Этот пост написан в соавторстве с Яном Авилезом и Тимом Павликом из HawkEye 360.
HawkEye 360 — это коммерческая радиочастотная (РЧ) группировка, поставщик данных и аналитики. Их интересующие сигналы включают очень высокочастотные (VHF) рации, морские радиолокационные системы, маяки автоматической системы идентификации (AIS), аварийные маяки и многое другое. Библиотека сигналов интереса будет продолжать расти с течением времени.
Их Миссия Космос предложение, выпущенное в феврале 2021 года, позволяет пользователям интуитивно визуализировать РЧ-сигналы и аналитику. С помощью интуитивно понятного интерфейса аналитики миссии могут выявлять активность, понимать тенденции и улучшать осведомленность о морской обстановке, выявляя невидимое поведение людей и незаконную деятельность судов, такую как контрабанда, пиратство, незаконный промысел и торговля людьми.
Этот пост подводит итоги совместной работы HawkEye 360 и Лаборатория решений Amazon Machine Learning (ML) внедрять возможности машинного обучения (ML) в свои аналитические рабочие процессы. Сотрудничество включало два этапа:
- Создать Амазонка Нептун графическая база данных, состоящая из всех судов, зарегистрированных в мире, чтобы понять взаимосвязь между судами и проанализировать, как суда связаны друг с другом.
- Используйте библиотеку Deep Graph (DGL), чтобы создать оценку риска для каждого судна. Этот риск судна используется для прогнозирования вероятности того, что судно совершит что-то подозрительное, путем вывода о риске на основе ассоциации с другими подозрительными судами.
Обзор
Тысячи морских судов ежедневно путешествуют по миру. Поиск нескольких злоумышленников может занять много времени и стать сложной задачей для аналитиков. Понимание того, как работают сети судов, важно, чтобы помочь аналитикам определить, какое поведение судов они наблюдают в своем районе. Эти данные могут помочь аналитикам информировать свои группы о том, какое сомнительное поведение они могут ожидать от судов, находящихся рядом с ними, и выяснить, могут ли какие-либо суда участвовать в рискованных или гнусных действиях. Например, если в районе операций находится несколько судов, аналитик может захотеть узнать, с кем эти суда взаимодействовали в прошлом. Эта информация может быть полезна для выявления любых косвенных связей между интересующими сосудами. Существование этих взаимосвязей в сети судов делает его отличным вариантом использования графовой базы данных в сочетании с методами глубокого обучения для вывода взаимосвязей. HawkEye 360 выбрала Neptune в качестве своей графовой базы данных для хранения информации о взаимосвязях и DGL для своих возможностей графовой нейронной сети (GNN).
Данные HawkEye 360 содержат следующую информацию о судах:
- Свидание между судами, собравшимися в море
- Информация о судне, включая право собственности, управление и операционные отношения
- Суда, исчезнувшие из АИС на значительное время
Использование Neptune в качестве графовой базы данных
Neptune — это быстрая, надежная, полностью управляемая база данных графов, оптимизированная для хранения сложных взаимосвязей и выполнения запросов к графу с миллисекундной задержкой. HawkEye 360 подержанный Создатель мудреца Амазонки Записные книжки Neptune со встроенной библиотекой графических записных книжек для обработки набора данных и создания наборов данных CSV, готовых для загрузки в кластер Neptune. Дополнительные сведения о форматах данных Neptune см. Загрузка форматов данных. С волшебной функцией графического ноутбука Jupyter %load
, HawkEye 360 загрузил данные в кластер Neptune.
С библиотекой блокнота графов HawkEye 360 мог запрашивать базовые данные графа на языке запросов Gremlin, используя %%gremlin
функция. Следующее изображение является одним из примеров запроса, который можно выполнить.
С помощью Neptune команда HawkEye 360 смогла сразу увидеть скрытые связи между судами в сети. Например, обычно аналитики могут видеть в данных только те сосуды, которые взаимодействуют друг с другом. Графики могут продвинуть анализ на шаг вперед, раскрывая отношения между сосудами, которые находятся на расстоянии трех или более прыжков (или узлов) друг от друга.
Используя данные в Neptune, HawkEye 360 создал оценку риска для каждого судна, чтобы определить риск того, что данное судно будет вести себя подозрительно. Это позволяет аналитикам идентифицировать все опасные суда в интересующей области. Более высокий показатель риска в интересующей области указывает на то, что судно участвует в незаконных действиях, основанных на отношениях с другими гнусными судами.
Использование библиотеки Deep Graph для прогнозирования риска сосуда
Первым шагом к прогнозированию риска судна является создание набора графических данных. DGL ожидает, что данные идентификатора узла будут данными порядка ранжирования с целыми числами, начинающимися с нуля. В наборе данных используются три разных типа узлов:
- Узлы сосуда
- Узлы компании-владельца
- Узлы флага корабля
Поскольку существуют разные типы узлов, HawkEye 360 использовал гетерогенный граф для размещения смешанных типов данных. Они использовали отношения в качестве ребер для создания набора данных графа, используя дгл.гетерограф. Неоднородный граф состоял из наземных значений истинности примерно для 1% узлов. С помощью этих узлов HawkEye 360 сформулировал задачу классификации полуконтролируемых узлов для классификации рисков судов. Полууправляемое обучение состоит из наборов данных с помеченными и неразмеченными данными. Размеченные данные в наборе данных используются для обучения модели, а модель прогнозирует метки для неразмеченных данных.
Обучение модели сверточной сети реляционного графа
Поскольку данные разнородны, HawkEye 360 решил использовать разнородный Сверточная сеть реляционного графа (R-GCN) алгоритм графа для обучения модели. В алгоритме R-GCN каждый тип ребра использует разные веса, и только ребра одного и того же типа отношения r связаны с одним и тем же весом. W_r
. С помощью алгоритма R-GCN HawkEye 360 обучил модель, используя наземные истинные значения для подмножества узлов, чтобы найти и классифицировать все суда с оценкой риска.
Использование существующего известного поведения сосудов для определения нового поведения неизвестных сосудов позволяет HawkEye 360 получать ценные сведения. Аналитики могут определить, какие суда с большей вероятностью будут вести себя подозрительно, просто по их связи с известными подозрительными судами.
Заключение
Лаборатория ML Solutions Lab и команда HawkEye 360 тесно сотрудничали, чтобы построить графические данные в Neptune и смоделировать данные, чтобы найти риски для близлежащих кораблей. Сети графов в моделях Neptune и GNN позволяют HawkEye 360 выявлять скрытые взаимосвязи между судами, которые в противном случае были бы потеряны в огромном море сложности. Это позволяет новому флагманскому продукту HawkEye 360, Mission Space, определять, какие суда потенциально могут быть вовлечены в подозрительную деятельность, и позволяет пользователям легко определить, на чем следует сосредоточить свое внимание и продолжить расследование.
Сегодня клиенты также могут использовать Amazon Нептун ML, который обеспечивает упрощенный способ создания, обучения и применения моделей машинного обучения к данным Neptune за часы, а не недели, без необходимости изучения новых инструментов и технологий машинного обучения.
Для получения дополнительной информации о предложении HawkEye 360 Mission Space см. Миссия Космос. Дополнительные сведения о том, как AWS поддерживает клиентов и партнеров в спутниковой и аэрокосмической отрасли, см. AWS Aerospace и спутник.
Если вам нужна помощь в ускорении использования машинного обучения в ваших продуктах и услугах, свяжитесь с Лаборатория решений Amazon ML.
Об авторах
Тим Павлик, доктор философии, является вице-президентом по продукту в HawkEye 360. Он отвечает за концепцию, создание и реализацию всех космических инноваций HawkEye. Mission Space — флагманский продукт HawkEye 360, объединяющий все данные и аналитику из портфолио HawkEye в одном интуитивно понятном интерфейсе. Предыдущие вклады доктора Павлика в изобретения включают Myca, карьерного тренера IBM по искусственному интеллекту, монитор посттравматического стрессового расстройства для ветеранов, IBM Defense Operations Platform, Smarter Planet Intelligent Operations Center, обнаружение AI опасного разжигания ненависти в Интернете и электронную систему заказа еды STORES для военные США. Доктор Павлик получил докторскую степень в области когнитивной психологии в Колледж-Парке Университета Мэриленда.
Ян Авилез — Data Scientist в HawkEye 360. Он работает с клиентами, чтобы выделить идеи, которые можно получить, комбинируя разные наборы данных и рассматривая эти данные по-разному.
Гаурав Реле — специалист по данным в лаборатории решений Amazon ML, где он работает с клиентами AWS в разных вертикалях, чтобы ускорить использование ими машинного обучения и облачных сервисов AWS для решения своих бизнес-задач.
Дэн Форд — специалист по данным в лаборатории решений Amazon ML, где он помогает клиентам AWS National Security создавать современные решения ML.
- '
- 100
- 2021
- активно
- Аэрокосмическая индустрия
- AI
- алгоритм
- Все
- Amazon
- среди
- анализ
- аналитик
- аналитика
- ПЛОЩАДЬ
- около
- AWS
- строить
- бизнес
- Карьера
- классификация
- облако
- облачные сервисы
- познавательный
- сотрудничество
- совместный
- Колледж
- коммерческая
- Компания
- Коммутация
- продолжать
- Клиенты
- данным
- ученый данных
- База данных
- день
- глубокое обучение
- Защита
- обнаружение
- Edge
- надеется
- опыт
- БЫСТРО
- First
- Фокус
- питание
- функция
- большой
- Расти
- ненависти
- High
- Выделите
- хмель
- Как
- HTTPS
- IBM
- Идентификация
- определения
- нелегальный
- изображение
- В том числе
- промышленность
- информация
- размышления
- интерес
- Интернет
- исследовать
- вовлеченный
- IT
- Этикетки
- язык
- УЧИТЬСЯ
- изучение
- Библиотека
- обучение с помощью машины
- управление
- Морское
- Мэриленд
- военный
- миллисекунды
- Наша миссия
- смешанный
- ML
- модель
- Национальная безопасность
- Возле
- сеть
- сетей
- нервный
- нейронной сети
- узлы
- ноутбуки
- предлагающий
- операционный
- Операционный отдел
- заказ
- Другое
- партнеры
- пиратство
- планета
- Платформа
- «портфель»
- Продукт
- Продукция
- Психология
- радар
- Радио
- Отношения
- Снижение
- Run
- спутник
- МОРЕ
- безопасность
- Услуги
- Доставка и оплата
- судов
- Решения
- РЕШАТЬ
- Space
- магазин
- магазины
- Поддержка
- система
- системы
- снижения вреда
- технологии
- График
- мир
- время
- торговля
- Обучение
- путешествовать
- Тенденции
- Университет
- Университет штата Мэриленд
- us
- пользователей
- Ветеранов
- КТО
- в
- работает
- Мир
- нуль