Esta publicación está coescrita con Arad Ben Haim y Hannah Danan Moise de Windward.
Windward es una empresa líder en Maritime AI™, que ofrece inteligencia de múltiples fuentes y de grado de misión para operaciones marítimas. Al fusionar datos del Sistema de Identificación Automática (AIS), señales de detección remota, modelos patentados de IA e IA generativa, Windward proporciona una vista de 360° de la actividad marítima global para que las agencias de defensa e inteligencia, las fuerzas del orden y los líderes comerciales puedan anticipar amenazas, proteger activos críticos y mantener el control en el mar.
Esta publicación de blog demuestra cómo Windward ayuda a mejorar y acelerar los procesos de investigación de alertas al combinar inteligencia geoespacial con IA generativa, lo que permite a los analistas centrarse en la toma de decisiones en lugar de en la recopilación de datos. Antes de utilizar Windward, los analistas marítimos pasaban horas recopilando y correlacionando manualmente datos complejos para comprender las anomalías del comportamiento de los buques: picos de actividad inusuales, movimientos inesperados, desviaciones de patrones conocidos. Requirió mucho tiempo y una profunda experiencia en el dominio. Maritime AI™ de Windward automatiza este proceso, sacando a la luz el contexto y las implicaciones para que los analistas y las empresas puedan tomar decisiones informadas sobre los riesgos y oportunidades marítimos con rapidez y precisión.
Desafío
Los analistas marítimos confían en el sistema de Windward para adelantarse a las complejas amenazas globales. Como parte del compromiso continuo de Windward de facilitar una experiencia de usuario “lista para la misión”, la empresa evoluciona continuamente la forma en que los usuarios pasan de la detección a la toma de decisiones. Si bien Windward EarlyDetection identifica con éxito patrones sospechosos, Windward aceleró aún más el conocimiento de la situación al hacer que el proceso de investigación fuera más fluido y automatizado.
Para optimizar el flujo de trabajo analítico, Windward buscó mejorar la correlación del contexto externo a través de tres mejoras estratégicas clave:
Flujo de trabajo unificado: minimizando la necesidad de consultar fuentes de datos externas, facilitando un entorno analítico continuo y enfocado.
Optimización de experiencia: automatizar la recopilación de datos meteorológicos, noticias y alertas para permitir que los expertos en el dominio dediquen más tiempo a la interpretación estratégica.
Cobertura integral: agilizar la síntesis de información para permitir una investigación más rápida y profunda de múltiples alertas simultáneamente.
Como componente central de MAI Expert™, el primer agente marítimo de IA generativa, Windward se asoció con el Centro de innovación de IA generativa de AWS para ofrecer una solución que contextualiza automáticamente las anomalías marítimas. Esta colaboración ayudó a mejorar la experiencia del usuario al correlacionar alertas con datos públicos y propietarios relevantes, integrar estos hallazgos a la perfección con los modelos internos de Windward y utilizar IA generativa para ayudar a ofrecer evaluaciones de riesgos integrales y procesables.
Descripción general de la solución
En colaboración con AWS, Windward desarrolló una solución impulsada por IA de varios pasos que obtiene automáticamente datos relevantes de una variedad de fuentes de datos internas y externas y utiliza esta información para generar una descripción textual que contextualiza los eventos de anomalías marítimas. La Figura 1 muestra la arquitectura de extremo a extremo de la solución implementada en AWS.
Figura 1. Arquitectura de la solución
Ante una anomalía identificada en el sistema de detección temprana de Windward, la solución extrae metadatos relevantes del evento de anomalía utilizando la base de datos interna de Windward. Los metadatos incluyen la marca de tiempo de la anomalía, las coordenadas de la región, el tipo de anomalía, la clase de embarcación y otra información relevante.
A continuación, los metadatos de anomalías se pasan al sistema de análisis agente impulsado por modelos de lenguajes grandes (LLM) en Amazon Bedrock. La canalización de análisis de anomalías de varios pasos se organiza mediante AWS Step Functions. En el primer paso, el sistema consulta múltiples y diversas fuentes de datos externas para proporcionar antecedentes relevantes sobre la anomalía, lo cual es una parte clave para crear nuevo valor para nuestros clientes. Estas fuentes incluyen:
Servicio de noticias en tiempo real: las alertas y señales de eventos descubiertas a partir de datos públicos se obtienen y filtran según la hora y la ubicación de la anomalía marítima. Búsqueda web inteligente: el sistema utiliza modelos de lenguaje grandes para generar consultas de búsqueda precisas, recuperando resultados de búsqueda web en tiempo real que brindan un contexto actualizado para la anomalía. Datos meteorológicos: se utiliza una API externa para recuperar datos meteorológicos relevantes, como temperatura, velocidad del viento y precipitación, para la ubicación y la hora de la anomalía.
Cada fuente de datos se consulta mediante una función AWS Lambda independiente. Después de recuperar los datos de las tres fuentes, el proceso pasa al segundo paso. En el segundo paso, un LLM separado, impulsado por Claude de Anthropic a través de Amazon Bedrock, examina los elementos de datos y decide si es necesario obtener resultados de búsqueda web adicionales. Se instruye al LLM para que tome la decisión después de comparar los datos de la anomalía con los elementos de datos recuperados y juzgar si los datos recuperados hasta el momento son suficientes para explicar la anomalía o si faltan algunos aspectos relacionados con el evento. El LLM genera una nueva consulta de búsqueda o un comando para pasar al siguiente paso del proceso. La función Lambda analiza la salida de LLM y, opcionalmente, activa nuevamente la función de búsqueda web para recuperar noticias adicionales que podrían proporcionar un contexto importante sobre la anomalía, agregándola a los resultados de búsqueda anteriores. Si no hay nuevas consultas de búsqueda, la función de paso pasa a la siguiente función Lambda en la canalización.
Figura 2. Lógica de autorreflexión
Después de ejecutar la autorreflexión y la recuperación de datos adicionales, el sistema realiza dos pasos de filtrado y clasificación para eliminar noticias que no estén relacionadas con la anomalía considerada. En primer lugar, utiliza un modelo de IA de reclasificación, Amazon Rerank, que clasifica los elementos de datos según su relevancia con respecto a la anomalía. Este paso está orientado a mantener un alto nivel de recuperación, centrándose en eliminar los elementos de datos más irrelevantes para reducir el conjunto de elementos candidatos a procesar en la siguiente etapa. En segundo lugar, el LLM califica cada uno de los elementos mejor clasificados en múltiples dimensiones, incluido el tiempo, la ubicación, el tipo de embarcación coincidente y otras. El sistema asigna puntuaciones de relevancia entre 0 y 100 y solo mantiene los elementos de datos con una puntuación de relevancia superior a un umbral determinado por los desarrolladores de la solución. Este paso es más preciso y está orientado a una alta precisión, asegurando que solo se conserven las noticias más relevantes. Los datos y las noticias mejor clasificados se pasan al siguiente paso del proceso de solución. Finalmente, el proceso utiliza otro LLM que utiliza los elementos de datos mejor clasificados para generar un informe contextualizado sobre la anomalía, que resume sus posibles causas, riesgos e implicaciones. El informe conciso está escrito para los clientes de Windward y cita directamente las fuentes de datos utilizadas, lo que permite a los usuarios verificar la información y conocer detalles adicionales siguiendo los enlaces. La Figura 3 proporciona un ejemplo de cómo se ve el informe generado para una de las anomalías de la actividad del buque.
Figura 3. Ejemplo de informe de anomalía
Evaluación
El sistema de extremo a extremo se evalúa sobre un conjunto de anomalías marítimas existentes que ocurrieron en el pasado. La evaluación consta de varias etapas. En primer lugar, los resúmenes se evalúan automáticamente utilizando un enfoque de LLM como juez, un método que incluía trabajo de alineación humana para los jueces de LLM. El juez utiliza un conjunto de seis criterios predefinidos, que incluyen credibilidad, calidad de los datos, diversidad de fuentes, coherencia y sesgo ético. El juez evalúa cada dimensión en una escala entre 1 y 100 y asigna las puntuaciones a cada informe. La Figura 4 muestra puntuaciones de ejemplo asignadas a uno de los informes generados por el juez de LLM. En segundo lugar, calculamos varias métricas deterministas sobre la calidad del informe. Esto incluye la extensión del informe en caracteres, así como la cantidad de fuentes de datos citadas explícitamente en el texto. Estas métricas ayudan a juzgar el tamaño y la credibilidad de la explicación generada. Finalmente, los resúmenes seleccionados también son evaluados por expertos humanos, quienes cotejan los resúmenes generados y las fuentes de datos recuperadas con sus propios resultados de búsqueda y comprensión del dominio.
Figura 4. Ejemplos de puntuaciones de LLM como juez
Conclusión
La solución agente inicial presentada en este blog marcó un hito importante en el desarrollo de MAI Expert™ de Windward. Aprovechando el ya potente sistema de Windward, esta mejora ayudó a acelerar la investigación de alertas marítimas y permitió a los analistas centrarse aún más en la toma de decisiones en lugar de en la recopilación de datos. Este enfoque combinó inteligencia geoespacial con IA generativa para agilizar lo que antes era un proceso manual que requería mucho tiempo. Los resúmenes de anomalías de alta calidad generados por el sistema ayudaron a los analistas a comprender mejor el contexto de los eventos marítimos (picos de actividad inusuales, movimientos inesperados, desviaciones de patrones conocidos) y a tomar decisiones informadas sobre los riesgos y oportunidades correspondientes. Estas capacidades ampliaron la propuesta de valor de Windward en todos los segmentos de usuarios. Para los usuarios existentes con profunda experiencia marítima, ayudaron aún más a optimizar los flujos de trabajo y reducir el tiempo necesario para derivar el contexto relevante. Para los usuarios con experiencia marítima limitada, abrieron nuevas posibilidades al sacar a la luz conocimientos críticos sin necesidad de correlación manual de conjuntos de datos complejos.
Sobre los autores
Nikita Kozodoi
Nikita Kozodoi, PhD, es científica aplicada sénior en el Centro de innovación de IA generativa de AWS y trabaja en la frontera de la investigación y los negocios de IA. Nikita crea soluciones de IA generativa personalizadas para resolver problemas comerciales del mundo real para clientes de AWS en todas las industrias y tiene un doctorado en aprendizaje automático.
Jack mayordomo
Jack Butler es actualmente científico aplicado en Amazon Web Services (AWS), y lidera proyectos innovadores en el Centro de innovación de IA generativa de AWS con una sólida experiencia en modelado de lenguajes e investigación de IA aplicada en una amplia variedad de empresas y clientes emergentes.
Marion Eigner
Marion es estratega principal de IA en AWS con una década de experiencia llevando la IA empresarial desde la idea hasta la producción en servicios financieros, atención médica, manufactura, medios y entretenimiento y el sector público tanto con empresas Fortune 500 como con empresas emergentes de rápido crecimiento.
Hannah Danan Moïse
Hannah Danan Moise es líder del equipo de ciencia de datos con casi una década de experiencia en la frontera de la IA aplicada y la inteligencia marítima. Después de ocho años diseñando y ampliando los sistemas predictivos centrales de Windward, Hannah se especializa en transformar datos de comportamiento de alta velocidad y de múltiples fuentes en conocimientos estratégicos procesables. Su experiencia radica en la implementación de marcos avanzados de aprendizaje automático e IA agente para resolver desafíos complejos del mundo real, impulsando constantemente un impacto comercial mensurable para las industrias globales.
Arad Ben Haim
Arad Ben Haim es científico de datos senior en Windward y trabaja en la frontera de la IA aplicada y la inteligencia marítima. Arad diseña e implementa sistemas predictivos y de aprendizaje automático avanzados que transforman datos de comportamiento a gran escala en conocimientos prácticos, resolviendo problemas complejos del mundo real e impulsando un impacto comercial mensurable para clientes globales en todas las industrias.