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

No mundo da produção de carne bovina, o valor de uma carcaça muitas vezes depende de uma única qualidade invisível: a quantidade de gordura tecida nas fibras musculares. Essa gordura intramuscular, conhecida como marmoreio, é a chave para o sabor rico e a maciez que os consumidores prezam, particularmente no caso do gado Hanwoo premium da Coreia do Sul. Como essa gordura determina o preço que o produtor recebe, a indústria depende de um sistema de classificação que separa a carne em categorias que vão do baixo ao premium. Tradicionalmente, atribuir essas classificações exige um olhar treinado para inspecionar a carne após o abate, observando a cor, a textura e os padrões visíveis de gordura. Embora a ciência moderna tenha desenvolvido formas de prever essas qualidades usando testes genéticos ou imagens de ultrassom antes mesmo do animal ser processado, essas ferramentas de alta tecnologia são caras e não estão disponíveis em todos os abatedouros. Isso deixa uma lacuna de conhecimento: será que os registros simples e rotineiros já mantidos no abatedouro — como a idade do animal, o sexo e escores básicos de cor — podem nos dizer o suficiente para prever com precisão a classificação final de marmoreio?

Uma equipe de pesquisadores da Universidade Yonsei partiu para responder a essa pergunta tratando os registros do abatedouro como um quebra-cabeça. Eles reuniram dados de 386 bovinos Hanwoo, analisando sete informações rotineiramente coletadas no momento do processamento: a idade do animal em meses, seu sexo, a cor da carne, a cor da gordura, um escore de sua maturidade física, sua classificação de quantidade e o número de dias que ele foi maturado antes da venda. O objetivo era ver se um programa de computador, usando apenas esses fatos padrão, poderia classificar as carcaças nas quatro categorias corretas de marmoreio: Baixo, Médio, Alto e Premium. O desafio era significativo porque os dados eram fortemente desbalanceados; quase metade dos animais caía na categoria "Médio", enquanto o grupo "Premium", o mais valioso, representava menos de seis por cento do total. Esse desequilíbrio significava que um computador poderia facilmente adivinhar a resposta mais comum e ainda parecer bem-sucedido, falhando completamente em identificar os animais raros e de alto valor.

Para testar suas ideias de forma justa, os pesquisadores não dividiram simplesmente os dados uma única vez em um conjunto de treinamento e um conjunto de teste. Em vez disso, utilizaram um método rigoroso chamado validação cruzada repetida. Imagine pegar um baralho, embaralhá-lo e distribuí-lo em cinco pilhas, e então repetir esse processo várias vezes com diferentes embaralhamentos para garantir que os resultados não fossem apenas um acidente de sorte. Neste estudo, eles embaralharam os 386 registros em cinco grupos e repetiram o processo três vezes, criando quinze cenários diferentes para testar seus modelos. Eles também empregaram uma técnica específica para lidar com os casos raros de "Premium": criaram exemplos sintéticos desses animais raros apenas dentro dos grupos de treinamento, garantindo que esses exemplos inventados nunca vazassem para os grupos de teste, onde inflariam artificialmente os escores. Esse design cuidadoso impediu que o computador utilizasse dados inválidos para memorizar as respostas do teste.

Os pesquisadores primeiro testaram onze tipos diferentes de algoritmos de aprendizado de máquina, variando de modelos lineares simples a sistemas complexos baseados em árvores que tomam decisões fazendo uma série de perguntas de sim ou não. Sem quaisquer ajustes especiais para as classes raras, o melhor desempenho foi de um método chamado Gradient Boosting. Este modelo identificou corretamente a classificação de marmoreio cerca de 58 por cento das vezes. Embora isso possa parecer baixo, é um resultado significativo dado que os dados eram desordenados e as classes eram desbalanceadas. O modelo mostrou que os registros rotineiros contêm sinais úteis sobre a qualidade da carne, mas não são um quadro completo. Os fatores mais influentes nos quais o computador aprendeu a confiar foram o sexo do animal, a idade no abate e a cor da carne. Curiosamente, a idade do animal foi um preditor forte, embora não parecesse correlacionar-se diretamente com a classificação por si só, sugerindo que o computador estava encontrando conexões ocultas entre idade, sexo e maturidade que um simples olhar poderia perder.

A equipe então tentou melhorar a capacidade do modelo de detectar os animais raros e de alto valor usando uma técnica chamada oversampling (superamostragem). Este método gera exemplos sintéticos extras das classes raras "Alto" e "Premium" para ensinar o computador mais sobre elas. Eles descobriram que essa abordagem ajudou o modelo a reconhecer melhor as classes raras. Especificamente, uma combinação de amostragem sintética adaptativa e um poderoso algoritmo chamado XGBoost melhorou a identificação da classe "Premium" em quase 47 por cento em comparação com o modelo padrão. No entanto, essa melhoria veio com uma compensação. Ao focar intensamente nos animais raros e de alto valor, o modelo tornou-se ligeiramente pior em identificar corretamente a classe comum "Médio", que compunha quase metade de todos os animais. Consequentmente, a precisão geral do modelo não melhorou; ela simplesmente deslocou seus erros. O modelo padrão continuou sendo a melhor escolha se o objetivo fosse obter o maior número de respostas corretas no geral, enquanto o modelo aumentado era melhor se a prioridade fosse capturar os cortes raros e caros, mesmo às custas de classificar incorretamente alguns cortes comuns.

O estudo conclui que, embora os registros rotineiros do abatedouro possam fornecer um nível moderado de percepção sobre a qualidade da carne, eles não podem substituir totalmente o processo detalhado de classificação ou o uso de ferramentas avançadas como genômica ou imagem. Os resultados sugerem que esses registros cotidianos formam uma base sólida, um piso sobre o qual sistemas mais sofisticados podem ser construídos. Para a indústria, isso significa que os dados existentes são valiosos e podem ser usados para triagem de carcaças ou para verificar inconsistências, mas não são uma solução autônoma para prever os cortes mais finos. A pesquisa também destaca a dificuldade de trabalhar com conjuntos de dados pequenos e desiguais na ciência de pecuária, mostrando que a forma como você testa um modelo é tão importante quanto o próprio modelo. Ao estabelecer este parâmetro, os pesquisadores forneceram um ponto de referência claro para estudos futuros que visem combinar esses registros rotineiros com fontes de dados mais ricas para criar previsões ainda mais precisas para o futuro da produção de carne bovina.