ماذا يحدث عندما تخطئ تقنية مسح الطعام بالذكاء الاصطناعي

تلتقط صورة لغداءك، ويعود إليك الذكاء الاصطناعي برقم السعرات الحرارية، وتتابع يومك. لكن ماذا لو كان هذا الرقم خاطئًا بمقدار 200 سعرة حرارية؟ لن تعرف. لا يوجد إنذار، لا تحذير، ولا مؤشر بصري. الرقم الخاطئ يبقى ببساطة في سجلك اليومي، يبدو تمامًا كأنه رقم صحيح. وهذا يحدث أكثر مما يعتقد معظم الناس.

أظهرت دراسة في عام 2023 نُشرت في مجلة أكاديمية التغذية والحمية أن أنظمة التعرف على الطعام بالذكاء الاصطناعي التجارية أظهرت أخطاء متوسطة تتراوح بين 25-40% للوجبات المختلطة. وليس ذلك بشكل عرضي — بل في المتوسط. بالنسبة للأطعمة البسيطة ذات العنصر الواحد، انخفضت الأخطاء إلى 5-15%. لكن معظم الوجبات في العالم الحقيقي ليست مجرد موزة واحدة على طبق أبيض.

السؤال المهم ليس ما إذا كانت تقنية مسح الطعام بالذكاء الاصطناعي ترتكب أخطاء. إنها تفعل. السؤال هو: ماذا يحدث بعد ذلك؟ والإجابة تعتمد تمامًا على التطبيق الذي تستخدمه.

أكثر 7 أخطاء شائعة في مسح الطعام بالذكاء الاصطناعي

قبل أن نستعرض كيف يتعامل كل تطبيق مع الأخطاء، إليك السيناريوهات الفعلية التي تولد أكبر الفجوات في السعرات الحرارية.

1. تبديل الحبوب: الكينوا تُحدد ككسكس

تبدو الكينوا والكسكس متشابهتين تقريبًا في الصور — صغيرة، باهتة، حبيبية. لكن الكينوا المطبوخة تحتوي على حوالي 120 سعرة حرارية لكل 100 جرام مع 4.4 جرام من البروتين، بينما الكسكس المطبوخ يحتوي على حوالي 176 سعرة حرارية لكل 100 جرام مع 6 جرام من البروتين. هذا فرق قدره 56 سعرة حرارية لكل 100 جرام، والحصة النموذجية تتراوح بين 150-200 جرام.

أثر السعرات: 84-112 سعرة حرارية لكل حصة تم تسجيلها بشكل خاطئ.

هذه فئة من الأخطاء التي تكافح أنظمة الذكاء الاصطناعي معها باستمرار: الأطعمة المتشابهة بصريًا مع ملفات غذائية مختلفة بشكل ملحوظ. تشمل أمثلة أخرى الأرز الأبيض مقابل أرز القرنبيط (فرق 100 سعرة حرارية لكل حصة)، المعكرونة العادية مقابل معكرونة البروتين، والزبادي اليوناني مقابل الزبادي العادي.

2. مشكلة الزيت غير المرئي

يمكن اعتبار هذا أكبر خطأ منهجي في مسح الطعام بالذكاء الاصطناعي. عندما تلتقط صورة لطبق مقلي، سلطة، أو خضروات مشوية، يرى الذكاء الاصطناعي العناصر الغذائية ولكنه لا يستطيع رؤية الزيت المستخدم في الطهي. ملعقتان كبيرتان من زيت الزيتون تضيفان 239 سعرة حرارية و27 جرامًا من الدهون — وهي غير مرئية تمامًا في الصورة.

أثر السعرات: 100-300+ سعرة حرارية لكل وجبة، حسب طريقة الطهي.

وجد تحليل نُشر في عام 2022 في المجلة الأوروبية للتغذية السريرية أن الزيوت المستخدمة في الطهي والدهون المضافة كانت المصدر الأكبر للسعرات الحرارية غير المسجلة في تسجيل الطعام القائم على الصور، مما ساهم في تقدير يومي ناقص بمعدل 250-400 سعرة حرارية بين المشاركين في الدراسة الذين يستخدمون تتبع الصور بالذكاء الاصطناعي.

3. مشكلة الطبقة المخفية

تلتقط صورة لوعاء سموذي. يرى الذكاء الاصطناعي الطبقات العلوية — الجرانولا، الموز المقطع، التوت. يقوم بالتقدير بناءً على ما هو مرئي. لكن في قاع هذا الوعاء يوجد ملعقتان كبيرتان من زبدة اللوز (190 سعرة حرارية) وملعقة من مسحوق البروتين (120 سعرة حرارية) مخفيتان تمامًا.

أثر السعرات: 190-310 سعرة حرارية من المكونات غير المرئية.

ينطبق هذا على أي وجبة تحتوي على طبقات مخفية: السندويشات (لا يستطيع الذكاء الاصطناعي رؤية كمية المايونيز داخلها)، البوريتو (كمية الأرز، الفاصوليا، والكريمة الحامضة غير مرئية)، البيتزا (كمية الجبنة تحت الطبقات)، والحلويات متعددة الطبقات.

4. خطأ تقدير الصلصة والخل

تظهر صورة لسلطة دجاج مشوية من الأعلى الخس، الطماطم، الخيار، الدجاج المشوي، وبعض اللمعان. قد يكون هذا اللمعان صلصة خفيفة (30 سعرة حرارية) أو كمية كبيرة من صلصة الرانش (290 سعرة حرارية). يجب على الذكاء الاصطناعي أن يخمن.

أثر السعرات: 50-260 سعرة حرارية حسب نوع وكمية الصلصة.

5. فشل تقدير حجم الحصة

عادة ما يستخدم الذكاء الاصطناعي في تقدير الحصص واحدة من ثلاث طرق: المقارنة مع حجم الطبق (افتراض أبعاد الطبق القياسية)، أو المعرفة السابقة حول الحصص المتوسطة، أو (في حالة SnapCalorie) المسح ثلاثي الأبعاد باستخدام تقنية LiDAR على الأجهزة المدعومة. جميع هذه الطرق لديها هوامش خطأ كبيرة.

يمكن أن تبدو حصة 200 جرام من المعكرونة وحصة 350 جرام من المعكرونة متشابهتين بشكل ملحوظ في صورة من الأعلى. الفرق هو حوالي 195 سعرة حرارية.

أثر السعرات: 50-250+ سعرة حرارية حسب كثافة السعرات الغذائية وخطأ الحصة.

6. نقطة العمى لطريقة التحضير

يمكن أن يتم شوي فخذ الدجاج (209 سعرة حرارية لكل 100 جرام)، أو قليه في الزيت (245 سعرة حرارية لكل 100 جرام)، أو قليه مع تغليف (260 سعرة حرارية لكل 100 جرام). الفرق البصري في الصورة طفيف — أنماط تحمير مختلفة قليلاً وملمس السطح. الفرق في السعرات كبير.

أثر السعرات: 50-150 سعرة حرارية لكل حصة بروتين.

7. مشكلة تقدير المشروبات

تلتقط صورة لكوب من عصير البرتقال، سموذي، أو لاتيه، مما يعطي الذكاء الاصطناعي القليل من المعلومات للعمل بها. لون المشروب هو الدليل البصري الأساسي. كوب لاتيه سعة 16 أونصة مع حليب كامل الدسم (190 سعرة حرارية)، كوب لاتيه سعة 16 أونصة مع حليب الشوفان (220 سعرة حرارية)، وكوب لاتيه سعة 16 أونصة مع حليب خالي الدسم (100 سعرة حرارية) تبدو متشابهة تقريبًا.

أثر السعرات: 50-120 سعرة حرارية لكل مشروب، ومعظم الناس يتناولون 2-4 مشروبات في اليوم.

ماذا تفعل كل تطبيق عندما يكون الذكاء الاصطناعي خاطئًا

هنا تصبح الفروق المعمارية بين متتبعي الذكاء الاصطناعي ذات أهمية عملية. كل سيناريو فشل يتطور بشكل مختلف حسب تصميم التطبيق.

Cal AI: الخطأ يبقى

يستخدم Cal AI بنية تعتمد على الذكاء الاصطناعي فقط. عندما تلتقط صورة لوجبة، يقوم الذكاء الاصطناعي بإنشاء تقدير ويعرضه. إذا كان هذا التقدير خاطئًا، فلا يوجد لدى التطبيق آلية لاكتشاف الخطأ. لا يوجد قاعدة بيانات للمقارنة، ولا خطوة تحقق، ولا مطالبة بتأكيد المستخدم لتحديد الطعام.

يمكنك تعديل الإدخال يدويًا عن طريق كتابة قيم مختلفة، لكن هذا يتطلب منك أن تعرف القيم الصحيحة مسبقًا — مما يتعارض مع الغرض من استخدام مسح الذكاء الاصطناعي في المقام الأول. في الواقع، يقبل معظم المستخدمين مخرجات الذكاء الاصطناعي ويتابعون.

بالنسبة لخطأ الكينوا ككسكس: يسجل Cal AI سعرات الكسكس. ترى رقمًا يبدو معقولًا. يستمر الخطأ.

بالنسبة لخطأ الزيت غير المرئي: لا يأخذ Cal AI في اعتباره الزيوت الطهي التي لا يستطيع رؤيتها. ببساطة، لا توجد 239 سعرة حرارية من ملعقتين كبيرتين من زيت الزيتون في سجلك.

SnapCalorie: الخطأ يبقى (مع حصص أفضل)

الميزة المميزة لـ SnapCalorie هي تقدير الحصص ثلاثي الأبعاد باستخدام مستشعرات LiDAR على أجهزة iPhone المتوافقة. هذا يحسن فعلاً دقة الحصص — يمكنه تقدير الحجم بشكل أكثر موثوقية من تحليل الصور ثنائية الأبعاد. ومع ذلك، فإنه يشارك نفس القيد الأساسي مثل Cal AI: تأتي بيانات التغذية من نموذج الذكاء الاصطناعي، وليس من قاعدة بيانات موثوقة.

إذا أخطأ الذكاء الاصطناعي في تحديد الطعام، فإن المسح ثلاثي الأبعاد لا يساعد. تحصل على تقدير أكثر دقة لحصة الطعام الخاطئ.

بالنسبة لخطأ الكينوا ككسكس: قد يقدر SnapCalorie حجم الحصة بدقة أكبر لكنه لا يزال يسجل بيانات التغذية للكسكس. الإجابة الخاطئة المقاسة بدقة لا تزال خاطئة.

بالنسبة لمشكلة الطبقة المخفية: يلتقط المسح ثلاثي الأبعاد الهندسة السطحية لكنه لا يستطيع رؤية ما تحت الطبقات. تبقى زبدة اللوز تحت الجرانولا غير مرئية.

Foodvisor: مسار تصحيح بطيء

يقدم Foodvisor نهجًا هجينًا. يستخدم الذكاء الاصطناعي للتحديد الأولي لكنه يعتمد على قاعدة بيانات جزئية. كما يوفر الوصول إلى أخصائيين تغذية يمكنهم مراجعة سجلاتك — لكن هذا ليس فوريًا. عادة ما تستغرق ملاحظات أخصائي التغذية ساعات إلى أيام، مما يعني أن إجمالي السعرات الحرارية اليومية غير دقيق في الوقت الحقيقي ويتم تصحيحه فقط بأثر رجعي إذا استخدمت ميزة أخصائي التغذية.

بالنسبة لخطأ تقدير الصلصة: يواجه الذكاء الاصطناعي في Foodvisor نفس القيود البصرية مثل جميع الأنظمة المعتمدة على الصور. قد تكتشف ميزة مراجعة أخصائي التغذية الخطأ في النهاية، لكن ليس قبل أن تتخذ قرارات غذائية لبقية اليوم بناءً على أرقام غير دقيقة.

Nutrola: قاعدة البيانات تكتشف الخطأ

تدخل بنية Nutrola قاعدة بيانات موثوقة بين اقتراح الذكاء الاصطناعي والإدخال النهائي المسجل. عندما تلتقط صورة لوجبة، يقوم الذكاء الاصطناعي بتحديد العناصر الغذائية ويقترح تطابقات من أكثر من 1.8 مليون إدخال موثوق. ترى اقتراحات الذكاء الاصطناعي جنبًا إلى جنب مع خيارات بديلة من قاعدة البيانات.

بالنسبة لخطأ الكينوا ككسكس: قد يقترح الذكاء الاصطناعي في البداية الكسكس، لكن قاعدة البيانات تقدم كل من الكسكس والكينوا كخيارات مع ملفاتها الغذائية الموثوقة. تتعرف على الكينوا الخاصة بك وتختار الإدخال الصحيح. تأتي البيانات المسجلة من مصدر موثوق.

بالنسبة لخطأ الزيت غير المرئي: بعد التقاط صورة لطبق مقلي، يمكنك إضافة "زيت الزيتون، ملعقتان كبيرتان" عبر التسجيل الصوتي أو البحث في قاعدة البيانات. يأتي الإدخال من بيانات موثوقة — 239 سعرة حرارية، 27 جرام دهون. تصميم Nutrola متعدد المدخلات (صورة بالإضافة إلى صوت بالإضافة إلى رمز شريطي بالإضافة إلى بحث يدوي) يعني أنه دائمًا ما يوجد طريقة احتياطية لما لا يمكن أن تراه الكاميرا.

بالنسبة لمشكلة الطبقة المخفية: يقوم الذكاء الاصطناعي بتحديد الطبقات العلوية المرئية لوعاء السموذي. تقوم بتسجيل صوتي "أضف ملعقتين كبيرتين من زبدة اللوز وملعقة من بروتين مصل اللبن" — كلاهما يستمد من إدخالات قاعدة البيانات الموثوقة مع ملفات غذائية كاملة.

جدول مقارنة الفشل

سيناريو الخطأ	Cal AI	SnapCalorie	Foodvisor	Nutrola
تبديل الأطعمة المتشابهة بصريًا	بيانات خاطئة مسجلة بصمت	بيانات خاطئة مسجلة بصمت	قد تكتشف مع مراجعة أخصائي التغذية (متأخرة)	قاعدة البيانات تظهر البدائل، المستخدم يختار المطابقة الصحيحة
الزيت الطهي غير المرئي	غير مكتشف، 100-300 سعرة مفقودة	غير مكتشف، 100-300 سعرة مفقودة	غير مكتشف بدون إدخال أخصائي التغذية	تسجيل صوتي أو بحث يضيف إدخال موثق للزيت
الطبقات المخفية من المكونات	غير مكتشف	المسح ثلاثي الأبعاد يلتقط السطح فقط	غير مكتشف بدون إدخال أخصائي التغذية	مكونات إضافية تضاف عبر الصوت/البحث
تقدير كمية الصلصة/الخل	الذكاء الاصطناعي يخمن النوع والكمية	الذكاء الاصطناعي يخمن النوع والكمية	الذكاء الاصطناعي يخمن، قد يصحح أخصائي التغذية لاحقًا	إدخال قاعدة بيانات مختار لنوع الصلصة المحدد
خطأ حجم الحصة	تقدير ثنائي الأبعاد فقط	LiDAR ثلاثي الأبعاد يساعد (إذا كان متاحًا)	تقدير ثنائي الأبعاد	أحجام قياسية من قاعدة البيانات بالإضافة إلى تعديل المستخدم
طريقة التحضير غير معروفة	الذكاء الاصطناعي يخمن طريقة الطهي	الذكاء الاصطناعي يخمن طريقة الطهي	الذكاء الاصطناعي يخمن طريقة الطهي	المستخدم يختار التحضير المحدد من قاعدة البيانات (مشوي مقابل مقلي)
تقدير المشروبات	تخمين قائم على اللون	تخمين قائم على اللون	تخمين قائم على اللون	تسجيل صوتي لمشروب محدد، قاعدة البيانات توفر بيانات موثوقة

كيف تتراكم الأخطاء الصغيرة إلى مشاكل كبيرة

قد تبدو الأخطاء الفردية المذكورة أعلاه قابلة للإدارة. 100 سعرة حرارية هنا، 80 سعرة حرارية هناك. لكن التأثير التراكمي على مدار يوم كامل من الأكل هو ما يجعل هذه مشكلة جدية في التتبع.

يوم واقعي من أخطاء مسح الذكاء الاصطناعي

اعتبر يومًا نموذجيًا تم تتبعه باستخدام ماسح يعتمد على الذكاء الاصطناعي فقط.

الوجبة	تقدير الذكاء الاصطناعي	السعرات الفعلية	الخطأ	مصدر الخطأ
الإفطار: شوفان مبيت مع عسل ولوز	310 سعرة	420 سعرة	-110 سعرة	تقدير كميات العسل واللوز أقل من المطلوب
قهوة الصباح: لاتيه بحليب الشوفان	90 سعرة	220 سعرة	-130 سعرة	نوع الحليب والحجم خاطئ
الغداء: دجاج مقلي مع أرز	480 سعرة	680 سعرة	-200 سعرة	الزيت المستخدم في الطهي غير مكتشف، تقدير الحصة أقل من المطلوب
وجبة خفيفة بعد الظهر: بار بروتين (تم تصويره)	180 سعرة	210 سعرة	-30 سعرة	نوع البار تم تحديده بشكل خاطئ قليلاً
العشاء: معكرونة مع صلصة اللحم وجبنة بارميزان	550 سعرة	740 سعرة	-190 سعرة	الزيت في الصلصة، كمية الجبنة، حجم الحصة
الإجمالي اليومي	1,610 سعرة	2,270 سعرة	-660 سعرة

يعتقد هذا المستخدم أنه تناول 1,610 سعرة حرارية. في الواقع، تناول 2,270. إذا كانت هدفهم اليومي هو 1,800 سعرة حرارية، فإنهم يعتقدون أنهم أقل من هدفهم بـ 190 سعرة. لكنهم في الواقع يتجاوزون هذا الهدف بـ 470 سعرة. على مدار أسبوع، يكون هذا فرقًا قدره 3,290 سعرة حرارية مما يعتقدون أنه يحدث — تقريبًا رطل واحد من الوزن الذي كان يجب أن يفقدوه لكنه لن يفقد.

تظهر هنا بوضوح التحيز المنهجي في التقدير الناقص الذي تم تحديده في الأبحاث. يستمر الذكاء الاصطناعي في التقليل من تقدير المكونات الغنية بالسعرات الحرارية (الزيوت، المكسرات، الجبنة، الصلصات) لأن هذه هي العناصر الأكثر صعوبة في التقييم بصريًا.

أهمية سير العمل في التصحيح

حتى عندما يشك المستخدم في وجود خطأ، يختلف سير العمل في التصحيح بشكل كبير بين التطبيقات.

التصحيح في تطبيق يعتمد على الذكاء الاصطناعي فقط

1. يشك المستخدم في أن الرقم يبدو خاطئًا
2. يقوم المستخدم بحذف الإدخال الذي قدمه الذكاء الاصطناعي
3. يقوم المستخدم بكتابة وصف للطعام وتقدير السعرات يدويًا
4. الإدخال الجديد هو تخمين المستخدم — لا يزال غير موثق
5. يتم استبدال تقدير غير موثق بآخر

التصحيح في Nutrola

1. يشك المستخدم في أن الرقم يبدو خاطئًا
2. ينقر المستخدم على الإدخال ويرى البدائل من قاعدة البيانات
3. يختار المستخدم الطعام الصحيح من الإدخالات الموثوقة
4. أو يصف المستخدم الصوتي الطعام الصحيح ويختار من نتائج قاعدة البيانات
5. أو يقوم المستخدم بمسح رمز شريطي لمكون معبأ للحصول على بيانات دقيقة من الشركة المصنعة
6. يأتي الإدخال المصحح من مصدر موثوق مع أكثر من 100 حقل غذائي

الفرق ليس فقط في السرعة. بل إن التصحيح نفسه موثق. في تطبيق يعتمد على الذكاء الاصطناعي فقط، تصحيح تخمين خاطئ من الذكاء الاصطناعي بتقدير يدوي يعني استبدال رقم غير موثق بآخر. في تطبيق مدعوم بقاعدة بيانات، يتم سحب التصحيح من نفس مصدر البيانات الموثوقة التي يستخدمها أخصائيو التغذية وباحثو التغذية.

أي الأخطاء مقبولة؟

ليست جميع أخطاء تتبع السعرات الحرارية متساوية في الأهمية. تعتمد الخطورة على أهداف المستخدم.

للتوعية العامة: الأخطاء بنسبة 10-20% لكل وجبة مقبولة. يعد التتبع المعتمد على الذكاء الاصطناعي جيدًا. لا تزال تحصل على صورة مفيدة عن أنماط تناولك حتى لو كانت الأرقام الفردية تقريبية.

لإدارة الوزن المعتدلة: يجب أن تبقى الأخطاء تحت 10% يوميًا. يتطلب ذلك اكتشاف أوضاع الفشل الرئيسية (الزيوت الطهي، المكونات المخفية) حتى لو كانت العناصر الفردية تحتوي على أخطاء صغيرة. تصبح قاعدة البيانات الاحتياطية ذات قيمة.

لأهداف العجز أو الفائض الدقيقة: يجب أن تكون الدقة اليومية ضمن 5%. يعني هذا بيانات موثوقة لأكبر عدد ممكن من العناصر، مع استخدام الذكاء الاصطناعي للراحة بدلاً من أن يكون المصدر الوحيد للبيانات. تعتبر قاعدة البيانات الموثوقة ضرورية بشكل أساسي.

للعلاج الغذائي الطبي: تتطلب متطلبات الدقة أعلى مستوى. تتطلب تتبع المغذيات المحددة (الصوديوم، البوتاسيوم، الفوسفور، الأحماض الأمينية المحددة) بيانات موثوقة شاملة لا يمكن أن يوفرها تقدير الذكاء الاصطناعي. يمكن أن تلبي فقط المتتبعات المدعومة بقاعدة بيانات ذات ملفات غذائية شاملة هذه الحاجة.

ما الذي تفعله تقنية مسح الطعام بالذكاء الاصطناعي بشكل جيد

على الرغم من أوضاع الفشل الموضحة أعلاه، فإن مسح الطعام بالذكاء الاصطناعي يوفر قيمة حقيقية لا ينبغي تجاهلها.

إنه سريع. يستغرق التقاط صورة لوجبة من 2-3 ثوانٍ. يمكن أن يستغرق البحث يدويًا في قاعدة بيانات لكل مكون من وجبة معقدة من 1-3 دقائق. بالنسبة للأشخاص المشغولين، فإن فرق السرعة هذا يحدد ما إذا كانوا سيتتبعون على الإطلاق.

إنه يلتقط الوجبات التي يصعب تسجيلها يدويًا. إن طبق مطعم معقد يحتوي على سبعة مكونات يعد مرهقًا لتفكيكه إلى عمليات بحث فردية في قاعدة البيانات. يوفر مسح الذكاء الاصطناعي نقطة انطلاق معقولة يمكن تحسينها.

إنه يقلل من الحواجز أمام التتبع. إن أكبر مؤشر على نجاح تتبع السعرات الحرارية هو الاتساق. إذا جعل مسح الذكاء الاصطناعي شخصًا يتتبع 95% من وجباته بدلاً من 60%، فقد تكون تكلفة الدقة البالغة 5-10% تستحق العناء من أجل تحسين تغطية البيانات.

النظام الأمثل ليس الذكاء الاصطناعي وحده أو قاعدة البيانات وحدها. إنه الذكاء الاصطناعي للسرعة والراحة، مدعومًا بقاعدة بيانات موثوقة للدقة والتصحيح. هذه هي بالضبط البنية التي تنفذها Nutrola — التعرف على الصور والصوت بالذكاء الاصطناعي للتسجيل السريع الأولي، مع أكثر من 1.8 مليون إدخال موثوق توفر البيانات الغذائية الفعلية، ومسح الرموز الشريطية للأطعمة المعبأة، والقدرة على تحسين أي إدخال ضد المصادر الموثوقة.

كيف تحمي نفسك من أخطاء مسح الذكاء الاصطناعي

بغض النظر عن التطبيق الذي تستخدمه، فإن هذه الممارسات تقلل من تأثير أخطاء مسح الطعام بالذكاء الاصطناعي.

سجل الدهون المستخدمة في الطهي بشكل منفصل. دائمًا أضف الزيوت المستخدمة في الطهي، الزبدة، أو الرذاذ كإدخالات منفصلة. لا يمكن لأي ذكاء اصطناعي رؤيتها في صورة، وهي المصدر الأكبر للسعرات الحرارية غير المسجلة.

استخدم مسح الرموز الشريطية للأطعمة المعبأة. عندما يكون رمز شريطي متاحًا، فإنه دائمًا أكثر دقة من مسح الصور. تأتي بيانات التغذية مباشرة من ملصق المنتج.

تحقق من التقديرات غير المعتادة. إذا بدا تقدير الذكاء الاصطناعي منخفضًا أو مرتفعًا بشكل غير عادي، فإن هذا الحدس يستحق التحقيق. قد تحتوي وجبة "تشعر" بأنها 600 سعرة حرارية ولكنها تُسجل عند 350 على مكونات غير مرئية فاتتها الذكاء الاصطناعي.

استخدم التسجيل الصوتي للوجبات المعقدة. وصف "شريحة سمك السلمون المشوي بحجم 6 أونصات مع كوبين من البروكلي المحمص وملعقة كبيرة من زيت الزيتون" يوفر لنظام مدعوم بقاعدة بيانات معلومات أكثر بكثير مما يمكن أن توفره صورة.

اختر متتبعًا مع طبقة تحقق. أبسط حماية ضد أخطاء الذكاء الاصطناعي هي استخدام تطبيق حيث يقترح الذكاء الاصطناعي وتتحقق قاعدة بيانات موثوقة. توجد بنية Nutrola — إدخال الذكاء الاصطناعي بالإضافة إلى أكثر من 1.8 مليون إدخال موثوق مقابل 2.50 يورو شهريًا بعد فترة تجريبية مجانية — بالضبط لأن الذكاء الاصطناعي وحده ليس موثوقًا بما يكفي لتتبع التغذية الجاد. قاعدة البيانات ليست ميزة إضافية. إنها الأساس الذي يجعل الذكاء الاصطناعي مفيدًا بدلاً من كونه سريعًا فقط.

عندما تخطئ تقنية مسح الطعام بالذكاء الاصطناعي — وهذا سيحدث، بانتظام — الشيء الوحيد المهم هو ما إذا كان متتبعك لديه نظام لاكتشاف ذلك. هذا النظام هو قاعدة بيانات موثوقة. بدونها، تقوم ببناء استراتيجيتك الغذائية على تخمينات تبدو كبيانات.