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

소고기 생산의 세계에서 도체의 가치는 종종 눈에 보이지 않는 단 하나의 품질, 즉 근섬유 사이에 짜인 지방의 양에 의해 결정됩니다. 이 근내지방, 즉 마블링이라 불리는 것은 소비자들이 특히 선호하는 풍미와 부드러움의 핵심이며, 한국의 프리미엄 한우에서 특히 두드러집니다. 이 지방이 농가가 받는 가격을 결정하기 때문에, 업계는 소고기를 낮은 등급부터 프리미엄까지 여러 범주로 분류하는 등급 체계에 의존합니다. 전통적으로 이러한 등급을 부여하려면 도축 후 고기의 색상, 질감, 그리고 눈에 보이는 지방 패턴을 살피는 숙련된 전문가의 안목이 필요합니다. 현대 과학은 동물을 가공하기도 전에 유전자 검사나 초음파 영상을 사용하여 이러한 품질을 예측하는 방법을 개발했지만, 이러한 첨단 도구들은 비용이 많이 들며 모든 도축장에서 사용할 수 있는 것도 아닙니다. 이는 지식의 공백을 남깁니다. 동물의 연령, 성별, 기본적인 색상 점수와 같이 도축장에서 이미 기록하고 있는 단순하고 일상적인 기록들이 최종 마블링 등급을 정확하게 예측할 수 있을 만큼 충분한 정보를 제공할 수 있을까요?

연세대학교의 연구팀은 도축장 기록을 하나의 퍼즐처럼 다룸으로써 이 질문에 답하고자 했습니다. 그들은 386마리의 한우 데이터를 수집하여, 가공 시점에 일상적으로 수집되는 7가지 정보, 즉 동물의 월령(개월 수), 성별, 육색, 지방색, 육질 성숙도 점수, 육량 등급, 그리고 판매 전 숙성 일수를 조사했습니다. 그들의 목표는 이 표준적인 사실들만을 사용하여 컴퓨터 프로그램이 도체를 네 가지 마블링 범주(저, 중, 고, 프리미엄)로 올바르게 분류할 수 있는지 확인하는 것이었습니다. 데이터가 심하게 왜곡되어 있었기 때문에 도전 과제는 상당했습니다. 거의 절반의 동물들이 '중' 등급에 속해 있었던 반면, 가장 가치 있는 '프리미엄' 그룹은 전체의 6% 미만이었습니다. 이러한 불균형은 컴퓨터가 가장 흔한 답을 추측함으로써 성공적인 것처럼 보이면서도, 정작 희귀하고 가치가 높은 개체들을 식별하는 데는 완전히 실패할 수 있음을 의미했습니다.

아이디어를 공정하게 테스트하기 위해, 연구진은 단순히 데이터를 학습 세트와 테스트 세트로 한 번 나누는 것에 그치지 않았습니다. 대신, 그들은 '반복 교차 검증(repeated cross-validation)'이라는 엄격한 방법을 사용했습니다. 카드 한 덱을 가져와서 섞은 뒤 다섯 개의 더미로 나누고, 결과가 단지 운이 좋아서 나타난 현상이 아님을 보장하기 위해 서로 다른 방식으로 섞는 과정을 여러 번 반복하는 것을 상상해 보십시오. 본 연구에서 그들은 386개의 기록을 다섯 그룹으로 나누고 이 과정을 세 번 반복하여, 모델을 테스트하기 위한 15개의 서로 다른 시나리오를 만들었습니다. 또한 희귀한 '프리미엄' 사례를 처리하기 위해 특정 기술을 사용했습니다. 그들은 학습 그룹 내에서만 이러한 희귀한 동물의 합성 예시를 생성하여, 이 가공의 예시들이 점수를 인위적으로 높이는 테스트 그룹으로 유출되지 않도록 보장했습니다. 이러한 세심한 설계는 컴퓨터가 테스트 정답을 암기하기 위해 유효하지 않은 데이터를 사용하는 것을 방지했습니다.

연구진은 먼저 단순한 선형 모델부터 일련의 예/아니오 질문을 통해 결정을 내리는 복잡한 트리 기반 시스템에 이르기까지 11가지 유형의 컴퓨터 학습 알고리즘을 테스트했습니다. 특별한 조정 없이 진행했을 때 가장 우수한 성능을 보인 방법은 '그래디언트 부스팅(Gradient Boosting)'이었습니다. 이 모델은 마블링 등급을 약 58%의 확률로 정확하게 식별했습니다. 이 수치가 낮게 들릴 수도 있지만, 데이터가 불규칙하고 클래스 간 불균형이 심했다는 점을 고려하면 의미 있는 결과입니다. 이 모델은 일상적인 기록에 유용한 신호가 포함되어 있지만, 그것이 전체 그림을 보여주는 것은 아니라는 점을 보여주었습니다. 컴퓨터가 신뢰하도록 학습한 가장 영향력 있는 요인은 동물의 성별, 도축 시 연령, 그리고 육색이었습니다. 흥고하게도, 동물의 연령은 그 자체로는 등급과 직접적인 상관관계가 없어 보였음에도 불구하고 강력한 예측 변수였는데, 이는 컴퓨터가 단순한 관찰로는 놓칠 수 있는 연령, 성별, 성숙도 사이의 숨겨진 연결 고리를 찾아냈음을 시사합니다.

그 후 팀은 '오버샘플링(oversampling)' 기법을 사용하여 희귀하고 가치가 높은 동물을 포착하는 모델의 능력을 개선하려고 시도했습니다. 이 방법은 컴퓨터에게 희귀한 '고' 및 '프리미엄' 클래스에 대해 더 많이 가르치기 위해 추가적인 합성 예시를 생성합니다. 연구진은 이 접근 방식이 모델이 희귀 클래스를 더 잘 인식하도록 돕는다는 것을 발견했습니다. 구체적으로, 적응형 합성 샘플링(adaptive synthetic sampling)과 XGBoost라는 강력한 알고리즘의 조합은 기존 모델에 비해 '프리미엄' 클래스의 식별력을 거의 47% 향상시켰습니다. 그러나 이러한 개선에는 트레이드오프(trade-off)가 따랐습니다. 희귀하고 가치 높은 동물에 지나치게 집중함으로써, 모델은 거의 절반을 차지하는 흔한 '중' 클래스를 정확하게 식별하는 능력이 다소 떨어졌습니다. 결과적으로 전체적인 정확도는 개선되지 않았으며, 단지 오류의 위치가 이동했을 뿐이었습니다. 전체적으로 가장 많은 정답을 맞히는 것이 목표라면 표준 모델이 최선의 선택이었고, 흔한 것들을 잘못 분류하더라도 희귀하고 비싼 부위를 잡아내는 것이 우선순위라면 증강된 모델이 더 나은 선택이었습니다.

본 연구는 일상적인 도축장 기록이 소고기 품질에 대해 중간 수준의 통찰력을 제공할 수는 있지만, 상세한 등급 판정 과정이나 유전체학 또는 영상 기술과 같은 고급 도구를 완전히 대체할 수는 없다고 결론짓습니다. 연구 결과는 이러한 일상적인 기록이 더 정교한 시스템을 구축하기 위한 견고한 기초, 즉 바닥 역할을 할 수 있음을 시사합니다. 산업계에 있어 이는 기존 데이터가 가치 있으며, 도체를 스크리닝하거나 불일치를 확인하는 데 사용될 수 있지만, 최상의 등급을 예측하기 위한 독립적인 해결책은 아니라는 것을 의미합니다. 또한 본 연구는 소규모의 불균형한 데이터셋을 다루는 것의 어려움을 강조하며, 모델 자체만큼이나 모델을 어떻게 테스트하는지가 중요하다는 것을 보여줍니다. 이 벤치마크를 설정함으로써, 연구진은 향후 더욱 정확한 예측을 위해 이러한 일상적인 기록을 더 풍부한 데이터 소스와 결래합하려는 미래 연구들을 위한 명확한 기준점을 제공했습니다.