Happiness Factor — Welfare Scoring AI-Driven

Concept signature du Lab Jungle Kabal : mesurer le “bonheur/welfare” de chaque résident avec AI, en continu.

💡 Le concept

L’industrie zoo/élevage commence à utiliser AI pour le welfare assessment des mammifères. Pour les invertébrés et arachnides, quasiment personne n’a fait ça.

→ Jungle Kabal pourrait être pionnier sur la welfare science invertébrée AI-driven.

🎯 Pourquoi c’est révolutionnaire

Recherche émergente
Aligné avec brand “AI x vivant” Jungle Kabal
Différenciateur unique sur la scène crypto/AI
Asset scientifique potentiel (papers, data publique)
Source de brand content riche (narratives auto-générés par espèce)

🧠 Comment ça fonctionne techniquement

Step 1 — Définir le baseline “happy” par espèce

Pour chaque résident du lab, on construit un profil “normal/heureux” :

Exemple Phidippus regius (Hunter)

species: Phidippus regius
baseline_metrics:
  active_periods: ["8h-18h"]
  hunt_response_max_seconds: 30
  web_building: required
  hiding_ratio_max: 40%
  color_brightness: stable
  feeding_success_min: 80%
target_score: 85

Exemple Metallyticus violaceus

species: Metallyticus violaceus
baseline_metrics:
  bark_adhesion: required
  hunting_strikes_per_week_min: 3
  iridescence_visible_at_30cm: required
  grooming_sessions_per_day_min: 2
  posture_alert_vs_flat: alert > 70%
target_score: 87

Exemple Mystrium camillae

species: Mystrium camillae
baseline_metrics:
  brood_pile_growth: positive_or_stable
  worker_activity_at_dusk: required
  trap_jaw_strikes_during_feeding: required
  larval_blood_drinking_observed: required  # signature behavior!
target_score: 90

Step 2 — AI tracking continuous (via Frigate + YOLO custom)

L’IA tracke en permanence :

Mouvement (déplacement total/jour, périodes actives)
Posture (exploration / repos / défense)
Coloration (luminosité, contraste — proxy pour stress)
Comportements signature (chasse, mues, accouplements, fight)
Réponse alimentaire (vitesse, intérêt)
Position (centrale = curieux, dans hide = stressé/normal selon espèce)

Step 3 — Score quotidien + LLM narrative

Chaque soir, le système calcule :

Mystrium camillae — Lab Day 87
─────────────────────────────────
Activity: 92% baseline ✓
Feeding response: 30s avg (target <60s) ✓
Brood growth: +2 pupae visible ✓
Inter-worker grooming: 5 events ✓
Larval blood-drinking: 3 events observed ✓
Anomalies: none

🔥 Happiness Score: 91/100

Claude narrative: "La colonie Mystrium 
montre une activité optimale aujourd'hui. 
Trois événements de prélèvement d'hémolymphe 
larvaire confirment le rituel vampirique 
intact. Le couvain progresse, signe que 
la lignée nourrit correctement. Stable."

Step 4 — Alertes & interventions

Si happiness < 60 sur 24h → alerte Discord/Slack Si happiness < 40 → urgence avec recommandations IA :

“Activité Phidippus chute de 50% — vérifier humidité”
“Mante Metallyticus inactive 48h — possible pré-mue ou stress thermique”

🏛️ L’usage brand Jungle Kabal

Dashboard public

Page web lab.junglekabal.io (par exemple) avec live-feed des happiness scores des résidents. Updated en temps réel.

Holders unique experience

Si tu as des NFT/tokens Jungle Kabal, les holders peuvent “adopter” un résident → reçoivent les updates happiness, content brand auto-généré sur leur résident, alertes événements (mues, naissances, deaths).

Brand storytelling automatisé

Chaque événement notable → l’AI génère un post Jungle Kabal voice :

“Le rituel d’amputation des gemmae chez Diacamma scalpratum a été observé à 03:47 cette nuit. La nouvelle alpha est en train de stabiliser sa cour. La colonie continue son rite millénaire en silence.”
Auto-post avec clip 10s Frigate + image AI-generated du contexte

Recherche partagée

Tu peux publier les datasets en open data → contribution réelle à la science de welfare invertébré → autorité scientifique pour le brand

🛠️ Implémentation technique

Stack minimal pour démarrer happiness tracking

Software :

Frigate (déjà prévu) → events + clips
Python script custom → calcul happiness factor par espèce
Postgres ou SQLite → base de données scores
Grafana → dashboards visuels
Anthropic Claude API → narrative generation

Workflow :

Frigate détecte événements (motion, behaviors)
Script Python agrège par espèce + heure
Calcule happiness score selon règles spécifiques espèce
Stocke en base
Génère narrative LLM via Claude API
Push dashboard + Discord alert si seuil

Effort dev :

POC pour 1 espèce : ~2-3 jours code
Système full pour 10 espèces : ~2-3 semaines code
Tu peux faire ça toi-même avec Claude/Cursor, pas besoin de dev externe

Le dataset à construire

Pour entraîner le modèle de baseline “happy” par espèce, tu dois :

Filmer 4-6 semaines chaque espèce dans conditions optimales
Annoter les comportements (prends quelques heures à la main, ou via Roboflow)
Train le modèle behavior classifier
Itère : compare prédictions IA vs ton observation manuelle

📊 Métriques par catégorie d’animal

Spiders (Phidippus regius)

Active periods detection
Web building visible
Hunt response time on prey introduction
Hiding ratio
Color brightness (stress proxy)
Feeding success rate

Scorpions (Heterometrus)

Night activity vs hide ratio
Feeding response
Defensive posture frequency
Pinch behaviors only when threatened (good vs constant = bad)
Mue body cuticle stable

Mantises (Metallyticus)

Bark adhesion (proper resting position)
Hunting strike frequency
Iridescence visible (lighting + perception)
Grooming sessions
Posture alert vs flat exhausted

Ants (general)

Active foraging worker count
Brood pile size growth
Workers tending queen/gamergate
Death/dead workers near nest entrance
Inter-worker grooming events

Ants (species-specific)

Mystrium: trap-jaw strikes, larval blood drinking
Diacamma: gemmae mutilation events on emergence
Harpegnathos: jumping events, visual hunting
Acanthomyrmex: major workers crushing seeds
Myrmecocystus: replete creation events, replete drinking events, foraging trips

🎬 Schéma technique architecture

[ESP32-CAM / Pi Camera streams]
            ↓
       [Frigate NVR]
            ↓
   ┌────────┴────────┐
   ↓                 ↓
[Recording]    [Event detection]
                     ↓
              [MQTT message]
                     ↓
        [Python happiness service]
                     ↓
   ┌────────┬────────┬────────┐
   ↓        ↓        ↓        ↓
[Postgres][Claude API][Discord][Frontend]

📅 Phasage

Phase 1 (Mois 1-3) — POC sur 1 colonie

Implement happiness tracking pour Mystrium camillae (la plus brand)
Setup Frigate + 1 cam + Python service
Dataset 4 semaines pour baseline
Premier dashboard simple

Phase 2 (Mois 4-6) — Roll-out 4 colonies

Étendre aux 4 colonies Phase 1 (Harpegnathos, Mystrium, Diacamma, Acanthomyrmex)
Train YOLO custom par espèce
Dashboard multi-espèce
LLM narrative automation

Phase 3 (Mois 7-12) — Scale + public

10 colonies monitored
Dashboard public lab.junglekabal.io
API publique (queryable)
Token-gated premium features

Phase 4 (Année 2+) — Open source

Open source le module Happiness Factor
Standard public pour invertébré welfare
Papers académiques
Dataset Creative Commons

🎯 KPIs de succès

Métrique	Phase 1 target	Phase 3 target
Colonies monitored	1	10
Behaviors détectés (events/jour)	5+	50+
Happiness score précision (vs observation manuelle)	70%	90%
Auto-generated brand content posts/semaine	2-3	10+
Discord/Slack alerts pertinentes	80%	95%

💎 Le vrai brand asset

Une fois opérationnel, tu peux dire :

“Notre lab utilise une AI welfare scoring system pour s’assurer en continu que chaque résident est dans des conditions optimales. Chaque jour, un score 0-100 est calculé pour chaque colonie, basé sur 20+ métriques comportementales, et un narrative est généré par Claude AI dans la voix Jungle Kabal.”

“Nous publions notre dataset en open source pour contribuer à la welfare science invertébrée.”

C’est un asset brand pure, un asset scientifique, et un produit potentiellement vendable (SaaS welfare API pour autres labs/elevages).

Mis à jour 2026-05-04. À détailler par espèce au fur et à mesure des acquisitions.