لماذا يعتبر Lose It! Snap It غير دقيق للغاية؟ مشكلة الذكاء الاصطناعي في الصور

تلتقط صورة لوعاء من الدجاج المقلي مع الخضار والأرز. يتردد Lose It! Snap It للحظة ثم يقترح "أرز مقلي". قريب، لكن ليس قريبًا بما يكفي. الفرق في السعرات الحرارية بين ما تناولته فعليًا وما سجله التطبيق قد يصل إلى 200 سعرة حرارية أو أكثر. تقوم بتصحيحه يدويًا، مما يستغرق وقتًا أطول مما لو كنت قد بحثت في البداية.

كانت ميزة Snap It واحدة من أولى الميزات المعتمدة على الصور في تطبيقات تتبع السعرات الحرارية الكبرى، ويستحق Lose It! الفضل في ريادة هذا المفهوم. عندما تم إطلاقها، كان فكرة تصوير طعامك لتسجيله تبدو مستقبلية. ولكن في عام 2026، تطور التعرف على الطعام بالذكاء الاصطناعي بشكل كبير، ولم يواكب Snap It هذا التطور.

إليك نظرة صادقة على أسباب صعوبة Snap It في تحقيق الدقة، وما هي القيود التقنية، وأي البدائل تقدم تسجيلًا موثوقًا للأطعمة المعتمدة على الصور.

كيف يعمل Lose It! Snap It؟

العملية الأساسية

يستخدم Snap It الذكاء الاصطناعي للتعرف على الصور لتحليل صورة طعامك. عندما تأخذ صورة، يقوم النظام بـ:

1. تحديد الفئة العامة للطعام في الصورة
2. اقتراح تطابقات من قاعدة البيانات
3. تقدير حجم الحصة (على الرغم من أن هذا غالبًا ما يكون افتراضيًا بدلاً من تقدير بصري)
4. عرض النتيجة لتأكيدها أو تصحيحها

تم تصميم هذه العملية لتكون أسرع من البحث اليدوي. من الناحية النظرية، تقوم بتصوير طبقك ويتم تسجيل وجبتك في ثوانٍ. لكن في الممارسة العملية، تختلف التجربة بشكل كبير اعتمادًا على ما تأكله.

أين يعمل Snap It بشكل معقول

لإنصافه، يتعامل Snap It مع بعض الأطعمة بشكل جيد:

• الأطعمة البسيطة ذات العنصر الواحد: مثل الموز، والتفاح، والخبز المحمص العادي. عندما يكون هناك عنصر غذائي واحد واضح بدون غموض، عادةً ما يحصل Snap It على التعرف بشكل صحيح.
• الأطعمة الأمريكية الشائعة: مثل البرغر، وشرائح البيتزا، والسندويشات. الأطعمة التي تم تمثيلها بشكل جيد في بيانات التدريب تميل إلى الأداء بشكل أفضل.
• الأطعمة المعبأة ذات العلامات التجارية الواضحة: إذا كانت العبوة مرئية في الصورة، يمكن أن يتطابق Snap It أحيانًا مع منتج معين.

في هذه الحالات، يفي Snap It بوعده بتسجيل أسرع. تظهر المشاكل عندما تصبح الوجبات أكثر تعقيدًا.

ما هي مشاكل الدقة مع Snap It؟

الأطباق المختلطة والوجبات متعددة المكونات

أكثر الشكاوى شيوعًا حول Snap It هي طريقة تعامله مع الوجبات التي تحتوي على مكونات متعددة. طبق العشاء الذي يحتوي على دجاج مشوي، وخضار مشوية، وكينوا ليس طعامًا واحدًا — بل هو ثلاثة أو أربعة عناصر متميزة ذات ملفات غذائية مختلفة. غالبًا ما يقوم Snap It بـ:

• التعرف فقط على العنصر الأكثر بروزًا في الطبق
• تجميع كل شيء معًا كطبق عام واحد
• التعرف بشكل خاطئ على المكونات (مثل تسمية البطاطا الحلوة المشوية "بطاطس مقلية"، على سبيل المثال)
• تجاهل العناصر الصغيرة مثل الصلصات أو التتبيلات أو الزينة تمامًا

هذا مهم لأن المكونات التي يتجاهلها Snap It أو يتعرف عليها بشكل خاطئ غالبًا ما تمثل سعرات حرارية كبيرة. ملعقة كبيرة من زيت الزيتون المستخدمة في الطهي تضيف 120 سعرة حرارية. جانب من الحمص يضيف 70. تتبيلة السلطة تضيف 100-200. عندما يتم تجاهل هذه العناصر أو حسابها ضمن تقدير عام للطبق، يمكن أن يكون المجموع المسجل خاطئًا بشكل كبير.

تقدير حجم الحصة

حتى عندما يتعرف Snap It بشكل صحيح على الطعام، يبقى تقدير الحصة نقطة ضعف كبيرة. عادةً ما يعتمد التطبيق على حجم حصة "متوسطة" أو "قياسية" بدلاً من محاولة تقدير الكمية الفعلية بصريًا في الصورة.

هذا يخلق خطأ منهجي. إذا كنت تتناول حصصًا أكبر من المتوسط، سيقوم Snap It دائمًا بتقليل العدد. وإذا كنت تتناول حصصًا أصغر، سيقوم بزيادة العدد. في كلتا الحالتين، تنحرف البيانات عن الواقع.

تقدير حجم الحصة بصريًا من الصور هو أمر صعب حقًا — حتى البشر يواجهون صعوبة في ذلك. لكن الأنظمة الأكثر تقدمًا تستخدم دلائل سياقية (مثل حجم الطبق، والأدوات كمقياس، وتقدير العمق) لتقديم تخمينات أكثر دقة. لا يبدو أن Snap It يستخدم هذه التقنيات بشكل واسع.

المأكولات غير الغربية والإقليمية

تم تدريب نظام التعرف على الطعام في Snap It على مجموعة بيانات تميل بشدة نحو الأطعمة الأمريكية الشائعة وأطعمة غرب أوروبا. إذا كانت نظامك الغذائي يتضمن:

• المأكولات الآسيوية (مثل الديم سم، وطبق بانشان الكوري، وعلب البنتو اليابانية)
• الأطباق الشرق أوسطية (مثل الشكشوكة، والفطوش، والمجدرة)
• الأطعمة جنوب آسيوية (مثل الدال، والبرياني، والدوسا)
• الأطباق الأفريقية (مثل الأرز الجولوف، والإينجيرا مع الووت، والبوبوتي)
• الأطعمة اللاتينية الأمريكية (مثل المولي، والبوبوسا، والأريبا)

من المحتمل أن تواجه المزيد من الأخطاء في التعرف أو نتائج "طعام غير معروف" العامة. هذه ليست مشكلة فريدة من نوعها لـ Lose It! — معظم أنظمة الذكاء الاصطناعي الغذائية تعاني من هذا التحيز — لكن النماذج الأحدث من الذكاء الاصطناعي قد وسعت بشكل كبير بيانات تدريبها للتعامل مع المأكولات العالمية بشكل أفضل.

فجوة التحقق

ربما تكون المشكلة الأكثر أهمية مع Snap It هي ما يحدث بعد التعرف. عندما يتعرف Snap It على طعامك، يقوم بربط التعرف بإدخال في قاعدة بيانات Lose It!. لكن قاعدة بيانات Lose It! مزيج من الإدخالات الموثوقة والمصادر الجماعية. هذا يعني أنه حتى التعرف الصحيح يمكن أن يرتبط بإدخال غير دقيق في قاعدة البيانات.

على سبيل المثال، قد يتعرف Snap It بشكل صحيح على "سلطة دجاج سيزر". لكن الإدخال في قاعدة البيانات الذي يتطابق معه قد يكون إدخالًا قدمه مستخدم يحتوي على بيانات سعرات حرارية غير دقيقة. قام الذكاء الاصطناعي بعمله — لكن قاعدة البيانات خذلته.

تقوم الأنظمة الأكثر تقدمًا بربط التعرف بالذكاء الاصطناعي مع قواعد بيانات موثوقة، بحيث يرتبط التعرف الصحيح دائمًا ببيانات غذائية دقيقة. هذه الطريقة التي تجمع بين الذكاء الاصطناعي والبيانات الموثوقة هي ما يميز تسجيل الصور الوظيفي عن تسجيل الصور الموثوق حقًا.

كيف يقارن Snap It مع أنظمة تتبع الطعام الأخرى بالذكاء الاصطناعي؟

مقارنة التعرف على الطعام بالذكاء الاصطناعي

الميزة	Lose It! Snap It	Nutrola AI	Cal AI	MyFitnessPal
التعرف على الصور	أساسي	متقدم	متقدم	لا يوجد ذكاء اصطناعي محلي
تسجيل الصوت	لا	نعم (15 لغة)	لا	لا
تحليل الأطباق متعددة العناصر	محدود	نعم	نعم	N/A
تقدير حجم الحصة	أحجام افتراضية	تقدير بصري	تقدير بصري	N/A
دعم قاعدة البيانات	مختلط (مصادر جماعية)	1.8M+ موثوقة	ملكية	مصادر جماعية
تغطية المأكولات	تركيز على الغرب	عالمي (15 لغة)	تركيز على الغرب	N/A
مسح الباركود	نعم	نعم	محدود	نعم
السرعة	5-10 ثوانٍ	أقل من 3 ثوانٍ	3-5 ثوانٍ	N/A
استيراد الوصفات	لا	نعم	لا	لا

تظهر المقارنة أن Snap It كان رائدًا في تسجيل الطعام المعتمد على الصور، لكن الأنظمة الأحدث من الذكاء الاصطناعي تفوقت عليه في الدقة والسرعة والتغطية.

ما الذي يجعل التعرف على الطعام بالذكاء الاصطناعي الحديث أكثر دقة؟

النهج ثلاثي الطبقات

تستخدم أنظمة تتبع الطعام الأكثر دقة في عام 2026 نهجًا ثلاثي الطبقات:

الطبقة 1: التعرف المتقدم على الصور. يمكن لنماذج الرؤية الحاسوبية الحديثة التعرف على المكونات الفردية في طبق مختلط، وتقدير أحجام الحصص باستخدام دلائل سياقية، والتعرف على الأطعمة عبر المأكولات العالمية. تم تدريب هذه النماذج على ملايين الصور الغذائية المعلّمة — وهي مجموعات بيانات أكبر وأكثر تنوعًا بكثير مما استخدمته الأنظمة المبكرة مثل Snap It.

الطبقة 2: مطابقة قاعدة البيانات الموثوقة. بمجرد أن يتعرف الذكاء الاصطناعي على الطعام، يقوم بربط التعرف بقاعدة بيانات غذائية موثوقة بدلاً من قاعدة جماعية. هذا يضمن أن "صدر دجاج مشوي، 150 جرام" دائمًا ما يعود بنفس البيانات الغذائية الدقيقة، بغض النظر عن من قدمها.

الطبقة 3: تأكيد المستخدم مع الافتراضات الذكية. يقدم الذكاء الاصطناعي التعرف مع تقديرات دقيقة للحصص، ويمكن للمستخدم تأكيد أو تعديل ذلك. نظرًا لأن التقدير الأولي أقرب إلى الواقع، فإن الحاجة إلى التصحيحات تكون أقل، والتصحيحات التي تتم تكون أصغر.

تستخدم Nutrola هذا النهج ثلاثي الطبقات، حيث تجمع بين التعرف المتقدم على الذكاء الاصطناعي وقاعدة بياناتها الموثوقة التي تحتوي على أكثر من 1.8 مليون عنصر غذائي. النتيجة هي تسجيل الصور الذي يكون سريعًا وموثوقًا — تقوم بتصوير طبقك، ويتعرف الذكاء الاصطناعي على كل مكون، وتأتي البيانات الغذائية من مصادر موثوقة.

لماذا تعتبر البيانات الموثوقة خلف الذكاء الاصطناعي مهمة

من المهم التأكيد على أن هذه هي أكبر عامل في دقة تسجيل الصور. يمكن لنظامي ذكاء اصطناعي التعرف بشكل صحيح على "سباجيتي بولونيز" من صورة. لكن إذا ربط أحدهما ذلك التعرف بإدخال موثوق (400 سعرة حرارية، 18 جرام بروتين، 45 جرام كربوهيدرات، 15 جرام دهون للحصة النموذجية) والآخر ربطه بإدخال عشوائي من مصادر جماعية (قد يقول أي شيء من 300 إلى 700 سعرة حرارية)، فإن الدقة العملية ستكون مختلفة تمامًا.

التعرف بالذكاء الاصطناعي هو الباب الأمامي. قاعدة البيانات هي الأساس. تحتاج إلى كليهما ليكونا جيدين.

هل يجب عليك الاستمرار في استخدام Snap It أم التبديل؟

متى يكون Snap It جيدًا بما يكفي

إذا كنت تتناول بشكل أساسي أطعمة بسيطة وسهلة التعرف — مثل قطعة فاكهة، أو ساندويتش، أو وعاء من الحبوب — فإن Snap It يتعامل مع هذه الأمور بشكل معقول. إذا كنت تستخدم تسجيل الصور كتقدير تقريبي بدلاً من تتبع دقيق، فإن قيود الدقة تكون أقل أهمية. وإذا كنت متتبعًا غير رسمي يود معرفة عامة عن استهلاك السعرات الحرارية، فإن Snap It يوفر ذلك.

يقدم Lose It! أيضًا مسح الباركود والبحث اليدوي، وهما دقيقان تمامًا في حالات استخدامهما. لا تحتاج إلى الاعتماد على Snap It لكل شيء.

متى تحتاج إلى ذكاء اصطناعي أفضل

فكر في التبديل إلى متتبع ذكاء اصطناعي أكثر تقدمًا إذا:

• كنت تطبخ معظم وجباتك في المنزل وتلتقط صورًا لأطباق مختلطة بشكل منتظم
• كنت تتناول مأكولات عالمية لا يتعامل معها Snap It بشكل جيد
• كنت بحاجة إلى دقة في الحصص لتحقيق عجز في السعرات الحرارية أو أهداف غذائية محددة
• كنت ترغب في تسجيل الصوت كطريقة إدخال مكملة
• كنت تهتم بقاعدة البيانات خلف الذكاء الاصطناعي، وليس فقط التعرف
• كنت ترغب في تتبع أكثر من 100 عنصر غذائي بدقة، وليس فقط السعرات الحرارية والماكروز

تجمع Nutrola بين التعرف المتقدم على الصور بالذكاء الاصطناعي، وتسجيل الصوت بـ 15 لغة، ومسح الباركود، وقاعدة بيانات موثوقة تحتوي على أكثر من 1.8 مليون عنصر غذائي لتلبية جميع هذه الاحتياجات. تتيح لك التجربة المجانية اختبار دقة الذكاء الاصطناعي مع وجباتك الفعلية قبل الالتزام.

الاختبار العملي

إليك طريقة بسيطة للتقييم: التقط نفس الصورة لوجبة معقدة وسجلها في كل من Lose It! Snap It وNutrola. قارن التعرفات، وتقديرات الحصص، والبيانات الغذائية. قم بذلك لخمس وجبات على مدار أسبوع. ستصبح الفروق في الدقة واضحة من خلال الاختبار في العالم الحقيقي.

الخلاصة

كان Lose It! رائدًا في تسجيل الطعام المعتمد على الصور مع Snap It، وقد دفعت تلك الابتكارات الصناعة بأكملها إلى الأمام. لا تزال الميزة تعمل بشكل مقبول للأطعمة البسيطة والتتبع غير الرسمي.

لكن التعرف على الطعام بالذكاء الاصطناعي في عام 2026 قد تطور بعيدًا عن ما يقدمه Snap It. الأنظمة الحديثة تتعرف على عناصر متعددة في الطبق، وتقدر الحصص بصريًا، وتتعامل مع المأكولات العالمية، وتدعم تعرفاتها بقاعدة بيانات غذائية موثوقة. بالنسبة للمستخدمين الذين يحتاجون إلى بيانات دقيقة من تسجيل الصور، فإن قيود Snap It تخلق أخطاء تتراكم مع مرور الوقت.

إذا كنت ترغب في تسجيل صور يتماشى فعلاً مع كيفية تناولك للطعام، ابدأ تجربة مجانية مع Nutrola. ستصبح الفروق بين التعرف الأساسي على الطعام والتحليل الغذائي المدعوم بالذكاء الاصطناعي واضحة منذ المرة الأولى التي تلتقط فيها صورة لوجبة مطبوخة في المنزل.