📢 转载信息
原文作者：Nikita Kozodoi, Marion Eigner, Jack Butler, Arad Ben Haim, Hannah Danan Moise
本文与来自 Windward 的 Arad Ben Haim 和 Hannah Danan Moise 合著。
Windward 是一家领先的海事 AI 公司，致力于为海事运营提供任务级、多源情报。通过融合自动识别系统（AIS）数据、遥感信号、自有 AI 模型及生成式 AI，Windward 能够提供全球海事活动的 360 度全景视图，帮助国防与情报机构、执法部门及商业领袖预测威胁、保护关键资产并掌控海上态势。
本文将展示 Windward 如何通过将地理空间情报与生成式 AI 相结合，增强并加速警报调查流程，使分析师能够专注于决策，而非枯燥的数据收集。在使用 Windward 之前，海事分析师需要花费数小时手动收集和关联复杂数据，以理解船舶行为的异常情况（如活动激增、意外动向或偏离已知航线）。Windward 的 Maritime AI™ 实现了这一过程的自动化，通过呈现背景信息和潜在影响，使分析师能够更快速、精准地应对海事风险。
挑战
海事分析师依靠 Windward 系统来应对复杂的全球威胁。为了持续提供“任务就绪”的用户体验，该公司不断优化用户从检测到决策的流程。虽然 Windward Early Detection 能够有效识别可疑模式，但 Windward 希望通过自动化进一步提升调查过程的流畅性。
为了优化分析工作流，Windward 重点进行了三项战略改进：
- 统一工作流：减少对外部数据源的依赖，创造一个连续且专注的分析环境。
- 专家效能优化：实现天气、新闻和警报数据的自动化收集，让领域专家将更多时间投入到战略解读中。
- 全面覆盖：精简信息综合过程，支持对多个警报进行更快速、深入的同步调查。
作为首个生成式 AI 海事代理 MAI Expert™ 的核心组件，Windward 与 AWS 生成式 AI 创新中心合作，交付了一套能够自动实现海事异常情境化的解决方案。
解决方案概览
Windward 开发了一套基于 AI 的多步骤解决方案，能够自动从各类内部和外部数据源获取信息，并生成描述海事异常事件的文本内容。下图展示了在 AWS 上部署的端到端架构。
图 1. 解决方案架构
当 Windward Early Detection 系统识别出异常时，解决方案会提取相关的元数据，包括时间戳、坐标、异常类型和船舶等级等。随后，这些信息被传递到基于 Amazon Bedrock 上大语言模型（LLM）的代理分析系统中。
该分析管道使用 AWS Step Functions 进行编排，步骤如下：
- 实时新闻源：根据海事异常的时间和地点过滤和获取公共数据中的事件信号。
- 智能网络搜索：利用大模型生成精准搜索查询，获取实时背景信息。
- 天气数据：通过外部 API 获取特定位置和时间点的气温、风速和降水情况。
系统通过自我反思（Self-reflection）逻辑判断已获取的信息是否足以解释异常，若不足，则触发进一步的搜索。随后，利用 Amazon Rerank 模型和另一个大模型对数据进行多维相关性评分，确保只保留高价值信息。最后，LLM 生成一份总结潜在原因、风险和影响的上下文报告，并明确引用来源以便用户验证。
图 2. 自我反思逻辑
评估与结论
该系统通过“大模型即评判者（LLM-as-a-judge）”的方法，从可信度、数据质量、来源多样性及合规性等多个维度对生成的报告进行自动评估。同时，人类专家会对生成的摘要进行交叉核对，以确保其准确性。
这套代理式解决方案不仅极大地缩短了分析师收集数据的时间，还降低了对深厚领域知识的门槛，使得即便是非专业人员也能通过系统生成的洞察做出明智的决策。这是 Windward 在构建 MAI Expert™ 道路上的重要里程碑。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区