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.

Агентний морський ШІ: Контекстний аналіз аномалій за допомогою генеративного ШІ

Революціонізація аналізу морських аномалій за допомогою агентного ШІ

Обширний, складний світ глобальної морської діяльності ставить унікальні виклики для безпеки, розвідки та комерційних операцій. Виявлення та розуміння незвичайних поведінок суден – від несподіваних рухів до відхилень від відомих шаблонів – часто вимагає величезного часу, глибокої експертизи в домені та кореляції розрізнених джерел даних. Windward, лідер у галузі морського ШІ (Maritime AI™), давно надає критично важливу розвідувальну інформацію для морських операцій. Тепер, у співпраці з AWS, Windward використовує агентний генеративний ШІ для трансформації цього процесу, переходячи від ізольованих сповіщень до всебічної, контекстуальної розвідувальної інформації.

Це новаторське партнерство має на меті розширити можливості морських аналітиків, значно скоротивши час розслідування та дозволивши їм зосередитися на прийнятті важливих рішень, а не на трудомісткому зборі даних. Шляхом поєднання геопросторового інтелекту з передовим генеративним ШІ, нове рішення Windward забезпечує 360-градусний огляд, передбачаючи загрози та захищаючи критично важливі активи на морі з безпрецедентною швидкістю та точністю.

Виклик: Від перевантаження даними до практичних висновків

Історично розслідування морських аномалій було вкрай ручною та трудомісткою справою. Аналітики годинами перебирали фрагментовану інформацію, намагаючись з'єднати точки між різними потоками даних, щоб зрозуміти аномальну поведінку судна. Цей процес вимагав не лише значних зусиль, а й глибоких знань у домені для інтерпретації нюансів морської діяльності, погодних умов та геополітичних подій.

Існуюча система раннього виявлення Windward успішно ідентифікує підозрілі патерни, але метою було прискорити шлях від виявлення до прийняття рішень. Для оптимізації аналітичного робочого процесу та надання дійсно 'готових до місії' висновків, Windward визначив три ключові стратегічні покращення:

Уніфікований робочий процес: Мінімізувати необхідність для аналітиків звертатися до зовнішніх джерел даних, створюючи безшовне та сфокусоване аналітичне середовище.
Оптимізація експертизи: Автоматизувати збір та початкову кореляцію контекстуальних даних (погода, новини, пов'язані сповіщення), дозволяючи експертам домену присвятити свій цінний час стратегічній інтерпретації та прийняттю рішень.
Комплексне охоплення: Оптимізувати синтез інформації для забезпечення швидшого та глибшого розслідування кількох сповіщень одночасно.

Для досягнення цих амбітних цілей Windward співпрацював з AWS Generative AI Innovation Center для розробки MAI Expert™ – першого генеративного ШІ-агента для морської галузі, здатного автоматично контекстуалізувати складні морські аномалії.

Агентна архітектура: Забезпечення контекстуального інтелекту за допомогою AWS

Серцем покращеного рішення Windward є його багатоетапна архітектура на основі ШІ, розгорнута на AWS. Ця система автоматично отримує відповідні дані з різних внутрішніх та зовнішніх джерел і використовує цю інформацію для генерації текстового опису, який детально контекстуалізує події морських аномалій.

Процес починається, коли аномалія ідентифікується системою раннього виявлення Windward. Відповідні метадані — такі як часова мітка аномалії, координати регіону, тип аномалії та клас судна — витягуються з внутрішньої бази даних Windward.

Ці метадані потім подаються в агентну систему аналізу, що працює на великих мовних моделях (LLM) в Amazon Bedrock. Весь багатоетапний конвеєр аналізу аномалій оркеструється за допомогою AWS Step Functions, забезпечуючи надійний і масштабований робочий процес.

Перший крок у цьому оркестрованому процесі передбачає запит кількох різноманітних зовнішніх джерел даних для збору відповідної фонової інформації:

Новинна стрічка в реальному часі: Сповіщення та сигнали про події, виявлені з публічних даних, отримуються та фільтруються на основі часу та місця морської аномалії.
Інтелектуальний веб-пошук: LLM генерують точні пошукові запити, що дозволяє отримувати актуальні результати веб-пошуку, які надають контекст аномалії в реальному часі.
Дані про погоду: Зовнішній API використовується для отримання критично важливих даних про погоду, включаючи температуру, швидкість вітру та опади, для конкретного місця та часу аномалії.

Кожне джерело даних запитується за допомогою окремої функції AWS Lambda. Цей модульний підхід забезпечує ефективність та масштабованість, дозволяючи легко інтегрувати нові джерела даних за потребою.

Динамічна саморефлексія та курація даних

Ключовою інновацією в цьому агентному рішенні є його здатність до саморефлексії, яка динамічно визначає потребу в додатковому отриманні даних. Після початкового збору даних з новин, веб-пошуку та погоди, конвеєр переходить до другого кроку. Тут окрема LLM — що працює на базі Claude від Anthropic через Amazon Bedrock — аналізує отримані елементи даних.

Цю LLM інструктують вирішити, чи достатньо зібраних даних для пояснення аномалії, чи все ще відсутні певні аспекти, пов'язані з подією. Потім вона може або згенерувати новий, більш уточнюючий пошуковий запит для додаткових результатів веб-пошуку, або подати сигнал конвеєру для продовження роботи. Цей інтелектуальний зворотний зв'язок, зображений на Малюнку 2, дозволяє системі проактивно шукати більш повний контекст, додаючи його до раніше зібраної інформації.

Architecture diagram for windward aws blog Малюнок 1. Архітектура рішення, що демонструє сервіси AWS та генеративний ШІ.

Diagram of flow through self-reflection Малюнок 2. Логіка саморефлексії в агентній системі аналізу аномалій.

Після цього динамічного етапу отримання даних та саморефлексії система використовує двоетапний процес фільтрації та ранжування для видалення нерелевантних новинних елементів та забезпечення найвищої якості контексту:

Повторне ранжування за допомогою Amazon Rerank: Модель ШІ, Amazon Rerank, сортує початковий набір елементів даних відповідно до їхньої релевантності для аномалії. Цей крок має вирішальне значення для підтримки високої повноти, ефективно зменшуючи пул кандидатів для наступного етапу.
Точне оцінювання на основі LLM: Кожен з найрелевантніших елементів потім додатково оцінюється LLM за кількома вимірами, включаючи час, місце розташування та відповідний тип судна. Система присвоює оцінки релевантності від 0 до 100, залишаючи лише ті елементи даних, які перевищують заздалегідь визначений поріг. Це забезпечує високу точність, гарантуючи, що лише найбільш доречна інформація використовується в остаточному аналізі.

Практичні висновки: Контекстуалізований звіт

Нарешті, ретельно відфільтровані та ранжовані дані передаються іншій LLM. Ця LLM синтезує всю зібрану розвідувальну інформацію, щоб згенерувати стислий, контекстуалізований звіт про аномалію. Звіт узагальнює потенційні причини, ризики та наслідки виявленої морської події. Важливо, що він написаний для клієнтів Windward і безпосередньо цитує всі використані джерела даних, забезпечуючи повну прозорість та дозволяючи користувачам перевіряти інформацію та заглиблюватися, переходячи за наданими посиланнями.

Maritime intelligence product Малюнок 3. Приклад згенерованого звіту про аномалії від Windward's MAI Expert™.

Цей результат значно зменшує когнітивне навантаження на аналітиків, представляючи їм готовий наратив, що пояснює аномалію в її ширшому операційному та геополітичному контексті.

Оцінка та вплив

Наскрізна система суворо оцінюється за комплексним набором історичних морських аномалій. Ця оцінка часто включає підхід LLM як судді, який оцінює якість, точність та повноту згенерованих контекстуальних звітів.

Наслідки цього агентного рішення генеративного ШІ є глибокими. Автоматизуючи трудомісткий процес збору та кореляції даних, Windward надає морським аналітикам можливість:

Підвищити ефективність: Значно скоротити час, витрачений на розслідування, вивільняючи цінні людські ресурси.
Покращити ситуаційну обізнаність: Отримати глибше, більш контекстуальне розуміння аномалій, переходячи від ізольованих сповіщень до всебічної розвідки.
Прискорити прийняття рішень: Забезпечити швидше та обґрунтованіше прийняття рішень, що має вирішальне значення для передбачення загроз та захисту активів у динамічному морському середовищі.
Оптимізувати експертизу: Дозволити експертам домену зосередитися на стратегічній інтерпретації та аналізі високого рівня, використовуючи свої унікальні навички там, де вони найважливіші.

Співпраця між Windward та AWS ілюструє, як передовий генеративний ШІ та хмарна інфраструктура можуть бути використані для вирішення складних реальних проблем, трансформуючи критично важливі сектори, такі як морська розвідка, та встановлюючи новий стандарт для контекстуального аналізу аномалій.