IA maritime agentique : Analyse contextuelle des anomalies avec l'IA générative

title: "IA maritime agentique : Analyse contextuelle des anomalies avec l'IA générative" slug: "from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai" date: "2026-04-07" lang: "fr" source: "https://aws.amazon.com/blogs/machine-learning/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai/" category: "IA d'entreprise" keywords:

• IA maritime
• IA générative
• Détection d'anomalies
• AWS
• Amazon Bedrock
• IA agentique
• Surveillance des navires
• Apprentissage automatique
• Intelligence contextuelle
• Windward
• AWS Step Functions
• Automatisation de l'IA meta_description: "Windward et AWS exploitent l'IA générative agentique pour transformer l'analyse des anomalies maritimes, en fournissant une intelligence contextuelle à partir d'alertes isolées, améliorant ainsi la sécurité et l'efficacité opérationnelle." image: "/images/articles/from-isolated-alerts-to-contextual-intelligence-agentic-maritime-anomaly-analysis-with-generative-ai.png" image_alt: "Diagramme d'architecture montrant comment les services AWS et l'IA générative alimentent l'analyse agentique des anomalies maritimes de Windward pour une intelligence contextuelle." quality_score: 94 content_score: 93 seo_score: 95 companies:
• AWS schema_type: "NewsArticle" reading_time: 5 faq:
• question: "Qu'est-ce que le MAI Expert™ de Windward et comment utilise-t-il l'IA générative ?" answer: "Le MAI Expert™ de Windward est l'agent maritime pionnier en IA générative de l'entreprise, conçu pour contextualiser les anomalies maritimes. Il exploite l'IA générative, en particulier les grands modèles de langage (LLM) sur Amazon Bedrock, pour automatiser la collecte, la corrélation et la synthèse de diverses sources de données. Cela lui permet de générer des évaluations de risques complètes et des résumés pour les activités suspectes des navires, permettant aux analystes de prendre des décisions éclairées plus rapidement et avec une plus grande précision, déplaçant leur attention de la collecte de données vers l'interprétation stratégique."
• question: "Comment fonctionne la solution d'analyse agentique des anomalies maritimes ?" answer: "La solution, développée en collaboration avec AWS, est un pipeline multi-étapes alimenté par l'IA. Elle commence par l'extraction de métadonnées à partir d'un événement d'anomalie. Ces métadonnées déclenchent ensuite un système d'analyse agentique utilisant des LLM sur Amazon Bedrock, orchestré par AWS Step Functions. Le système interroge diverses sources de données externes (actualités, recherche web, météo) via des fonctions AWS Lambda. Une étape cruciale d'auto-réflexion, alimentée par un LLM comme Claude d'Anthropic, détermine si des données supplémentaires sont nécessaires. Enfin, les données filtrées et classées sont utilisées par un autre LLM pour générer un rapport contextualisé, citant toutes les sources."
• question: "Quels services AWS sont au cœur de la solution d'IA générative de Windward ?" answer: "Plusieurs services AWS clés soutiennent la solution d'analyse agentique des anomalies maritimes de Windward. Amazon Bedrock héberge les grands modèles de langage (LLM), y compris Claude d'Anthropic, qui sont responsables de la génération de requêtes, de l'auto-réflexion, de la notation et de la génération de rapports. AWS Step Functions orchestre l'ensemble du pipeline d'analyse multi-étapes, assurant un flux de travail fluide. Les fonctions AWS Lambda sont utilisées pour récupérer des données de diverses sources externes. De plus, Amazon Rerank aide à filtrer et à classer les articles d'actualité pertinents pour maintenir une qualité et une pertinence élevées des données."
• question: "Quels sont les principaux défis que Windward visait à résoudre avec cette approche d'IA générative ?" answer: "Avant cette solution, les analystes maritimes passaient un temps considérable à collecter et à corréler manuellement des données complexes pour comprendre les anomalies de comportement des navires. Windward cherchait à améliorer trois aspects stratégiques clés : créer un flux de travail unifié pour minimiser les consultations de données externes, optimiser l'expertise en automatisant la collecte de données (météo, actualités, alertes) afin que les experts du domaine puissent se concentrer sur l'interprétation stratégique, et fournir une couverture complète en rationalisant la synthèse d'informations pour une enquête rapide et approfondie de plusieurs alertes simultanément."
• question: "Comment le système assure-t-il la pertinence des informations récupérées pour une anomalie spécifique ?" answer: "La solution utilise un processus robuste de filtrage et de classement en deux étapes pour garantir la pertinence des données. Premièrement, un modèle d'IA comme Amazon Rerank trie initialement les articles d'actualité récupérés en fonction de leur pertinence par rapport à l'anomalie, visant à maintenir un rappel élevé tout en supprimant les données très peu pertinentes. Deuxièmement, un LLM dédié note chacun des éléments les mieux classés selon plusieurs dimensions telles que le temps, le lieu et le type de navire. Seuls les éléments de données avec un score de pertinence supérieur à un seuil prédéfini sont conservés, garantissant une grande précision et que seules les informations les plus pertinentes sont utilisées dans le rapport final."

## Révolutionner l'analyse des anomalies maritimes avec l'IA agentique

Le monde vaste et complexe de l'activité maritime mondiale présente des défis uniques pour la sécurité, le renseignement et les opérations commerciales. L'identification et la compréhension des comportements inhabituels des navires – des mouvements inattendus aux déviations par rapport aux modèles connus – exigent souvent un temps immense, une expertise approfondie du domaine et la corrélation de sources de données disparates. Windward, un leader de l'IA maritime™, fournit depuis longtemps des renseignements critiques pour les opérations maritimes. Aujourd'hui, en collaboration avec AWS, Windward exploite l'IA générative agentique pour transformer ce processus, passant d'alertes isolées à une intelligence contextuelle complète.

Ce partenariat révolutionnaire vise à autonomiser les analystes maritimes, en réduisant considérablement les temps d'enquête et en leur permettant de se concentrer sur la prise de décision à haute valeur ajoutée plutôt que sur la collecte fastidieuse de données. En fusionnant l'intelligence géospatiale avec l'IA générative avancée, la nouvelle solution de Windward offre une vue à 360°, anticipant les menaces et protégeant les actifs critiques en mer avec une vitesse et une précision sans précédent.

## Le défi : de la surcharge de données aux informations exploitables

Historiquement, l'enquête sur les anomalies maritimes était une tâche très manuelle et chronophage. Les analystes passaient des heures à examiner des informations fragmentées, essayant de relier les points entre divers flux de données pour comprendre le comportement anormal d'un navire. Ce processus exigeait non seulement un effort considérable, mais aussi une profonde expertise du domaine pour interpréter les nuances des activités maritimes, des modèles météorologiques et des événements géopolitiques.

Le système de détection précoce existant de Windward identifie avec succès les modèles suspects, mais l'objectif était d'accélérer le chemin de la détection à la prise de décision. Pour optimiser le flux de travail analytique et fournir des informations véritablement "prêtes pour la mission", Windward a identifié trois améliorations stratégiques clés nécessaires :

*   **Flux de travail unifié :** Minimiser la nécessité pour les analystes de consulter des sources de données externes, créant un environnement analytique transparent et ciblé.
*   **Optimisation de l'expertise :** Automatiser la collecte et la corrélation initiale des données contextuelles (météo, actualités, alertes connexes), permettant aux experts du domaine de consacrer leur temps précieux à l'interprétation stratégique et à la prise de décision.
*   **Couverture complète :** Rationaliser la synthèse d'informations pour permettre une enquête plus rapide et plus approfondie sur plusieurs alertes simultanément.

Pour atteindre ces objectifs ambitieux, Windward s'est associé à l'AWS Generative AI Innovation Center pour développer MAI Expert™, le premier agent maritime d'IA générative capable de contextualiser automatiquement des anomalies maritimes complexes.

## Architecture agentique : alimenter l'intelligence contextuelle avec AWS

Le cœur de la solution améliorée de Windward réside dans son architecture multi-étapes, alimentée par l'IA, déployée sur AWS. Ce système récupère automatiquement les données pertinentes de diverses sources internes et externes et utilise ces informations pour générer une description textuelle qui contextualise de manière approfondie les événements d'anomalie maritime.

Le processus commence lorsqu'une anomalie est identifiée par le système de détection précoce de Windward. Les métadonnées pertinentes – telles que l'horodatage de l'anomalie, les coordonnées de la région, le type d'anomalie et la classe de navire – sont extraites de la base de données interne de Windward.

Ces métadonnées sont ensuite introduites dans un [système d'analyse agentique](/fr/operationalizing-agentic-ai-part-1-a-stakeholders-guide) alimenté par des grands modèles de langage (LLM) sur Amazon Bedrock. L'ensemble du pipeline d'analyse des anomalies multi-étapes est orchestré à l'aide d'[AWS Step Functions](https://aws.amazon.com/step-functions/), garantissant un flux de travail robuste et évolutif.

La première étape de ce processus orchestré consiste à interroger plusieurs sources de données externes diverses pour recueillir des informations de fond pertinentes :

*   **Flux d'actualités en temps réel :** Les alertes et les signaux d'événements découverts à partir de données publiques sont récupérés et filtrés en fonction de l'heure et de l'emplacement de l'anomalie maritime.
*   **Recherche web intelligente :** Les LLM génèrent des requêtes de recherche précises, permettant la récupération de résultats de recherche web à jour qui fournissent un contexte en temps réel pour l'anomalie.
*   **Données météorologiques :** Une API externe est utilisée pour récupérer les données météorologiques critiques, y compris la température, la vitesse du vent et les précipitations, pour l'emplacement et l'heure spécifiques de l'anomalie.

Chaque source de données est interrogée à l'aide d'une [fonction AWS Lambda](https://aws.amazon.com/lambda/) distincte. Cette approche modulaire garantit l'efficacité et l'évolutivité, permettant une intégration facile de nouvelles sources de données si nécessaire.

## Auto-réflexion dynamique et conservation des données

Une innovation clé de cette solution agentique est sa capacité d'auto-réflexion, qui détermine dynamiquement la nécessité d'une récupération de données supplémentaires. Après la collecte initiale des données provenant des actualités, de la recherche web et de la météo, le pipeline passe à une deuxième étape. Ici, un LLM séparé – alimenté par Claude d'Anthropic via [Amazon Bedrock](/fr/amazon-bedrock-agentcore) – examine les éléments de données récupérés.

Ce LLM est chargé de décider si les données collectées jusqu'à présent sont suffisantes pour expliquer l'anomalie ou si certains aspects liés à l'événement sont toujours manquants. Il peut alors soit générer une nouvelle requête de recherche plus raffinée pour des résultats web supplémentaires, soit signaler au pipeline de continuer. Cette boucle de rétroaction intelligente, représentée sur la Figure 2, permet au système de rechercher de manière proactive un contexte plus complet, en l'ajoutant aux informations précédemment recueillies.

![Architecture diagram for windward aws blog](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-1.png)
_Figure 1. Architecture de la solution démontrant les services AWS et l'IA générative._

![Diagram of flow through self-reflection](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-2.png)
_Figure 2. Logique d'auto-réflexion dans le système d'analyse agentique des anomalies._

Suite à cette phase dynamique de récupération de données et d'auto-réflexion, le système utilise un processus de filtrage et de classement en deux étapes pour supprimer les articles d'actualité non pertinents et garantir un contexte de la plus haute qualité :

1.  **Re-classement avec Amazon Rerank :** Un modèle d'IA, Amazon Rerank, trie l'ensemble initial d'éléments de données en fonction de leur pertinence par rapport à l'anomalie. Cette étape est cruciale pour maintenir un rappel élevé, réduisant efficacement le bassin de candidats pour l'étape suivante.
2.  **Notation de précision basée sur les LLM :** Chacun des éléments les mieux classés est ensuite noté par un LLM selon plusieurs dimensions, y compris le temps, l'emplacement et le type de navire correspondant. Le système attribue des scores de pertinence entre 0 et 100, ne conservant que les éléments de données dépassant un seuil prédéfini. Cela garantit une grande précision, en s'assurant que seules les informations les plus pertinentes contribuent à l'analyse finale.

## Informations exploitables : le rapport contextualisé

Enfin, les données méticuleusement filtrées et classées sont transmises à un autre LLM. Ce LLM synthétise toutes les informations recueillies pour générer un rapport concis et contextualisé sur l'anomalie. Le rapport résume les causes potentielles, les risques et les implications de l'événement maritime détecté. Surtout, il est rédigé pour les clients de Windward et cite directement toutes les sources de données utilisées, offrant une transparence totale et permettant aux utilisateurs de vérifier les informations et d'approfondir en suivant les liens fournis.

![Maritime intelligence product](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/24/ML-18948-image-3.png)
_Figure 3. Exemple de rapport d'anomalie généré par le MAI Expert™ de Windward._

Ce résultat réduit considérablement la charge cognitive des analystes, en leur présentant un récit prêt à l'emploi qui explique l'anomalie dans son contexte opérationnel et géopolitique plus large.

## Évaluation et impact

Le système de bout en bout est rigoureusement évalué par rapport à un ensemble complet d'anomalies maritimes historiques. Cette évaluation implique souvent une approche LLM-as-a-judge, évaluant la qualité, la précision et l'exhaustivité des rapports contextuels générés.

Les implications de cette solution d'IA générative agentique sont profondes. En automatisant le processus laborieux de collecte et de corrélation des données, Windward permet aux analystes maritimes de :

*   **Améliorer l'efficacité :** Réduire considérablement le temps passé à l'enquête, libérant ainsi des ressources humaines précieuses.
*   **Améliorer la conscience situationnelle :** Acquérir une compréhension plus approfondie et plus contextuelle des anomalies, passant d'alertes isolées à une intelligence complète.
*   **Accélérer la prise de décision :** Permettre des décisions plus rapides et plus éclairées, essentielles pour anticiper les menaces et protéger les actifs dans des environnements maritimes dynamiques.
*   **Optimiser l'expertise :** Permettre aux experts du domaine de se concentrer sur l'interprétation stratégique et l'analyse de haut niveau, en exploitant leurs compétences uniques là où elles comptent le plus.

La collaboration entre Windward et AWS illustre comment l'IA générative de pointe et l'infrastructure cloud peuvent être exploitées pour résoudre des problèmes complexes du monde réel, transformant des secteurs critiques comme le renseignement maritime et établissant une nouvelle norme pour l'analyse contextuelle des anomalies.