تتبع السعرات الحرارية باستخدام الذكاء الاصطناعي: القيود الحقيقية وما لا يمكنه فعله حتى الآن

تواجه جميع متتبعات السعرات الحرارية بالذكاء الاصطناعي في السوق اليوم قيودًا كبيرة لا تذكرها المواد التسويقية. وهذا يشمل Nutrola. لقد تحسنت التكنولوجيا بشكل كبير خلال السنوات الثلاث الماضية — حيث ارتفعت دقة التعرف على الطعام من حوالي 60% إلى 80-92% للوجبات الشائعة — لكن لا تزال هناك فئات من الطعام ومواقف تناول الطعام حيث لا يعمل أي نظام ذكاء اصطناعي بشكل موثوق.

الاعتراف بهذه القيود ليس حجة ضد تتبع السعرات الحرارية بالذكاء الاصطناعي. بل هو حجة لفهم ما يمكن وما لا يمكن للذكاء الاصطناعي القيام به، حتى تتمكن من العمل مع التكنولوجيا بدلاً من الوثوق بها بشكل أعمى. كل أداة لها حدود. والأدوات الأفضل مصممة مع خيارات احتياطية عندما تصل تلك الحدود.

القيد 1: الأطباق المليئة بالصلصات

المشكلة

عندما تُغطى الوجبة بالصلصة أو الغلاف أو الصلصة الثقيلة، تفقد الذكاء الاصطناعي معظم المعلومات البصرية. يمكنه رؤية لون الصلصة وملمسها، لكنه لا يستطيع تحديد أو قياس الطعام تحتها. صدور الدجاج المغموسة في صلصة الترياكي، طبق من المعكرونة المغمورة في صلصة ألفريدو، أو الخضار المكسوة بكاري كثيف — يعمل الذكاء الاصطناعي بناءً على مظهر الصلصة، وليس على الطعام.

تأثير السعرات الحرارية للصلصات كبير. وجدت دراسة عام 2023 في مجلة الجمعية الأمريكية للتغذية أن الصلصات والتوابل تساهم بمعدل 200-400 سعرة حرارية لكل وجبة في تناول الطعام بالمطاعم — وغالبًا ما تمثل 30-50% من إجمالي محتوى السعرات الحرارية للوجبة. الحصول على الصلصة بشكل خاطئ يعني الحصول على الوجبة بشكل خاطئ.

ما يفعله كل تطبيق

Cal AI وSnapCalorie: يقدر الذكاء الاصطناعي الطبق بالكامل كعنصر واحد. إذا حدد "دجاج ترياكي مع الأرز"، فإن عدد السعرات يعكس بيانات التدريب المتوسطة للنموذج لتلك الفئة من الأطباق. النسبة المحددة بين الصلصة والدجاج، وصفة الصلصة، وزيت الطهي في طبقك المحدد غير معروفة وغير محسوبة.

Foodvisor: تقدير مشابه من الذكاء الاصطناعي، مع خيار استشارة أخصائي تغذية للتصحيح — لكن هذا يكون بعد الحدث وببطء.

Nutrola: يحدد الذكاء الاصطناعي فئة الطبق ويقترح تطابقات من قاعدة البيانات. يمكن للمستخدم التعديل عن طريق اختيار نوع الصلصة المحدد من قاعدة البيانات ("صلصة ترياكي، 3 ملاعق كبيرة = 135 سعرة حرارية") وتسجيلها بشكل منفصل عن البروتين والنشويات. توفر قاعدة البيانات بيانات سعرات حرارية موثوقة لعشرات من أنواع الصلصات وأنماط التحضير. هذا لا يحل المشكلة البصرية الأساسية، لكنه يوفر آلية لإضافة سعرات الصلصة التي لا تستطيع التطبيقات التي تعتمد على الصور فقط القيام بها.

تقييم صادق

لا يتعامل أي متتبع ذكاء اصطناعي مع الأطباق المليئة بالصلصات بشكل جيد من الصور فقط. ميزة Nutrola هي القدرة على تسجيل الصلصة بشكل منفصل عبر الصوت أو البحث في قاعدة البيانات — لكن هذا يتطلب من المستخدم معرفة (أو تقدير) نوع الصلصة المستخدمة وكمية تقريبية. بالنسبة للوجبات المطبوخة في المنزل، هذا ممكن. أما بالنسبة للوجبات في المطاعم حيث تكون وصفة الصلصة غير معروفة، فإن جميع المتتبعين يقومون بالتقدير.

القيد 2: تقدير الحصص بدقة من الصور

المشكلة

هذه هي القيد الأكثر استمرارية وأساسًا في تتبع الطعام القائم على الصور. لا يمكن لصورة ثنائية الأبعاد نقل الحجم والكتلة الثلاثية الأبعاد للطعام بشكل موثوق.

اعتبر حصتين من المعكرونة: 150 جرام و300 جرام. على نفس الطبق، الملتقط من الأعلى، قد يبدو أن حصة 300 جرام هي كومة أعلى قليلاً، لكن الفرق في السعرات هو 195 سعرة حرارية. الفرق البصري طفيف؛ الفرق في السعرات كبير.

تجد الأبحاث حول تقدير الحصص بالذكاء الاصطناعي أخطاء متوسطة تتراوح بين 20-40% في تقدير الحجم من الصور الثنائية الأبعاد. أفادت دراسة عام 2024 في Nutrients أن حتى نماذج تقدير الحصص الغذائية المتطورة أظهرت خطأ متوسطًا يتراوح بين 25-35% عبر أنواع الوجبات المتنوعة، مع تجاوز الأخطاء 50% للأطعمة الغنية بالسعرات في حصص صغيرة (المكسرات، الجبنة، الزيوت).

ما يفعله كل تطبيق

Cal AI: تقدير الصورة الثنائية الأبعاد باستخدام حجم الطبق النسبي والأولويات المتعلمة. عرضة لنطاق الخطأ الكامل 20-40%.

SnapCalorie: يقلل المسح ثلاثي الأبعاد من الخطأ للأطعمة المكدسة بنسبة 30-40% مقارنة بالطرق الثنائية الأبعاد. هذه ميزة حقيقية للأرز، الشوفان، والأطعمة المماثلة حيث يرتبط الارتفاع بالحجم. ومع ذلك، لا يساعد الثلاثي الأبعاد في الأطعمة المسطحة (البيتزا، السندويشات)، الأطعمة في الأوعية (الحساء، الحبوب)، أو العناصر الصغيرة الغنية بالسعرات (المكسرات، مكعبات الجبنة).

Foodvisor: تقدير ثنائي الأبعاد مع بعض الحصص القياسية المرجعية من قاعدة البيانات.

Nutrola: تقدير الصورة الثنائية الأبعاد مدعومًا بحصص قياسية من قاعدة البيانات. عندما يقترح الذكاء الاصطناعي "دجاج مقلي"، توفر قاعدة البيانات أحجام الحصص القياسية (مثل "1 حصة = 300 جرام"). يمكن للمستخدم التعديل باستخدام خيارات الحصص من قاعدة البيانات بدلاً من تخمين الوزن بالجرام. يسمح تسجيل الصوت بتحديد الحصص مباشرة: "حوالي كوبين من الأرز".

تقييم صادق

تقدير الحصص من الصور هو مشكلة لم تُحل في رؤية الكمبيوتر. نهج SnapCalorie ثلاثي الأبعاد هو الحل الأكثر تقدمًا تكنولوجيًا، لكن تحسينه محدود لنوعيات معينة من الطعام ويتطلب أجهزة LiDAR. تساعد مراجع الحصص من قاعدة بيانات Nutrola من خلال توفير نقاط مرجعية، لكن لا يزال يتعين على المستخدم تقدير ما إذا كان لديه "1 حصة" أو "1.5 حصة". التوصية الصادقة: في الحالات التي تتطلب دقة عالية، وزّن طعامك. لا يمكن لأي متتبع ذكاء اصطناعي أن يحل محل ميزان المطبخ من حيث الدقة.

القيد 3: الأطعمة الإقليمية وغير المألوفة

المشكلة

تدرب نماذج التعرف على الطعام بالذكاء الاصطناعي على مجموعات بيانات تعكس ثقافات الطعام الأكثر تمثيلاً في بيانات التدريب الخاصة بها — عادةً المأكولات الأمريكية، الأوروبية الغربية، والآسيوية الشرقية. قد يتم التعرف على الأطعمة من المأكولات الأقل تمثيلاً بشكل خاطئ أو تتلقى تقديرات منخفضة الثقة.

وجدت دراسة نشرت في عام 2023 في ACM Computing Surveys أن 72% من الصور في مجموعات البيانات الأكثر استخدامًا تمثل أطعمة من 10 دول فقط. الأطعمة من غرب إفريقيا، وسط آسيا، جزر المحيط الهادئ، التقليديات الأصلية، والعديد من التقاليد الغذائية الأخرى تمثل بشكل كبير.

هذا يعني أنه إذا كنت تأكل بانتظام إنجيرا مع يخنة إثيوبية، أو سيفيتشي بيروفي، أو أدوبو فلبيني، أو خاشابوري جورجي، أو ثيبوديين سنغالي، قد يخطئ الذكاء الاصطناعي في التعرف على الطبق، أو يخلط بينه وبين طبق مشابه بصريًا من مطبخ أفضل تمثيلاً، أو يخصص تقديرًا عامًا "لطبق مختلط" بدقة ضعيفة.

ما يفعله كل تطبيق

Cal AI: يعتمد بالكامل على بيانات تدريب نموذج الذكاء الاصطناعي. إذا لم يكن الطعام ممثلًا جيدًا في التدريب، سيكون التقدير ضعيفًا دون أي خيارات احتياطية.

SnapCalorie: نفس القيد. تحسين المسح ثلاثي الأبعاد لتقدير الحصص، لكن لا يمكن أن يساعد في التعرف على الطعام من المأكولات الأقل تمثيلاً.

Foodvisor: تغطية أفضل قليلاً للمأكولات الأوروبية (شركة فرنسية) لكنها تشترك في نفس قيد بيانات التدريب للأطعمة غير الأوروبية.

Nutrola: يواجه الذكاء الاصطناعي نفس قيد التعرف، لكن قاعدة البيانات الموثوقة التي تحتوي على 1.8 مليون إدخال أو أكثر تشمل أطعمة من تقاليد طهي متنوعة. عندما يفشل الذكاء الاصطناعي في التعرف على طعام إقليمي، يمكن للمستخدم وصفه صوتيًا ("إنجيرا إثيوبية، حوالي 200 جرام، مع يخنة العدس، حوالي 150 جرام") وتوفر قاعدة البيانات إدخالات موثوقة لهذه الأطعمة. كما أن دعم 15 لغة يعني أنه يمكن استخدام أسماء الأطعمة باللغات المحلية في البحث في قاعدة البيانات.

تقييم صادق

هذه قيد في مجال التعرف على الطعام بالذكاء الاصطناعي بأكمله، وليس فقط في تطبيقات معينة. تتمتع المتتبعات المدعومة بقاعدة بيانات بميزة لأن قواعد البيانات يمكن توسيعها لتشمل الأطعمة الإقليمية دون إعادة تدريب نموذج الذكاء الاصطناعي — إضافة إدخال موثوق لـ "ثيبوديين" إلى قاعدة البيانات أسهل من ضمان أن يتعرف الذكاء الاصطناعي عليه من الصور. لكن تغطية قاعدة البيانات أيضًا لديها فجوات. تغطي إدخالات Nutrola البالغ عددها 1.8 مليون طعامًا أكثر من مفردات تصنيف أي نموذج يعتمد على الذكاء الاصطناعي فقط، لكن الأطعمة المحلية، المنزلية، أو النادرة قد تتطلب إدخالًا يدويًا. لا يوجد متتبع يغطي جميع التقاليد الغذائية العالمية بشكل مثالي اليوم.

القيد 4: المشروبات في حاويات غير شفافة

المشكلة

تصوير مشروب في كوب غير شفاف، أو فنجان، أو زجاجة يعطي الذكاء الاصطناعي معلومات قليلة جدًا قابلة للاستخدام. قد يحتوي كوب قهوة أبيض على قهوة سوداء (5 سعرات حرارية)، أو لاتيه مع حليب كامل الدسم (190 سعرة حرارية)، أو موكا مع كريمة مخفوقة (400 سعرة حرارية)، أو كوب من الشاي (2 سعرة حرارية). الإشارة البصرية هي الكوب، وليس المحتويات.

حتى بالنسبة للمشروبات في كؤوس شفافة، فإن المعلومات المتاحة للذكاء الاصطناعي محدودة. يضيق لون وشفافية السائل الاحتمالات لكن لا يحدد الوصفة. يمكن أن يبدو عصير البرتقال، وعصير المانجو، وعصير الجزر والزنجبيل متشابهين في الزجاج. الكولا الداكنة والقهوة المثلجة الداكنة متشابهتان بصريًا تقريبًا.

ما يفعله كل تطبيق

Cal AI: يخمن الذكاء الاصطناعي بناءً على السياق (شكل الكوب، لون السائل المرئي). تكون الدقة للمشروبات عادةً 40-60% — مستوى تقريبًا كأنك ترمي عملة.

SnapCalorie: يقيس المسح ثلاثي الأبعاد حجم الزجاج/الكوب، مما يساعد في تقدير كمية السائل. لكن محتوى السعرات لكل ملليلتر يبقى غير معروف دون تحديد المشروب المحدد.

Foodvisor: نفس القيد مثل Cal AI في التعرف على المشروبات.

Nutrola: يعد تسجيل الصوت هو الحل الرئيسي: "لاتيه كبير بحليب الشوفان مع مضختين من الفانيليا" يوفر معلومات كافية لمطابقة موثوقة من قاعدة البيانات. تشمل قاعدة البيانات إدخالات لمشروبات المقاهي المحددة، وأنواع الحليب، والشراب، وطرق التحضير. يغطي مسح الباركود المشروبات المعبأة. يظل مسح الصور للمشروبات غير موثوق به، وهو بصراحة أضعف استخدام لميزة الصور في Nutrola أيضًا.

تقييم صادق

يعد تتبع السعرات الحرارية للمشروبات أضعف فئة عبر جميع التطبيقات. الحل ليس تحسين الذكاء الاصطناعي — بل هو طرق إدخال بديلة. يتجاوز تسجيل الصوت ومسح الباركود القيد البصري تمامًا. هذه واحدة من أقوى الحجج لصالح المتتبعين متعدد الطرق: تمثل المشروبات 10-20% من السعرات الحرارية اليومية لمعظم الناس، وتتعامل التطبيقات التي تعتمد على الصور معها بشكل سيء.

القيد 5: الأطباق متعددة الطبقات والمكونات المخفية

المشكلة

تقدم الأطباق مثل اللازانيا، والبوريتو، والسندويشات، والفلفل المحشي، والفطائر، ولفائف الربيع، والزلابية، وأي طبق يخفي داخله مكونات تحديًا أساسيًا للذكاء الاصطناعي القائم على الصور. ترى الكاميرا الطبقة العليا؛ تأتي السعرات من جميع الطبقات.

يظهر بوريتو مصور من الخارج تورتيلا. قد يحتوي الداخل على دجاج، أرز، فاصولياء، جبنة، كريمة حامضة، وغواكامولي — أو مجرد أرز وفاصولياء. يمكن أن يكون الفرق في السعرات بين هذه الحشوات 300-500 سعرة حرارية، ولا شيء منها مرئي.

وجدت دراسة عام 2023 في Food Quality and Preference أن دقة التعرف على الطعام بالذكاء الاصطناعي تنخفض بنسبة 25-40% مقارنة بالوجبات ذات الطبقة الواحدة المرئية. كانت النماذج تقدر باستمرار محتوى السعرات للأطباق متعددة الطبقات بشكل أقل لأنها كانت تعطي وزنًا أكبر للمكونات المرئية مقارنة بالمكونات المخفية.

ما يفعله كل تطبيق

Cal AI: يقدر العنصر بالكامل كمدخل واحد بناءً على المظهر الخارجي. البوريتو هو "بوريتو" مع تقدير متوسط ​​للسعرات بغض النظر عن محتوياته المحددة.

SnapCalorie: يقيس المسح ثلاثي الأبعاد الأبعاد الخارجية، مما يوفر تقديرًا أفضل للحجم. لكن تكوين الحشوة لا يزال غير معروف. بوريتو مقاس بدقة بمحتويات غير معروفة هو لغز مقاس بدقة.

Foodvisor: نفس القيد للأطباق متعددة الطبقات. يمكن أن تساعد مراجعة أخصائي التغذية، لكن هذا يتطلب الانتظار.

Nutrola: يحدد الذكاء الاصطناعي نوع الطبق، ويمكن للمستخدم تسجيل المكونات المحددة صوتيًا: "بوريتو دجاج مع أرز، فاصولياء سوداء، جبنة، كريمة حامضة، وغواكامولي." يسحب كل مكون من إدخالات قاعدة البيانات الموثوقة. يقوم المستخدم فعليًا بتفكيك مشكلة الطبقات المخفية إلى مكونات قابلة للتحديد. يتطلب هذا معرفة (أو تقدير معقول) لما هو داخل الطبق، وهو أسهل بالنسبة للطعام المطبوخ في المنزل مقارنة بالأطعمة من المطاعم أو الطلبات الخارجية.

تقييم صادق

تعد الأطباق متعددة الطبقات قيدًا جوهريًا لأي نهج قائم على الصور. السؤال هو ما هي الخيارات الاحتياطية التي يوفرها التطبيق. لا تمتلك التطبيقات التي تعتمد على الصور فقط أي خيارات احتياطية — تقدير الذكاء الاصطناعي القائم على المظهر الخارجي هو الإجابة النهائية. تسمح التطبيقات متعددة الطرق للمستخدم بتقديم المعلومات الداخلية التي لا تستطيع الكاميرا التقاطها. يعتمد تحسين الدقة بالكامل على ما إذا كان المستخدم يعرف ما هو داخل الطبق ويأخذ الوقت لوصفه.

القيد 6: الوجبات التي لا يمكنك تصويرها

المشكلة

لا يمكن تصوير جميع الوجبات بسهولة. الوجبات التي تؤكل أثناء التنقل، الوجبات الخفيفة التي تُلتقط بسرعة بين الاجتماعات، الطعام المشترك من أطباق مشتركة، الوجبات التي تؤكل في مطاعم مظلمة، والوجبات التي انتهيت منها بالفعل قبل تذكر تسجيلها. تواجه التطبيقات التي تعتمد على الصور مشكلة ثنائية: إذا لم تقم بتصويرها، فهي غير موجودة في سجلك.

ما يفعله كل تطبيق

Cal AI: لا صورة، لا إدخال. يمكنك كتابة وصف يدوي، لكن سير العمل في التطبيق مبني حول الكاميرا. التسجيل بأثر رجعي ممكن لكنه يعتمد على تقدير نصي.

SnapCalorie: نفس القيد. يتطلب المسح ثلاثي الأبعاد أن يكون الطعام موجودًا فعليًا.

Foodvisor: سير عمل مركزي حول الصور مع إمكانية البحث اليدوي.

Nutrola: يعمل تسجيل الصوت لأي وجبة، سواء تم تصويرها أم لا. "تناولت ساندويتش ديك رومي مع مايونيز وسلطة جانبية قبل ساعتين" يمكن تسجيله بأثر رجعي عبر الصوت، مع مطابقة كل مكون لإدخالات قاعدة البيانات الموثوقة. لا يتطلب ذلك تذكر التقاط صورة — بل يتطلب تذكر ما أكلته، وهو ما يمكن لمعظم الناس القيام به خلال بضع ساعات.

تقييم صادق

هذه ليست قيدًا للذكاء الاصطناعي، بل قيدًا في سير العمل. التطبيقات التي تعتمد على الصور هشة — تتعطل عندما لا يحدث التصوير. التطبيقات متعددة الطرق مرنة — توفر مسارات بديلة عندما تكون إحدى الطرق غير متاحة. بالنسبة للمستخدمين الذين ينسون غالبًا تصوير الوجبات أو يأكلون في مواقف يكون فيها التصوير غير عملي، يمكن أن يكون الفرق في تغطية الوجبات المسجلة كبيرًا.

ما لا يمكن لأي متتبع ذكاء اصطناعي فعله اليوم

تطبق بعض القيود بشكل عالمي ولن تحلها أي تطبيقات حالية.

تحديد كمية زيت الطهي بدقة. سواء تم قلي الدجاج في ملعقة صغيرة من الزيت أو ملعقتين كبيرتين من الزيت (فرق 200 سعرة حرارية) غير مرئي في صورة ولا يمكن معرفته إلا إذا حدد المستخدم ذلك. هذه هي أكبر خطأ منهجي في جميع تتبع السعرات الحرارية بالذكاء الاصطناعي.

التعرف على العلامات التجارية المحددة من الحاويات غير المعلّمة. قد يكون الزبادي اليوناني في وعاء من أي علامة تجارية، وأي نسبة دهنية. يتراوح محتوى السعرات عبر العلامات التجارية ومستويات الدهون بين 59-170 سعرة حرارية لكل 100 جرام.

تحديد طرق التحضير الدقيقة للطعام في المطاعم. هل تم شوي السمك جافًا أم تم دهنه بالزبدة؟ هل تم تبخير الخضار أم قليها في الزيت؟ هل تم إعداد البطاطس المهروسة بالكريمة أم بالحليب؟ تؤثر الإجابات على السعرات بمقدار 100-300 لكل مكون، وهي غير مرئية لأي ذكاء اصطناعي.

محاسبة اختلاف الحصص الفردية. يمكن لشخصين أن يقدما لأنفسهما "حصة" من نفس الطبق ويختلفا بمقدار 50-100%. لا يمكن لأي ذكاء اصطناعي أن يعرف ما إذا كانت ميولك هي تقديم كميات كبيرة أو معتدلة.

تتبع محتوى الكحول من الصور. كأس من النبيذ، كوكتيل، بيرة — يمكن للذكاء الاصطناعي تقدير نوع المشروب، لكن العلامة التجارية المحددة، وحجم الصب، ومحتوى الكحول (الذي يؤثر مباشرة على السعرات) غالبًا ما تكون غير مرئية.

كيفية العمل مع القيود

فهم هذه القيود ليس سببًا للتخلي عن تتبع السعرات الحرارية بالذكاء الاصطناعي — بل هو سبب لاستخدامه بذكاء.

استخدم الطريقة المناسبة لكل طعام. استخدم الباركود للعناصر المعبأة. استخدم الصوت للوجبات المعقدة أو ذات المكونات المخفية. استخدم الصورة للطعام المقدم بشكل واضح. البحث اليدوي كخيار أخير. ليست قيود المسح الضوئي مشكلة في تتبع السعرات الحرارية إذا كان لديك طرق بديلة.

أضف الدهون المستخدمة في الطهي بشكل منفصل. اجعلها عادة. بعد تسجيل أي وجبة مطبوخة، أضف زيت الطهي أو الزبدة كإدخال منفصل. هذه العادة الوحيدة تغلق أكبر فجوة دقة في مسح الطعام بالذكاء الاصطناعي.

وزن الطعام عندما تكون الدقة مهمة. إذا كنت في فترة قطع تنافسية، أو بروتوكول تغذية طبية، أو دراسة بحثية، استخدم ميزان المطبخ للوجبات الرئيسية. تتبع السعرات بالذكاء الاصطناعي + ميزان الطعام أكثر دقة من أي منهما بمفرده.

قم ببناء قوالب للوجبات للوجبات المنتظمة. معظم الناس يتناولون 15-20 وجبة مميزة بشكل دوري. سجل كل واحدة بعناية مرة واحدة، ثم كرر الإدخال للحالات المستقبلية. هذا يحول وجباتك الأكثر تكرارًا من تقديرات الذكاء الاصطناعي إلى إدخالات موثوقة ومتسقة.

اقبل عدم الدقة المفيدة. بالنسبة للوجبات التي يصعب تحديد دقتها (تناول الطعام في المطاعم، الوجبات الاجتماعية)، اقبل أن تقدير الذكاء الاصطناعي تقريبي وركز على الحصول على الحجم الصحيح بدلاً من الرقم الدقيق. أن تكون ضمن 20% في وجبة مطعم أفضل من عدم تسجيلها على الإطلاق.

نهج Nutrola تجاه القيود

لا تدعي Nutrola أنها تحل جميع القيود المذكورة أعلاه. لا يمكن لمتتبع صادق القيام بذلك. ما تقدمه Nutrola هو أفضل خيارات احتياطية عندما يصل الذكاء الاصطناعي إلى حدوده.

لا يمكنك تصوير الوجبة؟ سجلها صوتيًا. تم التعرف على الطعام بشكل خاطئ؟ اختر الإدخال الصحيح من قاعدة البيانات الموثوقة. المكونات المخفية التي لا تستطيع الكاميرا رؤيتها؟ أضفها بشكل فردي عبر الصوت أو البحث. الطعام المعبأ؟ استخدم مسح الباركود للحصول على بيانات دقيقة. تأكل وجبة منتظمة؟ كرر إدخالًا تم التحقق منه مسبقًا.

الذكاء الاصطناعي هو أداة واحدة في نظام، وليس النظام نفسه. عندما يعمل الذكاء الاصطناعي — الوجبات البسيطة، المرئية، والمضاءة جيدًا — يوفر تسجيلًا سريعًا ومريحًا. عندما يفشل الذكاء الاصطناعي — الأطباق المليئة بالصلصات، الطبقات المخفية، المشروبات، الأطعمة الإقليمية — توفر قاعدة البيانات، والصوت، والباركود مسارات إلى بيانات دقيقة لا تمتلكها التطبيقات التي تعتمد على الصور فقط.

هذا متاح بسعر €2.50 شهريًا بعد تجربة مجانية، بدون إعلانات، مع أكثر من 100 عنصر غذائي، و1.8 مليون إدخال موثوق، ودعم عبر iOS، وAndroid، وApple Watch، وWear OS بـ 15 لغة. ليس لأن الذكاء الاصطناعي ليس لديه قيود، ولكن لأن التصميم الصادق يعني البناء حول القيود بدلاً من التظاهر بأنها غير موجودة.

أفضل متتبع للسعرات الحرارية بالذكاء الاصطناعي ليس هو الذي لديه أقل عدد من القيود. بل هو الذي لديه أفضل خيارات احتياطية عندما تصل تلك القيود.