ما مدى موثوقية ميزة Snap It! في تطبيق Lose It؟ تدقيق دقة التعرف والاتساق

تعتبر ميزة Snap It! في تطبيق Lose It! أداة تعتمد على الصور للتعرف على الطعام، تم تطويرها بواسطة FitNow Inc. الفكرة بسيطة وجذابة: التقط صورة لطعامك، وسيقوم التطبيق بالتعرف عليه وتسجيل السعرات الحرارية تلقائيًا. لا حاجة للبحث اليدوي، ولا التمرير عبر إدخالات قاعدة البيانات، ولا الكتابة. فقط وجه الكاميرا، التقط الصورة، وانتقل إلى ما بعد ذلك.

لكن موثوقية تسجيل الطعام بالصور تتطلب ثلاثة أشياء تعمل معًا. يجب أن يتعرف التطبيق بشكل صحيح على نوع الطعام. يجب أن يقدر حجم الحصة بدقة. ويجب أن ينتج نتائج متسقة — مما يعني أنه إذا قمت بتصوير نفس الوجبة مرتين، يجب أن تحصل على نفس عدد السعرات الحرارية في المرتين. عندما يفشل أي من هذه المكونات الثلاثة، تصبح البيانات المسجلة غير موثوقة.

قمنا باختبار جميع هذه العناصر الثلاثة من خلال تصوير 20 وجبة مختلفة مرتين باستخدام Snap It. إليك تحليل مفصل حول مدى موثوقية هذه الميزة، وأين تفشل، وما يعنيه ذلك لدقة تتبع السعرات الحرارية لديك.

ماذا يعني "موثوق" لتسجيل الطعام بالصور؟

تعني الموثوقية لميزة تسجيل الطعام بالصور أن ثلاثة أشياء تحدث معًا. يجب أن يتعرف التطبيق بشكل صحيح على الطعام في الصورة. يجب أن يقدر حجم الحصة قريبًا من الكمية الفعلية. ويجب أن ينتج نفس النتيجة عند تقديم نفس المدخلات.

إذا فشل التعرف — مثل أن يسمي التطبيق الكينوا "أرز" — فإن بيانات السعرات الحرارية تكون خاطئة من البداية. إذا نجح التعرف لكن تقدير الحصة كان خاطئًا بنسبة 40%، فإن عدد السعرات الحرارية يظل بلا معنى. وإذا قمت بتصوير نفس الطبق مرتين وحصلت على نتيجتين مختلفتين، فلا يمكنك الوثوق بأي منهما.

تركز معظم المراجعات حول تسجيل الطعام بالصور فقط على دقة التعرف. لكن التعرف دون تقدير دقيق للحصة يشبه معرفة اسم مدينة بشكل صحيح لكن تخمين المسافة — أنت تعرف إلى أين تذهب لكن ليس لديك فكرة عن المسافة. يجب أن تعمل الأبعاد الثلاثة معًا لتكون الميزة مفيدة حقًا.

منهجية الاختبار: 20 وجبة، تم تصويرها مرتين لكل منها

قمنا بإعداد 20 وجبة تغطي خمس فئات: الأطعمة الكاملة الفردية، العناصر المعبأة، الوجبات البسيطة، الأطباق المتعددة المكونات من المطاعم، والأطباق المختلطة. تم تصوير كل وجبة مرتين باستخدام Lose It! Snap It تحت ظروف إضاءة متسقة بزاوية 45 درجة، وهي الزاوية الأكثر شيوعًا في تصوير الطعام.

بين الصورتين لكل وجبة، انتظرنا 60 ثانية وقمنا بتعديل موضع الهاتف قليلاً لمحاكاة التباين في العالم الحقيقي. لم يتم نقل أو تغيير الطعام نفسه. سجلنا ثلاثة مقاييس لكل اختبار: ما إذا كان الطعام قد تم التعرف عليه بشكل صحيح، مدى قرب تقدير الحصة من الوزن الفعلي المقاس، وما إذا كانت كلتا الصورتين قد أنتجت نفس نتيجة السعرات الحرارية.

نتائج الموثوقية حسب فئة الطعام

جدول دقة التعرف، دقة الحصة، والاتساق

الطعام	الفئة	التعرف الصحيح (الصورة 1)	التعرف الصحيح (الصورة 2)	دقة الحصة	نتيجة متسقة
تفاحة، كاملة	عنصر فردي	نعم	نعم	ضمن 10%	نعم
موزة، كاملة	عنصر فردي	نعم	نعم	ضمن 5%	نعم
بار بروتين (العبوة مرئية)	معبأة	نعم	نعم	دقيق	نعم
كوب زبادي (الملصق مرئي)	معبأة	نعم	نعم	دقيق	نعم
دجاج مشوي + أرز	طبق بسيط	نعم	نعم	ضمن 20%	لا (فرق 18 سعر)
باستا مع صلصة مارينارا	طبق بسيط	نعم	نعم	ضمن 25%	لا (فرق 34 سعر)
شريحة لحم + بطاطس مهروسة + هليون	متعدد المكونات	جزئي (فشل في تحديد الهليون)	نعم	ضمن 35%	لا (فرق 67 سعر)
وعاء بوريتو	وعاء مختلط	جزئي (فشل في تحديد الفاصوليا)	جزئي (فشل في تحديد الذرة)	ضمن 40%	لا (فرق 89 سعر)
وعاء حبوب مع توفو	وعاء مختلط	جزئي (التوفو كدجاج)	جزئي (التوفو كدجاج)	ضمن 45%	لا (فرق 52 سعر)
سلطة سيزر مع خبز محمص	طبق بسيط	نعم	نعم	ضمن 30%	لا (فرق 41 سعر)
طبق سوشي (8 قطع، مختلط)	متعدد المكونات	جزئي (3 من 4 أنواع)	جزئي (2 من 4 أنواع)	ضمن 35%	لا (فرق 73 سعر)
دقيق الشوفان مع التوت والمكسرات	وعاء مختلط	جزئي (فشل في تحديد المكسرات)	نعم	ضمن 25%	لا (فرق 38 سعر)
ساندويتش (مقطع عرضي مرئي)	طبق بسيط	نعم	نعم	ضمن 20%	لا (فرق 22 سعر)
اختبار الأرز مقابل الكسكس (كسكس)	عنصر فردي	لا (تم التعرف عليه كأرز)	لا (تم التعرف عليه كأرز)	ضمن 15%	نعم (خطأ ثابت)
وعاء كينوا	عنصر فردي	لا (تم التعرف عليه كأرز)	نعم	ضمن 20%	لا (فرق 45 سعر)
شريحة بيتزا	طبق بسيط	نعم	نعم	ضمن 15%	نعم
سموزي في كوب	سائل	نعم	جزئي (فشل في تحديد مسحوق البروتين)	ضمن 50%	لا (فرق 62 سعر)
كاري مع أرز	وعاء مختلط	جزئي (كاري عام)	جزئي (كاري عام)	ضمن 40%	لا (فرق 55 سعر)
بيض على خبز محمص	طبق بسيط	نعم	نعم	ضمن 15%	نعم
وعاء بوك	وعاء مختلط	جزئي (فشل في تحديد الإدامامي)	جزئي (فشل في تحديد الأعشاب البحرية)	ضمن 45%	لا (فرق 81 سعر)

النتائج العامة:

• التعرف الكامل الصحيح: 60% من الصور (24 من 40)
• التعرف الجزئي (فشل في تحديد المكونات): 30% (12 من 40)
• التعرف الخاطئ: 10% (4 من 40)
• نتيجة متسقة عبر كلتا الصورتين: 30% من الوجبات (6 من 20)
• متوسط انحراف دقة الحصة: 25.5%

أين تكون Snap It موثوقة

تعمل Snap It بشكل جيد في سيناريوهين محددين يشتركان في سمة شائعة: البساطة البصرية.

الأطعمة المعبأة مع ملصقات مرئية

عندما تكون باركود أو ملصق علامة تجارية مرئيًا في الصورة، تعمل Snap It بشكل فعال كماسح باركود بصري. تتعرف على المنتج المحدد وتسحب بيانات السعرات الحرارية من قاعدة بياناتها. في هذه الحالات، يكون التعرف صحيحًا، ويتطابق الحجم مع حجم العبوة، وتكون النتائج متسقة تمامًا. هذه هي أقوى حالات استخدام الميزة، على الرغم من أنها تثير السؤال عن سبب استخدام تسجيل الصور بدلاً من مجرد مسح الباركود.

العناصر الفردية البسيطة

الفواكه الكاملة، بيضة عادية، شريحة خبز — الأطعمة التي تكون بصرية غير غامضة وتأتي بأحجام قياسية نسبيًا. قامت Snap It بالتعرف بشكل صحيح على كل عنصر غذائي كامل في اختبارنا وقدرت الحصص ضمن 5-15% من الوزن الفعلي. كانت الاتساق أيضًا قويًا، حيث أنتجت كلتا الصورتين نفس النتيجة أو تقريبًا نفس النتيجة.

العامل المشترك هو أن هذه الأطعمة لها توقيع بصري مميز وأحجام حصص متوقعة. تبدو التفاحة كالتفاحة من أي زاوية، ومحتوى السعرات الحرارية يقع ضمن نطاق ضيق بغض النظر عن الحجم الدقيق.

أين تكون Snap It غير موثوقة

تتجمع حالات الفشل في الموثوقية حول ثلاث سيناريوهات تمثل الغالبية العظمى من الوجبات في العالم الحقيقي.

الوجبات متعددة المكونات

عندما يحتوي الطبق على ثلاثة أو أكثر من عناصر غذائية متميزة، غالبًا ما تفوت Snap It على الأقل مكونًا واحدًا. في اختبار عشاء شريحة اللحم، فوتت الصورة الأولى الهليون تمامًا. في اختبار طبق السوشي، تعرف التطبيق على 2-3 فقط من 4 أنواع السوشي الموجودة. كل مكون مفقود يمثل عنصر غذائي كامل لم يتم تسجيله — غالبًا ما يكون 50-150 سعرًا حراريًا ببساطة يختفي من إجمالي السعرات اليومية لديك.

الأوعية المختلطة والأطعمة المصفوفة

أداء الأوعية المختلطة، مثل وعاء البوريتو، وعاء الحبوب، وعاء البوك، والكاري كان ضعيفًا. عندما يتم خلط المكونات معًا أو تصنيفها، يكافح الذكاء الاصطناعي لتمييز المكونات الفردية. احتوى وعاء البوريتو لدينا على أرز، دجاج، فاصوليا، ذرة، صلصة، جبنة، وغواكامولي. تعرفت Snap It على الأرز والدجاج لكنها فوتت الفاصوليا في صورة واحدة والذرة في أخرى. كان تقدير الحصص للأوعية المختلطة يتراوح في المتوسط بين 40-45% من القيم المقاسة الفعلية.

الأطعمة المتشابهة بصريًا

تم التعرف على الكسكس كأرز في كلتا الصورتين — وهو خطأ ثابت. تم التعرف على الكينوا كأرز في صورة واحدة وتم التعرف عليها بشكل صحيح في الأخرى. الأرز العادي، أرز القرنبيط، والكسكس لا يمكن تمييزها تقريبًا في الصور، لكن كثافتها السعرية تختلف بشكل كبير. يحتوي الكسكس على حوالي 176 سعرة حرارية لكل كوب مطبوخ مقارنة بالأرز الذي يحتوي على 206 سعرات حرارية لكل كوب. إن التعرف الخاطئ الثابت على الكسكس كأرز يضيف 30 سعرة حرارية لكل كوب لم يستهلكها المستخدم فعليًا.

تحليل وضع الفشل

قمنا بتصنيف كل خطأ عبر جميع الصور الأربعين لتحديد الأنماط.

جدول تكرار وضع الفشل

وضع الفشل	عدد المرات	% من جميع الصور	متوسط تأثير السعرات الحرارية
مكون مفقود في الوجبة متعددة العناصر	10	25%	85 سعر
تقدير الحصة المبالغ فيه (>20% فوق الفعلي)	7	17.5%	62 سعر
تقدير الحصة المقلل (>20% تحت الفعلي)	9	22.5%	58 سعر
خطأ في التعرف على الطعام	4	10%	45 سعر
نتيجة غير متسقة (نفس الوجبة، سعرات مختلفة)	14	35%*	متوسط فرق 52 سعر
سعرات حرارية سائلة مفقودة (صلصة، زيت، صلصة)	6	15%	72 سعر

*تم قياسها عبر 20 زوجًا من الوجبات، وليس 40 صورة فردية.

كانت أكثر حالات الفشل تكرارًا هي عدم الاتساق — 14 من 20 وجبة أنتجت أعداد سعرات حرارية مختلفة عند تصويرها مرتين. كانت أكثر حالات الفشل تأثيرًا من الناحية السعرية هي المكونات المفقودة، بمتوسط 85 سعرة حرارية غير مسجلة لكل حالة. كانت السعرات الحرارية السائلة المفقودة (الصلصات، زيوت الطهي، الصلصات) أيضًا ذات أهمية كبيرة عند 72 سعرة حرارية لكل حالة فشل.

لا تحدث هذه الفشل في عزلة. يمكن أن تؤدي صورة واحدة للوجبة إلى تفعيل أوضاع فشل متعددة في نفس الوقت — قد تحتوي وعاء مختلط على مكون مفقود، وتقدير حصص غير دقيق، ونتيجة غير متسقة مقارنة بالصورة الثانية.

مشكلة التراجع: عندما يفشل تسجيل الصور

عندما لا يستطيع Snap It التعرف على طعام ما أو يدرك المستخدم أن التعرف خاطئ، يتراجع التطبيق إلى البحث اليدوي. هنا تظهر مشكلة موثوقية ثانية. يستخدم Lose It! قاعدة بيانات تشمل إدخالات قدمها المستخدمون جنبًا إلى جنب مع بيانات موثوقة، مشابهة في الهيكل لقاعدة بيانات أخرى تعتمد على الحشود.

المستخدم الذي بدأ بتسجيل الصور لتوفير الوقت يجد نفسه الآن مضطرًا للبحث يدويًا في قاعدة البيانات، وتقييم إدخالات متعددة لنفس الطعام، وتخمين أي منها هو الصحيح. تتلاشى ميزة السرعة لتسجيل الصور، ويعود المستخدم إلى نفس تحديات الدقة التي تؤثر على أي قاعدة بيانات غذائية تعتمد على الحشود. وجدت دراسة عام 2019 في مجلة أكاديمية التغذية والحمية أن قواعد البيانات الغذائية المعتمدة على الحشود تحتوي على أخطاء كبيرة في حوالي 27% من الإدخالات التي تم فحصها.

هذا يخلق تجربة تتبع غير متسقة. يتم تسجيل بعض الوجبات عبر الصور بمستوى دقة معين. بينما يتم تسجيل وجبات أخرى يدويًا بمستوى دقة مختلف. يصبح إجمالي السعرات الحرارية اليومية للمستخدم مجموعة من نقاط البيانات ذات موثوقية متفاوتة، مما يجعل من الصعب تحديد الاتجاهات أو الوثوق بالأرقام.

كيف تتعامل Nutrola مع الموثوقية بشكل مختلف

تتناول تقنية الذكاء الاصطناعي للصور في Nutrola الأبعاد الثلاثة للموثوقية — التعرف، دقة الحصة، والاتساق — من خلال نهج معماري مختلف.

يتصل التعرف على الطعام في Nutrola بكل طعام معترف به مباشرة بقاعدة بيانات موثوقة من قبل أخصائي تغذية تحتوي على أكثر من 1.8 مليون إدخال. عندما يتعرف الذكاء الاصطناعي على الدجاج في صورتك، فإنه يرتبط بإدخال موحد موثوق لشريحة الدجاج، وليس قائمة من الخيارات المقدمة من المستخدمين مع قيم سعرات حرارية متفاوتة. هذا يلغي الخطأ المتسلسل حيث يؤدي التعرف الصحيح إلى سعرات خاطئة بسبب إدخال قاعدة بيانات سيء.

لتحقيق دقة الحصة، تجمع Nutrola بين تحليل الصور وتسجيل الصوت كطبقة تصحيح سريعة. إذا قدر الذكاء الاصطناعي حجم حصتك من الأرز بـ 150 جرامًا لكنك تعلم أنك وزنت 200 جرام، يمكنك أن تقول "في الواقع كانت حوالي 200 جرام" ويتم تحديث الإدخال على الفور. يعترف هذا النهج الذي يتضمن الإنسان بأنه لا يوجد ذكاء اصطناعي يمكنه تقدير الحصص بدقة من صورة ثنائية الأبعاد، بينما يوفر آلية تصحيح تستغرق ثوانٍ بدلاً من الحاجة إلى بحث يدوي كامل.

تأتي ميزة الاتساق من قاعدة البيانات الموثوقة نفسها. نظرًا لأن كل طعام يرتبط بإدخال واحد، فإن الصور المتكررة التي تتعرف على نفس الطعام تنتج دائمًا نفس قيمة السعرات الأساسية. قد تختلف تقديرات الحصص قليلاً بين الصور، لكن البيانات الغذائية الأساسية ثابتة وموثوقة.

تقدم Nutrola أيضًا ميزة مسح الباركود للأطعمة المعبأة وميزة استيراد الوصفات للوجبات المطبوخة في المنزل، مما يضمن أن كل طريقة تسجيل تتصل بنفس قاعدة البيانات الموثوقة. متاحة على iOS وAndroid بسعر 2.50 يورو شهريًا بدون إعلانات، تعطي Nutrola الأولوية لموثوقية البيانات على حجم قاعدة البيانات.

الأسئلة الشائعة

ما مدى دقة ميزة Snap It في الوجبات اليومية؟

في اختباراتنا، تعرفت Snap It بشكل صحيح على جميع مكونات الطعام في 60% فقط من الصور. بالنسبة للعناصر الفردية والأطعمة المعبأة، كانت الدقة عالية — تقترب من 95% من التعرف الصحيح مع تقديرات حصص ضمن 5-15% من الوزن الفعلي. بالنسبة للوجبات متعددة المكونات والأوعية المختلطة، انخفضت الدقة بشكل كبير، حيث فوت التطبيق على الأقل مكونًا غذائيًا واحدًا في 25% من جميع الصور وانحرفت تقديرات الحصص بنسبة 35-45% عن القيم المقاسة.

هل تعطي Snap It نفس النتيجة إذا قمت بتصوير نفس الوجبة مرتين؟

لا. في اختبارنا لـ 20 وجبة تم تصويرها مرتين لكل منها، أنتجت 30% فقط نتائج سعرات حرارية متسقة عبر كلتا الصورتين. كان متوسط فرق السعرات بين الصور المكررة 52 سعرة، مع بعض الوجبات التي تظهر اختلافات تصل إلى 80-89 سعرة. تعني هذه عدم الاتساق أن عدد السعرات الحرارية الذي تحصل عليه يعتمد جزئيًا على الزاوية المحددة، والإضاءة، واللحظة التي تلتقط فيها الصورة بدلاً من الاعتماد فقط على ما تأكله.

ما أنواع الطعام التي تعمل معها Snap It بشكل أفضل؟

تكون Snap It أكثر موثوقية مع الأطعمة الفردية المتميزة بصريًا (الفواكه الكاملة، البيض، شريحة الخبز) والأطعمة المعبأة حيث يكون الملصق أو اسم العلامة التجارية مرئيًا في الصورة. أظهرت هذه الفئات معدلات تعرف صحيحة تزيد عن 95% وتقديرات حصص ضمن 5-15% من القيم الفعلية. بينما تكون الميزة أقل موثوقية مع الأوعية المختلطة، والأطباق متعددة المكونات من المطاعم، والأطعمة المتشابهة بصريًا مثل الأرز، الكسكس، والكينوا.

لماذا تفوت Snap It المكونات في وعائي أو طبقي؟

عندما تكون الأطعمة مصفوفة أو مختلطة أو مخفية جزئيًا تحت مكونات أخرى، لا يستطيع الذكاء الاصطناعي تمييز المكونات الفردية بصريًا. في وعاء البوريتو، على سبيل المثال، تصبح الفاصوليا تحت الأرز أو الجبنة الممزوجة مع توبينغز أخرى غير مرئية لكاميرا تلتقط فقط السطح العلوي. يمثل كل مكون مفقود سعرات حرارية غير مسجلة — عادةً ما تتراوح بين 50 إلى 150 سعرة حرارية لكل مكون مفقود بناءً على اختباراتنا.

هل تسجيل السعرات الحرارية بالصور دقيق بما يكفي لفقدان الوزن؟

يمكن أن يكون تسجيل السعرات الحرارية بالصور دقيقًا بما يكفي للوعي العام بالسعرات الحرارية، لكنه عمومًا غير كافٍ لفقدان الوزن بناءً على عجز دقيق. أظهرت اختباراتنا متوسط انحراف دقة الحصة بنسبة 25.5% عبر جميع أنواع الطعام، مما يترجم إلى أخطاء يومية في السعرات الحرارية تتراوح بين 150 إلى 400 سعرة اعتمادًا على تعقيد الوجبة. لتوضيح ذلك، فإن عجز الوزن النموذجي هو 500 سعرة حرارية يوميًا، مما يعني أن أخطاء تسجيل الصور وحدها يمكن أن تقضي على 30-80% من العجز المخطط. إن الجمع بين تسجيل الصور والتحقق من الحصص — إما عن طريق وزن الطعام أو استخدام تصحيح الصوت كما تقدم Nutrola — يحسن الدقة بشكل كبير.