اختبار دقة تتبع السعرات الحرارية بالذكاء الاصطناعي: Nutrola مقابل Cal AI مقابل Foodvisor مقابل SnapCalorie
قمنا باختبار 50 وجبة عبر خمس فئات في Nutrola وCal AI وFoodvisor وSnapCalorie — مع تقييم دقة الذكاء الاصطناعي الأولية، وسهولة التصحيح، والدقة النهائية المسجلة، والوقت لكل تسجيل، والعناصر الغذائية الملتقطة. اطلع على النتائج الكاملة وجداول المقارنة.
ما مدى دقة تتبع السعرات الحرارية بالذكاء الاصطناعي لديك — حقًا؟ ليس وفقًا لمزاعم التسويق أو مقاطع الفيديو المعدة، بل عند اختبارها مقابل الوجبات الفعلية التي يتناولها الناس يوميًا؟ قمنا بإجراء اختبار دقة منظم عبر أربعة من أفضل تطبيقات تتبع السعرات الحرارية بالذكاء الاصطناعي — Nutrola وCal AI وFoodvisor وSnapCalorie — باستخدام 50 وجبة تم تصويرها في ظروف واقعية، ثم قارنا أداء كل تطبيق عبر خمسة أبعاد تقييم.
تروي النتائج قصة واضحة حول الفرق بين سرعة الذكاء الاصطناعي الأولية والدقة النهائية المسجلة، ولماذا تعتبر هذه مقاييس مختلفة تمامًا.
منهجية الاختبار
50 وجبة اختبار
تم إعداد جميع الوجبات أو شراؤها، وتم وزنها على ميزان طعام معاير، وحساب محتواها الفعلي من السعرات الحرارية باستخدام بيانات مرجعية من USDA FoodData Central. تم تصوير كل وجبة بنفس جهاز iPhone 15 Pro تحت إضاءة داخلية نموذجية (وليس في ظروف استوديو). تم تقديم نفس الصورة لجميع التطبيقات الأربعة في نفس الدقيقة.
تم تقسيم الوجبات إلى خمس فئات تتزايد صعوبتها.
الفئة 1 — عناصر بسيطة فردية (10 وجبات): موزة عادية، بيضة مسلوقة، شريحة من خبز القمح الكامل، زبادي يوناني عادي، تفاحة، صدر دجاج (مشوي، بدون صلصة)، أرز أبيض (عادي)، بروكلي مطبوخ على البخار، برتقالة، وبار بروتين.
الفئة 2 — وجبات بسيطة على طبق (10 وجبات): دجاج مشوي مع أرز وخضار، سمك السلمون مع بطاطا حلوة وفاصولياء خضراء، بيض مخفوق مع خبز محمص، دقيق الشوفان مع موز وعسل، ساندويتش ديك رومي على خبز القمح الكامل.
الفئة 3 — أطباق مختلطة (10 وجبات): دجاج مقلي مع الخضار، تشيلي لحم البقر، كاري خضار مع أرز، باستا بولونيز، أرز مقلي بالدجاج، سلطة يونانية مع جبنة فيتا وتتبيلة، سلطة تونة، رامين مع إضافات، وعاء بوريتو، وباد تاي.
الفئة 4 — وجبات على طراز المطاعم (10 وجبات): بيتزا مارغريتا (شريحتان)، دجاج تيكا ماسالا مع نان، برجر مع بطاطا مقلية، طبق سوشي (8 قطع)، سلطة سيزر مع دجاج مشوي، سمك مقلي مع بطاطا، وعاء بوكي، كاري أخضر تايلاندي، كاربونارا، وسندويتش كلوب.
الفئة 5 — وجبات معقدة منزلية (10 وجبات): وعاء سموذي منزلي (مكون من طبقات)، دقيق الشوفان المنقوع مع إضافات، حساء منزلي (مخلوط)، كسرولة (مخبوزة بطبقات)، يخنة مع خبز، فلفل محشي، وعاء جرانولا منزلي، شاكشوكة مع خبز، أرز مقلي مع بيض، وفطيرة راعي.
أبعاد التقييم
تم تقييم كل تطبيق على خمسة أبعاد لكل وجبة.
دقة الذكاء الاصطناعي الأولية: ما مدى قرب تقدير الذكاء الاصطناعي الأول من عدد السعرات الحرارية المؤكدة؟ تم تقييمه كنسبة خطأ من الفعلي. كلما كان الرقم أقل كان أفضل.
سهولة التصحيح: ما مدى سهولة تصحيح المستخدم للخطأ؟ تم تقييمه من 1-5 حيث 5 هو الأسهل. يأخذ في الاعتبار طرق التصحيح المتاحة، وعدد النقرات، وما إذا كانت التصحيحات تستند إلى بيانات موثوقة أو تتطلب إدخال يدوي.
الدقة النهائية المسجلة: بعد جهد تصحيح معقول (أقل من 30 ثانية)، ما مدى قرب الإدخال النهائي المسجل من السعرات الحرارية الفعلية؟ هذه هي المقياس الذي يهم لتتبع العالم الحقيقي.
الوقت لكل تسجيل: إجمالي الثواني من فتح الكاميرا إلى تسجيل الإدخال النهائي. يشمل وقت التصحيح.
العناصر الغذائية الملتقطة: كم عدد حقول العناصر الغذائية التي تم ملؤها للإدخال المسجل؟ تم تقييمها كعدد من نقاط بيانات العناصر الغذائية المتاحة.
نتائج الفئات
الفئة 1: عناصر بسيطة فردية
| المقياس | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| متوسط خطأ دقة الذكاء الاصطناعي الأولية | 6.2% | 5.8% | 7.1% | 6.5% |
| متوسط سهولة التصحيح (1-5) | 4.8 | 2.5 | 3.5 | 2.5 |
| متوسط خطأ الدقة النهائية | 2.1% | 5.8% | 4.2% | 6.5% |
| متوسط الوقت لكل تسجيل (ثواني) | 8 | 5 | 9 | 6 |
| متوسط العناصر الغذائية الملتقطة | 100+ | 4 | 12 | 4 |
التحليل: جميع التطبيقات الأربعة تؤدي بشكل جيد في العناصر البسيطة. Cal AI هو الأسرع هنا — حيث تتألق سيرته الذاتية المبسطة التي تعتمد على الصور فقط عندما ينجح الذكاء الاصطناعي في التقدير من المرة الأولى. SnapCalorie سريع أيضًا. الفرق الرئيسي يظهر في الدقة النهائية: لأن Nutrola تقدم تطابقات موثوقة من قاعدة البيانات للتأكيد، يتمكن المستخدمون من اكتشاف الأخطاء الصغيرة (مثل تسجيل "تفاحة متوسطة" بينما كانت "كبيرة" بوضوح) التي تتجاوزها التطبيقات التي تعتمد على الذكاء الاصطناعي فقط. ولكن بالنسبة لهذه الفئة، الفرق العملي صغير.
الفئة 2: وجبات بسيطة على طبق
| المقياس | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| متوسط خطأ دقة الذكاء الاصطناعي الأولية | 11.4% | 14.2% | 12.8% | 13.1% |
| متوسط سهولة التصحيح (1-5) | 4.6 | 2.2 | 3.3 | 2.3 |
| متوسط خطأ الدقة النهائية | 4.3% | 13.5% | 8.1% | 12.8% |
| متوسط الوقت لكل تسجيل (ثواني) | 14 | 6 | 15 | 8 |
| متوسط العناصر الغذائية الملتقطة | 100+ | 4 | 12 | 4 |
التحليل: تتسع فجوة الدقة. مع وجود مكونات متعددة على الطبق، تبدأ التطبيقات التي تعتمد على الذكاء الاصطناعي في ارتكاب أخطاء تتراكم — مثل تقدير كمية الدجاج بشكل أقل بينما تقدر الأرز بشكل زائد، أو تفويت أن الخضار تم طهيها في الزبدة. خطأ دقة الذكاء الاصطناعي الأولي لـ Cal AI البالغ 14.2% لا يزال معقولًا، ولكن نظرًا لعدم وجود آلية تصحيح سهلة، يصبح هذا الخطأ هو القيمة النهائية المسجلة. خطوة تأكيد قاعدة بيانات Nutrola تخفض الخطأ الأولي البالغ 11.4% إلى 4.3% خطأ نهائي لأن المستخدمين يمكنهم تعديل المكونات الفردية مقابل الإدخالات الموثوقة.
الفئة 3: أطباق مختلطة
| المقياس | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| متوسط خطأ دقة الذكاء الاصطناعي الأولية | 18.7% | 24.3% | 19.5% | 22.1% |
| متوسط سهولة التصحيح (1-5) | 4.4 | 2.0 | 3.1 | 2.0 |
| متوسط خطأ الدقة النهائية | 7.2% | 23.1% | 13.4% | 21.5% |
| متوسط الوقت لكل تسجيل (ثواني) | 22 | 7 | 20 | 9 |
| متوسط العناصر الغذائية الملتقطة | 100+ | 4 | 11 | 4 |
التحليل: هنا يظهر الفرق المعماري بشكل دراماتيكي. الأطباق المختلطة تمثل تحديًا لجميع أنظمة الذكاء الاصطناعي — حيث أن زيت الطهي في القلي غير مرئي، ومحتوى الكريمة في الكاري تخمين، ونسبة البيض إلى الأرز في الأرز المقلي غير واضحة. جميع التطبيقات الأربعة تظهر انخفاضًا في الدقة الأولية. لكن انظر إلى عمود الدقة النهائية: تنخفض Nutrola من 18.7% إلى 7.2% خطأ لأن المستخدمين يمكنهم تسجيل صوتي "إضافة ملعقة كبيرة من زيت السمسم" أو اختيار إدخالات قاعدة بيانات محددة لتركيز صلصة الكاري. تبقى Cal AI وSnapCalorie بالقرب من خطأهما الأولي لأن التصحيح المتاح هو إدخال يدوي فقط.
الفئة 4: وجبات على طراز المطاعم
| المقياس | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| متوسط خطأ دقة الذكاء الاصطناعي الأولية | 21.3% | 27.8% | 22.4% | 25.6% |
| متوسط سهولة التصحيح (1-5) | 4.2 | 1.8 | 3.0 | 1.9 |
| متوسط خطأ الدقة النهائية | 9.1% | 26.5% | 16.2% | 24.8% |
| متوسط الوقت لكل تسجيل (ثواني) | 26 | 7 | 24 | 10 |
| متوسط العناصر الغذائية الملتقطة | 100+ | 4 | 10 | 4 |
التحليل: تعتبر وجبات المطاعم الفئة الأكثر صعوبة بالنسبة للذكاء الاصطناعي لأن طرق التحضير وكميات الزيوت وتركيبات الصلصات غير معروفة. كان طبق السوشي مميزًا بشكل خاص: تحتوي قاعدة بيانات Nutrola على إدخالات محددة للنغري، الماكي، والساشيمي مع عدد السعرات الحرارية المعتمدة لكل قطعة، بينما قدرت التطبيقات التي تعتمد على الذكاء الاصطناعي الطبق بالكامل كعنصر واحد. أظهر اختبار تيكا ماسالا أنماطًا مشابهة — حيث تحتوي قاعدة بيانات Nutrola على إدخالات موثوقة لصلصة تيكا ماسالا بشكل منفصل عن الأرز والنان، مما يسمح بدقة على مستوى المكونات.
الفئة 5: وجبات معقدة منزلية
| المقياس | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| متوسط خطأ دقة الذكاء الاصطناعي الأولية | 25.1% | 31.4% | 26.8% | 29.3% |
| متوسط سهولة التصحيح (1-5) | 4.5 | 1.7 | 2.8 | 1.8 |
| متوسط خطأ الدقة النهائية | 8.4% | 29.8% | 19.1% | 28.2% |
| متوسط الوقت لكل تسجيل (ثواني) | 30 | 8 | 28 | 11 |
| متوسط العناصر الغذائية الملتقطة | 100+ | 4 | 9 | 4 |
التحليل: تعتبر الوجبات المنزلية بشكل متناقض الفئة الأكثر أهمية لتتبعها بدقة (لأنك تتحكم تمامًا فيما يدخل) والأكثر صعوبة بالنسبة للذكاء الاصطناعي في التقييم (الحساء المخلوط، الكسرولة المكونة من طبقات، والوصفات المخصصة). كان اختبار وعاء السموذي توضيحيًا: جميع أنظمة الذكاء الاصطناعي قدرت بناءً على الإضافات المرئية ولكنها فاتتها مسحوق البروتين، وزبدة المكسرات، وبذور الكتان المخلوطة في القاعدة. سمحت خاصية تسجيل الصوت في Nutrola بإضافة كل مكون مخفي من قاعدة البيانات. كانت فطيرة الراعي اختبارًا آخر رئيسيًا — حيث قدرت أنظمة الذكاء الاصطناعي الطبق بالكامل ككيان واحد، بينما سمحت Nutrola بتسجيل طبقة البطاطس المهروسة، وحشوة اللحم، والخضار بشكل منفصل مع بيانات غذائية موثوقة.
النتائج الإجمالية عبر جميع الوجبات الـ 50
| المقياس | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| متوسط خطأ دقة الذكاء الاصطناعي الأولية | 16.5% | 20.7% | 17.7% | 19.3% |
| متوسط سهولة التصحيح (1-5) | 4.5 | 2.0 | 3.1 | 2.1 |
| متوسط خطأ الدقة النهائية المسجلة | 6.2% | 19.7% | 12.2% | 18.8% |
| متوسط الوقت لكل تسجيل (ثواني) | 20 | 6.6 | 19.2 | 8.8 |
| متوسط العناصر الغذائية الملتقطة | 100+ | 4 | 10.8 | 4 |
| التكلفة شهريًا | €2.50 | ~$8-10 | ~$5-10 | ~$9-15 |
ماذا تظهر البيانات الإجمالية
Cal AI لديه أسرع وقت تسجيل. بمتوسط 6.6 ثانية، هو أسرع متتبع للذكاء الاصطناعي تم اختباره. بالنسبة للمستخدمين الذين يفضلون السرعة فوق كل شيء، هذا أمر مهم. العائد هو أن وقت Cal AI السريع يعكس غياب خطوة التصحيح — تصبح الإجابة الأولى للذكاء الاصطناعي هي الإجابة النهائية.
تقدير SnapCalorie ثلاثي الأبعاد يساعد ولكنه لا يحل المشكلة الأساسية. دقة SnapCalorie الأولية أفضل من Cal AI في الوجبات المصفوفة حيث تهم دقة الحصة، ولكن التحسين متواضع (19.3% مقابل 20.7% خطأ) لأن أخطاء تحديد الطعام والمكونات غير المرئية تؤثر على كلا التطبيقين بشكل متساوٍ.
نهج Foodvisor الهجين هو حل وسط. مع بعض الدعم من قاعدة البيانات ومراجعة اختيارية من أخصائي التغذية، تلتقط Foodvisor المزيد من الأخطاء مقارنة بالتطبيقات التي تعتمد على الذكاء الاصطناعي فقط. لكن محدوديتها هي أن آليات التصحيح أبطأ وأقل تكاملًا من خطوة تأكيد قاعدة البيانات في Nutrola.
تتفوق Nutrola في الدقة النهائية بفارق كبير. الخطأ النهائي البالغ 6.2% مقابل 19.7% (Cal AI) و18.8% (SnapCalorie) هو أهم نتيجة في هذا الاختبار. دقة الذكاء الاصطناعي الأولية لـ Nutrola (16.5%) ليست أفضل بكثير من المنافسين — التكنولوجيا الذكية متشابهة. الفرق يأتي بالكامل من طبقة قاعدة البيانات الموثوقة التي تحول اقتراحات الذكاء الاصطناعي إلى بيانات موثوقة.
تستغرق Nutrola وقتًا أطول لكل تسجيل. بمتوسط 20 ثانية، تستغرق Nutrola حوالي ثلاث مرات أطول من Cal AI. هذه هي التجارة الصادقة: تضيف خطوة تأكيد قاعدة البيانات وقتًا. بالنسبة للوجبات البسيطة (الفئة 1)، يكون الوقت الإضافي ضئيلًا (8 ثوانٍ مقابل 5). بالنسبة للوجبات المعقدة (الفئة 5)، يزداد الفرق في الوقت (30 ثانية مقابل 8) لكن تحسين الدقة هائل (8.4% خطأ مقابل 29.8%).
التجارة بين السرعة والدقة
هذه هي التوتر الأساسي في تتبع السعرات الحرارية بالذكاء الاصطناعي، وتحدد بيانات الاختبار ذلك بوضوح.
| التطبيق | متوسط الوقت | متوسط الخطأ النهائي | وقت التتبع اليومي (5 وجبات) | خطأ السعرات الحرارية اليومي (2000 سعر حراري في اليوم) |
|---|---|---|---|---|
| Cal AI | 6.6 ثوانٍ | 19.7% | 33 ثوانٍ | ~394 سعر حراري |
| SnapCalorie | 8.8 ثوانٍ | 18.8% | 44 ثوانٍ | ~376 سعر حراري |
| Foodvisor | 19.2 ثوانٍ | 12.2% | 96 ثوانٍ | ~244 سعر حراري |
| Nutrola | 20 ثوانٍ | 6.2% | 100 ثوانٍ | ~124 سعر حراري |
السؤال العملي: هل يستحق 67 ثانية إضافية من إجمالي وقت التتبع اليومي (100 ثانية مقابل 33 ثانية لـ Cal AI) 270 سعر حراري أقل من الخطأ يوميًا؟
للتتبع العام للوعي، ربما لا. 33 ثانية في اليوم مع Cal AI وصورة تقريبية للسعرات الحرارية جيدة.
بالنسبة لأي شخص في مرحلة نشطة لفقدان الوزن أو اكتسابه، فإن الرياضيات واضحة. يعني خطأ يومي قدره 394 سعر حراري أن "نقص 500 سعر حراري" قد يكون في الواقع نقصًا قدره 106 سعر حراري أو حتى فائضًا. يعني خطأ قدره 124 سعر حراري أن نقصك حقيقي وأن نتائجك ستتوافق مع توقعاتك.
ملاحظات اختبار مفصلة: نجاحات وإخفاقات ملحوظة
حيث تألق Cal AI
تألق Cal AI مع الأطعمة البسيطة والمرئية المميزة. جاء اختبار الموز العادي، والبيضة المسلوقة، والتفاحة جميعها بدقة تتراوح بين 3-5%. واجهة التطبيق النظيفة وسير العمل بنقرة واحدة تجعلها ممتعة حقًا للوجبات البسيطة. كما تعامل Cal AI مع بار البروتين بشكل معقول عندما كانت العلامة مرئية جزئيًا في الصورة.
حيث ساعدت تقنية SnapCalorie ثلاثية الأبعاد
كانت أكبر ميزة لـ SnapCalorie هي تقدير الحصص للأطعمة المكدسة — حيث استفادت حصة الأرز ووعاء دقيق الشوفان من بيانات العمق ثلاثية الأبعاد. قدرت SnapCalorie حصص الأرز بدقة أكبر بنسبة 12% من التطبيقات التي تعتمد على 2D فقط. ومع ذلك، اختفى هذا الميزة للأطعمة المسطحة (البيتزا، السندويشات) والأطباق المختلطة حيث لا تتوافق العمق مع توزيع المكونات.
حيث تألق قاعدة بيانات Foodvisor الأوروبية
أداء Foodvisor بشكل ملحوظ مع الوجبات على الطراز الأوروبي. شهدت الشاكشوكة، والكاربونارا، والسلطة اليونانية جميعها اعترافًا أوليًا أفضل من المنافسين الذين يركزون على أمريكا. يبدو أن قاعدة بيانات Foodvisor تحتوي على تغطية أقوى للأطعمة الأوروبية.
حيث هيمنت بنية Nutrola متعددة المدخلات
ظهرت أكبر مزايا Nutrola في ثلاث سيناريوهات محددة. أولاً، الوجبات التي تحتوي على مكونات مخفية حيث أضاف التسجيل الصوتي ما لم تستطع الكاميرا رؤيته. ثانيًا، الأطعمة المعبأة حيث قدم مسح الرمز الشريطي بيانات دقيقة من الشركة المصنعة (اختبار بار البروتين: تطابقت Nutrola مع العلامة تمامًا عبر الرمز الشريطي بينما قدرت التطبيقات الذكية). ثالثًا، الوجبات التي كانت ممكنة فيها تسجيلات على مستوى المكونات — كسر طبق معقد إلى أجزاء فردية موثوقة بدلاً من تقدير الكل.
حيث واجهت جميع التطبيقات صعوبات
واجهت جميع التطبيقات المختبرة صعوبات مع الحساء المخلوط (المؤشرات المرئية محدودة باللون والملمس)، وقاعدة وعاء السموذي غير الشفافة (مكونات غير مرئية)، واليخنة (مكونات مغمورة). بالنسبة لهذه الوجبات، حتى خطأ دقة Nutrola النهائي كان 10-15%، على الرغم من أن التسجيل الصوتي قربه من الصحيح أكثر مما يمكن أن تديره التطبيقات التي تعتمد على الصور فقط.
ما لا يلتقطه هذا الاختبار
تسقط عدة عوامل مهمة خارج اختبار الدقة المنظم.
الاتساق على المدى الطويل. لا يلتقط اختبار واحد ما إذا كان التطبيق يعطيك نفس النتيجة لنفس الوجبة في أيام مختلفة. التطبيقات المدعومة بقاعدة بيانات أكثر اتساقًا بطبيعتها لأن نفس إدخال قاعدة البيانات يعيد نفس القيم. قد تختلف التطبيقات التي تعتمد على الذكاء الاصطناعي بناءً على ظروف الصورة.
سلوك المستخدم على مر الزمن. يتفاعل المستخدمون الجدد مع ميزات التصحيح بشكل مختلف عن المستخدمين ذوي الخبرة. سيشهد مستخدم Nutrola الذي يتعلم إضافة الزيوت بشكل روتيني عبر الصوت دقة أفضل على المدى الطويل مما تشير إليه نافذة التصحيح البالغة 30 ثانية.
تسجيل الوصفات. لم يتم اختبار ميزة استيراد الوصفات في Nutrola هنا ولكنها تمثل مسار دقة إضافي للمستخدمين الذين يطبخون بانتظام من الوصفات. لا تقدم أي من التطبيقات التي تعتمد على الذكاء الاصطناعي تسجيلات على مستوى الوصفة.
الامتثال في العالم الحقيقي. قد يتم استخدام أسرع تطبيق بشكل أكثر اتساقًا. إذا كانت سير العمل السريعة لـ Cal AI التي تبلغ 6.6 ثانية تعني أن المستخدم يتتبع كل وجبة بينما تعني سير العمل في Nutrola التي تستغرق 20 ثانية أنه يتخطى وجبة واحدة في اليوم، فإن فائدة الامتثال قد تفوق تكلفة الدقة. ومع ذلك، فإن 20 ثانية ليست فترة طويلة بشكل مفرط، والحاجز الفعلي لاستمرار التتبع عادة ما يكون الدافع، وليس 14 ثانية إضافية.
التوصيات بناءً على البيانات
اختر Cal AI إذا: كان هدفك الأساسي هو تتبع الوعي، وتتناول بشكل أساسي وجبات بسيطة، والسرعة هي أولويتك القصوى، وتقبل أن الأرقام المسجلة هي تقديرات بدلاً من بيانات موثوقة.
اختر SnapCalorie إذا: كنت مهتمًا بالتكنولوجيا، وتمتلك جهازًا مزودًا بتقنية LiDAR، وتتناول بشكل أساسي وجبات مصفوفة حيث تهم دقة الحصص، ولا تحتاج إلى بيانات العناصر الغذائية الدقيقة.
اختر Foodvisor إذا: كنت تتناول بشكل أساسي المأكولات الأوروبية، وتريد أحيانًا ملاحظات من أخصائي التغذية، وتفضل حلاً وسطًا بين تتبع الذكاء الاصطناعي فقط وتلك المدعومة بقاعدة بيانات.
اختر Nutrola إذا: كانت الدقة مهمة لأهدافك (إدارة الوزن النشطة، بناء العضلات، التغذية الطبية)، وتريد بيانات غذائية شاملة تتجاوز الماكروز الأساسية، وتفضل طرق إدخال متعددة لمواقف مختلفة، وتفضل الخيار الأقل تكلفة. تبدأ Nutrola بتجربة مجانية وتكلف €2.50 شهريًا بدون إعلانات — أقل من أي منافس تم اختباره بينما تقدم أعلى دقة نهائية.
تدعم بيانات الاختبار استنتاجًا بسيطًا: عند قياس ما يهم حقًا — دقة الرقم الذي ينتهي في سجلك اليومي — تتفوق بنية الذكاء الاصطناعي مع قاعدة بيانات موثوقة على التطبيقات التي تعتمد على الذكاء الاصطناعي فقط بفارق كبير. يحصل الذكاء الاصطناعي على معظم الطريق بسرعة. تأخذ قاعدة البيانات الباقي بدقة. تلك التركيبة هي ما يجعل الفرق بين تتبع السعرات الحرارية الذي يعمل وتلك التي تبدو وكأنها تعمل فقط.
مستعد لتحويل تتبع تغذيتك؟
انضم إلى الآلاف الذين حولوا رحلتهم الصحية مع Nutrola!
