Benchmarking Machine Learning Classification of Hanwoo Intramuscular Fat Grade Using Routine Carcass Records

في عالم إنتاج لحوم البقر، غالبًا ما تعتمد قيمة الذبيحة على جودة غير مرئية: كمية الدهون المنسوجة في الألياف العضلية. هذه الدهون داخل العضلات، والمعروفة باسم "التعريق" (marbling)، هي المفتاح للنكهة الغنية والطراوة التي يقدّرها المستهلكون، لا سيما في ماشية "الهانوو" (Hanwoo) الفاخرة في كوريا الجنوبية. ولأن هذه الدهون هي التي تحدد السعر الذي يحصل عليه المزارع، يعتمد القطاع على نظام تصنيف يصنف اللحوم إلى فئات تتراوح من المنخفضة إلى الممتازة. تقليديًا، يتطلب تحديد هذه الدرجات عيناً مدربة لفحص اللحم بعد الذبح، من خلال النظر في اللون، والملمس، وأنماط الدهون المرئية. وبينما طورت العلوم الحديثة طرقًا للتنبؤ بهذه الخصائص باستخدام الاختبارات الجينية أو صور الموجات فوق الصوتية قبل معالجة الحيوان، فإن هذه الأدوات عالية التقنية باهظة الثمن وغير متوفرة في كل مسلخ. وهذا يترك فجوة في المعرفة: هل يمكن للسجلات الروتينية البسيطة الموجودة بالفعل في المسلخ — مثل عمر الحيوان، وجنسه، ودرجات اللون الأساسية — أن تخبرنا بما يكفي للتنبؤ بدقة بدرجة التعريق النهائية؟

وضع فريق من الباحثين في جامعة يونسي (Yonsei University) هدفًا للإجابة على هذا السؤال من خلال التعامل مع سجلات المسلخ كأحجية. لقد جمعوا بيانات من 386 رأسًا من ماشية الهانوو، ونظروا في سبعة معلومات تُجمع بشكل روتيني في وقت المعالجة: عمر الحيوان بالأشهر، وجنسه، ولون اللحم، ولون الدهون، ودرجة النضج البدني، ودرجة الكمية، وعدد الأيام التي تم فيها تعتيق اللحم قبل البيع. كان هدفهم هو معرفة ما إذا كان برنامج حاسوبي، باستخدام هذه الحقائق القياسية فقط، يمكنه فرز الذبائح إلى فئات التعريق الأربع الصحيحة: منخفض، متوسط، مرتفع، وممتاز. كان التحدي كبيرًا لأن البيانات كانت منحازة بشدة؛ حيث وقع ما يقرب من نصف الحيوانات في فئة "المتوسط"، بينما شكلت مجموعة "الممتاز" الأكثر قيمة أقل من ستة بالمائة من الإجمالي. هذا الاختلال يعني أن الحاسوب يمكنه بسهولة تخمين الإجابة الأكثر شيوعًا ويبدو ناجحًا، بينما يفشل تمامًا في تحديد الحيوانات النادرة وعالية القيمة.

لاختبار أفكارهم بإنصاف، لم يكتفِ الباحثون بتقسيم البيانات مرة واحدة إلى مجموعة تدريب ومجموعة اختبار، بل استخدموا طريقة صارمة تسمى "التحقق المتقاطع المتكرر" (repeated cross-validation). تخيل أخذ مجموعة من أوراق اللعب، وخلطها، ثم توزيعها في خمس مجموعات، ثم تكرار هذه العملية عدة مرات مع خلطات مختلفة لضمان أن النتائج لم تكن مجرد صدفة سعيدة. في هذه الدراسة، قاموا بخلط 386 سجلًا في خمس مجموعات وكرروا العملية ثلاث مرات، مما خلق خمس عشرة سيناريو مختلفًا لاختبار نماذجهم. كما استخدموا تقنية محددة للتعامل مع الحالات "الممتازة" النادرة: حيث أنشأوا أمثلة اصطناعية لهذه الحيوانات النادرة فقط ضمن مجموعات التدريب، مما يضمن عدم تسرب هذه الأمثلة المصطنعة إلى مجموعات الاختبار حيث قد ترفع النتائج بشكل زائف. هذا التصميم الدقيق منع الحاسوب من استخدام بيانات غير صالحة لحفظ إجابات الاختبار.

اختبر الباحثون أولاً أحد عشر نوعًا مختلفًا من خوارزميات التعلم الحاسوبي، تتراوح من النماذج الخطية البسيطة إلى الأنظمة القائمة على الأشجار المعقدة التي تتخذ القرارات عبر طرح سلسلة من الأسئلة بنعم أو لا. بدون أي تعديلات خاصة للفئات النادرة، كان أفضل أداء لأسلوب يسمى "تعزيز التدرج" (Gradient Boosting). حدد هذا النموذج درجة التعريق بدقة تبلغ حوالي 58 بالمائة. ورغم أن هذا قد يبدو منخفضًا، إلا أنه نتيجة ذات مغزى نظرًا لأن البيانات كانت غير منظمة والفئات غير متوازنة. أظهر النموذج أن السجلات الروتينية تحتوي بالفعل على إشارات مفيدة حول جودة اللحم، لكنها ليست صورة كاملة. كانت العوامل الأكثر تأثيرًا التي تعلم الحاسوب الوثوق بها هي جنس الحيوان، وعمره عند الذبح، ولون اللحم. ومن المثير للاهتمام أن عمر الحيوان كان مؤشرًا قويًا رغم أنه لم يبدُ مرتبطًا مباشرة بالدرجة بمفرده، مما يشير إلى أن الحاسوب كان يجد روابط خفية بين العمر والجنس والنضج قد تغيب عن النظرة البسيطة.

حاول الفريق بعد ذلك تحسين قدرة النموذج على رصد الحيوانات النادرة وعالية القيمة باستخدام تقنية تسمى "زيادة العينات" (oversampling). هذه الطريقة تولد أمثلة اصطناعية إضافية للفئات "المرتفعة" و"الممتازة" النادرة لتعليم الحاسوب المزيد عنها. ووجدوا أن هذا النهج ساعد النموذج على التعرف على الفئات النادرة بشكل أفضل. وتحديدًا، أدى الجمع بين أخذ العينات الاصطناعية التكيفية وخوارزمية قوية تسمى "XGBoost" إلى تحسين تحديد الفئة "الممتازة" بنسبة تقارب 47 بالمائة مقارنة بالنموذج القياسي. ومع ذلك، جاء هذا التحسن مع مقايضة؛ فمن خلال التركيز المكثف على الحيوانات النادرة وعالية القيمة، أصبح النموذج أسوأ قليلاً في تحديد الفئة "المتوسطة" الشائعة، والتي تشكل ما يقرب من نصف جميع الحيوانات. وبناءً على ذلك، لم تتحسن دقة النموذج الإجمالية، بل انتقلت أخطاؤه فقط. ظل النموذج القياسي هو الخيار الأفضل إذا كان الهدف هو الحصول على أكبر عدد من الإجابات الصحيحة إجمالاً، بينما كان النموذج المعزز أفضل إذا كانت الأولوية هي صيد القطع النادرة والمكلفة، حتى لو كان ذلك على حساب سوء تصنيف بعض القطع الشائعة.

تخلص الدراسة من أنه بينما يمكن للسجلات الروتينية في المسلخ توفير مستوى معتدل من الرؤية حول جودة لحوم البقر، إلا أنها لا يمكن أن تحل محل عملية التصنيف التفصيلية أو استخدام الأدوات المتقدمة مثل علم الجينوم أو التصوير. تشير النتائج إلى أن هذه السجلات اليومية تشكل أساسًا متينًا، وهو أرضية يمكن بناء أنظمة أكثر تطورًا عليها. بالنسبة للصناعة، هذا يعني أن البيانات الموجودة ذات قيمة ويمكن استخدامها لفحص الذبائح أو التحقق من التناقضات، لكنها ليست حلاً مستقلاً للتنبؤ بأفضل الدرجات. كما يسلط البحث الضوء على صعوبة العمل مع مجموعات البيانات الصغيرة وغير المتوازنة في علوم الثروة الحيوانية، موضحًا أن كيفية اختبار النموذج لا تقل أهمية عن النموذج نفسه. ومن خلال وضع هذا المعيار، قدم الباحثون نقطة مرجع واضحة للدراسات المستقبلية التي تهدف إلى دمج هذه السجلات الروتينية مع مصادر بيانات أغنى لخلق تنبؤات أكثر دقة لمستقبل إنتاج لحوم البقر.