孤立したアラートから文脈的知性へ：生成AIによる自律的な海上異常分析

*この投稿は、WindwardのArad Ben HaimとHannah Danan Moiseとの共著です。* [Windward](https://windward.ai/)は、海事AI![image](https://s.w.org/images/core/emoji/14.0.0/72x72/2122.png)分野をリードする企業であり、海事ベースの運用向けにミッショングレードなマルチソースインテリジェンスを提供しています。自動識別システム（Automatic Identification System、以下AIS）データ、リモートセンシング信号、独自開発のAIモデル、そして生成AIを融合させることで、Windwardは世界の海事活動に関する360°の視点を提供します。これにより、国防・情報機関、法執行機関、そして商業リーダーは脅威を先読みし、重要資産を守り、海上での支配力を維持することができます。 このブログ投稿では、Windwardが地理空間インテリジェンスと生成AIを組み合わせることで、アラート調査プロセスの強化と加速にどのように貢献するかを示します。これにより、アナリストはデータ収集ではなく意思決定に集中することが可能になります。Windwardを使用する以前、海事アナリストは船舶行動の異常（不自然な活動の急増、予期せぬ移動、既知のパターンからの逸脱など）を理解するために、複雑なデータを手動で収集し相関させる作業に数時間を費やしていました。これには多大な時間と深いドメイン expertise が必要でした。Windwardの海事AI![image](https://s.w.org/images/core/emoji/14.0.0/72x72/2122.png)はこのプロセスを自動化し、文脈と影響を浮き彫りにすることで、アナリストや企業が海事リスクと機会について迅速かつ正確な意思決定を行えるように支援します。 ## 課題 海事アナリストは、Windwardのシステムを活用して、複雑なグローバル脅威に先んじて対応しています。Windwardは「ミッション準備完了」のユーザー体験を提供し続けるという継続的なコミットメントの一環として、ユーザーが検知から意思決定へと移行するプロセスを絶えず進化させています。[Windward Early Detection](https://windward.ai/solutions/early-detection/)は不審なパターンを特定することに成功していますが、Windwardは調査プロセスをより流動的かつ自動化することで、状況認識の加速を図りました。 分析ワークフローを最適化するため、Windwardは以下の3つの主要な戦略的改善を通じて、外部コンテキストの相関関係を強化することを目指しました。 **統合ワークフロー：** 外部データソースへの参照を最小限に抑え、継続的で集中した分析環境を実現します。 **専門性の最適化：** 気象、ニュース、アラートデータの収集を自動化し、ドメインの専門家が戦略的な解釈により多くの時間を割けるようにします。 **包括的なカバレッジ：** 情報の統合を簡素化し、複数のアラートを同時に迅速かつ詳細に調査できるようにします。 MAI Expert![image](https://s.w.org/images/core/emoji/14.0.0/72x72/2122.png)の中核コンポーネントであり、最初の生成AI海事エージェントであるWindwardは、AWS Generative AI Innovation Centerと提携し、海事情象を自動的に文脈化するソリューションを提供しました。この協力により、アラートと関連する公開データおよび独自データを相関させ、これらの知見をWindwardの内部モデルとシームレスに統合し、包括的で実行可能なリスクアセスメントを提供するのを支援するために生成AIを使用することで、ユーザーエクスペリエンスが向上しました。 ## ソリューションの概要 AWSと協力して、Windwardは複数のステップからなるAI駆動型ソリューションを開発しました。このソリューションは、さまざまな内部および外部データソースから関連データを自動的に取得し、この情報を使用して海事情象イベントを文脈化するテキスト記述を生成します。図1は、AWSにデプロイされたソリューションのエンドツーエンドのアーキテクチャを示しています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-1.png) 図1. ソリューションアーキテクチャ [Windward Early Detection](https://windward.ai/solutions/early-detection/)システムで識別された異常がある場合、このソリューションはWindwardの内部データベースを使用して、その異常イベントから関連するメタデータを抽出します。メタデータには、異常のタイムスタンプ、地域座標、異常の種類、船舶クラス、およびその他の関連情報が含まれます。 次に、異常メタデータはAmazon Bedrock上の大規模言語モデル（LLM）によって駆動されるエージェント分析システムに渡されます。この複数ステップの異常分析パイプラインは[AWS Step Functions](https://aws.amazon.com/step-functions/)を使用してオーケストレーションされます。最初のステップでは、システムは複数の多様な外部データソースにクエリを実行し、異常に関連する背景情報を提供します。これは顧客にとって新たな価値を生み出すための重要な部分です。これらのソースには以下が含まれます： - リアルタイムニュースフィード：公開データから発見されたアラートやイベント信号は、海事情象の時間と場所に基づいて取得およびフィルタリングされます。 - インテリジェントなウェブ検索：システムは大規模言語モデルを使用して正確な検索クエリを生成し、海事情象に関する最新コンテキストを提供するリアルタイムのウェブ検索結果を取得します。 - 気象データ：海事情象の場所と時間に関連する気温、風速、降水量などの気象データを取得するために外部 API が使用されます。 各データソースは、個別の[AWS Lambda 関数](https://aws.amazon.com/lambda/)を使用してクエリされます。3 つのソースからデータを取得した後、パイプラインは第 2 ステップに進みます。第 2 ステップでは、Amazon Bedrock を介して Anthropic の Claude によって駆動される別の LLM がデータ項目を調査し、追加のウェブ検索結果を取得する必要があるかどうかを判断します。LLM は、取得したデータ項目に対して海事情象のデータをクロスチェックし、これまでに取得されたデータが海事情象を説明するのに十分であるか、あるいはイベントに関連する側面で不足しているものがあるかを判断した後で決定を下すよう指示されます。LLM は、新しい検索クエリを生成するか、パイプラインの次のステップに進むためのコマンドを出力します。Lambda 関数は LLM の出力を解析し、海事情象に関する重要なコンテキストを提供する可能性のある追加ニュースを取得するためにウェブ検索関数をオプションで再トリガーし、それを以前の検索結果に追加します。新しい検索クエリがない場合、Step Function はパイプライン内の次の Lambda 関数に進みます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-2.png) 図2. 自己反省ロジック 自己反映および追加のデータ取得処理が完了した後、システムは関連する異常に関連しないニュース記事を除外するための2つのフィルタリングおよびランキング処理を実行します。まず、Amazon Rerankという再ランク付けAIモデルを使用して、各データ項目が対象の異常とどの程度関連しているかに基づいてソートを行います。このステップは高リコール（検索再現率）を維持することを目的としており、最も関連性の低いデータ項目を削除して、次の段階で処理する候補データのセットを縮小することに重点を置いています。次に、上位にランク付けされた各データ項目について、LLM（大規模言語モデル）が時間、場所、該当する船舶の種類など複数の次元にわたってさらにスコアリングを行います。システムは0から100の関連性スコアを付与し、ソリューション開発者が設定した閾値を超えるスコアを持つデータ項目のみを保持します。このステップはより精密であり、高精度（検索適合率）を目的としており、最も関連性の高いニュース記事のみを残すことを保証します。上位にランク付けされたデータおよびニュース項目は、次のパイプラインステップへ渡されます。 最後に、このパイプラインは別のLLMを使用して、上位にランク付けされたデータ項目を基に、異常の潜在的な原因、リスク、および影響を要約した文脈付きレポートを生成します。この簡潔なレポートはWindwardの顧客向けに作成されており、使用されたデータソースを直接引用しています。これにより、ユーザーは情報を検証でき、リンクをクリックして詳細を学ぶことができます。図3は、船舶活動の異常に関する1つの事例で生成されたレポートの見本を示しています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-3.png) Figure 3. Example Anomaly Report ## Evaluation 過去に発生した既存の海上異常事案のセットにおいて、エンドツーエンドのシステムが評価されました。この評価は複数の段階で構成されています。まず、LLM-as-a-judge（大規模言語モデルを審査員とする手法）というアプローチを用いて要約が自動評価されます。この手法には、LLM 審査員に対する人間との整合性調整作業が含まれています。審査員は信頼性、データ品質、ソースの多様性、一貫性、および倫理的バイアスを含む6つの事前定義された基準のセットを使用します。審査員は各次元を1から100の尺度で評価し、各レポートにスコアを割り当てます。Figure 4 は、LLM 審査員によって生成されたレポートの1つに割り当てられた例示スコアを示しています。第二に、レポート品質に関するいくつかの決定論的指標を計算します。これには、文字数としてのレポートの長さや、テキスト内で明示的に引用されたデータソースの数が含まれます。これらの指標は、生成された説明の規模と信頼性を判断するのに役立ちます。最後に、選択された要約は人間の専門家によっても評価され、生成された要約および取得されたデータソースが、彼ら自身の検索結果やドメイン知識と照合されます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-4.png) Figure 4. Example LLM-as-a-judge scores ## 結論 このブログで提示された初期のエージェント型ソリューションは、WindwardのMAI Expert!の開発において重要なマイルストーンとなりました。すでに強力なシステムを備えるWindwardの基盤の上にこの強化が加わることで、海上アラートの調査が加速し、アナリストはデータ収集よりも意思決定にさらに注力できるようになりました。このアプローチは、地理空間インテリジェンス（Geospatial Intelligence）と生成AIを組み合わせ、以前は手動で時間のかかっていたプロセスを効率化しました。システムによって生成された高品質な異常サマリーは、アナリストが海上イベントの文脈——不自然な活動の急増、予期せぬ移動、既知のパターンからの逸脱——をより深く理解し、関連するリスクと機会について情報に基づいた判断を下すのを支援しました。これらの機能は、Windwardのバリュープロポジションをユーザーセグメント全体に拡大しました。深い海事専門知識を持つ既存のユーザーにとっては、ワークフローをさらに効率化し、関連する文脈を導き出すのに必要な時間を削減するのに役立ちました。限られた海事専門知識を持つユーザーにとっては、複雑なデータセットの手動相関を必要とせずに重要なインサイトを提供することで、新たな可能性を開きました。 ## 著者について ## ニキータ・コゾドイ ニキータ・コゾドイ、PhDはAWSジェネレーティブAIイノベーションセンターのシニア応用科学者であり、最先端のAI研究とビジネスに従事しています。ニキータは、業界を問わずAWS顧客の現実的なビジネス課題を解決するためのカスタムジェネレーティブAIソリューションを開発しており、機械学習（Machine Learning）の博士号を保有しています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/jack.png) ## ジャック・バトラー ジャック・バトラーは現在、Amazon Web Services (AWS) の応用科学者であり、幅広いエンタープライズおよびスタートアップ顧客を対象とした言語モデル（Language Modeling）や応用AI研究の強力な背景を持ち、AWSジェネレーティブAIイノベーションセンターで革新的なプロジェクトをリードしています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-7.png) ## マリオン・アイグナー マリオンはAWSのシニアAIストラテジストであり、金融サービス、ヘルスケア、製造業、メディア＆エンターテインメント、公共部門において、Fortune 500企業から急速に成長するスタートアップまで、エンタープライズAIをアイデアから本番環境への移行（Production）へと導く10年の経験を持っています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/Adobe-Express-file-1.jpg) ## ハンナ・ダナン・モイス ハンナ・ダナン・モイスは、応用AIと海事インテリジェンスの最前線でほぼ10年の経験を持つデータサイエンスチームリーダーです。8年間、Windwardのコアな予測システムの設計とスケーリングに従事し、高速で多様なソースからの行動データを戦略的に実行可能な洞察に変換することに専門知識を持っています。彼女の強みは、高度な機械学習フレームワークやエージェント型AI（Agentic AI）を活用して複雑な現実世界の問題を解決し、グローバル産業に対して計測可能なビジネスインパクトをもたらすことです。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/Adobe-Express-file-1-1.jpg) ## アラド・ベン・ハイム

孤立したアラートから文脈的知性へ：生成AIによる自律的な海上異常分析

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

調べる

選ぶ

サイト