Archive d’étiquettes pour : intelligence artificielle

La commande prédictive IA : Réduire le gaspillage alimentaire et maîtriser les coûts en restauration

/dans /par

La Cellule Alimentaire Intelligente : Comment la Commande Prédictive Propulsée par l'IA Réduit le Gaspillage Alimentaire et les Coûts

Introduction à la commande prédictive dans la restauration

En 2023, les États-Unis ont généré un impressionnant total de 73,9 millions de tonnes de gaspillage alimentaire, dont 28,7 milliards de dollars seulement dans le secteur de la distribution au détail. Dans ce contexte, les restaurants font face à un défi majeur : concilier la qualité des services avec la réduction des pertes alimentaires et des coûts associés. La commande prédictive, alimentée par l’intelligence artificielle (IA), s'impose comme une solution innovante pour moderniser la gestion des stocks et optimiser les approvisionnements.

Qu’est-ce que la commande prédictive ?

La commande prédictive est une méthode sophistiquée qui, grâce à l'IA, anticipe avec précision les quantités d’ingrédients nécessaires à un restaurant. En analysant des données variables comme les tendances de consommation, les fluctuations saisonnières, les événements locaux ou encore le comportement des clients, ce système permet de prévoir les commandes avec une justesse remarquable.

Cela transforme radicalement les pratiques classiques fondées sur l’expérience manuelle et souvent approximative. En intégrant ces algorithmes intelligents, les établissements peuvent non seulement alléger leurs pertes alimentaires, mais aussi réduire considérablement leurs dépenses d’achat.

Les enjeux du gaspillage alimentaire dans la restauration

Le gaspillage alimentaire représente un obstacle tant environnemental qu’économique. Pour les restaurants, il s'agit d'équilibrer un approvisionnement suffisant pour assurer une offre complète sans surstocker. Sans outils adaptés, cette gestion peut être périlleuse : les excédents non utilisés finissent souvent à la poubelle, tandis qu'un stock insuffisant peut provoquer une rupture de menu et une mauvaise expérience client.

L’apport décisif de l’intelligence artificielle

L’implémentation de l’IA dans la gestion des stocks repose sur l’analyse de vastes ensembles de données historiques et en temps réel. Par exemple, elle prend en compte :

  • Les ventes passées avec leur saisonnalité et événements particuliers
  • Les variations climatiques influant sur la demande
  • Les promotions ou menus spéciaux
  • Les commandes en cours

Cette approche permet de générer des prévisions précises puis d’automatiser les commandes auprès des fournisseurs.

Avantages financiers tangibles

Grâce à la commande prédictive, une chaîne de restaurants a constaté une baisse significative de ses coûts alimentaires. La réduction des invendus a entraîné une meilleure maîtrise des flux de trésorerie et une rentabilité accrue. Ces économies proviennent de plusieurs facteurs :

  • Limitation du stock excédentaire
  • Diminution des pertes liées à la péremption
  • Optimisation des achats groupés

Impact environnemental positif

Réduire le gaspillage alimentaire ne profite pas seulement aux finances. C’est également une démarche durable essentielle dans un secteur de plus en plus sensible aux enjeux de responsabilité sociétale et écologique. Moins de déchets signifient un impact moindre sur les émissions de gaz à effet de serre et une utilisation plus efficace des ressources naturelles.

Défis et mise en œuvre

Malgré ses bénéfices, l’adoption de l’IA pour la commande prédictive nécessite un investissement initial et une adaptation des processus internes. Les défis incluent :

  • L’intégration avec les systèmes de gestion existants
  • La formation des équipes à ces nouvelles technologies
  • La qualité et la pertinence des données recueillies

Toutefois, les retours d’expérience démontrent que ces obstacles peuvent être surmontés avec un accompagnement et un pilotage adaptés.

Perspectives d’avenir

La commande prédictive continue d’évoluer, notamment grâce à l’intelligence artificielle adaptative et aux techniques de machine learning. Ces systèmes deviendront de plus en plus précis, capables d’intégrer des signaux complexes et de s’auto-optimiser en fonction des résultats observés. Dans un secteur aussi concurrentiel que la restauration, cet avantage technologique se traduira par une agilité accrue et une gratifiante maîtrise des ressources.

En résumé

La commande prédictive propulsée par l’intelligence artificielle offre une réponse puissante aux enjeux de gaspillage alimentaire et de maîtrise des coûts dans la restauration. En modernisant la gestion des stocks grâce à des données précises et des algorithmes avancés, les restaurateurs peuvent non seulement augmenter leur rentabilité, mais aussi contribuer à un avenir plus durable.

Titre optimisé SEO :

La commande prédictive IA : Réduire le gaspillage alimentaire et maîtriser les coûts en restauration

Meta description optimisée :

Découvrez comment la commande prédictive alimentée par l'IA révolutionne la gestion des restaurants en diminuant gaspillage alimentaire et coûts.

Comment Transformer les Insights de Réputation en Stratégie Gagnante pour Votre Restaurant

/dans /par

Transformer les Insights de Réputation en Stratégie pour Restaurants

Dans un monde où les consommateurs s'appuient de plus en plus sur des outils de découverte basés sur l'intelligence artificielle (IA), il est primordial pour les restaurants de comprendre comment ces technologies influencent leur visibilité et leur attractivité. Le rapport Beyond SEO: Comment la Réputation en Ligne Gagne des Clients à l’Ère de l’IA de Sogolytics révèle que un consommateur sur cinq utilise régulièrement l’IA pour explorer de nouvelles entreprises. Cette tendance bouleverse les méthodes traditionnelles d’évaluation et de prise de décision, plaçant la gestion de la réputation au cœur des stratégies commerciales.

L'IA comme Moteur de Découverte et de Décision

Les plateformes alimentées par l’IA analysent une multitude de données en temps réel, générant des recommandations personnalisées. Pour les restaurants, cela signifie que chaque avis, chaque interaction en ligne, impacte directement leur classement et donc leur attractivité auprès des clients potentiels.

  • Importance des Avis en Ligne : Les retours clients jouent un rôle crucial. Ils ne sont plus de simples opinions, mais des signaux qui influencent les algorithmes d’IA.
  • Engagement Proactif : Répondre aux commentaires et gérer efficacement sa réputation permet non seulement d’améliorer l’image, mais aussi d’optimiser la visibilité.

Intégrer les Données de Réputation dans la Stratégie Commerciale

Il ne suffit plus de se contenter d’une présence en ligne. Il est essentiel d’exploiter les insights issus des avis et des données analytiques pour ajuster l’offre et répondre aux attentes du marché.

Analyse des Tendances et Attentes des Clients

Grâce à l’IA, il est possible d’identifier des tendances émergentes et des préférences spécifiques, ouvrant la porte à l’innovation culinaire et à des services adaptés.

Personnalisation de l’Expérience Client

Adapter les menus, offres et communications en fonction des insights tirés des données de réputation favorise la fidélisation et améliore la satisfaction.

Optimiser les Ressources pour une Stratégie Gagnante

La gestion de la réputation étroitement liée à l’IA nécessite des équipes formées et des outils adaptés. L’investissement dans des solutions technologiques et une veille constante permettent de rester compétitif.

  • Outils de Surveillance en Temps Réel : Utiliser des plateformes qui alertent rapidement sur les avis négatifs ou opportunités.
  • Formation du Personnel : Sensibiliser tous les acteurs, du front office à la direction, à l’importance de la réputation en ligne.

Conclusions et Perspectives

À l’ère où l’IA révolutionne la manière dont les consommateurs découvrent et choisissent leurs restaurants, intégrer les données de réputation dans la stratégie devient un levier incontournable de croissance. Les restaurateurs qui sauront écouter et répondre à ces insights verront leur notoriété s’accroître, tout en offrant une expérience client enrichie et personnalisée.

Titre SEO Optimisé :
Comment Transformer les Insights de Réputation en Stratégie Gagnante pour Votre Restaurant

Meta Description SEO :
Découvrez comment exploiter les données d’avis clients et l’IA pour élaborer une stratégie de restaurant efficace et attirer plus de clients.

Impact de l’Intelligence Artificielle sur la Chaîne d’Approvisionnement Agroalimentaire : Revue Systématique et Perspectives

/dans /par

Revue systématique de l'impact de l'intelligence artificielle sur la chaîne d'approvisionnement agroalimentaire

Introduction

L'intégration de l'intelligence artificielle (IA) dans la chaîne d'approvisionnement agroalimentaire suscite un intérêt croissant, tant pour ses enjeux d'efficacité que pour sa capacité à répondre aux nouveaux défis de sécurité alimentaire, de durabilité et de compétitivité. Cette revue systématique, élaborée à partir de données récentes, vise à synthétiser les principales avancées et obstacles liés à l'adoption de l'IA dans tous les maillons de la chaîne agroalimentaire, de la production à la distribution, en passant par la transformation, la logistique et la vente au détail.

Méthodologie d’examen systématique

La revue repose sur l'analyse approfondie d'articles de recherche publiés dans des revues reconnues, mobilisant des critères rigoureux d'inclusion et d'exclusion pour garantir la pertinence scientifique du corpus sélectionné. Les études éligibles traitent spécifiquement des impacts techniques, économiques, sociaux et environnementaux de l’IA dans l’agroalimentaire, couvrent la période récente et mobilisent des méthodologies quantitatives ou qualitatives diverses.

Applications clés de l’IA dans la chaîne agroalimentaire

Prédiction et optimisation de la production agricole

L’IA permet une anticipation précise des rendements en exploitant l’analyse de données météorologiques, pédologiques et satellitaires pour recommander des interventions agronomiques adaptées. Les algorithmes sophistiqués soutiennent la détection précoce des maladies ou du stress hydrique, en favorisant une utilisation raisonnée des intrants et une réduction des pertes.

Automatisation et robotique en agriculture

Des solutions robotisées pilotées par IA réalisent des tâches de semis, de désherbage, de récolte ou de tri, avec une précision accrue et un gain de temps considérable. Le recours à la vision par ordinateur accélère la classification des fruits et légumes tout en minimisant le gaspillage et les coûts de main-d'œuvre.

Transformation intelligente et contrôle qualité

Dans l'industrie de transformation, l’IA optimise les procédés, surveille la qualité en temps réel et détecte les anomalies. L'inspection automatique, basée sur l'apprentissage profond, assure une traçabilité sans faille et améliore la sécurité alimentaire grâce à une identification rapide des contaminants ou des non-conformités.

Gestion logistique et planification des transports

Les systèmes d’IA permettent d’anticiper la demande, d’optimiser les itinéraires de transport et de perfectionner la chaîne du froid. L'analyse prédictive réduit les ruptures de stock, limite le gaspillage lors de la distribution et s’adapte dynamiquement aux fluctuations du marché.

Distribution et vente intelligente au détail

À l’extrémité de la chaîne, l’IA favorise le réapprovisionnement automatisé, personnalise les propositions commerciales et affine la gestion prévisionnelle du stock. L’intelligence décisionnelle permet également d’anticiper les comportements des consommateurs et de maximiser la satisfaction client.

Impacts économiques et environnementaux

Gains de productivité et de rentabilité

Selon la majorité des études, l’adoption de l’IA dans les maillons de la chaîne génère des gains de productivité significatifs. La réduction des coûts, l’augmentation des rendements et la baisse du gaspillage alimentaire participent à la rentabilité accrue des exploitations et des acteurs industriels du secteur.

Contribution à la durabilité

L’implémentation intelligente des solutions IA favorise la diminution de l’empreinte environnementale, par une gestion optimisée des ressources (eau, fertilisants, énergie), un usage plus responsable des intrants et une moindre production de déchets. L’optimisation logistique réduit l’empreinte carbone liée aux transports.

Obstacles et défis à surmonter

Résistances organisationnelles et humaines

Le principal frein réside dans l'adaptation des structures organisationnelles et des compétences humaines à l’arrivée de technologies disruptives. Le déficit de formation, une culture d’entreprise parfois réticente et la crainte liée à la perte d’emplois ralentissent les initiatives.

Limites technologiques et éthiques

L’accès aux données de qualité demeure un enjeu majeur, tout comme la nécessité d’assurer l’interopérabilité des systèmes et la cybersécurité. Les interrogations éthiques, touchant à la protection des données personnelles, à la responsabilité algorithmique ou à la transparence, requièrent des cadres réglementaires solides.

Contraintes économiques pour les petites exploitations

L’investissement initial élevé, le manque de soutien public ou privé, et l’inégalité d’accès technologique peuvent défavoriser les petites structures, accentuant ainsi les écarts de performance et d’innovation au sein du secteur agroalimentaire.

Perspectives et recommandations

L’avenir de l’IA dans la chaîne d’approvisionnement agroalimentaire repose sur l’accélération de la recherche, le développement d’écosystèmes collaboratifs, l’investissement dans la formation et la construction de cadres réglementaires adaptés. Des efforts conjoints entre chercheurs, institutions et industries renforceront la résilience du secteur tout en assurant la sécurité alimentaire, la durabilité et l’innovation continue.

Source : https://www.sciencedirect.com/science/article/pii/S0306919225001885?dgcid=rss_sd_all

Intelligence Artificielle Multimodale : Révolutionner le Bien-être et la Productivité des Poules Pondeuses

/dans /par

Évaluation du bien-être et optimisation de la productivité des poules pondeuses : L'essor des systèmes d'IA multimodal

Introduction

L'industrie avicole connaît une évolution majeure grâce à l'intégration de l'intelligence artificielle (IA) multimodale dans l'évaluation du bien-être des poules pondeuses et l’optimisation de leur productivité. Les systèmes d'IA multimodaux exploitent de multiples sources de données pour offrir une analyse approfondie et en temps réel des conditions d’élevage, ouvrant la voie à une transformation durable de la gestion des volailles. Cette adaptation technologique vise à répondre aux exigences croissantes en matière de bien-être animal tout en garantissant une rentabilité optimale.

L'importance de l'évaluation du bien-être des poules pondeuses

L’évaluation du bien-être animal revêt une dimension essentielle tant pour l’éthique que pour la performance économique des exploitations avicoles. Un bien-être amélioré se traduit par une meilleure longévité, une ponte optimale et une réduction des interventions vétérinaires. Cependant, le suivi manuel du comportement et de la santé des volailles reste chronophage, subjectif et limité face au volume des effectifs.

Le paradigme de l’IA multimodale appliquée à l’aviculture

Concepts fondamentaux

Un système d’IA multimodal combine diverses technologies de capteurs (caméras, microphones, capteurs environnementaux, etc.) et recourt à des modèles avancés, tels que l'apprentissage profond, pour extraire et corréler des informations à partir de données hétérogènes. Cette approche englobe l’analyse visuelle des comportements, le suivi acoustique des vocalisations et l’évaluation des paramètres de l’environnement (température, luminosité, humidité, qualité de l’air).

Avantages opérationnels

L'intégration des sources de données multiples apporte une visibilité accrue sur :

  • Les dynamiques sociales au sein du groupe
  • Les indicateurs précoces de stress, de maladies ou de blessures
  • Les changements comportementaux subtils annonciateurs de troubles de la ponte
  • La détection rapide des perturbations de l'environnement pouvant affecter le bien-être

Résultats attendus

En associant ces flux d'informations via des algorithmes, il est possible de prédire les fluctuations de production, d'anticiper les problèmes sanitaires et d’adapter les conditions d’élevage en conséquence.

Modalités de collecte et d’analyse des données

Analyse vidéo intelligente

Les caméras intelligentes, couplées à des modèles de reconnaissance d'images, permettent l'identification automatique de comportements tels que l’alimentation, le perchage, la locomotion ou les signes d’agression. Les algorithmes segmentent l’activité individuelle ou collective, détectent les anomalies et quantifient les interactions sociales, offrant ainsi un mapping comportemental précis des troupeaux.

Surveillance acoustique

Les systèmes d’acquisition audio classifient les vocalisations des poules et détectent les sons atypiques (cris de détresse, toux, agitation). L’analyse fréquentielle et spectrale identifie les variations pathologiques ou liées au stress, facilitant la détection précoce des pathologies respiratoires ou du mal-être.

Capteurs environnementaux intelligents

Les données collectées sur les conditions climatiques internes aux bâtiments (CO2, température, humidité, luminosité) sont continuellement monitorées. Les modèles prévisionnels ajustent automatiquement les paramètres (ventilation, éclairage), minimisant les risques d’épisode de stress thermique ou d’altération de la qualité de l’air.

Intégration des données et modèles prédictifs

La force des systèmes de traitement multimodal réside dans l’intégration simultanée de l’ensemble de ces paramètres. Les modèles d’apprentissage automatique mettent en évidence les corrélations entre ces signaux multiples, générant des alertes préventives et des recommandations opérationnelles personnalisées pour chaque lot de volailles.

Applications concrètes et bénéfices attendus

Détection précoce des anomalies et maladies

Les systèmes multimodaux permettent de repérer les variations comportementales ou physiologiques souvent imperceptibles à l’œil humain. La détection rapide de phénomènes précoces – tels qu’une baisse d’activité, une modification des vocalisations ou une agglomération inhabituelle d’individus – permet d’intervenir avant l’apparition de maladies ou de blessures.

Amélioration du bien-être et de la productivité

Un environnement adapté et un suivi en continu contribuent à réduire le stress, optimisent le taux de ponte et abaissent la mortalité. La personnalisation de la gestion de l’éclairage, de la ventilation ou de l’alimentation, grâce aux recommandations issues de l’IA, conduit à une meilleure réponse aux besoins physiologiques et comportementaux des poules.

Rationalisation des interventions humaines

L’automatisation de la surveillance réduit la charge de travail et limite les interventions intrusives. Les opérateurs bénéficient d’une vue d’ensemble synthétique, enrichie par des analyses en temps réel et des historiques consultables facilement.

Enjeux et perspectives d’intégration

Défis techniques

L’intégration de systèmes robustes, fiables et précis reste un enjeu clé. La standardisation des plateformes matérielles et logicielles, l’interopérabilité des capteurs, ainsi que la sécurisation des données recueillies forment autant de points de vigilance pour un déploiement industriel à large échelle.

Dimension éthique et réglementaire

Les innovations doivent s’inscrire dans un cadre réglementaire strict en matière de protection animale et de confidentialité des données. Le développement de solutions éthiques et transparentes, accessibles aux différents profils d’exploitants, revêt une importance croissante.

Future expansion

Les progrès attendus dans les algorithmes de fusion de données et en intelligence ambiante pourraient bientôt ouvrir la voie à une autonomisation totale des dispositifs de gestion du bien-être animal. À terme, ces systèmes devraient faciliter l’adaptation en continu des pratiques d’élevage, selon les indicateurs de performance en temps réel.

Conclusion

La convergence de l’IA multimodale et de l’élevage des poules pondeuses marque une avancée décisive vers la gestion intégrée et proactive du bien-être animal. L’exploitation de la synergie entre données visuelles, acoustiques et environnementales pose les bases d’une aviculture innovante, plus durable et socialement responsable.

Source : https://www.sciencedirect.com/science/article/pii/S2772375525007956?dgcid=rss_sd_all

Diagnostic intelligent des pathogènes de crevette par CNN : état de l’art, défis et perspectives

/dans /par

Identification des Agents Pathogènes de la Crevette par CNN : Avancées, Méthodologies et Perspectives

Introduction

L'aquaculture de crevettes occupe une place centrale dans la production alimentaire mondiale, sa croissance rapide étant soutenue par une demande croissante. Toutefois, cette expansion expose le secteur à de nombreux agents pathogènes responsables d'importantes pertes économiques. Les méthodes classiques de diagnostic, telles que la microscopie ou la biologie moléculaire, se heurtent à des limites d'efficacité, de temps et de coût. Ces défis stimulent le développement de stratégies innovantes basées sur l'intelligence artificielle. Les réseaux de neurones convolutifs (CNN), en particulier, s'affirment comme des outils prometteurs pour automatiser, accélérer et fiabiliser l'identification des pathogènes de la crevette.

Défis du Diagnostic des Pathogènes chez la Crevette

Les pathogènes qui affectent les crevettes — virus, bactéries, parasites et champignons — se manifestent souvent par des symptômes morphologiques subtils ou masqués. La distinction précise entre espèces pathogènes nécessite des compétences spécifiques et des analyses approfondies, rendant le diagnostic traditionnel long, coûteux et parfois imprécis. Par conséquent, il devient impératif d'adopter des solutions numériques capables de surpasser ces obstacles.

Principes de l'Identification Automatisée Basée sur les CNN

Les CNN sont des algorithmes d'apprentissage profond spécialisés dans l'analyse d'images. Leur architecture multicouche, composée de convolutions, de regroupements et de couches entièrement connectées, leur permet d'extraire automatiquement des caractéristiques discriminantes à partir d'images complexes, telles que des tissus infectés ou des organismes pathogènes au microscope.

Fonctionnement Général d'un CNN

  • Extraction automatique de caractéristiques : Les couches de convolution identifient des motifs visuels spécifiques aux pathogènes.
  • Réduction de dimensionnalité : Les couches de regroupement optimisent le volume de données tout en conservant les informations essentielles.
  • Classification : Les couches entièrement connectées associent les caractéristiques extraites à des catégories d'agents pathogènes.

Avantages pour le Diagnostic en Aquaculture

  • Rapidité : Analyse instantanée d'un grand nombre d'échantillons.
  • Précision : Taux de reconnaissance souvent supérieur à celui des méthodes traditionnelles.
  • Robustesse : Capacité à gérer la variabilité des images issues de différentes sources.

Étapes du Développement d'un Outil CNN pour l'Identification des Pathogènes de la Crevette

1. Constitution de Base de Données d’Images

L’étape initiale repose sur la collecte d’images diversifiées de tissus et d’organismes pathogènes préalablement identifiés. Cette phase requiert une annotation minutieuse pour garantir la correspondance précise entre les images et les espèces ciblées.

2. Prétraitement et Augmentation des Images

Les images subissent un ensemble de traitements (normalisation de la luminosité, réduction du bruit, recadrage) afin d’optimiser l’entrée du CNN. Les techniques d’augmentation (rotation, zoom, inversion) permettent d’élargir la base d’apprentissage, réduisant ainsi le risque de surapprentissage et renforçant la robustesse du modèle.

3. Développement, Entraînement et Validation du Modèle CNN

  • Choix de l’architecture : Des architectures éprouvées telles que VGGNet, ResNet ou Inception sont adaptées et spécialisées pour la tâche.
  • Entraînement : Le modèle assimile progressivement les caractéristiques discriminantes des différents pathogènes à partir des images annotées.
  • Validation croisée : Des méthodes statistiques strictes évaluent la capacité de généralisation du modèle sur de nouvelles images.

4. Évaluation et Comparaison avec les Méthodes Classiques

Les performances des CNN sont confrontées à celles des techniques conventionnelles via des metrics comme la précision, le rappel et la spécificité. Les résultats, dans la majorité des études rapportées, montrent une nette supériorité des CNN en termes de rapidité et de fiabilité.

Cas d’Application et Résultats Expérimentaux

Des études récentes utilisant des approches CNN ont permis de classifier efficacement plusieurs pathogènes majeurs de la crevette, tels que le virus de la tête blanche ou Vibrio sp. Avec des taux de précision dépassant régulièrement 95 %, ces méthodes s’illustrent non seulement dans le dépistage, mais aussi dans le suivi épidémiologique à grande échelle. La généralisation à d’autres crustacés ou espèces aquacoles apparaît également envisageable, sous réserve d’adapter les jeux de données et modèles à chaque contexte spécifique.

Intégration dans l’Environnement Aquacole et Défis Restants

L’intégration sur le terrain de systèmes de diagnostic basés sur les CNN nécessite encore d’adresser plusieurs points :

  • Qualité et diversité des données : Le succès repose sur une base de données exhaustive reflétant l’ensemble des conditions de terrain (variabilité géographique, âge, stade de maladie, qualité d'image).
  • Facilité d’usage : Les outils doivent être conçus pour des utilisateurs non spécialistes, avec des interfaces intuitives, voire des applications mobiles.
  • Interopérabilité : L’intégration dans les chaînes de surveillance existantes impose des standards de communication entre équipements et plateformes.

Perspectives et Futurs Développements

L’accélération de l’innovation en intelligence artificielle, et plus spécifiquement dans le domaine du deep learning, promet une automatisation encore plus poussée de la détection des pathogènes chez la crevette. L’évolution vers des modèles embarqués permettra de miniaturiser les dispositifs et de diagnostiquer sur site, réduisant les délais de réaction en cas d’épidémie. Par ailleurs, le couplage avec d’autres sources de données (par exemple, analyses génomiques ou paramètres environnementaux) ouvrira la voie à une surveillance globale et prédictive de la santé aquacole.

Conclusion

L’identification automatisée des agents pathogènes de la crevette via des réseaux CNN constitue désormais une réalité technologique, transformant la gestion de la santé en aquaculture. Alliée à une stratégie de collecte de données systématique et à des outils accessibles, cette approche pose les bases d’un contrôle plus efficace, durable et réactif des maladies aquacoles, au service de la sécurité alimentaire mondiale.

Source : https://www.mdpi.com/2076-2615/15/21/3194