Hvorfor jeg skiftede fra SnapCalorie til Nutrola (Foto-AI er ikke nok)

SnapCalorie solgte mig en drøm: tag et billede af din mad, og AI fortæller dig præcist, hvad du har spist. Ingen indtastning, ingen søgning, ingen stregkodescanning. Bare peg, tag et billede, og lad maskinen gøre arbejdet. Efter måneder med kedelig manuel madregistrering på andre apps, lød dette som fremtiden. Jeg tilmeldte mig straks.

I omkring tre uger var jeg virkelig imponeret. Så begyndte jeg at sammenligne SnapCalorie's estimater med faktiske næringsetiketter og målte portioner. Uoverensstemmelserne var ikke små. De var store nok til at undergrave hele formålet med tracking.

Dette er historien om, hvordan jeg lærte, at AI-fotogenkendelse uden en verificeret fødevaredatabase er et smukt koncept med et alvorligt nøjagtighedsproblem — og hvordan Nutrola's kombination af AI og en database med 1,8 millioner fødevarer gav mig det, SnapCalorie ikke kunne.

Appellen ved foto-baseret tracking

Jeg forstår godt, hvorfor SnapCalorie tiltrak så mange brugere, inklusive mig selv. Den traditionelle madregistreringsoplevelse — indtast et madnavn, rulle gennem resultater, vælge den rigtige, justere portionsstørrelsen, gentage for hver ting på din tallerken — er kedelig. Det er den primære årsag til, at folk stopper med at registrere deres mad.

SnapCalorie lovede at eliminere den friktion helt. Tag et billede, AI'en estimerer madvarerne og deres mængder, og du får en kalorie- og makroopgørelse på få sekunder. Grænsefladen var ren, oplevelsen var hurtig, og for enkle måltider føltes det som magi.

Jeg tog et billede af en tallerken med kyllingebryst, ris og broccoli. SnapCalorie identificerede alle tre elementer og estimerede kalorierne på få sekunder. Jeg var solgt.

Hvor nøjagtigheden svigtede

Problemet med SnapCalorie dukkede gradvist op, og så pludselig.

Portionsestimering var inkonsekvent

AI kan identificere, at noget er kyllingebryst. Hvad den har svært ved, er at estimere, om det kyllingebryst vejer 120 gram eller 200 gram — en forskel på cirka 100 kalorier og 20 gram protein. Fra et fladt overhead-billede kan et tykt stykke kylling og et tyndt stykke kylling se bemærkelsesværdigt ens ud.

Jeg testede dette bevidst en aften. Jeg anrettede to portioner pasta: den ene var 80 gram (tørvægt) og den anden var 150 gram. Begge var spredt på lignende tallerkener med den samme sauce. SnapCalorie estimerede den mindre portion til 420 kalorier og den større til 480 kalorier. Den faktiske forskel var cirka 250 kalorier.

AI'en så to ens udseende tallerkener og returnerede lignende estimater, fordi den lavede visuelle gæt, ikke refererede til verificerede næringsdata knyttet til målte vægte.

Blandede retter var et gæt

SnapCalorie klarede sig rimeligt godt med enkle, adskilte måltider — et stykke fisk ved siden af en bunke grøntsager ved siden af en skefuld ris. Alt var visuelt distinkt og estimérbart.

Men det virkelige liv inkluderer gryderetter, karryretter, lasagner, smoothie bowls, burritos, sandwiches og kornskåle, hvor ingredienser overlapper, gemmer sig under saucer eller blander sig visuelt. For disse måltider varierede SnapCalorie's estimater fra nogenlunde korrekte til helt off.

Jeg fotograferede en burrito bowl fra en restaurant. SnapCalorie identificerede ris, bønner, kylling og salsa. Den overså den creme fraiche, der var gemt under salaten, osten blandet i risene og guacamolen ved siden af skålen, som delvist var skjult af en chipskurv. Kalorieestimatet var omkring 530 kalorier. Da jeg manuelt beregnede måltidet ved hjælp af restaurantens offentliggjorte næringsdata, var det tættere på 840 kalorier. En forskel på 310 kalorier fra et enkelt måltid.

Ingen stregkodescanning, ingen manuel backup

SnapCalorie's hele identitet var bygget omkring fotogenkendelse. Den havde ikke en traditionel fødevaredatabase, som man kunne søge i manuelt. Den havde ikke stregkodescanning. Hvis foto-AI'en ikke kunne identificere noget — eller identificerede det forkert — var du stuck.

Indpakket mad, som jeg nemt kunne have scannet med en stregkodescanner, skulle fotograferes i stedet, og AI'en ville forsøge at estimere indholdet visuelt i stedet for at trække de præcise verificerede næringsdata fra etiketten. Dette var absurd for indpakket mad, hvor producenten allerede har givet præcise næringsoplysninger.

Ingen mikronæringsdata

Selv når SnapCalorie's kalorie- og makroestimater var i den rigtige boldgade, stoppede de der. Kalorier, protein, kulhydrater, fedt — det var omfanget af dataene. Ingen vitaminer, ingen mineraler, ingen sporstoffer. Hvis jeg ville vide, hvor meget jern eller calcium der var i mit måltid, havde SnapCalorie ikke noget svar.

AI'en estimerede makroer ud fra visuel fremtoning. At estimere mikronæringsstoffer fra et billede ville være endnu mindre pålideligt, så de forsøgte simpelthen ikke. Men resultatet var, at jeg fløj blindt på alt ud over de fire store tal.

Indsigt: AI har brug for en database

Efter tre uger med tracking på SnapCalorie og sammenligning af estimater med kendte værdier nåede jeg til en konklusion, der i retrospekt ser åbenlys ud: AI-fotogenkendelse er en genial inputmetode, men den er kun så god som de data, den er knyttet til.

SnapCalorie's AI forsøgte at estimere næring udelukkende fra visuel analyse. Den tilgang har en grundlæggende nøjagtighedsgrænse. Uanset hvor god billedgenkendelsen bliver, kan et billede ikke fortælle dig den præcise mærke af yoghurt, den nøjagtige mængde olie, der er brugt i madlavningen, eller de skjulte ingredienser i en restaurantsauce.

Hvad jeg havde brug for, var en app, der brugte AI som en hurtig inputmetode, men som knyttede disse input til en verificeret næringsdatabase — så AI'en identificerer "kyllingebryst" fra et billede, men kalorie- og næringsdataene kommer fra en faktisk verificeret kilde, og jeg kan justere vægten for at matche min portion.

Det er præcis, hvad Nutrola gør.

Skift til Nutrola: AI plus database

Nutrola bruger AI-fotogenkendelse, men anderledes end SnapCalorie. Når du tager et billede af dit måltid, identificerer Nutrola's AI madvarerne. Derefter matcher den disse elementer med sin database på over 1,8 millioner verificerede fødevarer. Du ser de matchede elementer med deres næringsdata og kan justere portionerne efter vægt eller almindelige portionsstørrelser.

Resultatet er, at du får hastigheden ved AI-drevet registrering (ingen indtastning, ingen søgning) med nøjagtigheden fra en verificeret database (reelle næringstal, ikke visuelle estimater).

Nøjagtighedsforskellen var øjeblikkelig

Jeg kørte de samme tests med Nutrola, som jeg havde kørt med SnapCalorie.

De to pasta portioner. Nutrola identificerede pastaen fra billedet og matchede den med en databasepost. Jeg justerede vægten for hver tallerken. Den mindre portion kom tilbage på 340 kalorier og den større på 590 kalorier — begge inden for 15 kalorier af min manuelle beregning. SnapCalorie havde estimeret begge til omkring 450 kalorier med en spredning på 60 kalorier.

Burrito bowl. Nutrola's AI identificerede hovedkomponenterne, og jeg kunne tilføje den creme fraiche, ost og guacamole, som billedet delvist skjulte. Hver ingrediens trak verificerede data fra databasen. Totalestimat: 810 kalorier, inden for 30 kalorier af restaurantens offentliggjorte data. SnapCalorie havde overset 310 kalorier.

En smoothie. SnapCalorie havde problemer med smoothies, fordi du ikke kan se ingredienserne. Den ville estimere "en grøn smoothie" med grove kalorienumre. Nutrola lod mig stemme-logge de faktiske ingredienser — "spinat, banan, peanutbutter, proteinpulver, mandelmælk" — og hver ingrediens trak præcise data fra databasen. Forskellen handlede ikke om AI's evner. Det handlede om at have et system, der kunne acceptere flere inputmetoder og forbinde dem til verificerede data.

Stregkodescanning til indpakket mad

For de cirka 30 procent af min kost, der kommer fra indpakket mad — proteinbarer, yoghurt, morgenmadscerealier, saucer, drikkevarer — var Nutrola's stregkodescanner transformativ sammenlignet med SnapCalorie's foto-baserede tilgang.

Jeg scannede en proteinbar. Nutrola returnerede de præcise kalorier (210), protein (20g) og hele mikronæringsprofilen fra den verificerede database. SnapCalorie ville have analyseret et billede af en indpakket bar og returneret et visuelt estimat. Der findes ikke et univers, hvor et billede af en indpakning er mere præcist end de faktiske næringsdata fra den pågældende indpakningsetiket.

Voice logging til det midterste

Nogle fødevarer er svære at fotografere. En håndfuld mandler fra en pose. Et splash olivenolie under madlavningen. Et glas mælk. SnapCalorie krævede, at jeg skulle fotografere disse, hvilket både var ubelejligt og unøjagtigt (hvordan fotografere en spiseskefuld olivenolie i en pande?).

Nutrola's voice logging håndterede disse perfekt. "Spiseskefuld olivenolie, håndfuld mandler, cirka 20 gram" — sagt på tre sekunder, matchet til verificerede databaseposter, logget præcist.

Resultaterne efter 30 dage

Efter en måned på Nutrola var forbedringerne i forhold til SnapCalorie målbare.

Kalorienøjagtigheden forbedredes betydeligt. Jeg sammenlignede mine Nutrola logs med vejede og målte værdier i en hel uge. Nutrola's daglige kaloritotal var konsekvent inden for 5 til 8 procent af mine manuelt beregnede værdier. SnapCalorie havde afveget med 15 til 25 procent på de samme typer måltider.

Jeg fik synlighed på mikronæringsstoffer. Fra ingen mikronæringsdata på SnapCalorie gik jeg til at tracke over 100 næringsstoffer på Nutrola. Inden for to uger identificerede jeg, at mit selenindtag var lavt (jeg spiser sjældent paranødder eller skaldyr) og mit folat var inkonsekvent.

Registreringshastigheden forblev hurtig. Dette var min bekymring ved at skifte. SnapCalorie var hurtig, og jeg frygtede, at enhver app med mere nøjagtighed også ville være langsommere. Nutrola's AI-fotogenkendelse var lige så hurtig som SnapCalorie's, og det ekstra trin med at bekræfte database-matcherne tilføjede kun 10 til 15 sekunder pr. måltid. Voice logging og stregkodescanning for ikke-fotogene fødevarer var faktisk hurtigere end at forsøge at fotografere dem.

Total daglig registreringstid. SnapCalorie: cirka 4 minutter om dagen (hurtig, men unøjagtig). Nutrola: cirka 6 minutter om dagen (hurtig og præcis). De ekstra to minutter gav mig dramatisk bedre data.

Omkostninger. SnapCalorie's premium plan kostede omkring 10 dollars om måneden. Nutrola koster 2,50 euro om måneden. Mindre penge for flere funktioner, bedre data og sammenlignelig hastighed.

Hvad SnapCalorie gjorde godt

Ren hastighed for enkle måltider. Hvis din kost udelukkende består af enkeltstående måltider på klare tallerkener, er SnapCalorie's foto-og-færdig tilgang virkelig den hurtigste registreringsoplevelse, der findes. For disse specifikke scenarier var det imponerende.

Lav kognitiv belastning. At slippe for at tænke på portioner eller database-matcher betød, at registreringsoplevelsen var næsten ubesværet. Jeg kan se, hvorfor det appellerer til afslappede trackere.

Ny oplevelse. Der er noget tilfredsstillende ved foto-til-data workflowet. Det føles futuristisk, og det fjernede den psykologiske barriere af "jeg vil ikke registrere, fordi det er kedeligt."

Men hastighed uden nøjagtighed er ikke tracking. Det er gætteri med ekstra trin.

Hvem bør overveje at skifte

Hvis du bruger SnapCalorie, og dine resultater er stagneret — hvis dine kaloriemål ikke giver de forventede resultater — kan inkonsekvent AI-estimering være årsagen. Når dit trackingværktøj regelmæssigt overser 200-plus kalorier pr. måltid, kan dit daglige kalorieantal være forkert med 500 til 800 kalorier. Den forskel er stor nok til helt at ophæve et kalorieunderskud.

Hvis du ønsker bekvemmeligheden ved AI-drevet registrering, men også har brug for pålideligheden af verificerede næringsdata, giver Nutrola dig begge dele. Fotogenkendelse for hastighed. En database med 1,8 millioner fødevarer for nøjagtighed. Voice logging og stregkodescanning for fødevarer, som billeder ikke kan fange godt. Over 100 trackede næringsstoffer for det fulde billede. Og ingen annoncer til to euro og halvtreds cent om måneden.

Fremtiden for madtracking er ikke kun AI. Det er AI forbundet til verificerede data. Det var, hvad jeg fandt, da jeg skiftede fra SnapCalorie til Nutrola, og nøjagtighedsforskellen ændrede mine resultater inden for en måned.