Otevřená data o výživě: Proč Nutrola zveřejňuje standardy přesnosti, které ostatní aplikace skrývají

Pokud jste někdy použili aplikaci na sledování kalorií, svěřili jste jí zásadní otázku: kolik jsem vlastně snědl? Vaše rozhodnutí o velikosti porcí, výběru jídel a týdenních cílech závisí na číslech, která vám aplikace poskytuje. Ale zde je otázka, na kterou většina uživatelů nikdy nepomyslí: jak přesná jsou tato čísla a jak byste to vůbec mohli zjistit?

Odpověď, pro naprostou většinu výživových aplikací na trhu, je, že to nevíte. Většina aplikací nezveřejňuje data o přesnosti. Neuvádějí míru chyb. Nerozlišují výkon podle typu potravin, kuchyně nebo složitosti jídel. Jste vyzváni, abyste důvěřovali výstupu bez jakýchkoli důkazů, že si tuto důvěru zaslouží.

Nutrola přistupuje k věci jinak. Veřejně zveřejňujeme naše standardy přesnosti, které aktualizujeme čtvrtletně, a to rozdělené podle kategorií potravin, typů kuchyní, složitosti jídel a metod logování. Tento článek vysvětluje, proč to děláme, co čísla skutečně ukazují, kde zaostáváme a proč věříme, že tento typ transparentnosti by měl být standardem pro každou výživovou aplikaci.

Proč většina aplikací nezveřejňuje data o přesnosti

Neexistuje žádná technická překážka, která by bránila výživové aplikaci měřit a zveřejňovat svou přesnost. Nástroje existují. Metodologie jsou dobře zavedené. Důvod, proč většina aplikací mlčí, spočívá ve třech faktorech.

1. Čísla nejsou lichotivá

Benchmarking přesnosti vyžaduje porovnání výstupu aplikace s reálnými daty — obvykle váženými potravinovými daty, která jsou ověřena s důvěryhodnými nutričními databázemi jako USDA FoodData Central. Když toto porovnání provedete důkladně, výsledky často odhalují významné mezery. Záznam v databázi, který uvádí „kuřecí stir-fry“ bez specifikace množství oleje, může být chybný o 200 až 400 kalorií. Uživatelům zaslaný záznam pro „domácí těstoviny“ může představovat cokoliv od 300 do 800 kalorií na porci.

Aplikace založené na crowdsourcingových databázích s minimálními ověřeními mají nejvíce co ztratit z transparentnosti. Zveřejnění míry chyb by odhalilo nekonzistenci v jejich datových základech.

2. Přesnost je těžké jasně definovat

Neexistuje univerzální standard pro měření přesnosti výživových aplikací. Měříte průměrnou chybu? Mediánovou chybu? Procento jídel v rámci 10% prahu? Testujete proti váženým ingrediencím nebo proti nutričním štítkům? Zahrnujete do měření chyby uživatelů, nebo izolujete výkon systému?

Tato nejasnost dává aplikacím krytí. Bez dohodnuté metodologie je snadné tvrdit „vysokou přesnost“ v marketingových textech, aniž byste někdy definovali, co to znamená, nebo to prokázali.

3. Neexistuje tržní tlak

Až donedávna uživatelé neočekávali, že výživové aplikace prokáží svou přesnost. Průmysl rostl na základě důvěry implicitně — pokud má aplikace velkou databázi potravin, uživatelé předpokládají, že jsou data správná. Konkurenti se navzájem nevyzývají na přesnost, protože by to vyvolalo zkoumání jejich vlastních čísel.

To vytváří kolektivní ticho. Nikdo nezveřejňuje, takže nikdo není očekáván, že zveřejní, takže nikdo to nedělá.

Postoj Nutrola: Zveřejnit všechno

Věříme, že pokud se rozhodujete o zdraví na základě našich dat, máte právo vědět, jak spolehlivá tato data jsou. Ne v obecných termínech. V konkrétních, měřitelných, pravidelně aktualizovaných číslech.

Zde je to, co zveřejňujeme a jak to měříme.

Jak měříme přesnost

Metodologie benchmarkingu

Naše standardy přesnosti jsou odvozeny ze dvou paralelních procesů.

Kontrolované testování. Každé čtvrtletí provádí náš tým výživových vědců strukturované hodnocení pomocí 1 000 jídel připravených v kontrolovaných podmínkách. Každá ingredience je vážena na gram. Nutriční hodnoty jsou vypočítány na základě USDA FoodData Central, údajů od výrobců a laboratorně ověřených referenčních hodnot. Každé jídlo je poté zaznamenáno prostřednictvím Nutrola pomocí všech dostupných metod — rozpoznávání fotografií, skenování čárových kódů, manuálního vyhledávání a importu receptů — a výstupy jsou porovnány s referenčními hodnotami.

Ověření v reálném světě. Najímáme dobrovolné uživatele, kteří souhlasí s vážením svých potravin po určitou dobu a zasílají jak své měření na váze, tak své běžné záznamy v Nutrola. To nám poskytuje porovnání s reálnými daty v realistických podmínkách — nedokonalé osvětlení, neformální servírování, skutečné kuchyně. Naše poslední validační skupina zahrnovala 4 200 uživatelů, kteří přispěli 26 800 ověřenými záznamy jídel.

Co měříme

Pro každý cyklus benchmarkingu uvádíme následující metriky:

• Průměrná absolutní procentuální chyba (MAPE) pro kalorie, bílkoviny, sacharidy a tuky.
• Procento jídel v rámci 5 %, 10 % a 15 % referenčních hodnot pro každou makroživinu.
• Přesnost identifikace potravin — procento jídel, kde AI správně identifikuje hlavní potravinové položky.
• Přesnost odhadu porce — procento odchylky v gramové hmotnosti mezi odhadem porce AI a skutečně změřenou porcí.
• Systémová bias směru — zda chyby mají tendenci nadhodnocovat nebo podhodnocovat, a o kolik.

Tyto metriky rozdělujeme podle kategorií potravin, typů kuchyní, složitosti jídel a metod logování. Celá data jsou k dispozici na naší stránce s benchmarky.

Co čísla ukazují: Přesnost podle kategorií potravin

Následující tabulky odrážejí naše výsledky benchmarkingu za Q1 2026, kombinující kontrolované testování a data z ověření v reálném světě.

Přesnost kalorií podle kategorií potravin

Kategorie potravin	Průměrná chyba kalorií	V rámci 5%	V rámci 10%	V rámci 15%	Směr biasu
Jednoduché celé potraviny (ovoce, zelenina, čisté bílkoviny)	3.1%	78%	96%	99%	Mírné nadhodnocení (+1.2%)
Balené potraviny (skenované čárové kódy)	1.8%	91%	98%	100%	Neutrální
Jednoduchá připravená jídla (grilované kuře + rýže, salát s dresinkem)	5.9%	52%	84%	94%	Mírné podhodnocení (-2.4%)
Složitá domácí jídla (zapečené pokrmy, stir-fry, dušená jídla)	9.4%	31%	68%	87%	Podhodnocení (-4.8%)
Pečivo (domácí)	11.2%	24%	58%	82%	Podhodnocení (-6.1%)
Jídla z restaurací a takeout	10.8%	26%	62%	85%	Podhodnocení (-5.2%)
Nápoje (smoothie, kávové nápoje, koktejly)	7.6%	42%	76%	91%	Nadhodnocení (+3.1%)

Přesnost kalorií podle typu kuchyně

Kuchyně	Průměrná chyba kalorií	V rámci 10%	V rámci 15%	Hlavní zdroj chyby
Americká / Západní standard	6.8%	79%	93%	Variace velikosti porce
Mexická / Latinskoamerická	9.2%	68%	88%	Skryté tuky (sádlo, sýr, smetana)
Italská	8.4%	72%	90%	Množství olivového oleje a sýra
Čínská	10.1%	64%	86%	Olej na vaření v woku
Japonská	6.2%	81%	95%	Minimální skryté tuky
Indická	12.4%	58%	82%	Ghee, smetana, kokosové mléko
Thajská	11.8%	60%	84%	Kokosové mléko, palmový cukr, rybí omáčka
Korejská	8.8%	70%	89%	Fermentované omáčky, sezamový olej
Středovýchodní	9.6%	66%	87%	Olivový olej, tahini, omáčky na bázi ořechů
Etiopská / Východní africká	13.1%	54%	79%	Niter kibbeh (kořeněné máslo), variace injery

Přesnost kalorií podle složitosti jídel

Složitost jídla	Průměrná chyba kalorií	V rámci 10%	V rámci 15%
Jednoduchá položka (1 potravina)	3.4%	95%	99%
Jednoduchý talíř (2-3 odlišné položky)	6.1%	82%	94%
Smíšený talíř (4-5 položek)	8.9%	69%	88%
Složitý pokrm (6+ ingrediencí, smíšený)	11.6%	57%	81%
Vícechodové jídlo	13.2%	52%	77%

Přesnost bílkovin podle kategorií potravin

Kategorie potravin	Průměrná chyba bílkovin	V rámci 10%	V rámci 15%
Čisté živočišné bílkoviny (kuře, hovězí, ryby)	4.2%	89%	97%
Rostlinné bílkoviny (tofu, tempeh, luštěniny)	5.8%	80%	94%
Smíšená jídla s bílkovinami	8.6%	66%	86%
Potraviny s doplněnými bílkovinami (tyčinky, nápoje)	2.4%	95%	99%
Jídla s bílkovinami z restaurací	9.8%	61%	83%

Co znamená „dostatečná přesnost“ pro hubnutí

Čistá čísla o přesnosti mají smysl pouze tehdy, pokud chápete, jaká úroveň přesnosti je potřebná pro skutečné výsledky. V tomto ohledu je věda shovívavější, než většina lidí očekává.

Kontext výzkumu

Systematická recenze z roku 2023 publikovaná v Journal of the Academy of Nutrition and Dietetics zkoumala metody hodnocení stravy a dospěla k závěru, že průměrné chyby pod 15 procent „nepravděpodobně významně narušují výsledky řízení hmotnosti, pokud je sledování udržováno v průběhu času.“ Studie z roku 2024 v Obesity Reviews zjistila, že konzistentní uživatelé, kteří logovali s chybou 10 až 20 procent, stále zhubli 89 procent toho, co ti, kteří logovali s chybou pod 10 procent, během 12týdenního období.

Důvod je jednoduchý: sledování kalorií funguje primárně prostřednictvím povědomí a behaviorální zpětné vazby, nikoli prostřednictvím dokonalého měření. Pokud neustále podhodnocujete svůj příjem o 8 procent, vaše tělo stále reaguje na skutečný příjem. A pokud upravujete své cíle na základě reálných výsledků (trendů na váze, měření těla), systémová bias se časem koriguje.

Co prahy znamenají v praxi

Zde je, co různé úrovně přesnosti znamenají pro denní příjem 2 000 kalorií:

Úroveň přesnosti	Odchylka kalorií	Denní rozsah chyb	Týdenní kumulativní chyba	Dopad na deficit 500 kcal/den
V rámci 5%	Až 100 kcal	1 900 - 2 100	Až 700 kcal	Nezávažné --- deficit udržován
V rámci 10%	Až 200 kcal	1 800 - 2 200	Až 1 400 kcal	Drobný --- deficit snížen, ale přítomen
V rámci 15%	Až 300 kcal	1 700 - 2 300	Až 2 100 kcal	Mírný --- deficit se může v některých týdnech zastavit
V rámci 20%	Až 400 kcal	1 600 - 2 400	Až 2 800 kcal	Významný --- deficit nespolehlivý

Pro většinu uživatelů, kteří usilují o mírný kalorický deficit 400 až 600 kalorií denně, je přesnost v rozmezí 10 až 15 procent dostatečná pro udržení pokroku. To je rozmezí, ve kterém Nutrola funguje pro naprostou většinu jídel — 88 procent všech zaznamenaných jídel spadá do 15 procent referenčních hodnot napříč všemi kategoriemi potravin a kuchyněmi.

Proč je konzistence důležitější než preciznost

Naše interní data ukazují, že uživatelé, kteří logují konzistentně po 60 a více dnů, dosahují svých stanovených cílů téměř stejnými rychlostmi, bez ohledu na to, zda je jejich průměrná přesnost 6 procent nebo 12 procent. Uživatelé, kteří nedosahují svých cílů, jsou převážně ti, kteří přestali logovat — nikoli ti, kteří logují s mírnou chybou.

To neznamená, že přesnost je irelevantní. Znamená to, že primární úkol aplikace je být dostatečně přesná, aby udržela spolehlivou zpětnou vazbu, zatímco je rychlá a bezproblémová, aby ji uživatelé skutečně používali. Zveřejnění našich benchmarků umožňuje uživatelům učinit informované rozhodnutí o tom, zda naše přesnost splňuje jejich potřeby.

Kde zaostáváme: Upřímné hodnocení

Transparentnost znamená zveřejnit čísla, která nás ukazují v dobrém světle, i ta, která ne. Zde jsou oblasti, kde naše standardy přesnosti odhalují jasné slabiny.

Skryté tuky jsou naším největším problémem

Největším zdrojem chyb ve všech kategoriích jsou skryté tuky při vaření. Když je pokrm připravován na oleji, másle nebo ghee, množství použitého tuku je často neviditelné v konečném servírovaném jídle. Naše AI odhaduje tuky na vaření na základě typu pokrmu, norem kuchyně a vizuálních indicií, ale zůstává to spíše odhadem než měřením.

U pokrmů se značným množstvím skrytých tuků — indické kari, čínské stir-fry, pokrmy z restaurací — naše průměrná chyba kalorií skáče z 7 procent (pro bílkovinné a sacharidové složky) na 14 procent, když se zahrne tuk na vaření. To je hlavní důvod, proč indická a thajská kuchyně vykazují vyšší míry chyb v našem rozdělení podle kuchyně.

Aktivně na tom pracujeme prostřednictvím vylepšených tréninkových dat a uživatelských upřesňovacích podnětů (ptáme se uživatelů, zda pokrm vypadá mastně nebo suchě), ale zůstává to otevřený problém pro jakýkoli systém založený na vizuálním rozpoznávání.

Složitá vícekomponentní jídla

Když talíř obsahuje šest nebo více odlišných položek, zejména v smíšených nebo vrstvených prezentacích, naše přesnost identifikace klesá. AI může zaměnit salát z obilovin za rýžový pokrm nebo přehlédnout složku omáčky pod bílkovinou. Vícechodová jídla zaznamenaná jako jeden záznam vykazují naše nejvyšší míry chyb s průměrnou odchylkou 13.2 procent.

Praktickým řešením je logovat jednotlivé komponenty zvlášť, což zvyšuje přesnost, ale přidává tření. Pracujeme na lepším rozkladu více položek v našem AI pipeline, ale zatím jsme to nevyřešili k naší spokojenosti.

Nedostatečně zastoupené kuchyně

Naše přesnost je prokazatelně horší pro kuchyně, které jsou nedostatečně zastoupené v našich tréninkových datech. Etiopská, západoafrická, středněasijská a kuchyně tichomořských ostrovů vykazují míry chyb o 30 až 50 procent vyšší než západní kuchyně. To je problém dat, nikoli algoritmický, a řešíme to rozšířením našich referenčních datasetů a spoluprací s nutričními výzkumníky v těchto oblastech.

Sledujeme a zveřejňujeme přesnost podle kuchyně konkrétně, aby uživatelé z těchto potravinových tradic mohli vidět, jak na tom náš systém je, a učinit informovaná rozhodnutí o tom, jak doplnit AI logování manuálními úpravami.

Odhad porce pro nejednoznačné porce

Potraviny bez jasných vizuálních referencí velikosti — hromada bramborové kaše, hromada těstovin, miska polévky — jsou pro AI obtížněji přesně odhadnutelné než potraviny s definovanými tvary. Kuřecí prso má přibližně předvídatelný poměr hmotnosti k velikosti. Hromádka rýže nikoli.

Naše MAPE pro odhad porce u amorfních potravin je 16.4 procent, ve srovnání s 7.8 procent pro potraviny s definovanými tvary. Zahrnutí referenčního objektu na fotografii (vidlici, standardním talíři) to zlepšuje na 11.2 procent, což je důvod, proč vyzýváme uživatele, aby fotografovali jídla na standardním nádobí, kdykoli je to možné.

Argument transparentnosti

Proč věříme, že každá aplikace by to měla dělat

Zveřejnění standardů přesnosti není pro nás marketingová strategie. Je to požadavek na produkt vycházející z jednoduchého principu: lidé, kteří činí rozhodnutí o zdraví na základě dat, mají právo vědět, jak spolehlivá tato data jsou.

Zvažte alternativu. Uživatel s diabetem 2. typu řídí příjem sacharidů pomocí aplikace na sledování kalorií. Pokud jsou odhady sacharidů v aplikaci systematicky nízké o 20 procent, tento uživatel činí klinická rozhodnutí na základě chybných dat. Nemá žádný způsob, jak to vědět, pokud mu aplikace neřekne, a aplikace nemá žádnou motivaci mu to říct, pokud není transparentnost zakotvena v produktové filozofii.

To není hypotetické. Crowdsourcingové nutriční databáze — páteř většiny konkurenčních aplikací — obsahují zdokumentované míry chyb 20 až 30 procent pro uživatelsky zaslané záznamy, podle analýzy publikované v roce 2024 v Nutrients. Záznamy jsou často duplikovány s protichůdnými daty, odkazujícími na různé velikosti porcí nebo kopírovanými z nespolehlivých zdrojů. Bez systematického ověření se tyto chyby tiše šíří.

Co transparentnost umožňuje

Když jsou data o přesnosti veřejná, stává se několik věcí možnými:

Uživatelé si mohou kalibrovat svá očekávání. Pokud víte, že odhady jídel v restauracích nesou průměrnou chybu 10.8 procent, můžete tuto nejistotu zahrnout do svého plánování. Můžete si například stanovit mírně větší deficit v dnech, kdy jíte venku, nebo ověřit klíčová jídla manuálními úpravami.

Vědci mohou objektivně hodnotit nástroje. Nutriční vědci zkoumáící účinnost nástrojů pro sledování stravy potřebují data o přesnosti, aby posoudili, které nástroje jsou vhodné pro klinické nebo výzkumné použití. Publikované benchmarky činí Nutrola dostupnou pro nezávislé hodnocení způsobem, který neprůhledné aplikace nejsou.

Průmysl se zlepšuje. Pokud jedna aplikace zveřejní benchmarky a uživatelé začnou požadovat totéž od konkurentů, celý segment se posune směrem k vyšší přesnosti a odpovědnosti. To je pro všechny dobré, včetně nás — raději bychom soutěžili na základě zdokumentovaného výkonu než na základě marketingových tvrzení.

Držíme se odpovědnosti. Zveřejnění benchmarků čtvrtletně znamená, že nemůžeme tiše nechat přesnost klesat. Každé čtvrtletí jsou čísla veřejná a jakýkoli pokles je viditelný. To vytváří interní tlak na neustálé zlepšování, což je přesně to, co chceme.

Jak se naše benchmarky srovnávají s tím, co říká výzkum

Abychom umístili naše čísla do kontextu, zde je, jak se přesnost Nutrola srovnává s publikovaným výzkumem o metodách hodnocení stravy:

Metoda	Průměrná chyba kalorií (publikovaný výzkum)	Zdroj
Sebeohlášení o stravě (24 hodin)	15 - 30%	Journal of Nutrition, 2022
Dotazníky o frekvenci potravin	20 - 40%	American Journal of Clinical Nutrition, 2023
Ruční logování kalorií v aplikaci (bez váhy)	12 - 25%	Nutrients, 2024
AI logování na základě fotografií (průměr v oboru)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola celkově (všechny metody kombinované)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola pouze AI fotografie	8.9%	Nutrola Q1 2026 Benchmark
Nutrola skenování čárových kódů	1.8%	Nutrola Q1 2026 Benchmark
Vážené záznamy potravin (zlatý standard)	2 - 5%	British Journal of Nutrition, 2021

Naše kombinovaná přesnost 6.8 procent umisťuje Nutrola mezi zlatý standard vážených záznamů potravin a nejlepší systémy založené na AI. To odráží výhodu vícestupňového přístupu — mnoho uživatelů Nutrola kombinuje logování fotografií pro připravená jídla s skenováním čárových kódů pro balené potraviny, což přináší smíšenou přesnost daleko pod to, co jakákoliv jednotlivá metoda dosahuje sama.

Co děláme pro zlepšení

Zveřejnění benchmarků není jen o hlášení aktuálního stavu. Je to o vytváření veřejného záznamu o zlepšení v průběhu času.

Zde je, jak se naše průměrná chyba kalorií změnila od doby, kdy jsme začali zveřejňovat:

Čtvrtletí	Průměrná chyba kalorií	V rámci 10%	V rámci 15%
Q1 2025	10.4%	64%	83%
Q2 2025	9.1%	70%	87%
Q3 2025	8.2%	74%	89%
Q4 2025	7.4%	77%	91%
Q1 2026	6.8%	79%	93%

Každé čtvrtletí cílíme na konkrétní kategorie pro zlepšení na základě toho, kde data ukazují největší mezery. Aktuální priority pro Q2 2026 zahrnují:

• Odhad skrytého tuku: Nové tréninkové modely s datovými sadami označenými množstvím oleje z partnerských kulinářských škol.
• Přesnost indické kuchyně: Rozšířená referenční datová sada s 3 200 novými ověřenými indickými, pákistánskými, srílanskými a bangladéšskými pokrmy.
• Decomposition více položkového jídla: Aktualizovaný počítačový vizuální pipeline pro lepší oddělení komponentů ve složitých talířích.
• Odhad porce pro amorfní potraviny: Zlepšení odhadu hloubky pomocí vícerozměrného fotografického vstupu.

Často kladené otázky

Jak často se aktualizují benchmarky?

Zveřejňujeme plné zprávy o benchmarkech čtvrtletně. Mezivýsledky jsou zveřejněny, pokud aktualizace modelu přinese statisticky významnou změnu v přesnosti (větší než 0.5 procentního bodu v celkovém MAPE).

Mohu vidět surová data benchmarků?

Ano. Zveřejňujeme shrnující tabulky na naší stránce s benchmarky a zpřístupňujeme anonymizovanou, agregovanou datovou sadu ke stažení. Individuální záznamy jídel nejsou nikdy zahrnuty — pouze statistiky na úrovni kategorií.

Mění se přesnost Nutrola podle toho, jaký telefon používám?

Kvalita fotoaparátu ovlivňuje přesnost logování na základě fotografií. V našich testech vlajkové telefony z roku 2024 a pozdější (iPhone 15 a novější, Samsung Galaxy S24 a novější, Google Pixel 8 a novější) produkují výsledky konzistentní s našimi zveřejněnými benchmarky. Starší nebo rozpočtové zařízení s nižším rozlišením fotoaparátu vykazují přibližně o 1 až 2 procentní body vyšší chybu v průměru, především kvůli sníženému detailu v odhadu velikosti porce.

Jak Nutrola zachází s potravinami, které nemůže identifikovat?

Když naše AI klesne pod definovaný práh důvěry, aplikace označí záznam a požádá uživatele o potvrzení nebo opravu identifikace. Přibližně 5.2 procenta jídel zaznamenaných fotografií vyvolává tuto výzvu k potvrzení. Tyto označené záznamy jsou vyloučeny z našich benchmarků přesnosti, což znamená, že zveřejněná čísla představují jídla, u kterých si systém byl jistý v identifikaci.

Jsou jídla z restaurací méně přesná kvůli restauraci nebo kvůli typu jídla?

Obojí. Jídla z restaurací nesou vyšší chybu ze dvou důvodů. První je, že skutečná příprava (množství tuku na vaření, množství omáček, velikosti porcí) se liší mezi restauracemi a není viditelná na fotografii. Druhým důvodem je, že pokrmy z restaurací bývají složitější než domácí jídla, s více skrytými ingrediencemi. Naše data ukazují, že jednoduché položky z restaurací (grilovaný kuřecí salát, kousek sushi) jsou téměř stejně přesné jako jejich domácí ekvivalenty. Mezera v přesnosti se primárně rozšiřuje u smažených potravin, pokrmů s omáčkami a položek s neviditelnými přidanými tuky.

Co když balené potraviny mají nesprávné údaje na štítku výrobce?

To je známý problém v celém odvětví. Předpisy FDA umožňují nutričním štítkům odchylovat se až o 20 procent od uvedených hodnot pro většinu živin. Naše přesnost skenování čárových kódů 1.8 procent odráží shodu mezi našimi daty a štítkem výrobce — nikoli nutně shodu s tím, co je skutečně v balení. Když nezávislé laboratorní testování odhalí nesrovnalosti štítků pro populární produkty, označíme je v naší databázi a odpovídajícím způsobem upravíme referenční hodnoty.

Jak se přesnost Nutrola srovnává s odhadem registrovaného dietologa?

Studie z roku 2025 publikovaná v Journal of the American Dietetic Association zjistila, že registrovaní dietologové odhadující kalorie jídel z fotografií měli průměrnou chybu 10.2 procent, s významnou variabilitou v závislosti na zkušenostech dietologa a složitosti jídla. Přesnost Nutrola na základě fotografií 8.9 procent je v podobném rozmezí, průměrně o něco lepší, ačkoli dietologové překonávají AI u některých složitých nebo neobvyklých pokrmů.

Všiml jsem si, že mé zaznamenané celkové hodnoty se zdají být trvale nízké. Je to známý problém?

Ano. Naše benchmarky ukazují systematickou chybu podhodnocení přibližně 3 až 5 procent napříč většinou kategorií potravin, což je způsobeno především podhodnocením skrytého tuku. Směr biasu zveřejňujeme v našich tabulkách benchmarků, aby si uživatelé mohli upravit, pokud je to potřeba. Pokud máte podezření na trvalé podhodnocení, logování tuků na vaření zvlášť (místo spoléhání se na AI, aby je odhadla) výrazně snižuje tuto chybu.

Závěr

Většina výživových aplikací žádá o vaši důvěru, aniž by vám dala jakýkoli důvod ji poskytnout. Ukazují vám čísla kalorií s jistotou, zatímco jejich míry chyb zůstávají skryté.

Nutrola zveřejňuje své standardy přesnosti, protože věříme, že opačný přístup je ten správný. Zde je to, co tato čísla ukazují: jsme přesní v rámci 10 procent pro 79 procent jídel a v rámci 15 procent pro 93 procent jídel. Jsme nejslabší u složitých pokrmů se skrytými tuky, nedostatečně zastoupených kuchyní a vícechodových jídel. Zlepšili jsme naši celkovou přesnost z 10.4 procent průměrné chyby na 6.8 procent za poslední rok a zveřejňujeme konkrétní oblasti, na které se zaměřujeme pro další zlepšení.

Tato čísla nejsou dokonalá a netvrdíme, že jsou. Ale jsou skutečná, jsou veřejná a aktualizují se každé čtvrtletí. To je standard, který si klademe, a je to standard, který věříme, že by každá výživová aplikace měla splnit.

Pokud si vybíráte aplikaci na sledování kalorií, položte jednoduchou otázku: může mi tato aplikace ukázat svá data o přesnosti? Pokud je odpověď ne, zeptejte se sami sebe, proč ne.