Искусственный интеллект
От изолированных оповещений к контекстному интеллекту: агентный анализ морских аномалий с помощью генеративного ИИ
Этот пост написан совместно с Арадом Бен Хаимом и Ханна Данан Моиз из Windward.
Windward — ведущая компания Maritime AI™, предоставляющая разведданные уровня mission-grade из нескольких источников для морских операций. Объединяя данные автоматической идентификационной системы (AIS), сигналы дистанционного зондирования, собственные AI-модели и генеративный ИИ, Windward дает обзор морской активности по всему миру на 360°, чтобы оборонные и разведывательные ведомства, правоохранительные органы и коммерческие компании могли заранее выявлять угрозы, защищать критически важные активы и сохранять контроль на море.
В этом блоге показано, как Windward помогает улучшать и ускорять расследование оповещений за счет сочетания геопространственной аналитики и генеративного ИИ, позволяя аналитикам сосредоточиться на принятии решений, а не на сборе данных. До внедрения Windward морские аналитики тратили часы на ручной сбор и сопоставление сложных данных, чтобы понять аномалии поведения судна: необычные всплески активности, неожиданные перемещения, отклонения от известных шаблонов. Это требовало значительного времени и глубокой предметной экспертизы. Maritime AI™ от Windward автоматизирует этот процесс, выявляя контекст и последствия, чтобы аналитики и компании могли принимать обоснованные решения о морских рисках и возможностях быстро и точно.
Проблема
Морские аналитики используют систему Windward, чтобы опережать сложные глобальные угрозы. В рамках постоянной работы над созданием «mission-ready» пользовательского опыта компания непрерывно совершенствует путь пользователя от обнаружения к принятию решения. Хотя Windward Early Detection успешно выявляет подозрительные паттерны, Windward дополнительно ускорила ситуационную осведомленность, сделав процесс расследования более плавным и автоматизированным.
Чтобы оптимизировать аналитический рабочий процесс, Windward стремилась улучшить сопоставление внешнего контекста за счет трех ключевых стратегических улучшений:
Единый рабочий процесс: минимизация необходимости обращаться к внешним источникам данных, что обеспечивает непрерывную и сфокусированную аналитическую среду.
Оптимизация экспертизы: автоматизация сбора данных о погоде, новостях и оповещениях, чтобы предметные эксперты могли уделять больше времени стратегической интерпретации.
Полное покрытие: упрощение синтеза информации для более быстрого и глубокого расследования нескольких оповещений одновременно.
Как ключевой компонент MAI Expert™, первого морского агента на базе генеративного ИИ, Windward в партнерстве с AWS Generative AI Innovation Center создала решение, которое автоматически контекстуализирует морские аномалии. Это сотрудничество помогло улучшить пользовательский опыт за счет сопоставления оповещений с релевантными публичными и собственными данными, бесшовной интеграции этих результатов с внутренними моделями Windward и использования генеративного ИИ для подготовки комплексных, прикладных оценок рисков.
Обзор решения
Совместно с AWS компания Windward разработала многоэтапное решение на базе ИИ, которое автоматически извлекает релевантные данные из различных внутренних и внешних источников и использует эту информацию для генерации текстового описания, контекстуализирующего события морских аномалий. На рисунке 1 показана сквозная архитектура решения, развернутого в AWS.
Рисунок 1. Архитектура решения
При обнаружении аномалии в системе Windward Early Detection решение извлекает из внутренней базы данных Windward релевантные метаданные о событии аномалии. Эти метаданные включают время аномалии, координаты региона, тип аномалии, класс судна и другую релевантную информацию.
Затем метаданные аномалии передаются в агентную систему анализа, работающую на больших языковых моделях (LLM) в Amazon Bedrock. Многоэтапный конвейер анализа аномалий оркестрируется с помощью AWS Step Functions. На первом этапе система запрашивает несколько разнообразных внешних источников данных, чтобы предоставить релевантный фон по аномалии, что является ключевой частью создания новой ценности для наших клиентов. Эти источники включают:
- Лента новостей в реальном времени: из публичных данных извлекаются и фильтруются оповещения и сигналы о событиях на основе времени и местоположения морской аномалии.
- Интеллектуальный веб-поиск: система использует большие языковые модели для генерации точных поисковых запросов, получая актуальные результаты веб-поиска, которые дают свежий контекст по аномалии.
- Данные о погоде: внешний API используется для получения релевантных погодных данных, таких как температура, скорость ветра и осадки, для места и времени аномалии.
Каждый источник данных опрашивается отдельной функцией AWS Lambda. После получения данных из трех источников конвейер переходит ко второму этапу. На втором этапе отдельная LLM — на базе Claude от Anthropic через Amazon Bedrock — изучает элементы данных и решает, нужно ли дополнительно получать результаты веб-поиска. Модели предписано принимать решение после перекрестной проверки данных об аномалии с извлеченными элементами данных и оценки того, достаточно ли уже полученных данных для объяснения аномалии или в событии не хватает некоторых аспектов. LLM либо формирует новый поисковый запрос, либо команду перейти к следующему этапу конвейера. Функция Lambda разбирает вывод LLM и при необходимости снова запускает функцию веб-поиска, чтобы получить дополнительные новости, которые могут дать важный контекст по аномалии, добавляя их к предыдущим результатам поиска. Если новых поисковых запросов нет, Step Functions переходит к следующей функции Lambda в конвейере.
Рисунок 2. Логика саморефлексии
После выполнения саморефлексии и дополнительного извлечения данных система выполняет два этапа фильтрации и ранжирования, чтобы удалить новостные материалы, не относящиеся к рассматриваемой аномалии. Сначала используется модель переранжирования ИИ, Amazon Rerank, которая сортирует элементы данных по их релевантности аномалии. Этот этап нацелен на поддержание высокого полнота охвата, фокусируясь на удалении наиболее нерелевантных элементов данных, чтобы сократить набор кандидатов для обработки на следующем этапе. Во-вторых, каждый из верхних по рангу элементов дополнительно оценивается LLM по нескольким параметрам, включая время, местоположение, соответствие типу судна и другие. Система назначает оценки релевантности от 0 до 100 и оставляет только те элементы данных, у которых оценка выше порога, определенного разработчиками решения. Этот этап более точен и ориентирован на высокую точность, гарантируя, что сохраняются только самые релевантные новостные материалы. Лучшие по рангу данные и новости передаются на следующий этап конвейера решения. Наконец, конвейер использует еще одну LLM, которая на основе лучших по рангу элементов данных генерирует контекстуализированный отчет по аномалии, суммируя ее потенциальные причины, риски и последствия. Краткий отчет предназначен для клиентов Windward и напрямую ссылается на использованные источники данных, что позволяет пользователям проверить информацию и узнать дополнительные подробности, перейдя по ссылкам. На рисунке 3 показан пример того, как выглядит сгенерированный отчет для одной из аномалий активности судна.
Рисунок 3. Пример отчета об аномалии
Оценка
Сквозная система оценивается на наборе существующих морских аномалий, которые произошли в прошлом. Оценка состоит из нескольких этапов. Сначала сводки автоматически оцениваются методом LLM-as-a-judge — подходом, в котором учитывалась работа по выравниванию судей LLM с человеческими оценками. Судья использует набор из шести заранее определенных критериев, включая достоверность, качество данных, разнообразие источников, связность и этическую предвзятость. Судья оценивает каждый параметр по шкале от 1 до 100 и присваивает оценки каждому отчету. На рисунке 4 показаны примерные оценки, присвоенные одной из сгенерированных LLM-судьей сводок. Во-вторых, мы рассчитываем несколько детерминированных метрик качества отчета. В их число входят длина отчета в символах, а также число источников данных, явно процитированных в тексте. Эти метрики помогают оценить объем и достоверность сгенерированного объяснения. Наконец, выбранные сводки также оцениваются экспертами-людьми, которые сверяют сгенерированные сводки и извлеченные источники данных со своими собственными результатами поиска и предметным пониманием.
Рисунок 4. Пример оценок LLM-as-a-judge
Заключение
Первоначальное агентное решение, описанное в этом блоге, стало важной вехой в развитии MAI Expert™ компании Windward. Развивая уже мощную систему Windward, это улучшение помогло ускорить расследование морских оповещений и позволило аналитикам еще больше сосредоточиться на принятии решений, а не на сборе данных. Этот подход объединил геопространственную аналитику и генеративный ИИ, чтобы упростить ранее ручной и трудоемкий процесс. Высококачественные сводки по аномалиям, создаваемые системой, помогали аналитикам лучше понимать контекст морских событий — необычные всплески активности, неожиданные перемещения, отклонения от известных шаблонов — и принимать обоснованные решения о соответствующих рисках и возможностях. Эти возможности расширили ценностное предложение Windward для разных сегментов пользователей. Для существующих пользователей с глубокой морской экспертизой они еще больше упростили рабочие процессы и сократили время, необходимое для получения релевантного контекста. Для пользователей с ограниченной морской экспертизой они открыли новые возможности, предоставляя критически важные инсайты без необходимости вручную сопоставлять сложные наборы данных.
Материал — перевод статьи с английского.