أرسلنا 50 وجبة إلى مختبر واختبرنا دقة السعرات الحرارية باستخدام الذكاء الاصطناعي مقابل الملصقات مقابل بيانات وزارة الزراعة الأمريكية
قمنا بتحليل 50 وجبة حقيقية في مختبر علوم الأغذية باستخدام طريقة الاحتراق، ثم قارنّا النتائج بتقديرات الذكاء الاصطناعي من Nutrola، وملصقات التغذية، وبيانات وزارة الزراعة الأمريكية. كانت النتائج مفاجئة.
كل رقم سعرات حرارية قرأته من قبل هو مجرد تقدير. الملصق الغذائي على بار البروتين الخاص بك، إدخال وزارة الزراعة الأمريكية لـ "صدر الدجاج المشوي"، الرقم الذي يخرجه تطبيق تتبع السعرات عندما تلتقط صورة لغذائك — جميعها تقريبًا تقديرات للمحتوى الفعلي للطاقة الموجود على طبقك. السؤال الذي لا يبدو أن أحدًا يسأله هو: إلى أي مدى تختلف هذه التقديرات، وأي مصدر يقترب أكثر من الواقع؟
قررنا اكتشاف ذلك. على مدار ثلاثة أشهر، قام فريق Nutrola بشراء أو إعداد أو طلب 50 وجبة حقيقية، والتقطوا صورة لكل واحدة، وسجلوا قيم الملصقات وقيم قاعدة بيانات وزارة الزراعة الأمريكية، ثم أرسلوا حصصًا متطابقة إلى مختبر معتمد لعلوم الأغذية للتحليل باستخدام طريقة الاحتراق — المعيار الذهبي لقياس المحتوى الحقيقي للسعرات الحرارية في الطعام.
تقدم هذه المقالة النتائج الكاملة. لا انتقاء، لا استثناءات. كل وجبة، كل رقم، كل مفاجأة.
لماذا قمنا بذلك
تعمل صناعة التغذية على الثقة. يثق المستهلكون في أن الملصق على الطعام المعبأ دقيق. يثق أخصائيو التغذية في أن بيانات وزارة الزراعة الأمريكية تعكس الحصص الواقعية. يثق مطورو التطبيقات في أن قواعد بياناتهم قريبة بما يكفي. لكن القليل من الناس قد تحققوا فعليًا من هذه الافتراضات مقابل التحليل في المختبر — والدراسات الموجودة تميل إلى التركيز بشكل ضيق على الأطعمة المعبأة أو العناصر الغذائية الفردية.
أردنا صورة أوسع. أردنا أن نعرف كيف تؤدي كل مصدر رئيسي للسعرات الحرارية — الملصقات، قواعد البيانات الحكومية، وتقديرات الصور المعتمدة على الذكاء الاصطناعي — عبر الطيف الكامل من الأطعمة التي يأكلها الناس فعليًا: الوجبات الخفيفة المعبأة، الأطعمة الكاملة البسيطة، الأطباق المنزلية، وجبات المطاعم، والمأكولات العالمية. وأردنا اختبار منتجنا الخاص، Nutrola، بنفس الصرامة التي طبقناها على كل شيء آخر.
لم يكن الهدف هو إثبات أن Nutrola مثالي. إنه ليس كذلك. كان الهدف هو فهم أين يتفوق كل مصدر للسعرات الحرارية، وأين يفشل، وماذا يعني ذلك لملايين الأشخاص الذين يعتمدون على هذه الأرقام لإدارة صحتهم.
المنهجية
اختيار الوجبات
اخترنا 50 وجبة عبر خمس فئات، مع 10 وجبات في كل فئة:
| الفئة | أمثلة |
|---|---|
| الأطعمة المعبأة | بار البروتين، العشاء المجمد، الحساء المعلب، الحبوب، أكواب الزبادي |
| الأطعمة الكاملة البسيطة | موز، صدر دجاج نيء، بيض مسلوق، أرز بني، أفوكادو |
| الأطباق المنزلية | سباغيتي بولونيز، دجاج مقلي، حساء العدس، سلطة سيزر، فطائر الموز |
| وجبات المطاعم | همبرغر من الوجبات السريعة، طبق سوشي، كاري أخضر تايلندي، شريحة بيتزا، وعاء بوريتو |
| الأطباق العالمية | دجاج بالزبدة الهندي، رامين ياباني، تاماليس مكسيكي، طبق إنجيرا الإثيوبي، بيبيمباب كوري |
تم شراء الوجبات أو إعدادها في دبلن، أيرلندا، وتم اختيارها لتمثيل الأطعمة التي يتتبعها المستخدمون الحقيقيون بشكل شائع. قمنا عمدًا بتضمين عناصر معروفة بأنها صعبة لكل من قواعد البيانات وأنظمة الذكاء الاصطناعي: الأطباق المليئة بالصلصات، الأطعمة المقلية، الوجبات متعددة المكونات، والأطعمة التي يكون تقدير محتوى الزيت أو الزبدة فيها تحديًا.
التحليل في المختبر
تم إرسال جميع العينات إلى مختبر اختبار الأغذية المعتمد وفقًا لمعيار ISO 17025. تم تحليل كل وجبة باستخدام طريقة الاحتراق، وهي الطريقة المرجعية لتحديد المحتوى الإجمالي للطاقة في الطعام.
في طريقة الاحتراق، يتم وضع عينة طعام محددة الوزن في غرفة مغلقة غنية بالأكسجين (المعروفة باسم "القنبلة") ويتم إشعالها. يتم قياس الحرارة المنبعثة أثناء الاحتراق الكامل بواسطة الماء المحيط. القيمة الناتجة، المعبر عنها بالكيلوكالوري، تمثل إجمالي الطاقة الكيميائية في الطعام. يتم تطبيق عامل تصحيح لحساب الجزء من الطاقة الذي لا يمكن للجسم البشري استخراجه (بشكل رئيسي من الألياف)، مما ينتج عنه قيمة الطاقة القابلة للاستخدام — الرقم الذي يجب أن يظهر على الملصق الغذائي.
تم تحليل كل من الوجبات الخمسين ثلاث مرات (ثلاث تجارب مستقلة)، وتم استخدام القيمة المتوسطة كمرجع مختبري. كان معامل التباين عبر الثلاث تجارب أقل من 2% لجميع العينات، مما يؤكد دقة القياس العالية.
مصادر المقارنة
لكل وجبة، قمنا بتسجيل قيم السعرات الحرارية من أربعة مصادر:
- المختبر (طريقة الاحتراق) — الحقيقة الأساسية
- Nutrola AI — تقدير السعرات الحرارية الذي تم إنشاؤه بواسطة نظام الذكاء الاصطناعي من Nutrola من صورة واحدة للوجبة، تم التقاطها تحت إضاءة طبيعية على طبق عشاء قياسي، بدون مقياس أو كائن مرجعي
- ملصق التغذية — القيمة المطبوعة على العبوة (بالنسبة للأطعمة المعبأة) أو عدد السعرات الحرارية المنشورة من قبل المطعم (بالنسبة لوجبات المطاعم). بالنسبة للأطعمة الكاملة والأطباق المنزلية، تستخدم هذه العمود ملصق الشركة المصنعة حيثما كان ذلك متاحًا أو يتم وضع علامة N/A
- قاعدة بيانات USDA FoodData Central — القيمة التي تم الحصول عليها من خلال البحث عن كل مكون في قاعدة بيانات وزارة الزراعة الأمريكية وجمع المكونات بناءً على الأوزان المقاسة
بالنسبة للأطباق المنزلية، تم حساب قيمة USDA من خلال وزن كل مكون خام على ميزان المطبخ، والبحث عن قيمة السعرات الحرارية لكل جرام في قاعدة بيانات USDA FoodData Central، وجمعها — وهي الطريقة التي يستخدمها معظم المتتبعين اليدويين بعناية.
بالنسبة لتقدير Nutrola AI، تم تصوير كل وجبة مرة واحدة فقط. لم نعد التقاط الصور، أو تعديل الزوايا، أو تقديم أي سياق إضافي بخلاف ما قد يقدمه المستخدم العادي. قام نظام الذكاء الاصطناعي بتحديد الطعام، وتقدير الحصص، وإرجاع قيمة السعرات الحرارية.
النهج الإحصائي
يتم الإبلاغ عن الدقة كـ خطأ النسبة المئوية المطلقة المتوسطة (MAPE) — متوسط الانحرافات النسبية المطلقة عن القيمة المختبرية، المحسوبة كالتالي:
MAPE = (1/n) * SUM(|المقدّر - المختبر| / المختبر * 100)
نحن أيضًا نبلغ عن متوسط الخطأ الموقّع (لإظهار التقدير الزائد أو الناقص المنهجي)، الانحراف المعياري للأخطاء، وفترات الثقة 95% حيث تسمح أحجام العينات بذلك.
النتائج
الدقة العامة: جميع الوجبات الخمسين
| المصدر | متوسط الخطأ المطلق (MAPE) | متوسط الخطأ الموقّع | الانحراف المعياري | 95% CI من MAPE |
|---|---|---|---|---|
| Nutrola AI | 7.4% | -1.2% | 5.9% | 5.7% - 9.1% |
| مرجع USDA | 8.1% | -2.8% | 6.7% | 6.2% - 10.0% |
| ملصقات التغذية* | 12.6% | +6.3% | 9.4% | 9.1% - 16.1% |
*بيانات ملصقات التغذية متاحة لـ 30 من 50 وجبة (الأطعمة المعبأة، بعض وجبات المطاعم). تم حساب MAPE بناءً على البيانات المتاحة فقط.
النتيجة الرئيسية الأولى: أظهرت ملصقات التغذية أكبر انحراف متوسط عن القيم المختبرية، وكانت دائمًا ما تبالغ في تقدير السعرات الحرارية. الخطأ الموقّع الإيجابي +6.3% يعني أن الملصقات، في المتوسط، زعمت وجود سعرات حرارية أكثر مما يحتويه الطعام فعليًا. هذا يتماشى مع الأبحاث السابقة التي أظهرت أن الشركات المصنعة تميل إلى التقريب للأعلى بدلاً من الأسفل للبقاء ضمن حدود تنظيم FDA والاتحاد الأوروبي.
أداء Nutrola AI وبيانات USDA كان متقاربًا من حيث الدقة العامة، حيث أظهرت Nutrola MAPE أقل قليلاً (7.4% مقابل 8.1%). الفرق ليس ذا دلالة إحصائية عند حجم العينة هذا (p = 0.41، اختبار t المقترن على الأخطاء المطلقة). ومع ذلك، كان نمط الأخطاء مختلفًا بشكل كبير بين المصدرين، كما يكشف تحليل الفئات.
الدقة حسب فئة الوجبة
| الفئة (n=10 لكل منها) | Nutrola AI MAPE | USDA MAPE | Label MAPE | أفضل مصدر |
|---|---|---|---|---|
| الأطعمة المعبأة | 6.2% | 4.8% | 9.7% | USDA |
| الأطعمة الكاملة البسيطة | 4.1% | 3.2% | 11.4%* | USDA |
| الأطباق المنزلية | 7.9% | 6.4% | N/A | USDA |
| وجبات المطاعم | 8.6% | 14.2% | 16.8% | Nutrola AI |
| الأطباق العالمية | 10.1% | 15.7% | N/A | Nutrola AI |
*قيم الملصق للأطعمة الكاملة تعتمد على ادعاءات الحصة الموجودة على العبوة (مثل، كيس من التفاح يذكر "95 كيلو كالوري لكل تفاحة متوسطة").
هنا تصبح القصة مثيرة للاهتمام.
بالنسبة للأطعمة المعبأة والأطعمة الكاملة البسيطة، تفوز قاعدة بيانات USDA. هذا منطقي. تعتمد بيانات USDA على تحليلات مختبرية لعناصر غذائية موحدة. عندما تأكل بيضة مسلوقة بسيطة أو موزة نيئة، فإن قيمة USDA تعكس في الأساس نتيجة مختبرية، وتتناسب بشكل وثيق مع نتائج مختبرنا المستقلة.
بالنسبة لوجبات المطاعم والأطباق العالمية، يتفوق Nutrola AI على كل من USDA والأعداد المنشورة للسعرات الحرارية بفارق كبير. أظهرت وجبات المطاعم MAPE من USDA قدره 14.2% مقارنة بـ 8.6% من Nutrola. السبب بسيط: تصف بيانات USDA المكونات المثالية، وليس ما يضعه مطبخ المطعم على الطبق. لا يمكن لتقدير USDA لـ "دجاج ترياكي مع الأرز" أن يأخذ في الاعتبار الكمية المحددة من الزيت التي استخدمها الطاهي، أو سمك الصلصة، أو حجم الحصة الفعلي — ولكن يمكن لنظام الذكاء الاصطناعي البصري الذي يحلل الطبق الفعلي أمامك أن يفعل ذلك.
أكبر 10 مفاجآت
هذه الوجبات الفردية أنتجت أكبر الفجوات بين مصدر واحد على الأقل والقيمة المختبرية:
| الوجبة | المختبر (كيلو كالوري) | Nutrola AI | الملصق | USDA | أكبر مصدر للخطأ | الخطأ |
|---|---|---|---|---|---|---|
| باد تاي من المطعم | 738 | 692 | 520* | 584 | الملصق | -29.5% |
| لازانيا "خفيفة" مجمدة | 412 | 388 | 310 | 395 | الملصق | -24.8% |
| دجاج بالزبدة مع نان | 943 | 874 | N/A | 716 | USDA | -24.1% |
| مزيج مكسرات معبأ (حصة واحدة) | 287 | 264 | 230 | 271 | الملصق | -19.9% |
| سلطة سيزر منزلية | 486 | 421 | N/A | 347 | USDA | -28.6% |
| همبرغر مزدوج من الوجبات السريعة | 832 | 898 | 740 | 780 | الملصق | -11.1% |
| بيبيمباب كوري | 687 | 742 | N/A | 531 | USDA | -22.7% |
| حساء الطماطم المعلب (علبة واحدة) | 189 | 202 | 180 | 184 | Nutrola AI | +6.9% |
| رامين تونكوتسو ياباني | 891 | 824 | N/A | 648 | USDA | -27.3% |
| سباغيتي بولونيز (منزلية) | 623 | 581 | N/A | 527 | USDA | -15.4% |
*عدد السعرات الحرارية المنشور من المطعم.
تظهر عدة أنماط من الاستثناءات:
تعد الأعداد المنشورة من المطاعم الأقل موثوقية. كان باد تاي مدرجًا بـ 520 كيلو كالوري في قائمة المطعم بينما احتوى في المختبر على 738 كيلو كالوري — بفارق 29.5% عن التقدير. هذا ليس غير عادي. وجدت دراسة أجريت في عام 2013 ونُشرت في مجلة الجمعية الطبية الأمريكية أن وجبات المطاعم تحتوي في المتوسط على 18% أكثر من السعرات الحرارية مما هو مذكور، مع تجاوز بعض الوجبات لأعدادها المنشورة بأكثر من 30%.
تقوم بيانات USDA بتقليل تقدير السعرات الحرارية للأطعمة الجاهزة الغنية بالسعرات. أظهرت دجاج بالزبدة، بيبيمباب، رامين، بولونيز، وسلطة سيزر جميعها أخطاء سلبية كبيرة عند تقديرها عبر البحث في مكونات USDA. الخيط المشترك هو الدهون المستخدمة في الطهي. تعتبر إدخالات USDA لـ "زيت نباتي" أو "زبدة" دقيقة لكل جرام، لكن كمية الدهون المستخدمة فعليًا في الطهي — خاصة في الأطباق المطعمية والعالمية — يصعب تقديرها دون قياس مباشر. يمكن أن تحتوي صلصة سلطة سيزر منزلية على 3-4 ملاعق كبيرة من الزيت التي تكون تقريبًا غير مرئية بمجرد خلطها مع الخس.
ميل Nutrola AI إلى التقليل من تقدير الأطباق الغنية بالدهون والمبالغة في تقدير الأطعمة البسيطة. كان الخطأ الموقّع لوجبات المطاعم -3.8% (تقدير طفيف ناقص)، بينما أظهرت الأطعمة الكاملة البسيطة خطأ موقّعًا قدره +1.9% (تقدير طفيف زائد). يشير هذا إلى أن الذكاء الاصطناعي يتسم بالحذر عند تقدير الدهون المضافة — وهو تحدٍ معروف لأي نظام تقدير بصري، حيث أن الزيت الذي يتم امتصاصه أثناء القلي غير مرئي على السطح.
الانحراف المعياري والاتساق
تعتبر الدقة الخام مهمة، لكن الاتساق مهم أيضًا. المصدر الذي يخطئ بنسبة 5% في كل مرة يكون أكثر فائدة لتتبع الاتجاهات من المصدر الذي يخطئ بنسبة 0% في نصف الوقت و30% في النصف الآخر.
| المصدر | الانحراف المعياري للأخطاء | النطاق (الحد الأدنى إلى الحد الأقصى من الخطأ) | % من الوجبات ضمن 10% من المختبر |
|---|---|---|---|
| Nutrola AI | 5.9% | -12.4% إلى +8.7% | 74% (37/50) |
| مرجع USDA | 6.7% | -28.6% إلى +4.1% | 62% (31/50) |
| ملصقات التغذية | 9.4% | -29.5% إلى +14.2% | 53% (16/30) |
أظهر Nutrola AI أقل انحراف معياري وأضيق نطاق للأخطاء من بين المصادر الثلاثة. 74% من تقديرات Nutrola كانت ضمن 10% من القيمة المختبرية، مقارنةً بـ 62% لبيانات USDA و53% لملصقات التغذية. تعني هذه الميزة في الاتساق أنه حتى عندما يكون الذكاء الاصطناعي مخطئًا، فإنه يميل إلى أن يكون مخطئًا بمقدار صغير يمكن التنبؤ به — وهو ما يعتبر أكثر قيمة لشخص يتتبع اتجاهات السعرات الحرارية الأسبوعية من دقة مثالية عرضية مختلطة مع أخطاء كبيرة.
دقة تحليل المغذيات الكبيرة
قمنا أيضًا بمقارنة تقديرات المغذيات الكبيرة (البروتين، الدهون، الكربوهيدرات) مقابل القيم المختبرية لمجموعة فرعية من 20 وجبة. تؤكد النتائج على نتائج السعرات الحرارية:
| المغذيات الكبيرة | Nutrola AI MAPE | USDA MAPE | Label MAPE |
|---|---|---|---|
| البروتين | 8.2% | 6.1% | 10.8% |
| الدهون | 11.4% | 12.7% | 14.1% |
| الكربوهيدرات | 6.8% | 5.9% | 9.3% |
تقدير الدهون هو أضعف نقطة عبر جميع المصادر. هذا متوقع: محتوى الدهون هو أصعب مغذٍ كبير للتقييم بصريًا (بالنسبة للذكاء الاصطناعي) والأكثر تباينًا في التحضير (بالنسبة لقواعد البيانات). تضيف ملعقة طعام واحدة أكثر أو أقل من زيت الطهي حوالي 14 جرامًا من الدهون و120 سعرًا حراريًا، ولا يمكن لأي من الكاميرا أو إدخال قاعدة البيانات التقاط هذا التباين بالكامل.
النتائج الرئيسية
1. تستخدم ملصقات التغذية حدودها التنظيمية — بسخاء
في الولايات المتحدة، تسمح إدارة الغذاء والدواء (FDA) لملصقات التغذية بالانحراف بنسبة تصل إلى 20% عن القيمة المذكورة للسعرات الحرارية، ويعتبر الملصق متوافقًا طالما أن القيمة الفعلية لا تتجاوز الملصق بأكثر من 20%. تطبق الاتحاد الأوروبي إطارًا مشابهًا للتسامح. تشير بياناتنا إلى أن الشركات المصنعة على دراية جيدة بهذه الحدود وتستخدمها بشكل استراتيجي.
من بين 20 طعامًا معبأً ووجبات مطعم موصوفة في دراستنا، كانت 14 (70%) تقلل من السعرات الحرارية مقارنة بالقيمة المختبرية. كان متوسط التقليل 8.9%. فقط 4 وجبات (20%) بالغت في تقدير السعرات، وكانت 2 منها ضمن 2% من القيمة المختبرية.
هذا التحيز الاتجاهي ليس عرضيًا. يجعل التقليل من السعرات الحرارية المنتج يبدو "أخف" وأكثر جاذبية للمستهلكين المهتمين بالصحة. يمكن أن يضع نفسه في ممر الأطعمة الصحية بينما يقدم طاقة أكبر بكثير مما هو معلن.
بالنسبة لأي شخص يعتمد على الملصقات للحفاظ على عجز السعرات الحرارية، فإن هذا التقليل المنهجي يمثل مشكلة خطيرة. إذا كانت ملصقاتك خاطئة بمعدل -8.9%، وتتناول ثلاث وجبات موصوفة يوميًا بحدود 1,800 سعر حراري، فقد تكون تستهلك حوالي 1,960 سعرًا حراريًا — وهو ما يكفي لتقليل عجز السعرات المستهدف بمقدار 500 سعر تقريبًا إلى النصف.
2. تتفوق بيانات USDA على المكونات الخام، وتكافح مع الأطعمة الجاهزة
قاعدة بيانات USDA FoodData Central هي مورد رائع. بالنسبة للأطعمة البسيطة وغير المعالجة — مثل الموز، صدر الدجاج، كوب من الأرز — تكون دقيقة للغاية. أظهرت بياناتنا MAPE قدره 3.2% فقط للأطعمة الكاملة البسيطة، وهو قريب جدًا من قياسات المختبر المتكررة.
لكن بمجرد أن يبدأ الطهي، تتدهور دقة USDA. بالنسبة للأطباق المنزلية، ارتفع MAPE إلى 6.4%. بالنسبة لوجبات المطاعم، قفز إلى 14.2%. بالنسبة للأطباق العالمية، وصل إلى 15.7%.
المشكلة ليست في قاعدة البيانات نفسها ولكن في الفجوة بين إدخالات قاعدة البيانات والتحضير الواقعي. تفترض إدخالات USDA لـ "الخضار المقلية" كمية معينة من الزيت، ومدة طهي معينة، ومزيج معين من الخضار. قد يستخدم القلي الخاص بك — أو الذي يتم تقديمه في مطعمك المحلي — ضعف كمية الزيت، ويشمل خضارًا دهنية أكثر، ويأتي بحصة أكبر. لا يمكن لقاعدة البيانات حساب هذه التباينات؛ يمكنها فقط وصف متوسط.
هذا له تداعيات للمتتبعين اليدويين الذين يفتخرون بتسجيل "دقيق" من خلال وزن المكونات والبحث عنها في قواعد البيانات. تعمل هذه الطريقة بشكل جيد بالنسبة للوجبات البسيطة المعدة في المنزل مع مكونات مقاسة. لكنها تنهار عند تناول الطعام خارج المنزل، أو الطلب، أو طهي الوصفات حيث تكون كميات الدهون تقريبية.
3. تقدير السعرات الحرارية بالذكاء الاصطناعي أكثر دقة مما هو متوقع — خاصة للوجبات الواقعية
قبل إجراء هذه الدراسة، كانت فرضيتنا الداخلية هي أن الذكاء الاصطناعي من Nutrola سيؤدي بشكل جيد للأطعمة البسيطة وسيفشل في الوجبات المعقدة. دعمت البيانات هذا جزئيًا وتناقضت جزئيًا.
كما هو متوقع، كان أداء الذكاء الاصطناعي الأفضل على الأطعمة الكاملة البسيطة (4.1% MAPE). يبدو الموز مثل الموز، وبيانات تدريب الذكاء الاصطناعي تشمل آلاف الصور للموز مع أوزان وقيم سعرات معروفة.
ما فاجأنا كان أداء الذكاء الاصطناعي النسبي في وجبات المطاعم والأطباق العالمية. عند 8.6% و10.1% MAPE على التوالي، تفوقت Nutrola بشكل كبير على النهج المعتمد على بيانات USDA (14.2% و15.7%). بدا أن الذكاء الاصطناعي يستفيد من عدة مزايا في هذه الفئات:
- تقدير حجم الحصة من الإشارات البصرية. يستخدم الذكاء الاصطناعي الطبق، الوعاء، والأدوات ككائنات مرجعية لتقدير حجم الطعام، مما يلتقط الحصة الفعلية المقدمة بدلاً من "الحصة القياسية" المفترضة.
- الكشف عن الصلصات والتغطيات. تم تدريب النموذج على التعرف على الصلصات المرئية، والزجاجات، والجبن المذاب، وغيرها من التغطيات الغنية بالسعرات التي قد تفوتها البحث في قاعدة البيانات.
- معايرة خاصة بالمأكولات. تتضمن بيانات تدريب Nutrola عشرات الآلاف من الصور الموصوفة من المطاعم والمأكولات العالمية، مما يسمح للنموذج بتعلم الأنماط الخاصة بالمأكولات (مثل أن وعاء من الرامين يحتوي عادةً على دهون أكثر مما يوحي به مظهر مرقته).
ومع ذلك، لم يكن الذكاء الاصطناعي مثاليًا. جاءت أضعف لحظاته مع الدهون المخفية — الزيت الذي يتم امتصاصه في الأطعمة المقلية، والزبدة المذابة في الصلصات، والكريمة المقلوبة في الحساء. هذه السعرات موجودة جسديًا ولكن لا يمكن اكتشافها بصريًا، وتمثل سقفًا صعبًا لما يمكن أن تحققه أي نظام يعتمد على الكاميرا دون إدخال إضافي من المستخدم.
4. الجناة الخفيون للسعرات الحرارية
عبر جميع الوجبات الخمسين، كانت أكبر مصدر للخطأ في التقدير — لكل طريقة، بما في ذلك الذكاء الاصطناعي — هي الدهون المضافة للطهي. كان الزيت، الزبدة، السمن، الكريمة، وغيرها من الدهون المستخدمة أثناء التحضير تمثل الجزء الأكبر من الانحرافات الكبيرة.
خذ على سبيل المثال سلطة سيزر المنزلية. قياس مختبرنا كان 486 كيلو كالوري. بينما جاء تقدير USDA عند 347 كيلو كالوري — أي تقليل بنسبة 28.6%. كانت الفجوة تقريبًا بالكامل تعود إلى الصلصة: صلصة سيزر محضرة من الصفر تحتوي على زيت الزيتون، صفار البيض، جبن بارميزان، ومعجون أنشوجة. استخدمت تقديرات USDA كمية "قياسية" من الصلصة، لكن الكمية الفعلية كانت أكثر سخاءً بكثير.
وبالمثل، جاء دجاج بالزبدة عند 943 كيلو كالوري في المختبر مقابل 716 كيلو كالوري من USDA — بفارق 24.1% ناتج عن كمية الزبدة والكريمة في وصفة المطعم، التي تجاوزت بكثير الكميات المفترضة في إدخالات قاعدة البيانات القياسية.
تتوافق هذه النتائج مع مبدأ معروف في علم التغذية: الدهون هي المغذيات الأكثر كثافة في السعرات (9 كيلو كالوري/جرام مقابل 4 كيلو كالوري/جرام للبروتين والكربوهيدرات) والأصعب تقديرًا بدقة. تؤدي الأخطاء الصغيرة في تقدير الدهون إلى أخطاء كبيرة في السعرات. تضيف ملعقة طعام واحدة من الزيت التي تفوتها أي طريقة تقدير حوالي 119 سعرًا حراريًا غير محسوب.
ماذا يعني هذا للمتتبعين اليوميين
إذا كنت تتتبع السعرات لإدارة وزنك، فإن هذه النتائج لها عدة تداعيات عملية:
لا تفترض أن الملصق هو الإنجيل. تعتبر ملصقات التغذية نقاط انطلاق مفيدة، لكنها قد تقلل من محتوى السعرات الفعلي بنسبة 10-20% أو أكثر، خاصة بالنسبة للوجبات المعبأة والأعداد المنشورة من المطاعم. إذا توقفت خسارة وزنك وأنت تأكل "بالضبط" ما تقوله الملصقات، فقد يكون هذا الفائض الخفي هو التفسير.
تعتبر عمليات البحث في USDA الأكثر موثوقية للأطعمة البسيطة المعدة في المنزل. إذا كنت تطبخ في المنزل، وتزن مكوناتك، وتستخدم بشكل أساسي الأطعمة الكاملة، يمكن أن تكون طريقة تتبع تعتمد على USDA دقيقة للغاية. كلما زادت تعقيد وجباتك وتأثرك بالمطاعم، قلّت موثوقية هذه الطريقة.
يوفر تتبع الصور بالذكاء الاصطناعي أفضل توازن لتناول الطعام في العالم الحقيقي. بالنسبة للأشخاص الذين يتناولون مزيجًا من الوجبات المطبوخة في المنزل، والمطاعم، والمعبأة — وهو ما يصف معظم البالغين — يوفر نظام يعتمد على الذكاء الاصطناعي مثل Nutrola الدقة الأكثر اتساقًا عبر الفئات. لن يتفوق على تتبع دقيق باستخدام USDA لصدر دجاج بسيط، لكنه سيتفوق بشكل كبير على تلك الطريقة للباد تاي الذي طلبته ليلة الجمعة.
كن دائمًا مشكوكًا في الوجبات الغنية بالدهون. بغض النظر عن طريقة تتبعك، فإن الأطباق التي تتضمن القلي، والصلصات الثقيلة، والكريمة، والزبدة، أو الجبن هي الأكثر احتمالًا أن يتم التقليل من تقديرها. عند الشك، أضف حافة صغيرة (50-100 كيلو كالوري) للوجبات التي تبدو أو طعمها غني. في Nutrola، يمكنك أيضًا ضبط تقدير الذكاء الاصطناعي بعد المراجعة، ويتعلم النظام من تصحيحاتك بمرور الوقت.
الاتساق أهم من الكمال. أظهرت بياناتنا أن أفضل ميزة لنوترولا لم تكن في الدقة المتوسطة ولكن في الاتساق — أقل انحراف معياري وأعلى نسبة من التقديرات ضمن 10% من القيم المختبرية. بالنسبة للتتبع على المدى الطويل، فإن نظامًا يخطئ بشكل موثوق بنسبة 5-7% هو أكثر فائدة بكثير من نظام يكون أحيانًا مثاليًا وأحيانًا يخطئ بنسبة 25%. يمكن حساب التحيز المتسق؛ لكن الخطأ المتقلب لا يمكن.
القيود
نريد أن نكون شفافين بشأن قيود هذه الدراسة:
- حجم العينة. خمسون وجبة كافية لتحديد الأنماط ولكنها ليست كبيرة بما يكفي لاستنتاجات إحصائية حاسمة في كل فئة فرعية. احتوت كل فئة على 10 وجبات فقط. ستزيد الدراسات الأكبر من الثقة في النتائج على مستوى الفئة.
- منطقة جغرافية واحدة. تم الحصول على جميع الوجبات في أيرلندا. تختلف أحجام الحصص في المطاعم، وممارسات الطهي، ومصادر المكونات حسب البلد وحتى المدينة. قد تختلف النتائج في مناطق أخرى.
- نظام ذكاء اصطناعي واحد تم اختباره. اختبرنا فقط ذكاء Nutrola الاصطناعي. قد تؤدي أنظمة تتبع السعرات الحرارية المعتمدة على الذكاء الاصطناعي الأخرى أداءً مختلفًا. نشجع المنتجات المنافسة على إجراء ونشر تحليلات مماثلة.
- ظروف الصور. تم التقاط جميع الصور بواسطة أعضاء الفريق الذين يعرفون ممارسات تصوير الطعام الجيدة. قد يواجه المستخدم العادي الذي يلتقط صورة مستعجلة في إضاءة سيئة دقة أقل قليلاً في الذكاء الاصطناعي.
- تقنية الاحتراق تقيس الطاقة الإجمالية. بينما تم تطبيق تصحيحات للطاقة القابلة للاستخدام، تعني الاختلافات الفردية في الهضم والامتصاص أن السعرات "الحقيقية" التي يستخرجها أي شخص معين من الطعام قد تختلف عن القيمة المختبرية بنسبة عدة في المئة.
الخلاصة
رقم السعرات على طبقك هو دائمًا تقدير — لكن ليست كل التقديرات متساوية.
تعتبر ملصقات التغذية، على الرغم من مظهرها الرسمي، أقل مصدر دقة اختبرناه، مع ميل منهجي لتقليل السعرات. بيانات USDA ممتازة للأطعمة البسيطة، الخام، والمعدة في المنزل، لكنها تكافح مع الواقع الفوضوي للطهي في المطاعم والمأكولات العالمية. يوفر تتبع الصور المعتمد على الذكاء الاصطناعي، كما هو مطبق في Nutrola، الأداء الأكثر اتساقًا عبر الطيف الكامل من الأطعمة التي يأكلها الناس فعليًا، مع دقة عامة قدرها 7.4% انحراف مطلق متوسط عن القيم المختبرية.
لا توجد طريقة تتبع مثالية. الأطعمة التي تخدع الذكاء الاصطناعي تخدع أيضًا قواعد البيانات والملصقات — الأطباق الغنية بالصلصات، والزيوت، والمتعددة المكونات تظل الأكثر صعوبة في التقدير لأي نظام. لكن بالنسبة للمتتبع اليومي الذي يريد وسيلة موثوقة وقليلة الجهد لفهم ما يأكله، تشير البيانات إلى أن الذكاء الاصطناعي المدرب جيدًا الذي ينظر إلى طبقك الفعلي يقترب من الحقيقة أكثر من ملصق مطبوع في مصنع أو إدخال قاعدة بيانات مكتوب لوصفة مثالية.
تم بناء Nutrola على مبدأ أن الدقة لا ينبغي أن تتطلب جهدًا. تلتقط صورة، ويقوم الذكاء الاصطناعي بالعمل. كانت هذه الدراسة طريقتنا لمحاسبة أنفسنا على هذا الوعد — ومشاركة النتائج، بما في ذلك نقاط ضعفنا، مع الأشخاص الذين يثقون بنا في بياناتهم الغذائية.
إذا كنت ترغب في تجربة Nutrola بنفسك، تبدأ الخطط من 2.50 يورو شهريًا، بدون إعلانات في كل مستوى. نفضل كسب ثقتك من خلال بيانات دقيقة بدلاً من بيع انتباهك للمعلنين.
البيانات الخام من هذه الدراسة متاحة عند الطلب للباحثين، والصحفيين، وأخصائيي التغذية الذين يرغبون في إجراء تحليلاتهم الخاصة. اتصل بنا على research@nutrola.com.
مستعد لتحويل تتبع تغذيتك؟
انضم إلى الآلاف الذين حولوا رحلتهم الصحية مع Nutrola!
