Zespół badawczy zapresentował THPL - innowacyjny framework łączący analizę wizyjną i przetwarzanie języka naturalnego do wspomagania decyzji dotyczących karmienia pstrągów tęczowych w systemach RAS. Rozwiązanie składa się z trzech głównych komponentów: Fishsort ekstrakcji trajektorii do obliczenia współczynnika aktywności (AC) mierzącego intensywność karmienia, Hierarchical Behavior Encoder modelującego dynamikę behawioralną przy użyciu Temporal i Set Transformers, oraz systemu decyzyjnego opartego na dostrojonym LLM wspieranym counterfactual multimodal Direct Preference Optimization (mDPO).
Eksperymentalne wyniki są imponujące - wspólny współczynnik Spearmana wynoszący 0,925 między obliczonym AC a eksperckimi adnotacjami karmienia wskazuje na niezwykłą zgodność systemu z rzeczywistymi obserwacjami. Co ważne, badania ablacyjne pokazały, że dokładność decyzji wzrosła z 33,33 procent dla samego tekstu do 93,33 procent, gdy system został wzbogacony o dualne tokeny dowodów łączące fizyczne obserwacje z niższopoziomowymi reprezentacjami. To potwierdzilo istotną rolę spatiotemporal grounding dla LLM działających w domenie fizykochemicznej.
Dla branży akwakultury RAS oznacza to przełom w kierunku precyzyjnego zarządzania zasobami - system może znacząco zmniejszyć koszty karmu poprzez zoptymalizowanie harmonogramu karmienia przy jednoczesnej poprawie dobrostan ryb poprzez dostosowanie się do rzeczywistych wzorców behawioralnych. Integracja eksperckiej wiedzy dohodawcy z decyzjami opartymi na AI otwiera perspektywę systemów wspomagania do wdrażania w praktyce komercyjnej.