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

En el mundo de la producción de carne de res, el valor de una canal a menudo depende de una cualidad invisible: la cantidad de grasa tejida en las fibras musculares. Esta grasa intramuscular, conocida como marmoleo, es la clave del sabor rico y la ternura que los consumidores tanto valoran, particularmente en el ganado Hanwoo de alta calidad de Corea del Sur. Debido a que esta grasa determina el precio que recibe un productor, la industria depende de un sistema de clasificación que clasifica la carne en categorías que van desde baja hasta premium. Tradicionalmente, asignar estas categorías requiere de un ojo entrenado para inspeccionar la carne después del sacrificio, observando el color, la textura y los patrones visibles de grasa. Si bien la ciencia moderna ha desarrollado formas de predecir estas cualidades utilizando pruebas genéticas o imágenes de ultrasonido antes de que el animal sea procesado, estas herramientas de alta tecnología son costosas y no están disponibles en todos los mataderos. Esto deja un vacío de conocimiento: ¿pueden los registros sencillos y rutinarios que ya se mantienen en el matadero —como la edad del animal, el sexo y las puntuaciones básicas de color— decirnos lo suficiente como para predecir con precisión el grado de marmoleo final?

Un equipo de investigadores de la Universidad de Yonsei se propuso responder a esta pregunta tratando los registros del matadero como un rompecabezas. Recopilaron datos de 386 reses Hanwoo, analizando siete piezas de información recolectadas rutinariamente al momento del procesamiento: la edad del animal en meses, su sexo, el color de la carne, el color de la grasa, una puntuación de su madurez física, su grado de cantidad y el número de días que fue madurada antes de la venta. Su objetivo era ver si un programa de computadora, utilizando solo estos hechos estándar, podía clasificar las canales en las cuatro categorías correctas de marmoleo: Baja, Media, Alta y Premium. El desafío era significativo porque los datos estaban fuertemente sesgados; casi la mitad de los animales caían en la categoría "Media", mientras que el grupo más valioso "Premium" representaba menos del seis por ciento del total. Este desequilibrio significaba que una computadora podría fácilmente adivinar la respuesta más común y aun así parecer exitosa, fallando por completo en la identificación de los animales raros y de alto valor.

Para probar sus ideas de manera justa, los investigadores no simplemente dividieron los datos una vez en un conjunto de entrenamiento y un conjunto de prueba. En su lugar, utilizaron un método riguroso llamado validación cruzada repetida. Imagine tomar una baraja de cartas, barajarlas y repartirlas en cinco montones, luego repetir este proceso múltiples veces con diferentes mezclas para asegurar que los resultados no fueran solo un accidente de suerte. En este estudio, mezclaron los 386 registros en cinco grupos y repitieron el proceso tres veces, creando quince escenarios diferentes para probar sus modelos. También emplearon una técnica específica para manejar los casos "Premium" poco comunes: crearon ejemplos sintéticos de estos animales raros solo dentro de los grupos de entrenamiento, asegurando que estos ejemplos inventados nunca se filtraran en los grupos de prueba donde inflarían artificialmente las puntuaciones. Este diseño cuidadoso evitó que la computadora utilizara datos inválidos para memorizar las respuestas de la prueba.

Los investigadores primero probaron once tipos diferentes de algoritmos de aprendizaje computacional, que van desde modelos lineales simples hasta sistemas complejos basados en árboles que toman decisiones mediante una serie de preguntas de sí o no. Sin ningún ajuste especial para las clases raras, el mejor desempeño lo tuvo un método llamado Gradient Boosting. Este modelo identificó correctamente el grado de marmoleo aproximadamente el 58 por ciento de las veces. Aunque esto pueda sonar bajo, es un resultado significativo dado que los datos eran desordenados y las clases estaban desequilibradas. El modelo demostró que los registros de rutina sí contienen señales útiles sobre la calidad de la carne, pero no ofrecen un panorama completo. Los factores más influyentes en los que la computadora aprendió a confiar fueron el sexo del animal, su edad al momento del sacrificio y el color de la carne. Curiosamente, la edad del animal fue un predictor fuerte a pesar de que no parecía correlacionarse directamente con el grado por sí sola, lo que sugiere que la computadora estaba encontrando conexiones ocultas entre la edad, el sexo y la madurez que una simple mirada podría pasar por alto.

El equipo luego intentó mejorar la capacidad de su modelo para detectar los animales raros y de alto valor utilizando una técnica llamada sobremuestreo (oversampling). Este método genera ejemplos sintéticos adicionales de las clases "Alta" y "Premium" para enseñarle más a la computadora sobre ellas. Encontraron que este enfoque ayudó al modelo a reconocer mejor las clases raras. Específicamente, una combinación de muestreo sintético adaptativo y un poderoso algoritmo llamado XGBoost mejoró la identificación de la clase "Premium" en casi un 47 por ciento en comparación con el modelo estándar. Sin embargo, esta mejora vino con una compensación. Al enfocarse tan intensamente en los animales raros y de alto valor, el modelo se volvió ligeramente peor al identificar correctamente la clase común "Media", que constituía casi la mitad de todos los animales. Consecuentemente, la precisión general del modelo no mejoró; simplemente cambió sus errores. El modelo estándar seguía siendo la mejor opción si el objetivo era obtener la mayor cantidad de respuestas correctas en general, mientras que el modelo aumentado era mejor si la prioridad era captar los cortes raros y caros, incluso a costa de clasificar erróneamente algunos de los cortes comunes.

El estudio concluye que, si bien los registros rutinarios del matadero pueden proporcionar un nivel moderado de información sobre la calidad de la carne, no pueden reemplazar completamente el proceso detallado de clasificación ni el uso de herramientas avanzadas como la genómica o las imágenes. Los resultados sugieren que estos registros cotidianos forman una base sólida, un suelo sobre el cual se pueden construir sistemas más sofisticados. Para la industria, esto significa que los datos existentes son valiosos y pueden usarse para filtrar canales o verificar inconsistencias, pero no son una solución independiente para predecir los grados más finos. La investigación también destaca la dificultad de trabajar con conjuntos de datos pequeños y desiguales en la ciencia de la ganadería, mostrando que el modo en que se prueba un modelo es tan importante como el modelo mismo. Al establecer este punto de referencia, los investigadores han proporcionado un punto de referencia claro para futuros estudios que busquen combinar estos registros rutinarios con fuentes de datos más ricas para crear predicciones más precisas para el futuro de la producción de carne de res.