Dans les systèmes d’aquaculture en recirculation (RAS), l’alimentation de précision est un levier clé pour limiter les coûts et préserver le bien-être animal. Un article déposé sur arXiv propose THPL, un cadre d’aide à la décision qui cherche à mieux relier les comportements observés des poissons aux règles de gestion utilisées sur le terrain. L’objectif est de transformer des signaux comportementaux en recommandations d’alimentation plus interprétables et plus directement exploitables.
Le dispositif repose d’abord sur Fishsort, un module qui extrait les trajectoires des poissons afin de calculer un coefficient d’activité censé refléter l’intensité d’alimentation. Les auteurs indiquent que cet indicateur présente une corrélation monotone positive statistiquement significative avec les annotations d’experts (Spearman \(\rho = 0,925\), \(p < 0,001\)). Ensuite, un encodeur hiérarchique de comportements modélise à la fois la dynamique individuelle dans le temps et les comportements collectifs, pour produire une double représentation mêlant indices physiques explicites et « tokens » plus implicites.
Ces représentations sont ensuite combinées avec des paramètres environnementaux, des métadonnées et des règles expertes pour ajuster un grand modèle de langage via LoRA. Les auteurs ajoutent enfin une étape d’optimisation par préférences multimodales contrefactuelles (mDPO) afin de renforcer le raisonnement causal. Selon l’étude, la précision de décision passe de 33,33 % avec une base textuelle seule à 93,33 % avec cette double représentation, puis à 96,67 % avec mDPO.
Au-delà de la précision, les auteurs rapportent aussi une amélioration de plusieurs métriques de génération, avec notamment une hausse de METEOR et une baisse de Self-BLEU-2, interprétées comme un recul des réponses trop stéréotypées. Comme il s’agit d’un préprint arXiv, ces résultats doivent encore être considérés avec prudence. Ils suggèrent néanmoins une piste concrète pour intégrer vision, données d’élevage et IA générative dans l’aquaculture de précision.