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

Nel mondo della produzione di carne bovina, il valore di una carcassa spesso dipende da una singola qualità invisibile: la quantità di grasso intrecciata nelle fibre muscolari. Questo grasso intramuscolare, noto come marezzatura, è la chiave del sapore ricco e della tenerezza che i consumatori tanto premono, in particolare per il pregiato bestiame Hanwoo della Corea del Sud. Poiché questo grasso determina il prezzo che l'allevatore riceve, l'industria si affida a un sistema di classificazione che suddivide la carne in categorie che vanno da bassa a premium. Tradizionalmente, assegnare queste classi richiede un occhio esperto per ispezionare la carne dopo la macellazione, osservando il colore, la consistenza e i modelli visibili del grasso. Sebbene la scienza moderna abbia sviluppato modi per prevedere queste qualità utilizzando test genetici o immagini a ultrasuoni prima ancora che l'animale venga lavorato, questi strumenti tecnologici avanzati sono costosi e non disponibili in ogni macello. Ciò lascia un vuoto di conoscenza: possono i semplici record di routine già conservati al macello — come l'età dell'animale, il sesso e i punteggi base del colore — dirci abbastanza per prevedere con precisione il grado finale di marezzatura?

Un team di ricercatori dell'Università Yonsei si è posto l'obiettivo di rispondere a questa domanda trattando i registri del macello come un puzzle. Hanno raccolto dati da 386 capi di Hanwoo, esaminando sette informazioni raccolte regolarmente al momento della lavorazione: l'età dell'animale in mesi, il sesso, il colore della carne, il colore del grasso, un punteggio per la sua maturità fisica, il grado di quantità e il numero di giorni di stagionatura prima della vendita. Il loro obiettivo era vedere se un programma informatico, utilizzando solo questi fatti standard, potesse classificare le carcasse nelle quattro corrette categorie di marezzatura: Bassa, Media, Alta e Premium. La sfida era significativa perché i dati erano fortemente sbilanciati; quasi la metà degli animali rientrava nella categoria "Media", mentre il gruppo più prezioso "Premium" costituiva meno del sei per cento del totale. Questo squilibrio significava che un computer avrebbe potuto facilmente indovinare la risposta più comune e sembrare comunque efficace, pur fallendo completamente nell'identificare gli animali rari e di alto valore.

Per testare le loro idee in modo equo, i ricercatori non si sono limitati a dividere i dati una sola volta in un set di addestramento e un set di test. Invece, hanno utilizzato un metodo rigoroso chiamato validazione incrociata ripetuta (repeated cross-validation). Immaginate di prendere un mazzo di carte, mescolarlo e distribuirlo in cinque pile, poi ripetere questo processo più volte con diverse mescolate per garantire che i risultati non fossero solo un colpo di fortuna. In questo studio, hanno mescolato i 386 record in cinque gruppi e ripetuto il processo tre volte, creando quindici diversi scenari per testare i loro modelli. Hanno anche impiegato una tecnica specifica per gestire i casi rari "Premium": hanno creato esempi sintetici di questi animali rari solo all'interno dei gruppi di addestramento, assicurandosi che questi esempi inventati non filtrassero mai nei gruppi di test dove avrebbero gonfiato artificialmente i punteggi. Questa progettazione attenta ha impedito al computer di utilizzare dati non validi per memorizzare le risposte del test.

I ricercatori hanno prima testato undici diversi tipi di algoritmi di apprendimento automatico, che vanno da semplici modelli lineari a sistemi complessi basati su alberi che prendono decisioni ponendo una serie di domande sì-o-no. Senza alcun aggiustamento speciale per le classi rare, il miglior performer è stato un metodo chiamato Gradient Boosting. Questo modello ha identificato correttamente il grado di marezzatura circa il 58 percento delle volte. Sebbene possa sembrare un valore basso, è un risultato significativo dato che i dati erano disordinati e le classi sbilanciate. Il modello ha dimostrato che i record di routine contengono segnali utili sulla qualità della carne, ma non offrono un quadro completo. I fattori più influenti che il computer ha imparato a considerare affidabili sono stati il sesso dell'animale, l'età alla macellazione e il colore della carne. Interessante è che l'età dell'animale è stata un forte predittore, nonostante non sembrasse correlata direttamente al grado da sola, suggerendo che il computer stesse trovando connessioni nascoste tra età, sesso e maturità che un semplice sguardo potrebbe mancare.

Il team ha poi cercato di migliorare la capacità del modello di individuare gli animali rari e di alto valore utilizzando una tecnica chiamata oversampling. Questo metodo genera esempi sintetici aggiuntivi delle classi rare "Alta" e "Premium" per insegnare al computer di più su di esse. Hanno scoperto che questo approccio ha aiutato il modello a riconoscere meglio le classi rare. Nello specifico, una combinazione di campionamento sintetico adattivo e un potente algoritmo chiamato XGBoost ha migliorato l'identificazione della classe "Premium" di quasi il 47 percento rispetto al modello standard. Tuttavia, questo miglioramento è arrivato con un compromesso. Concentrandosi così intensamente sugli animali rari e di alto valore, il modello è diventato leggermente meno capace di identificare correttamente la classe comune "Media", che costituiva quasi la metà di tutti gli animali. Di conseguenza, l'accuratezza complessiva del modello non è migliorata; ha semplicemente spostato i suoi errori. Il modello standard rimaneva la scelta migliore se l'obiettivo era ottenere il maggior numero di risposte corrette complessivamente, mentre il modello aumentato era migliore se la priorità era catturare i tagli rari ed costosi, anche a costo di classificare erroneamente alcuni tagli comuni.

Lo studio conclude che, sebbene i registri di routine del macello possano fornire un livello moderato di intuizione sulla qualità della carne, non possono sostituire completamente il processo di classificazione dettagliato o l'uso di strumenti avanzati come la genomica o le immagini. I risultati suggeriscono che questi record quotidiani formano una base solida, un pavimento su cui possono essere costruiti sistemi più sofisticati. Per l'industria, ciò significa che i dati esistenti sono preziosi e possono essere utilizzati per esaminare le carcasse o verificare le incongruenze, ma non sono una soluzione autonoma per prevedere i gradi più fini. La ricerca evidenzia anche la difficoltà di lavorare con dataset piccoli e disomogenei nella scienza del bestiame, mostrando che il modo in cui si testa un modello è importante quanto il modello stesso. Stabilendo questo punto di riferimento, i ricercatori hanno fornito un chiaro punto di riferimento per studi futuri che mirano a combinare questi registri di routine con fonti di dati più ricche per creare previsioni ancora più accurate per il futuro della produzione di carne bovina.