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

बीफ उत्पादन की दुनिया में, एक शव (कारकास) का मूल्य अक्सर एक अदृश्य गुण पर निर्भर करता है: मांसपेशी के रेशों में बुने हुए वसा की मात्रा। यह अंतःपेशीय वसा (इंट्रामस्कुलर फैट), जिसे मार्बलिंग कहा जाता है, उस समृद्ध स्वाद और कोमलता की कुंजी है जिसे उपभोक्ता विशेष रूप से पसंद करते हैं, खासकर दक्षिण कोरिया के प्रीमियम हनवू (Hanwoo) मवेशियों में। चूंकि यह वसा तय करती है कि किसान को कितनी कीमत मिलेगी, इसलिए उद्योग एक ऐसी ग्रेडिंग प्रणाली पर निर्भर करता है जो बीफ को कम से लेकर प्रीमियम श्रेणियों में वर्गीकृत करती है। पारंपरिक रूप से, इन ग्रेडों को निर्धारित करने के लिए वध के बाद मांस का निरीक्षण करने के लिए एक प्रशिक्षित आंख की आवश्यकता होती है, जो रंग, बनावट और वसा के दृश्य पैटर्न को देखती है। हालांकि आधुनिक विज्ञान ने पशु के प्रसंस्करण से पहले ही आनुवंशिक परीक्षण या अल्ट्रासाउंड छवियों का उपयोग करके इन गुणों की भविष्यवाणी करने के तरीके विकसित कर लिए हैं, लेकिन ये उच्च-तकनीकी उपकरण महंगे हैं और हर बूचड़खाने में उपलब्ध नहीं हैं। यह ज्ञान की एक कमी छोड़ देता है: क्या बूचड़खाने में पहले से ही रखे गए सरल, नियमित रिकॉर्ड—जैसे कि जानवर की आयु, लिंग और बुनियादी रंग स्कोर—हमें अंतिम मार्बलिंग ग्रेड की सटीक भविष्यवाणी करने के लिए पर्याप्त जानकारी दे सकते हैं?

योनसेई विश्वविद्यालय (Yonsei University) के शोधकर्ताओं की एक टीम ने इन रिकॉर्ड्स को एक पहेली की तरह मानकर इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने 386 हनवू मवेशियों से डेटा एकत्र किया, जिसमें सात जानकारियों को देखा गया जो प्रसंस्करण के समय नियमित रूप से एकत्र की जाती हैं: महीनों में जानवर की आयु, उसका लिंग, मांस का रंग, वसा का रंग, उसकी शारीरिक परिपक्वता का स्कोर, मात्रा ग्रेड (क्वांटिटी ग्रेड), और बिक्री से पहले उसे कितने दिनों तक पुराना (एज्ड) रखा गया था। उनका लक्ष्य यह देखना था कि क्या एक कंप्यूटर प्रोग्राम, केवल इन मानक तथ्यों का उपयोग करके, शवों को सही चार मार्बलिंग श्रेणियों में वर्गीकृत कर सकता है: लो (Low), मिडिल (Middle), हाई (High) और प्रीमियम (Premium)। यह चुनौती महत्वपूर्ण थी क्योंकि डेटा अत्यधिक विषम (skewed) था; लगभग आधे जानवर "मिडिल" श्रेणी में थे, जबकि सबसे मूल्यवान "प्रीमियम" समूह कुल का छह प्रतिशत से भी कम था। यह असंतुलन यह सुनिश्चित करता था कि एक कंप्यूटर आसानी से सबसे आम उत्तर का अनुमान लगा सकता है और सफल दिख सकता है, जबकि दुर्लभ, उच्च-मूल्य वाले जानवरों को पहचानने में पूरी तरह विफल हो सकता है।

अपने विचारों का निष्पक्ष परीक्षण करने के लिए, शोधकर्ताओं ने डेटा को केवल एक प्रशिक्षण सेट (training set) और एक परीक्षण सेट (test set) में विभाजित नहीं किया। इसके बजाय, उन्होंने 'रिपीटेड क्रॉस-वैलिडेशन' (repeated cross-validation) नामक एक कठोर पद्धति का उपयोग किया। कल्पना कीजिए कि आप ताश की एक गड्डी ले रहे हैं, उन्हें फेंट रहे हैं और पांच ढेरों में बांट रहे हैं, फिर यह सुनिश्चित करने के लिए कि परिणाम केवल एक भाग्यशाली दुर्घटना नहीं हैं, विभिन्न फेरबदल के साथ इस प्रक्रिया को कई बार दोहरा रहे हैं। इस अध्ययन में, उन्होंने 386 रिकॉर्ड्स को पांच समूहों में बांटा और प्रक्रिया को तीन बार दोहराया, जिससे उनके मॉडल का परीक्षण करने के लिए पंद्रह अलग-अलग परिदृश्य बने। उन्होंने दुर्लभ "प्रीमियम" मामलों को संभालने के लिए एक विशिष्ट तकनीक का भी उपयोग किया: उन्होंने केवल प्रशिक्षण समूहों के भीतर इन दुर्लभ जानवरों के कृत्रिम उदाहरण बनाए, यह सुनिश्चित करते हुए कि ये काल्पनिक उदाहरण कभी भी परीक्षण समूहों में न पहुंचें जहां वे स्कोर को कृत्रिम रूप से बढ़ा सकते थे। इस सावधानीपूर्ण डिजाइन ने कंप्यूटर को परीक्षण के उत्तरों को याद करने के लिए अमान्य डेटा का उपयोग करने से रोका।

शोधकर्ताओं ने पहले ग्यारह अलग-अलग प्रकार के कंप्यूटर लर्निंग एल्गोरिदम का परीक्षण किया, जो सरल रैखिक मॉडल (linear models) से लेकर जटिल ट्री-आधारित सिस्टम तक विस्तृत थे, जो हाँ या ना के प्रश्नों की एक श्रृंखला पूछकर निर्णय लेते हैं। बिना किसी विशेष समायोजन के, सबसे अच्छा प्रदर्शन करने वाला तरीका 'ग्रेडिएंट बूस्टिंग' (Gradient Boosting) था। इस मॉडल ने मार्बलिंग ग्रेड की पहचान लगभग 58 प्रतिशत बार सही ढंग से की। हालांकि यह कम लग सकता है, लेकिन डेटा के अस्त-व्यस्त और असंतुलित होने के कारण यह एक सार्थक परिणाम है। मॉडल ने दिखाया कि नियमित रिकॉर्ड में मांस की गुणवत्ता के बारे में उपयोगी संकेत होते हैं, लेकिन वे एक पूर्ण चित्र नहीं हैं। सबसे प्रभावशाली कारक जिन्हें कंप्यूटर ने भरोसा करना सीखा, वे थे जानवर का लिंग, वध के समय उसकी आयु और मांस का रंग। दिलचस्प बात यह है कि जानवर की आयु एक मजबूत भविष्यवक्ता थी, भले ही यह अपने आप में ग्रेड के साथ सीधे सहसंबंध नहीं दिखाती थी, जो यह सुझाव देता है कि कंप्यूटर आयु, लिंग और परिपक्वता के बीच छिपे हुए संबंध खोज रहा था जिन्हें एक साधारण नज़र मिस कर सकती है।

इसके बाद टीम ने 'ओवरसैंपलिंग' (oversampling) तकनीक का उपयोग करके दुर्लभ, उच्च-मूल्य वाले जानवरों को पहचानने की अपनी क्षमता में सुधार करने का प्रयास किया। यह विधि कंप्यूटर को उनके बारे में अधिक सिखाने के लिए दुर्लभ "हाई" और "प्रीमियम" वर्गों के अतिरिक्त, कृत्रिम उदाहरण उत्पन्न करती है। उन्होंने पाया कि इस दृष्टिकोण ने मॉडल को दुर्लभ वर्गों को बेहतर ढंग से पहचानने में मदद की। विशेष रूप से, 'एडेप्टिव सिंथेटिक सैंपलिंग' (adaptive synthetic sampling) और 'XGBoost' नामक एक शक्तिशाली एल्गोरिदम के संयोजन ने मानक मॉडल की तुलना में "प्रीमियम" वर्ग की पहचान में लगभग 47 प्रतिशत का सुधार किया। हालांकि, यह सुधार एक समझौते (trade-off) के साथ आया। दुर्लभ, उच्च-मूल्य वाले जानवरों पर इतनी तीव्रता से ध्यान केंद्रित करने के कारण, मॉडल सामान्य "मिडिल" वर्ग को सही ढंग से पहचानने में थोड़ा कमजोर हो गया, जो कि सभी जानवरों में लगभग आधा हिस्सा था। फलस्वरूप, मॉडल की समग्र सटीकता में सुधार नहीं हुआ; इसने केवल अपनी त्रुटियों को स्थानांतरित कर दिया। यदि लक्ष्य कुल मिलाकर सबसे अधिक सही उत्तर प्राप्त करना था, तो मानक मॉडल ही सबसे अच्छा विकल्प बना रहा, जबकि संवर्धित (augmented) मॉडल उन दुर्लभ, महंगी कट्स को पकड़ने के लिए बेहतर था, भले ही इसके लिए कुछ सामान्य श्रेणियों को गलत वर्गीकृत करने की कीमत चुकानी पड़े।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि नियमित बूचड़खाने के रिकॉर्ड मांस की गुणवत्ता के बारे में मध्यम स्तर की अंतर्दृष्टि प्रदान कर सकते हैं, लेकिन वे विस्तृत ग्रेडिंग प्रक्रिया या जीनोमिक्स या इमेजिंग जैसे उन्नत उपकरणों की पूरी तरह से जगह नहीं ले सकते। परिणाम बताते हैं कि ये रोजमर्रा के रिकॉर्ड एक ठोस आधार (baseline) बनाते हैं, एक ऐसा फर्श जिस पर अधिक परिष्कृत प्रणालियाँ बनाई जा सकती हैं। उद्योग के लिए, इसका अर्थ है कि मौजूदा डेटा मूल्यवान है और इसका उपयोग शवों की जांच करने या विसंगतियों की जांच करने के लिए किया जा सकता है, लेकिन यह बेहतरीन ग्रेड की भविष्यवाणी करने के लिए एक स्टैंडअलोन समाधान नहीं है। यह शोध पशु विज्ञान में छोटे, असमान डेटासेट के साथ काम करने की कठिनाई को भी उजागर करता है, जो दिखाता है कि आपके मॉडल का परीक्षण कैसे किया जाता है, यह मॉडल से भी अधिक महत्वपूर्ण है। इस बेंचमार्क को स्थापित करके, शोधकर्ताओं ने भविष्य के बीफ उत्पादन के लिए और भी अधिक सटीक भविष्यवाणियां बनाने के उद्देश्य से इन नियमित रिकॉर्ड्स को समृद्ध डेटा स्रोतों के साथ जोड़ने वाले भविष्य के अध्ययनों के लिए एक स्पष्ट संदर्भ बिंदु प्रदान किया है।