Comment Shippy a révolutionné les agents IA pour les océans ?

Shippy est un agent IA maritime conçu pour aider les analystes à prendre des décisions en temps réel. Son rôle ? Surveiller les activités dans les zones économiques exclusives (ZEE) des pays, comme celles du Ghana, et fournir des réponses précises basées sur des données satellites et des signaux de navires. Mais pourquoi est-ce si important ? Parce qu’une mauvaise réponse pourrait envoyer un bateau de patrouille à des kilomètres de sa position réelle, gaspillant des ressources déjà limitées et mettant en danger les équipages. Shippy n’est pas un simple chatbot : c’est un outil qui doit être fiable, précis et auditable à chaque instant.

SHIPPY : UN AGENT IA CONÇU POUR DES DÉCISIONS CRITIQUES

Pour un analyste maritime, chaque seconde compte. Une erreur de quelques degrés dans la trajectoire d’un navire de patrouille peut signifier la différence entre une opération réussie et un désastre. Shippy a été développé pour éviter ce genre de scénario. Contrairement à un modèle d’IA classique qui répond à des questions statiques, Shippy fonctionne avec des données en temps réel : il analyse en permanence les signaux des satellites et des navires, et non une simple capture figée des informations. Son objectif ? Fournir des réponses exactes, vérifiables, et adaptées à des situations où chaque détail compte.

Prenons un exemple concret : un analyste demande à Shippy : « Montre-moi l’activité de pêche dans la ZEE du Panama le mois dernier. » Shippy ne se contente pas de répondre par un simple « Oui » ou « Non ». Il fournit une réponse détaillée, avec la source des données, la date de la dernière mise à jour, et même un lien direct vers la carte Skylight pour que l’analyste puisse vérifier chaque chiffre par lui-même. Cette transparence est cruciale, car elle permet de valider chaque information et d’éviter les erreurs coûteuses.

L’ARCHITECTURE DE SHIPPY : UNE ÂME, DES COMPÉTENCES ET UNE CONFIGURATION

Pour les équipes de Skylight, un agent comme Shippy se compose de trois éléments clés : une âme, des compétences et une configuration. L’âme est comme la personnalité de l’agent : elle définit qui il est, ce qu’il peut faire, et surtout, ce qu’il ne doit pas faire. Par exemple, Shippy ne prendra jamais de décision légale sur la légalité d’un navire. Ces limites sont clairement définies dans le prompt système, ce qui les rend faciles à auditer et à modifier si nécessaire.

Les compétences de Shippy, quant à elles, sont des fichiers en Markdown structurés. Elles indiquent à l’agent comment répondre à des demandes spécifiques, comme interroger une base de données ou analyser des trajectoires de navires. Chaque compétence est versionnée et facile à réviser, ce qui permet d’améliorer Shippy en continu. Actuellement, Shippy dispose de compétences pour :

• Interroger l’API Skylight pour obtenir des données sur les activités maritimes.
• Analyser les trajectoires des navires pour détecter des comportements suspects.
• Résoudre des zones géographiques comme les ZEE ou les aires marines protégées.
• Fournir des liens profonds vers la carte Skylight pour vérifier les données.

La configuration de Shippy, enfin, détermine tout le reste : quel framework d’agent utiliser (OpenClaw, un outil open source), quel modèle de langage employer (actuellement, Shippy utilise Claude Opus 4.6), et les paramètres d’exécution. Les clés API, par exemple, sont injectées au moment de l’exécution, ce qui permet de changer de modèle ou de framework sans avoir à reconstruire l’agent. Tout est conçu pour être flexible et facile à maintenir.

COMMENT SHIPPY RÉPOND À UNE QUESTION : UNE MACHINE BIEN HUILÉE

Imaginons que vous demandiez à Shippy : « Y a-t-il des navires près de la Cordillère de Coiba, une aire marine protégée ? » Derrière cette question simple se cache une cascade d’opérations complexes. Shippy active plusieurs compétences en une seule fois :

1. Il utilise la compétence de requête Skylight pour obtenir les données sur les navires dans la zone demandée.

2. Il consulte la base de données de ProtectedSeas pour connaître les limites exactes de l’aire marine protégée.

3. Il analyse les trajectoires des navires pour détecter d’éventuels comportements suspects.

Tout cela se fait en un seul tour de dialogue, comme si Shippy avait un cerveau divisé en plusieurs experts travaillant en parallèle. Et le résultat ? Une réponse claire, sourcée, et vérifiable, prête à être utilisée par l’analyste.

Mais attention : Shippy ne devine jamais. Si une information n’est pas dans les données, il le dit clairement. Par exemple, il refusera de spéculer sur la légalité d’un navire, car cela relève d’une décision humaine, pas d’un agent IA.

DES Outils DÉTERMINISTES POUR UN AGENT NON DÉTERMINISTE

Les agents IA comme Shippy sont non déterministes : on ne peut pas prévoir exactement ce qu’ils vont faire. Pourtant, les outils qu’ils utilisent doivent être déterministes, c’est-à-dire prévisibles et fiables. C’est là que le CLI Skylight entre en jeu. Au lieu de laisser Shippy construire lui-même ses requêtes API, ce qui peut mener à des erreurs subtiles (comme des filtres mal formatés ou des géométries mal encodées), Shippy utilise une interface en ligne de commande spécialement conçue pour lui.

Cette interface simplifie tout : Shippy envoie une commande comme skylight events search --filter-type fishing --timeframe last-month, et le CLI se charge du reste. Il gère l’authentification, la pagination, et renvoie les résultats sous forme de fichier JSON local. Pourquoi un fichier JSON ? Parce que les résultats peuvent être énormes, et les passer directement dans le terminal peut causer des erreurs ou des pertes de données. En écrivant les résultats sur le disque, Shippy peut les réutiliser dans des étapes ultérieures de son analyse, sans risque de corruption.

Le CLI est aussi auto-documenté : il propose une aide détaillée (--help) et des messages d’erreur clairs, ce qui permet à Shippy (et aux développeurs humains) de comprendre rapidement ce qui ne va pas et de corriger le tir. Chaque couche de cette architecture — l’API typée, le CLI déterministe, et les compétences de l’agent — réduit les risques d’erreur à chaque étape.

UNE ISOLATION TOTALE POUR CHAQUE UTILISATEUR

Skylight est utilisé par des centaines d’agences gouvernementales et d’ONG dans plus de 70 pays. Chaque utilisateur a ses propres zones d’intérêt, ses listes de navires surveillés, et ses configurations d’alertes. Quand un officier des pêches aux Philippines demande à Shippy une information, il faut que les données retournées soient les siennes, et que sa conversation reste privée. Pas question de mélanger les données entre utilisateurs .

Pour résoudre ce défi, les équipes de Skylight ont créé Mothership, une plateforme d’hébergement d’agents qui isole chaque session utilisateur. Quand un utilisateur ouvre une conversation avec Shippy, le système crée un déploiement Kubernetes éphémère, dédié à cette session. Les identifiants de l’utilisateur (son JWT) sont injectés au moment de la création, ce qui garantit que Shippy ne peut accéder qu’aux données de cet utilisateur.

Les fichiers générés par Shippy pendant une analyse multi-étapes restent confinés à cette session. Ils ne sont jamais partagés avec d’autres utilisateurs. À l’intérieur du bac à sable (sandbox), Shippy peut écrire du code, installer des dépendances, et travailler sur des analyses complexes. Au niveau réseau, le bac à sable est restreint aux services dont il a besoin, ce qui limite les risques de fuites ou de piratage.

ÉVALUER SHIPPY : PAS LE MODÈLE, MAIS L’AGENT DANS SON ENSEMBLE

La plupart des benchmarks évaluent les modèles d’IA sur des questions statiques. Mais Shippy ne fonctionne pas comme ça. Il doit être évalué sur des scénarios réels, avec des données en temps réel, des outils interconnectés, et des contraintes opérationnelles. C’est pourquoi les équipes de Skylight ont développé leur propre système d’évaluation, centré sur le comportement de Shippy dans des situations concrètes.

Dans ce système, des experts du domaine rédigent des scénarios et des grilles d’évaluation. Chaque tâche est notée selon des critères précis, avec des poids différents selon l’importance de chaque critère. Par exemple, pour une requête sur les activités de pêche, la précision des données est notée sur 10, la résolution des limites géographiques sur 5, et la source des données sur 3. Les experts annotent aussi chaque réponse comme correcte ou incorrecte, ce qui permet de comparer les résultats de Shippy à une vérité de référence.

Le processus d’évaluation est simple : une requête en langage naturel est envoyée à Shippy dans un bac à sable, un juge IA note chaque critère de 0 à 1 en expliquant pourquoi la réponse est valide ou non, et un score pondéré est calculé. Si ce score dépasse un seuil fixe, la version de Shippy est validée. Sinon, elle est rejetée et ne sera pas déployée pour les utilisateurs.

Les tâches sont exécutées via Harbor, un framework d’évaluation open source. Un plugin Harbor crée une session Shippy réelle avec la version testée, en utilisant les mêmes données qu’un utilisateur réel. Le système tourne en parallèle sur une version spécifique de Shippy, produisant un fichier de résultats horodaté et un rapport des changements de score par rapport à la version précédente. Dès qu’une compétence, un modèle ou les données sous-jacentes changent, le système est relancé. Une version de Shippy qui régresse sur les critères d’évaluation ne sera jamais mise à disposition des utilisateurs.

LES RÉSULTATS DE SHIPPY : CE QUI FONCTIONNE, CE QUI DOIT ÊTRE AMÉLIORÉ

Shippy obtient des scores élevés dans la récupération de données et les tâches de garde-fous. Il refuse systématiquement les requêtes liées au renseignement militaire, maintient l’isolation des données utilisateur, et attribue correctement les sources. Cependant, certains points faibles ont été identifiés lors des dernières évaluations :

• Les tâches de planification de patrouille : Shippy a tendance à dépasser son rôle en donnant des recommandations tactiques plutôt que de simples suggestions.
• Les requêtes sensibles aux géométries : parfois, la simplification des limites géographiques entraîne des erreurs dans la détection des événements.
• Une erreur rare où Shippy a inventé une commande CLI qui n’existait pas.

Chaque point faible est directement transformé en une amélioration de compétences pour la prochaine version. Par exemple, pour les erreurs de géométrie, les équipes travaillent sur des algorithmes plus précis pour délimiter les zones. Pour les recommandations tactiques, des garde-fous supplémentaires seront ajoutés pour rappeler à Shippy qu’il ne doit donner que des informations, pas des ordres.

SHIPPY, UN MODÈLE POUR LES AUTRES AGENTS IA

Le travail sur Shippy influence déjà d’autres projets chez Ai2, comme EarthRanger (une plateforme de conservation de la faune sauvage) et OlmoEarth (une suite open source d’outils d’observation de la Terre). Mothership, la plateforme d’hébergement, a été conçue pour être générique : elle peut accueillir d’autres agents, pas seulement Shippy. Même si le domaine maritime est le premier à en bénéficier, il ne sera pas le dernier.

L’objectif ? Créer une infrastructure robuste pour les agents IA, où la fiabilité, la transparence et l’isolation des données sont des priorités absolues. Shippy a montré qu’il était possible de construire un agent capable de prendre des décisions critiques, sans sacrifier la précision ni la sécurité. Et cette approche peut s’appliquer à bien d’autres domaines.

UNE OUVERTURE PROGRESSIVE POUR TESTER SHIPPY

Actuellement, Shippy est ouvert à des early adopters sur une base progressive. L’objectif ? Leur permettre de stress-tester l’agent, de trouver ses points faibles, et d’identifier les garde-fous qui doivent être renforcés. Les équipes de Skylight invitent les utilisateurs à poser des questions difficiles, à tester les limites de Shippy, et à proposer des améliorations.

Cette phase de test est cruciale. Elle permet de valider que Shippy fonctionne comme prévu dans des conditions réelles, avec des utilisateurs variés et des scénarios imprévus. Chaque retour est analysé pour améliorer l’agent, avant un déploiement plus large.

LES LEÇONS DE SHIPPY POUR LES FUTURS AGENTS IA

Shippy n’est pas juste un agent maritime : c’est un cas d’école pour la construction d’agents IA fiables. Voici les principales leçons à retenir :

1. La fiabilité prime sur le modèle : Un agent IA doit être conçu pour être correct, pas seulement intelligent. Chaque composant — âme, compétences, configuration — doit être testé et auditable.

2. Les outils doivent être déterministes : Même si l’agent est non déterministe, les outils qu’il utilise doivent être prévisibles. Un CLI bien conçu, avec une documentation claire, réduit les erreurs.

3. L’isolation des données est non négociable : Chaque utilisateur doit avoir son propre bac à sable, avec ses données et sa conversation. Aucune exception.

4. L’évaluation doit être réaliste : Les benchmarks statiques ne suffisent pas. Il faut évaluer l’agent dans des conditions réelles, avec des données en temps réel et des scénarios complexes.

5. L’amélioration continue est clé : Chaque erreur doit être transformée en une amélioration de compétences ou de garde-fous. Un agent IA n’est jamais « fini » : il évolue en permanence.

COMMENT SHIPPY GÈRE LES FICHIERS INTERMÉDIAIRES : RÉPONSE À UNE QUESTION DES LECTEURS

Un lecteur a posé une question technique sur la gestion des fichiers intermédiaires générés par Shippy. Voici comment cela fonctionne :

Quand Shippy exécute une commande CLI comme skylight events search, le CLI génère un fichier JSON local avec les résultats. Ce fichier est stocké dans un répertoire temporaire dédié à la session en cours. Le chemin du fichier est retourné à Shippy via la sortie standard, ce qui permet à l’agent de le retrouver facilement. Chaque fichier est nommé de manière unique, souvent en utilisant un identifiant de session ou un horodatage, pour éviter toute confusion avec les résultats d’autres commandes.

Pendant une session longue, ces fichiers intermédiaires sont gérés automatiquement. Le bac à sable de Shippy est configuré pour nettoyer les anciens fichiers après un certain temps ou une fois l’analyse terminée. Ainsi, ils n’accumulent pas et ne risquent pas de perturber les résultats de requêtes ultérieures. Cette gestion automatique garantit que chaque commande CLI a son propre espace de travail isolé, sans interférence.

Cette approche évite les problèmes de bufferisation ou de corruption de données, tout en permettant à Shippy de réutiliser les résultats d’une commande dans une étape suivante de son analyse. C’est une solution simple, mais essentielle pour garantir la robustesse de l’agent.

SHIPPY ET L’AVENIR DES AGENTS IA

Shippy représente une avancée majeure dans la construction d’agents IA fiables et utiles. Son architecture — âme, compétences, configuration, outils déterministes, isolation des données — peut être adaptée à d’autres domaines critiques, comme la surveillance environnementale, la gestion des catastrophes naturelles, ou même la logistique militaire.

Les équipes de Skylight ne comptent pas s’arrêter là. Elles continuent d’améliorer Shippy, d’étendre ses compétences, et de tester ses limites. L’objectif ultime ? Créer une génération d’agents IA capables de prendre des décisions critiques, avec la même rigueur qu’un analyste humain, mais avec la rapidité et la précision d’une machine.

Et ce n’est qu’un début. Avec des plateformes comme Mothership, l’avenir des agents IA semble plus prometteur que jamais. Ils ne seront plus de simples outils, mais de véritables partenaires pour les humains, capables de gérer des tâches complexes sans sacrifier la fiabilité ni la sécurité.

CONCLUSION : SHIPPY, UN MODÈLE À SUIVRE

Shippy n’est pas juste un agent maritime. C’est une démonstration concrète de ce que peut être un agent IA fiable, transparent et utile. Son architecture, ses méthodes d’évaluation, et son approche de l’isolation des données offrent une feuille de route pour construire les agents de demain.

Pour les développeurs, les entreprises et les gouvernements, Shippy montre qu’il est possible de créer des systèmes IA capables de prendre des décisions critiques, sans sacrifier la précision ni la sécurité. Et surtout, il rappelle une vérité essentielle : un agent IA n’est pas seulement une question de modèle, mais d’architecture, de garde-fous, et de confiance.

L’océan est vaste, les enjeux sont immenses, et Shippy est là pour aider à les relever. Mais son vrai succès ? Montrer la voie à tous ceux qui veulent construire des agents IA dignes de confiance.