัตโนมัติ Windward ช่วยให้นักวิเคราะห์ทางทะเลสามารถ:

เพิ่มประสิทธิภาพ: ลดเวลาที่ใช้ในการสอบสวนลงอย่างมาก ปลดปล่อยทรัพยากรบุคคลอันมีค่า
ปรับปรุงการรับรู้สถานการณ์: ได้รับความเข้าใจที่ลึกซึ้งและมีบริบทมากขึ้นเกี่ยวกับความผิดปกติ โดยเปลี่ยนจากการแจ้งเตือนที่แยกออกมาเป็นข้อมูลเชิงลึกที่ครอบคลุม
เร่งการตัดสินใจ: ช่วยให้ตัดสินใจได้เร็วขึ้นและมีข้อมูลมากขึ้น ซึ่งสำคัญอย่างยิ่งสำหรับการคาดการณ์ภัยคุกคามและปกป้องสินทรัพย์ในสภาพแวดล้อมทางทะเลที่มีพลวัต
เพิ่มประสิทธิภาพความเชี่ยวชาญ: ช่วยให้ผู้เชี่ยวชาญในสาขาสามารถมุ่งเน้นไปที่การตีความเชิงกลยุทธ์และการวิเคราะห์ระดับสูง โดยใช้ทักษะเฉพาะของพวกเขาในจุดที่สำคัญที่สุด

ความร่วมมือระหว่าง Windward และ AWS แสดงให้เห็นว่า Generative AI ที่ล้ำสมัยและโครงสร้างพื้นฐานคลาวด์สามารถนำมาใช้เพื่อแก้ปัญหาที่ซับซ้อนในโลกแห่งความเป็นจริงได้อย่างไร โดยเปลี่ยนภาคส่วนที่สำคัญ เช่น ข่าวกรองทางทะเล และกำหนดมาตรฐานใหม่สำหรับการวิเคราะห์ความผิดปกติเชิงบริบท