Hybrid Machine Learning Framework for Herd-Level Cattle Growth Pattern and Weight Gain Forecasting in Grazing-Based Production Systems

친구들이 얼마나 빨리 성장하고 있는지 추측하려고 노력한다고 상상해 보세요. 만약 매일매일 그들을 측정할 수 있다면, 성장을 보여주는 매끄러운 선을 그리기가 매우 쉬울 것입니다. 하지만 친구들이 오고 싶을 때만 나타난다면 어떨까요? 어떤 날은 그들이 그곳에 있고, 어떤 날은 숲속에 숨어 있으며, 때로는 일주일 내내 나타나지 않기도 합니다. 이것이 바로 탁 트인 초원에서 소를 키우는 현실의 무질서한 모습입니다. 동물들은 시계를 차거나 엄격한 일정을 따르지 않습니다. 그들은 배가 고프거나 호기기 생길 때만 자동 체중계 위로 올라옵니다. 이는 그들의 성장에 대해 '들쭉날쭉하고' 불완전한 그림을 만들어내며, 농부들이 판매할 고기의 양을 예측하거나 사료를 얼마나 구매해야 할지 결정하는 것을 매우 어렵게 만듭니다.

이를 해결하기 위해 과학자들은 **머신러닝(Machine Learning)**이라는 분야를 사용합니다. 머신러닝은 본질적으로 컴퓨터에게 데이터에서 패턴을 찾는 법을 가르치는 것으로, 마치 탐정이 미스터리를 풀기 위해 단서를 포착하는 것과 같습니다. 이 특정 이야기에서 탐정들은 가축의 체중 증가량을 예측하려고 노력하고 있습니다. 그들은 **하이브리드 모델(Hybrid Models)**을 사용하는데, 이는 마치 서로 다른 전문가들이 협력하는 팀과 같습니다. 어떤 전문가는 단순한 추세를 포착하는 데 능숙하고, 다른 전문가는 복잡하고 무질서한 데이터를 다루는 데 뛰어납니다. 목표는 이 무작위적이고 산발적인 체크인 기록들을 농부들을 위한 신뢰할 수 있는 수정구슬로 바꾸는 것입니다. 이를 통해 농부들이 언제 먹이를 줄지, 언제 팔지, 그리고 돈을 낭비하거나 동물들에게 스트레스를 주지 않고 어떻게 토지를 관리할지 결정하도록 돕는 것입니다.

---

사라진 체중 측정의 미스터리

상업적 축산업의 세계에서 상황은 결코 깔끔하거나 정돈되어 있지 않습니다. 호주 동남부 방목 시스템의 가축들은 매주 월요일 아침마다 정해진 시간에 체중을 재기 위해 줄을 서지 않습니다. 대신, 그들은 기분이 내킬 때마다 자동 "스텝 온-오프(step-on-off)" 체중계 위로 걸어 들어옵니다. 이는 데이터 과학자들이 받는 데이터에 빈틈이 많다는 것을 의미합니다. 어떤 주는 암소 한 마리가 세 번 체중을 잴 수도 있지만, 다음 주에는 전혀 나타나지 않을 수도 있습니다. 이는 마치 창밖을 우연히 보게 될 때만 창문을 통해 날씨를 예측하려는 것과 같습니다.

무함마드 리아즈 하십 호세인(Muhammad Riaz Hasib Hossain)과 그의 팀이 이끄는 연구진은 다음과 같은 질문을 던졌습니다: 데이터가 이렇게 엉망인데도, 우리는 가축 전체 떼가 어떻게 성장할지 여전히 예측할 수 있을까?

그들은 2024년부터 2022년까지의 데이터를 수집하여 960마리의 앵거스(Angus) 및 리무진(Limousin) 품종 소를 추적했습니다. 그들은 단순히 무게만 본 것이 아니라, 동물의 연령, 성별, 그리고 현재 주와 이전 주들의 날씨(강수량 및 기온)도 함께 살펴보았습니다. 그들은 개별 암소는 예측 불가능할지라도, 전체 가축 떼는 그러한 이상한 변동을 완만하게 만들어낸다는 사실을 깨달았습니다. 한 마리의 소가 한 주를 건너뛰더라도, 집단 전체의 평균은 여전히 명확한 이야기를 들려줍니다.

전문가 팀: 하이브리드 머신러닝

이 퍼즐을 풀기 위해 연구팀은 단 하나의 종류의 컴퓨터 두뇌에만 의존하지 않았습니다. 그들은 네 가지 서로 다른 "하이브리드" 전략을 테스트했는데, 이는 마치 탐정 팀을 조직하는 네 가지 다른 방법과 같습니다:

1. 잔차(Residual): 첫 번째 탐정이 추측을 하면, 두 번째 탐정(신경망)이 첫 번째 탐정이 저지른 실수를 수정하려고 시도합니다.
2. 스택형(Stacked): 탐정 그룹이 각자의 추측을 내놓으면, "보스" 탐정이 그 모든 것을 결합하여 최종 결정을 내립니다.
3. 계단식(Cascade): 탐정 A가 자신의 노트를 탐정 B에게 전달하고, B가 다시 C에게 전달하며, 각 단계마다 답변을 정교하게 다듬어 나갑니다.
4. 앙상블 보조(Ensemble-Assisted): 그룹이 협력하여 요약본을 만들면, 그 요약본이 신경망에 입력되어 마지막으로 다듬어집니다.

그들은 또한 이러한 화려한 팀들을 ARIMA(고전적인 통계 도구) 및 LSTM/GRU(매끄럽고 연속적인 이야기를 읽는 데는 뛰어나지만 데이터의 공백에는 혼란을 느끼기 쉬운 딥러닝 모델의 유형)와 같은 오래되고 더 단순한 방법들과 비교했습니다.

승자: 계단식 팀

수천 번의 시뮬레이션을 실행한 결과, 결과는 명확했습니다. 계단식(Cascade) 접근 방식, 특히 GB→RF→NN(그래디언트 부스팅, 그 다음 랜덤 포스트, 그 다음 신경망을 의미함)이라 불리는 팀이 챔피언이 되었습니다.

연구진이 발견한 내용은 다음과 같습니다:

• 정확도: 이 우승 팀은 테스트 R² 값 0.889로 가축의 체중을 예측했습니다. 쉽게 말해, 이들의 예측은 실제 데이터와 매우 밀접하게 일치했다는 뜻입니다.
• 오차: 평균적으로 그들의 추측은 약 21.319 kg(RMSE) 또는 15.462 kg(MAE) 정도의 오차를 보였습니다.
• 비교: 오래된 방식들은 고전했습니다. ARIMA 모델은 31.844 kg의 오차를 보였고, 심지어 고급 딥러닝 모델인 LSTM과 GRU는 데이터가 희소해질 때 훨씬 더 나쁜 성능을 보였습니다. 하이브리드 팀이 훨씬 더 견고했습니다.

이 연구는 딥러닝 모델(LSTM 등)이 데이터가 완벽할 때는 훌륭하지만, 가축들이 휴가를 떠나기로 결정했을 때는 무너진다는 것을 보여주었습니다. 반면, 하이브리드 팀은 "빠진 날들"을 훨씬 더 잘 처리할 수 있었습니다. 그들은 공백을 재앙이 아닌, 퍼즐의 또 다른 조각으로 취급했습니다.

무엇이 성장을 주도하는가?

연구진은 컴퓨터에게도 물었습니다: "무엇이 가장 중요한가?" 그들은 모델에게 단서를 순위 매기라고 요청하는 것과 같은 '특성 중요도 분석(feature importance analysis)'을 수행했습니다.

1. 동물의 연령: 이것이 가장 큰 단서였습니다. 어린 가축은 더 빨리 자라고, 나이가 들수록 성장이 느려집니다. 이것이 지배적인 예측 변수였습니다.
2. 강수량: 이번 주와 이전 주들의 강수량은 풀의 양을 결정하기 때문에 매우 중요했습니다.
3. 기온: 기온 또한 가축과 풀의 행동 방식에 역할을 했습니다.

흥amente하게도, 특정 품종(유전자형)과 성별은 연령과 날씨보다 중요도가 낮았습니다. 모델은 가축의 생애 단계와 외부 날씨가 단순히 혈통보다 성장을 이끄는 진정한 동력임을 학습했습니다.

"만약에" 시나리오

연구팀은 데이터를 인위적으로 더 엉망으로 만들었을 때 모델이 얼마나 잘 버티는지도 테스트했습니다. 가축의 50% 혹은 그 미만만이 체중 측정에 참여하는 시나리오를 시뮬레이션했습니다.

• 기존 모델(LSTM, GRU)은 오차가 **40%에서 43%**까지 급증했습니다.
• 우승한 계단식 모델은 오차가 약 20.5% 정도만 상승했습니다.

이는 농가의 시스템에 문제가 생기거나 센서가 고장 나더라도, 하이브리드 모델은 무너지지 않을 것임을 시사합니다. 하이브리드 모델은 계속해서 합리적인 답을 제공하겠지만, 기존 모델들은 터무니없는 추측을 하기 시작할 것입니다.

이것이 농부들에게 왜 중요한가

그렇다면 이것이 농부들에게 어떤 의미가 있을까요? 500마리의 가축을 키우는 농부를 상상해 보세요. 만약 그들이 가축 떼의 무게를 더 정확하게 예측할 수 있다면, 추가로 살 사료의 양을 추측하는 데 드는 비용을 줄일 수 있습니다. 이 연구는 예측 오차를 5%에서 15% 정도 줄이는 것만으로도 낭비되는 사료 비용을 수천 달로 아낄 수 있다고 제안합니다.

예를 들어, 가뭄 때문에 가축이 예상보다 느리게 자라고 있다는 것을 알게 된다면, 가축이 체중을 너무 많이 잃기 전에 미리 먹이를 조절할 수 있습니다. 반대로 가축들이 아주 잘 자라고 있다면, 판매할 시기를 결정할 수 있습니다. 이 연구는 마법의 돈 벌기 기계를 약속하는 것이 아니라, 의사결정을 위한 훨씬 더 날카로운 도구를 제공합니다.

결론

이 논문은 새로운 종류의 수학이나 마법의 타임머신을 발명한 것이 아닙니다. 대신, 다양한 머신러닝 도구들을 "하이브리드" 팀으로 결합함으로써, 농부들이 실제로 직면한 무질서한 현실 데이터를 이해할 수 있음을 보여주었습니다. 계단식 GB→RF→NN 구조는 테스트된 그 어떤 단일 방법보다 방목 가축의 불규칙한 방문을 더 잘 처리하며 가장 신뢰할 수 있는 모습을 보였습니다.

이 연구는 호주의 한 농장에 국한되었고, 실제 센서 고장이 아닌 시뮬레이션된 "누락된 데이터"를 사용했다는 한계가 있지만, 결과는 유망합니다. 이는 방목의 예측 불가능한 세계에서 다양한 하이브리드 알고리즘 팀이 가축 떼를 관찰하는 가장 좋은 방법이며, 이를 통해 농부가 사료, 목초, 가축 판매에 대해 더 현명한 선택을 할 수 있도록 돕는다는 것을 시사합니다. 미래의 농업은 완벽한 데이터가 아니라, 우리가 가진 불완전한 데이터를 다루는 스마트한 방식에 달려 있을 것입니다.