كيف تتعامل تقنية الذكاء الاصطناعي في Nutrola مع مشكلة 'تداخل الأطباق' (ولماذا تفشل التطبيقات الأخرى)

التقط صورة لطبق نظيف يحتوي على تفاحة واحدة، وستتمكن أي تقنية ذكاء اصطناعي من التعرف عليها بشكل صحيح. الآن، التقط صورة لوجبة حقيقية: كاري يتدفق فوق الأرز، جبنة مذابة تغطي بوريتو، صلصة تتشرب في سلطة، وعاء من الرامن مع نودلز تخفي شرائح لحم الخنزير وبيضة مسلوقة تحت سطح المرق. هذه هي المشكلة التي تُعرف في مجتمع الرؤية الحاسوبية بمشكلة "تداخل الأطباق"، وهي المكان الذي تفشل فيه الغالبية العظمى من تطبيقات تتبع السعرات الحرارية المعتمدة على الذكاء الاصطناعي.

تتناول هذه المقالة ما هي مشكلة تداخل الأطباق، ولماذا تجعل التعرف على الطعام صعبًا، وكيف تتعامل معظم التطبيقات معها بشكل سيئ، والتقنيات المحددة التي تستخدمها Nutrola لاكتشاف واستنتاج وحساب المكونات المخفية في وجباتك.

ما هي مشكلة تداخل الأطباق؟

تحدث مشكلة تداخل الأطباق عندما تتداخل الأطعمة على طبق أو في وعاء، حيث تكون مكدسة أو مختلطة أو مغطاة جزئيًا بمكونات أخرى. في مجال الرؤية الحاسوبية، تُعتبر هذه حالة محددة من تحدٍ أوسع يُعرف باسم التداخل، حيث يحجب جسم ما رؤية جسم آخر.

في سياق تصوير الطعام وتتبع السعرات الحرارية، تتخذ مشكلة تداخل الأطباق أشكالًا متعددة:

• التكديس العمودي: الأرز المخفي تحت طبقة من الكاري أو الحساء أو الصلصة
• الذوبان والانتشار: الجبنة المذابة فوق الناتشوز أو الإنشيلاداس أو الكسرولات، مما يحجب كل شيء تحتها
• الأوعية المكونة: الرامن، أو أكواب البوك، أو أكواب الأساي حيث تغطي الإضافات المكونات الأساسية
• تغطية الصلصة: السلطات المغموسة في الصلصة، والمعكرونة المغطاة بالصلصة
• الأطعمة الملفوفة: البوريتو، واللفائف، ولفائف الربيع، والزلابية حيث يكون الحشو غير مرئي تمامًا
• الأطباق المختلطة: الأطباق المقلية، والأرز المقلي، والكسرولات حيث تتداخل المكونات الفردية

الخيط المشترك هو أن الكاميرا التي تنظر إلى الطبق من الأعلى لا تستطيع رؤية كل ما يساهم في محتوى السعرات الحرارية والعناصر الغذائية للوجبة. ما تراه ليس ما تأكله.

لماذا تُعتبر مشكلة تداخل الأطباق أصعب تحدٍ في التعرف على الطعام بالذكاء الاصطناعي؟

لقد حقق الذكاء الاصطناعي في التعرف على الطعام تقدمًا هائلًا في السنوات الأخيرة. يمكن للنماذج الحديثة التعرف على آلاف العناصر الغذائية بدقة عالية عندما تكون هذه العناصر مرئية بوضوح. لكن تداخل الأطباق يقدم تحديًا مختلفًا تمامًا: يجب على الذكاء الاصطناعي أن يستنتج أشياء لا يمكنه رؤيتها.

مشكلة التداخل في الرؤية الحاسوبية

يُعتبر التداخل من أقدم وأكثر المشكلات دراسة في الرؤية الحاسوبية. عندما يحجب جسم ما جزءًا من جسم آخر، يجب على نظام الرؤية أن يفعل أكثر من مجرد تصنيف وحدات البكسل المرئية. يجب أن يستنتج وجود ومدى وهوية الأجسام المخفية بناءً على معلومات بصرية غير مكتملة.

في الكشف عن الأجسام العامة (مثل السيارات خلف الأشجار، أو الأشخاص خلف الأثاث)، يُعتبر التداخل تحديًا ولكنه قابل للإدارة لأن الأجسام لها أشكال صلبة وقابلة للتوقع. السيارة المخفية جزئيًا خلف شجرة لا تزال تحتفظ بشكلها المعروف. لكن الطعام لا يتمتع بهذه الميزة. الأرز تحت الكاري ليس له ملامح مرئية. الفاصوليا داخل البوريتو لا تعطي أي إشارة بصرية خارجية. المكونات المخفية تكون غير مرئية تمامًا.

لماذا يُعتبر تداخل الطعام صعبًا بشكل خاص؟

تجعل عدة خصائص للطعام التداخل أكثر صعوبة من المجالات الأخرى في الرؤية الحاسوبية:

• الأشكال غير الصلبة: يتكيف الطعام مع حاويته ومع الأطعمة الأخرى. لا يوجد "شكل متوقع" يمكن الاستنتاج منه بناءً على الرؤية الجزئية.
• التنوع العالي داخل الفئة: يمكن أن يبدو نفس الطبق مختلفًا تمامًا اعتمادًا على كيفية تقديمه، وما هي النسب المستخدمة، وما هي الاختلافات الإقليمية المتبعة.
• تفاوت كثافة السعرات الحرارية: قد تحتوي طبقة رقيقة من الأرز تحت الكاري على 150 سعرة حرارية. بينما قد تحتوي طبقة سميكة على 400 سعرة حرارية. الفرق البصري من الأعلى هو صفر.
• التعقيد التوافقي: عدد التركيبات الممكنة للأطعمة وترتيبات الطبقات هو فعليًا لانهائي، مما يجعل من المستحيل تدريب نموذج على كل سيناريو.

هذه ليست مشكلة يمكن حلها ببساطة عن طريق جمع المزيد من الصور التدريبية. إنها تتطلب ابتكارات معمارية ومنهجية في كيفية استنتاج الذكاء الاصطناعي للطعام.

كيف تفشل تطبيقات التعرف على الطعام الأساسية؟

تستخدم معظم تطبيقات تتبع السعرات الحرارية التي تقدم تسجيل الطعام بناءً على الصور خط أنابيب بسيط نسبيًا: اكتشاف مناطق الطعام في الصورة، تصنيف كل منطقة كعنصر غذائي، تقدير حجم الحصة، والبحث عن البيانات الغذائية. يعمل هذا الخط بشكل جيد للوجبات البسيطة والواضحة. لكنه يفشل بشكل متوقع وصامت عندما يتعلق الأمر بتداخل الأطباق.

وضع الفشل 1: تصنيف كائن واحد

تعامل العديد من التطبيقات طبق الطعام كمسألة تصنيف واحدة. يصبح طبق الكاري فوق الأرز "كاري" أو "كاري دجاج" دون ذكر الأرز الموجود تحته. تعكس تقديرات السعرات الحرارية فقط المكون المرئي، مما قد يفوت 200 إلى 400 سعرة حرارية من الأرز.

وضع الفشل 2: الكشف عن السطح فقط

يمكن أن تكتشف التطبيقات الأكثر تطورًا عناصر غذائية متعددة في صورة واحدة، لكنها تعمل فقط على ما هو مرئي. إذا كانت النموذج يمكنه رؤية الكاري وشريط من خبز النان على حافة الطبق، فإنه يسجل هذين العنصرين. الأرز، المخفي تمامًا، لا وجود له في مخرجات النموذج.

وضع الفشل 3: عدم التواصل عن عدم اليقين

ربما تكون المشكلة الأكثر إشكالية هي أن هذه التطبيقات تقدم نتائجها غير المكتملة بثقة. يرى المستخدم "كاري دجاج - 350 سعرة حرارية" ويفترض أن الوجبة كاملة قد تم التقاطها. لا يوجد مؤشر على أن النظام قد يفوت مكونات مخفية كبيرة. يثق المستخدم في الرقم، وتتبع السعرات الحرارية لهذه الوجبة يكون خاطئًا بمئات السعرات.

الأثر التراكمي

طبقة واحدة مفقودة من الأرز هي خطأ في التتبع. ثلاث وجبات في اليوم مع تداخل الأطباق، على مدار أسبوع، يمكن أن تعني آلاف السعرات الحرارية غير المتعقبة. بالنسبة لشخص يتناول طعامًا في عجز سعرات حرارية محكم لفقدان الوزن، يمكن أن يفسر هذا التقدير المنهجي المنخفض تمامًا توقفًا أو عدم تقدم.

كيف تتعامل Nutrola مع تداخل الأطباق

تستند نهج Nutrola في معالجة تداخل الأطباق إلى مبدأ أن تسجيل الطعام بدقة يتطلب أكثر من مجرد تصنيف بصري. إنه يتطلب استنتاجًا سياقيًا، وتحليلًا متعدد الطبقات، ومعالجة ذكية لعدم اليقين، وتعاون سلس مع المستخدم. إليك كيف تعمل كل من هذه المكونات.

كشف الطعام متعدد الطبقات

تم تدريب نموذج التعرف على الطعام في Nutrola ليس فقط لتحديد العناصر الغذائية المرئية ولكن لاكتشاف أدلة على المكونات المخفية أو المكدسة. يقوم النموذج بتحليل الإشارات البصرية التي تشير إلى العمق والتكديس:

• تحليل نسيج السطح: يشير الكاري الذي يتجمع بشكل غير متساوي إلى أنه يجلس على قاعدة صلبة بدلاً من كونه حساء مستقل. الطريقة التي تتجمع بها الصلصة في مناطق معينة وتخف في مناطق أخرى توفر معلومات هندسية حول ما هو تحتها.
• كشف الحواف عند حدود الطبقات: حيث تنتهي الطبقة العليا ويبدأ الطبق أو الوعاء، غالبًا ما تبرز الطبقات السفلية المرئية جزئيًا. تم تدريب النموذج على اكتشاف هذه التعرضات الجزئية واستخدامها كأدلة على المكونات المخفية.
• تحليل الحاوية: نوع الطبق أو الوعاء أو الحاوية يوفر معلومات قوية مسبقة. وعاء عميق مع مرق رامن مرئي على السطح يحتوي تقريبًا على نودلز في الأسفل. طبق واسع مع كاري يشير إلى قاعدة نشوية.

الاستنتاج السياقي

عندما تكون الأدلة البصرية للطبقات المخفية غامضة، تطبق Nutrola الاستنتاج السياقي، باستخدام المعرفة حول التوليفات الغذائية الشائعة، وأنماط الوجبات الثقافية، وطرق التحضير النموذجية لتقدير ما من المحتمل أن يكون موجودًا تحت المكونات المرئية.

يعمل هذا لأن الطعام ليس عشوائيًا. يُقدم الكاري تقريبًا دائمًا فوق الأرز أو مع الخبز. تحتوي مرقة الرامن تقريبًا دائمًا على نودلز. يحتوي البوريتو تقريبًا دائمًا على أرز، أو فاصوليا، أو كليهما. تحتوي السلطات في المطاعم تقريبًا دائمًا على صلصة، حتى عندما لا تكون مرئية من الأعلى.

تستند محرك الاستنتاج السياقي في Nutrola إلى قاعدة بيانات تضم أكثر من 12 مليون إدخال غذائي موثوق وأنماط تم ملاحظتها عبر ملايين الوجبات المسجلة. عندما ترى الذكاء الاصطناعي دجاج بالزبدة على طبق، فإنه لا يكتفي بتحديد الدجاج. بل يقيم احتمالية وجود أرز، أو نان، أو مرافقة أخرى بناءً على كيفية تناول هذا الطبق عادة.

تقدير العمق للحجم المخفي

تحديد أن الأرز موجود تحت الكاري هو تحدٍ واحد. تقدير كمية الأرز الموجودة هو تحدٍ آخر. تستخدم Nutrola تقنيات تقدير العمق لتحليل الإشارات البصرية التي تشير إلى حجم المكونات الغذائية المخفية.

يساهم ارتفاع الطعام بالنسبة لحافة الطبق، وانحناء السطح العلوي، والحجم المرئي للوعاء أو الطبق جميعها في تقدير الحجم الكلي للطعام. عندما يحدد الذكاء الاصطناعي أن جزءًا من هذا الحجم مشغول بطبقة قاعدة مخفية، فإنه يقدر سمك وانتشار تلك الطبقة باستخدام النمذجة الهندسية.

على سبيل المثال، إذا بدا أن وعاء يحتوي على 500 مل من الحجم الكلي للطعام وحدد الذكاء الاصطناعي أن 60% العلوي هو كاري، فإن الـ 40% المتبقية تُنسب إلى الطبقة الأساسية المستنتجة (الأرز) ويتم تقدير حجمها وفقًا لذلك.

مطالبات التحقق الذكية

عندما تنخفض ثقة Nutrola بشأن المكونات المخفية تحت حد معين، فإنها لا تخمن بصمت. بدلاً من ذلك، تسأل المستخدم مباشرة بأسئلة محددة وسياقية:

• "هل يوجد أرز أو نان تحت الكاري؟"
• "هل يحتوي هذا البوريتو على أرز وفاصوليا؟"
• "هل هناك صلصة على هذه السلطة؟"

هذه المطالبات ليست عامة. يتم إنشاؤها بناءً على ما حددته الذكاء الاصطناعي وما تعتقد أنه قد يكون مخفيًا. يهدف هذا النهج إلى احترام وقت المستخدم من خلال طرح الأسئلة فقط عندما تكون عدم اليقين مرتفعة حقًا، مع منع التقديرات المنخفضة الصامتة التي تعاني منها التطبيقات الأخرى.

تم تصميم نظام مطالبات التحقق ليحتاج إلى جهد ضئيل. لمسة واحدة تؤكد أو تنفي اقتراح الذكاء الاصطناعي. إذا كان الاقتراح خاطئًا، يمكن للمستخدم بسرعة تحديد ما هو موجود بالفعل.

تصحيح الصوت للتعديلات السلسة

تدعم Nutrola أيضًا التصحيح القائم على الصوت، وهو مفيد بشكل خاص في سيناريوهات تداخل الأطباق. بعد التقاط صورة، يمكن للمستخدم ببساطة أن يقول:

• "يوجد أيضًا أرز ونان تحتها."
• "يحتوي على فاصوليا، وجبنة، وكريمة حامضة في الداخل."
• "أضف صلصة رانش، حوالي ملعقتين كبيرتين."

يتم معالجة إدخال الصوت بلغة طبيعية ويتم ربطه بعناصر غذائية محددة وحصص مقدرة. يخلق هذا المزيج من التعرف على الصور مع التصحيح الصوتي نهج تسجيل هجين يلتقط كل من المكونات المرئية والمخفية في ثوانٍ، دون الحاجة إلى أن يبحث المستخدم يدويًا في قاعدة البيانات عن كل مكون مخفي.

التأثير الحقيقي للسعرات الحرارية الناتجة عن تداخل الأطباق

توضح الجدول التالي كيف يؤثر تداخل الأطباق على دقة السعرات الحرارية في الوجبات الشائعة، من خلال مقارنة ما سيسجله متتبع السعرات الحرارية القائم على السطح فقط مقابل ما تحتويه الوجبة الكاملة فعليًا.

الوجبة	المكونات المرئية	المكونات المخفية	تقدير السطح فقط	السعرات الفعلية	الفرق
وعاء من الرامن	مرق، بصل أخضر، نوري	نودلز، بيضة مسلوقة، لحم خنزير تشاشو	~350 سعرة	~550 سعرة	+200 سعرة
بوريتو	تورتيلا، حشوة مرئية عند الأطراف	أرز، فاصوليا، جبنة، كريمة حامضة	~400 سعرة	~750 سعرة	+350 سعرة
سلطة مع إضافات	خضروات مختلطة، خضروات مرئية	صلصة رانش، كروتون، جبنة مبشورة	~150 سعرة	~550 سعرة	+400 سعرة
كاري فوق الأرز	كاري، قطع دجاج مرئية	قاعدة أرز بسمتي، سمن في الكاري	~400 سعرة	~650 سعرة	+250 سعرة
ناتشوز محملة	رقائق التورتيلا، جبنة مذابة	فاصوليا مقلية، لحم بقري مفروم، كريمة حامضة	~450 سعرة	~800 سعرة	+350 سعرة
وعاء أساي	قاعدة أساي، فواكه مرئية	طبقة جرانولا، عسل، زبدة مكسرات	~250 سعرة	~550 سعرة	+300 سعرة

هذه ليست حالات نادرة. إنها تمثل وجبات يومية يتناولها ملايين الأشخاص ويحاولون تتبعها. يمكن أن يترجم تقدير منخفض ثابت يتراوح بين 200 إلى 400 سعرة حرارية لكل وجبة إلى 600 إلى 1,200 سعرة حرارية غير متعقبة يوميًا لشخص يتناول ثلاث وجبات متداخلة، وهو ما يكفي لإلغاء العجز في السعرات الحرارية تمامًا.

كيف تقارن Nutrola مع التطبيقات الأخرى في تتبع الأطعمة المتداخلة؟

تعتمد معظم التطبيقات المعتمدة على الذكاء الاصطناعي لتتبع السعرات الحرارية على تصنيف الصورة من مرة واحدة. تقوم بتحليل السطح المرئي للوجبة، وتعيين تسميات الطعام، وتقدير الحصص بناءً على ما يمكنها رؤيته، ثم تعيد النتيجة. يعمل هذا النهج للصحون البسيطة ولكنه يُسجل باستمرار أقل بالنسبة للوجبات المعقدة والمكونة.

تختلف Nutrola في عدة مجالات رئيسية:

• تحليل متعدد المراحل: بدلاً من عملية تصنيف واحدة، يقوم نظام Nutrola بأداء مراحل تحليل متعددة بما في ذلك تحديد السطح، واستنتاج الطبقات، وتقدير العمق، والتفكير التكويني.
• معرفة سياقية بالوجبات: تستند Nutrola إلى قاعدة بياناتها الموثوقة التي تضم أكثر من 12 مليون إدخال غذائي وأنماط الوجبات الملاحظة لاستنتاج المكونات المخفية المحتملة، بدلاً من الاعتماد فقط على التحليل على مستوى البكسل.
• معالجة عدم اليقين النشطة: بدلاً من تقديم نتائج غير مكتملة بثقة، تُشير Nutrola إلى المناطق ذات الثقة المنخفضة وتطرح أسئلة تحقق مستهدفة. هذا يحول خطأ محتمل صامت إلى تصحيح تفاعلي يستغرق ثانيتين.
• إدخال متعدد الوسائط: يتيح الجمع بين التعرف على الصور مع التصحيح الصوتي للمستخدمين سد الفجوة بين ما يمكن للذكاء الاصطناعي رؤيته وما هو موجود فعليًا على الطبق. لا توجد أي تطبيقات رئيسية أخرى تتكامل مع تسجيل الطعام القائم على الصوت بهذا المستوى.
• التعلم المستمر: عندما يؤكد المستخدمون أو يصححون توقعات المكونات المخفية، فإن هذا التعليق يحسن التوقعات المستقبلية للوجبات المماثلة. يتعلم النظام أن طبق الكاري الخاص بمستخدم معين يحتوي عادةً على 200 جرام من الأرز تحتها، مما يخصص تقديراته بمرور الوقت.

النتيجة هي أن تقديرات السعرات الحرارية في Nutrola للوجبات المعقدة والمكونة أقرب بكثير إلى القيم الفعلية مقارنةً بتلك التي تقدمها التطبيقات التي تحلل فقط الأسطح المرئية. بالنسبة للمستخدمين الذين يتتبعون السعرات الحرارية من أجل إدارة الوزن، أو الأداء الرياضي، أو الحالات الصحية مثل السكري، فإن فرق الدقة هذا ليس أكاديميًا. إنه يؤثر مباشرة على النتائج.

لماذا يهم ذلك لأهداف تتبعك؟

تداخل الأطباق ليس مشكلة تقنية نادرة. إنه يؤثر على الغالبية العظمى من الوجبات المنزلية وجميع الأطباق في المطاعم تقريبًا. الحساء، والكاري، وأطباق المعكرونة، والأوعية، والسندويشات، واللفائف، والكسرولات، والأطباق المركبة جميعها تتضمن بعض درجات من تداخل المكونات.

إذا لم يكن متتبع السعرات الحرارية لديك قادرًا على التعامل مع هذه الحالات، فإنه يقوم بتقدير مدخولك بشكل منهجي. قد تكون تقوم بكل شيء صحيحًا من حيث الاتساق والجهد، ولا تزال لا ترى النتائج لأن بياناتك خاطئة من المصدر.

تم تصميم نهج Nutrola في معالجة تداخل الأطباق، الذي يجمع بين الكشف متعدد الطبقات، والاستنتاج السياقي، وتقدير العمق، ومطالبات التحقق، وتصحيح الصوت، لتزويدك بأرقام يمكنك الوثوق بها فعليًا. ونظرًا لأن الميزات الأساسية في Nutrola، بما في ذلك التعرف على الصور وتسجيل الصوت، مجانية، يمكنك تجربة هذا المستوى من الدقة دون عائق الاشتراك.

الأسئلة الشائعة

ما هو "تداخل الأطباق" في تتبع الطعام؟

يشير تداخل الأطباق إلى الحالات التي تتداخل فيها الأطعمة على طبق أو في وعاء، حيث تكون مكدسة أو مختلطة أو مغطاة جزئيًا بمكونات أخرى. تشمل الأمثلة الشائعة الأرز المخفي تحت الكاري، والحشوات داخل البوريتو، أو الصلصة المabsorbed في السلطة. في الرؤية الحاسوبية، يُعرف هذا بالتداخل، وهو أحد أصعب التحديات في التعرف على الطعام المعتمد على الذكاء الاصطناعي لأن الكاميرا لا تستطيع رؤية كل ما يساهم في محتوى السعرات الحرارية للوجبة.

كم عدد السعرات الحرارية التي يمكن أن يتسبب فيها تداخل الأطباق في فقدانها؟

يمكن أن يتسبب تداخل الأطباق في أخطاء في تتبع السعرات الحرارية تتراوح بين 200 إلى 500 سعرة حرارية لكل وجبة، اعتمادًا على الطبق. يمكن أن تؤدي بوريتو حيث يكون فقط التورتيلا مرئيًا إلى فقدان 350 سعرة حرارية من الأرز المخفي، والفاصوليا، والجبنة، وكريمة حامضة. يمكن أن تؤدي سلطة تحتوي على صلصة مخفية، وكروتون، وجبنة إلى فقدان 400 سعرة حرارية. على مدار يوم كامل من الوجبات التي تحتوي على تداخل، يمكن أن يتراكم هذا إلى 600 إلى 1,200 سعرة حرارية غير متعقبة.

كيف تكتشف Nutrola الطعام المخفي تحت الأطعمة الأخرى؟

تستخدم Nutrola مجموعة من التقنيات. يقوم نموذج الكشف متعدد الطبقات بتحليل نسيج السطح وحدود الحواف بحثًا عن أدلة على الطبقات المخفية. يستخدم محرك الاستنتاج السياقي المعرفة حول أنماط الوجبات الشائعة وتوليفات الطعام (من أكثر من 12 مليون إدخال في قاعدة البيانات) لتوقع المكونات المخفية المحتملة. يقوم تقدير العمق بتحليل الإشارات البصرية لتقدير حجم الطعام تحت الطبقات المرئية. عندما تكون الثقة منخفضة، تسأل Nutrola أسئلة تحقق مستهدفة بدلاً من التخمين.

هل يمكنني إخبار Nutrola عن المكونات المخفية التي قد تكون فاتتها؟

نعم. بعد التقاط صورة، يمكنك استخدام التصحيح الصوتي لإضافة المكونات المخفية ببساطة عن طريق قول شيء مثل "يوجد أيضًا أرز ونان تحتها" أو "يحتوي على فاصوليا وجبنة في الداخل." تعالج Nutrola إدخال الصوت بلغة طبيعية وتربطه بعناصر غذائية محددة وحصص تقديرية، مما يتيح لك ملء الفجوات في ثوانٍ دون الحاجة إلى البحث يدويًا في قاعدة البيانات.

هل تتعامل التطبيقات الأخرى لتتبع السعرات الحرارية مع تداخل الأطباق؟

تستخدم معظم التطبيقات المعتمدة على الذكاء الاصطناعي لتتبع السعرات الحرارية التعرف على الطعام القائم على السطح فقط، مما يعني أنها تصنف وتقدر الحصص بناءً فقط على ما هو مرئي في الصورة. عادةً ما لا تستنتج الطبقات المخفية، أو تسأل أسئلة تحقق حول المكونات المحجوبة، أو تدعم التصحيحات الصوتية للمكونات غير المرئية. وهذا يعني أنها تسجل باستمرار أقل من السعرات الحرارية للوجبات المكونة، أو المكدسة، أو المختلطة.

هل تتوفر تقنية الكشف عن تداخل الأطباق في Nutrola مجانًا؟

نعم. الميزات الأساسية في Nutrola، بما في ذلك التعرف على الصور بالذكاء الاصطناعي مع الكشف متعدد الطبقات وتسجيل الطعام القائم على الصوت، متاحة مجانًا. لا تحتاج إلى اشتراك متميز للاستفادة من معالجة Nutrola لتداخل الأطباق. الهدف هو جعل تتبع السعرات الحرارية الدقيقة متاحًا للجميع، بغض النظر عما إذا كانت وجباتهم بسيطة أو معقدة.