Πόσο Αξιόπιστη Είναι η Εκτίμηση Μερίδας από το Cal AI; Έλεγχος Βαθμολογίας Βαθμολογημένου Βάρους vs Εκτίμηση AI

Το Cal AI είναι μια εφαρμογή παρακολούθησης θερμίδων που βασίζεται σε φωτογραφίες και χρησιμοποιεί υπολογιστική όραση για να εκτιμήσει τις μερίδες και τις θερμίδες από φωτογραφίες. Η βασική υπόσχεση της εφαρμογής είναι ότι μπορείτε να παραλείψετε τη ζύγιση και τη μέτρηση των τροφίμων σας — απλώς φωτογραφίστε το πιάτο σας και το AI αναλαμβάνει τα υπόλοιπα. Είναι μια ελκυστική πρόταση που αφαιρεί το πιο κουραστικό μέρος της παρακολούθησης θερμίδων. Ωστόσο, στηρίζεται στην επίλυση ενός θεμελιώδους προβλήματος υπολογιστικής όρασης: την εκτίμηση του τριδιάστατου μεγέθους και βάρους ενός αντικειμένου από μια δισδιάστατη εικόνα.

Η αξιοπιστία στην εκτίμηση μερίδας σημαίνει ότι το εκτιμώμενο βάρος ή όγκος από το AI ταιριάζει στενά με την πραγματική μετρημένη ποσότητα. Σημαίνει επίσης συνέπεια — φωτογραφίζοντας το ίδιο τρόφιμο πολλές φορές θα πρέπει να παράγει την ίδια εκτίμηση κάθε φορά. Δοκιμάσαμε και τις δύο διαστάσεις ζυγίζοντας 20 τρόφιμα σε μια καλιμπραρισμένη κουζίνα, φωτογραφίζοντας τα μέσω του Cal AI και συγκρίνοντας τα αποτελέσματα.

Το Θεμελιώδες Πρόβλημα: 3D Εκτίμηση από μια 2D Εικόνα

Πριν εξετάσουμε τα αποτελέσματα της δοκιμής, αξίζει να κατανοήσουμε γιατί αυτό το πρόβλημα είναι εγγενώς δύσκολο. Μια φωτογραφία συμπιέζει τρεις διαστάσεις σε δύο. Οι πληροφορίες βάθους, ύψους και όγκου χάνονται εν μέρει. Ένα σωρό ρύζι που έχει ύψος 3 εκατοστά φαίνεται πανομοιότυπο σε μια φωτογραφία με ένα σωρό που έχει ύψος 2 εκατοστά αν η γωνία της κάμερας συμπιέσει τη διαφορά.

Το AI πρέπει να συμπεράνει την χαμένη διάσταση από συμφραζόμενα στοιχεία: το μέγεθος του πιάτου, τη σκιά που ρίχνει το φαγητό, τις σχετικές αναλογίες γνωστών αντικειμένων στο κάδρο και την αντιστοίχιση προτύπων με δεδομένα εκπαίδευσης. Κάθε ένα από αυτά τα βήματα συμπερασμού εισάγει πιθανό σφάλμα. Μια μελέτη που δημοσιεύθηκε στο International Journal of Food Sciences and Nutrition (2021) διαπίστωσε ότι ακόμη και οι εκπαιδευμένοι διαιτολόγοι που εκτιμούσαν μερίδες από φωτογραφίες πέτυχαν μόνο 50-70% ακρίβεια, υποδεικνύοντας ότι η οπτική εκτίμηση μερίδας είναι εγγενώς ανακριβής, ανεξάρτητα από το αν την εκτελεί άνθρωπος ή AI.

Αυτό δεν είναι κριτική στο Cal AI συγκεκριμένα. Είναι η βασική πρόκληση που αντιμετωπίζει οποιοδήποτε σύστημα εκτίμησης μερίδας που βασίζεται σε φωτογραφίες. Το ερώτημα είναι πόσο σφάλμα παράγει αυτή η θεμελιώδης περιοριστική κατάσταση στην πράξη και αν αυτό το σφάλμα είναι αρκετά μικρό ώστε να καθιστά τα δεδομένα θερμίδων χρήσιμα.

Μεθοδολογία Δοκιμής: Ζυγισμένο Βάρος vs Εκτίμηση Cal AI

Επιλέξαμε 20 τρόφιμα που καλύπτουν έξι κατηγορίες: ομοιόμορφα αντικείμενα (προβλέψιμο σχήμα και μέγεθος), ανώμαλοι στερεοί (μεταβλητό σχήμα), σωρευμένα ή σωρευμένα τρόφιμα, υγρά, τρόφιμα σε δοχεία και πιάτα με πολλαπλά συστατικά. Κάθε τρόφιμο ζυγίστηκε σε μια καλιμπραρισμένη κουζίνα ακριβή σε 1 γραμμάριο.

Κάθε τρόφιμο τοποθετήθηκε σε ένα τυπικό λευκό πιάτο 26 εκατοστών (εκτός αν αναφέρεται διαφορετικά) και φωτογραφήθηκε μέσω του Cal AI από γωνία 45 μοιρών σε απόσταση περίπου 30 εκατοστών. Καταγράψαμε το εκτιμώμενο μέγεθος μερίδας και τον αριθμό θερμίδων του Cal AI, και στη συνέχεια υπολογίσαμε την απόκλιση από τις πραγματικές μετρημένες τιμές.

Ακρίβεια Εκτίμησης Μερίδας: Εκτίμηση Cal AI vs Πραγματικό Βάρος

Αποτελέσματα Δοκιμής Πλήρους Αξιοπιστίας

Τρόφιμο	Πραγματικό Βάρος	Εκτίμηση Cal AI	Απόκλιση Βάρους	Απόκλιση %	Πραγματικές Θερμίδες	Θερμίδες Cal AI	Επίδραση Θερμίδων
Φέτα ψωμιού	38 g	40 g	+2 g	+5.3%	95	100	+5
Μεγάλο αυγό, βραστό	50 g	50 g	0 g	0.0%	78	78	0
Μπάρες πρωτεΐνης (ξετυλιγμένες)	60 g	55 g	-5 g	-8.3%	210	193	-17
Στήθος κοτόπουλου, ψητό	174 g	140 g	-34 g	-19.5%	287	231	-56
Μπριζόλα, ψητή	225 g	175 g	-50 g	-22.2%	573	446	-127
Φιλέτο σολομού, ψητό	168 g	145 g	-23 g	-13.7%	349	302	-47
Μαγειρεμένο λευκό ρύζι	210 g	180 g	-30 g	-14.3%	232	199	-33
Μαγειρεμένα ζυμαρικά	240 g	195 g	-45 g	-18.8%	374	304	-70
Πουρέ πατάτας	200 g	160 g	-40 g	-20.0%	224	179	-45
Μικτή πράσινη σαλάτα	120 g	95 g	-25 g	-20.8%	19	15	-4
Χυμός πορτοκαλιού σε ποτήρι	250 ml	200 ml	-50 ml	-20.0%	112	90	-22
Καφές με γάλα σε κούπα	350 ml	250 ml	-100 ml	-28.6%	58	41	-17
Σούπα σε μπολ	400 ml	300 ml	-100 ml	-25.0%	160	120	-40
Αμύγδαλα σε μικρό μπολ	35 g	28 g	-7 g	-20.0%	204	163	-41
Μείγμα ξηρών καρπών σε μπολ	55 g	42 g	-13 g	-23.6%	264	201	-63
Γιαούρτι σε δοχείο	170 g	150 g	-20 g	-11.8%	100	88	-12
Μήλο, ολόκληρο	182 g	170 g	-12 g	-6.6%	95	89	-6
Μισό αβοκάντο	68 g	75 g	+7 g	+10.3%	109	120	+11
Φυστικοβούτυρο σε τοστ	18 g (μόνο PB)	12 g	-6 g	-33.3%	105	70	-35
Πιάτο κοτόπουλου + ρύζι + μπρόκολο	440 g συνολικά	365 g συνολικά	-75 g	-17.0%	542	450	-92

Στατιστικά Σύνοψης:

• Μέση απόλυτη απόκλιση: 16.9%
• Μεσαία απόκλιση: 19.2%
• Μεροληψία υποεκτίμησης: 18 από τα 20 τρόφιμα υποεκτιμήθηκαν
• Μέση επίδραση θερμίδων: 37 θερμίδες ανά τρόφιμο
• Τρόφιμα με ακρίβεια εντός 10%: 5 από τα 20 (25%)
• Τρόφιμα με >20% απόκλιση: 8 από τα 20 (40%)

Τα αποτελέσματα αποκαλύπτουν ένα σαφές και συνεπές μοτίβο. Το Cal AI υποεκτίμησε τις μερίδες σε 18 από τα 20 τρόφιμα που δοκιμάστηκαν. Η μέση απόκλιση ήταν 16.9%, αλλά αυτή η μέση κρύβει τη σοβαρότητα για συγκεκριμένες κατηγορίες. Τα ανώμαλα κρέατα (στήθος κοτόπουλου, μπριζόλα) παρουσίασαν υποεκτίμηση 19-22%. Τα σωρευμένα τρόφιμα (ρύζι, ζυμαρικά, πουρές πατάτας) παρουσίασαν υποεκτίμηση 14-20%. Τα υγρά παρουσίασαν υποεκτίμηση 20-29%.

Όπου η Εκτίμηση Μερίδας Είναι Αξιόπιστη

Οι εκτιμήσεις του Cal AI ήταν πιο ακριβείς για τρόφιμα με ομοιόμορφα, προβλέψιμα σχήματα και τυποποιημένα μεγέθη.

Ομοιόμορφα Αντικείμενα

Μια φέτα ψωμιού, ένα βραστό αυγό και ένα μήλο βρίσκονται όλα εντός 5-10% του πραγματικού βάρους. Αυτά τα τρόφιμα έχουν συνεπή σχήματα που η εκπαίδευση του AI τα καταγράφει καλά. Μια φέτα ψωμιού έχει περίπου το ίδιο πάχος και διαστάσεις ανεξαρτήτως μάρκας. Ένα μεγάλο αυγό είναι ένα μεγάλο αυγό. Τα δεδομένα εκπαίδευσης του AI περιλαμβάνουν χιλιάδες εικόνες αυτών των αντικειμένων, και η προβλέψιμη γεωμετρία τους καθιστά λιγότερο κρίσιμη την εκτίμηση βάθους.

Τυποποιημένα Συσκευασμένα Αντικείμενα

Η μπάρα πρωτεΐνης, παρά το γεγονός ότι ήταν ξετυλιγμένη, εκτιμήθηκε εντός 8.3% του πραγματικού βάρους. Το ορθογώνιο σχήμα και οι τυποποιημένες διαστάσεις της την καθιστούν οπτικά προβλέψιμη. Τα τρόφιμα με κανονικά γεωμετρικά σχήματα υπερέβηκαν σταθερά τα ανώμαλα τρόφιμα στις δοκιμές μας.

Ο κοινός παράγοντας είναι ότι αυτά τα τρόφιμα έχουν χαμηλή μεταβλητότητα σχήματος. Όταν έχετε δει μια φέτα ψωμιού, έχετε ουσιαστικά δει όλες. Το AI μπορεί να βασιστεί σε αποθηκευμένες τυπικές διαστάσεις αντί να συμπεραίνει διαστάσεις από συμφραζόμενα στοιχεία.

Όπου η Εκτίμηση Μερίδας Είναι Αναξιόπιστη

Ανώμαλα Σχήματα: Το Πρόβλημα της Μπριζόλας και του Κοτόπουλου

Η ψητή μπριζόλα υποεκτιμήθηκε κατά 22.2%, με αποτέλεσμα ένα σφάλμα 127 θερμίδων για ένα μόνο τρόφιμο. Το στήθος κοτόπουλου υποεκτιμήθηκε κατά 19.5%, με σφάλμα 56 θερμίδων. Αυτά είναι από τα πιο συχνά καταγεγραμμένα τρόφιμα για άτομα που παρακολουθούν την πρόσληψη πρωτεΐνης.

Τα ανώμαλα σχήματα είναι δύσκολα γιατί το πάχος ποικίλλει σε όλο το τρόφιμο. Ένα στήθος κοτόπουλου στενεύει από ένα παχύ κέντρο σε λεπτές άκρες. Από μια φωτογραφία από πάνω ή από γωνία, το AI καταγράφει την επιφάνεια αλλά υποεκτιμά το πάχος στο κέντρο. Το αποτέλεσμα είναι μια συστηματική υποκαταμέτρηση που επηρεάζει τις θερμίδες των πρωτεϊνών — ακριβώς τα τρόφιμα όπου η ακρίβεια είναι πιο κρίσιμη για την παρακολούθηση των μακροθρεπτικών συστατικών.

Σωρευμένα και Σωρευμένα Τρόφιμα: Ρύζι, Ζυμαρικά και Πατάτες

Το μαγειρεμένο ρύζι, τα ζυμαρικά και οι πουρές πατάτας υποεκτιμήθηκαν κατά 14-20%. Αυτά τα τρόφιμα σωρεύονται με σημαντικό ύψος που μια δισδιάστατη φωτογραφία συμπιέζει. Μια μερίδα ρυζιού σε ένα πιάτο μπορεί να έχει ύψος 4 εκατοστά στην κορυφή, αλλά μια φωτογραφία που τραβήχτηκε σε γωνία 45 μοιρών το ισοπεδώνει σε αυτό που φαίνεται να είναι μια πολύ λεπτότερη στρώση.

Η βάση δεδομένων USDA FoodData Central καταγράφει το μαγειρεμένο λευκό ρύζι σε 130 θερμίδες ανά φλιτζάνι (186 g). Μια υποεκτίμηση 14.3% σε μια μερίδα 210 γραμμαρίων μεταφράζεται σε 33 χαμένες θερμίδες — και οι περισσότεροι άνθρωποι τρώνε ρύζι ως ένα συστατικό ενός μεγαλύτερου γεύματος. Τα σφάλματα συσσωρεύονται σε κάθε σωρευμένο τρόφιμο στο πιάτο.

Υγρά: Το Πρόβλημα της Αόρατης Έντασης

Τα υγρά ήταν η λιγότερο αξιόπιστη κατηγορία εκτίμησης, με αποκλίσεις 20-29%. Ένα ποτήρι χυμού πορτοκαλιού υποεκτιμήθηκε κατά 20%. Ο καφές με γάλα σε κούπα υποεκτιμήθηκε κατά 28.6%. Η σούπα σε μπολ υποεκτιμήθηκε κατά 25%.

Το πρόβλημα είναι απλό: το AI μπορεί να δει την επιφάνεια του υγρού αλλά δεν μπορεί να προσδιορίσει το βάθος του δοχείου. Ένα ευρύ, ρηχό μπολ και ένα στενό, βαθύ μπολ μπορούν να παρουσιάσουν πανομοιότυπες επιφάνειες σε μια φωτογραφία ενώ κρατούν εντελώς διαφορετικούς όγκους. Χωρίς να γνωρίζει τις διαστάσεις του δοχείου, η εκτίμηση όγκου του AI είναι θεμελιωδώς μια εικασία.

Το Πρόβλημα της Γωνίας: Ίδιο Τρόφιμο, Διαφορετικές Εκτιμήσεις

Πέρα από τη δοκιμή ακρίβειας ανά τρόφιμο, ερευνήσαμε αν το Cal AI παράγει συνεπείς εκτιμήσεις όταν το ίδιο τρόφιμο φωτογραφίζεται από διαφορετικές γωνίες.

Δοκιμή Συνοχής Γωνίας: Ψητό Στήθος Κοτόπουλου (174 g πραγματικό)

Γωνία Φωτογραφίας	Εκτίμηση Cal AI	Απόκλιση από το Πραγματικό
45 μοίρες (τυπική)	140 g	-19.5%
Άμεσα από πάνω (90 μοίρες)	155 g	-10.9%
Χαμηλή γωνία (20 μοίρες)	125 g	-28.2%
Πλευρική γωνία (10 μοίρες)	110 g	-36.8%

Το ίδιο στήθος κοτόπουλου 174 γραμμαρίων παρήγαγε εκτιμήσεις που κυμαίνονταν από 110 γραμμάρια έως 155 γραμμάρια ανάλογα με τη γωνία της κάμερας — μια διαφορά 45 γραμμαρίων. Η γωνία από πάνω παρήγαγε το πιο ακριβές αποτέλεσμα επειδή καταγράφει την πλήρη επιφάνεια, αλλά ακόμη και αυτό ήταν λανθασμένο κατά σχεδόν 11%. Οι χαμηλές και πλευρικές γωνίες υποεκτίμησαν δραματικά τη μερίδα επειδή το ύψος και το βάθος του φαγητού συμπιέστηκαν όλο και περισσότερο.

Αυτό σημαίνει ότι ο αριθμός θερμίδων που λαμβάνει ο χρήστης καθορίζεται εν μέρει από το πώς κρατά το τηλέφωνό του, όχι μόνο από το τι τρώει. Ένας χρήστης που φωτογραφίζει συνήθως το φαγητό από χαμηλή γωνία θα υπολογίζει συνεχώς λιγότερες θερμίδες σε σύγκριση με έναν χρήστη που φωτογραφίζει από πάνω.

Η Ψευδαίσθηση του Μεγέθους Πιάτου: Ίδια Μερίδα, Διαφορετικά Πιάτα

Δοκιμάσαμε αν το μέγεθος του πιάτου επηρεάζει την εκτίμηση μερίδας του Cal AI τοποθετώντας 200 γραμμάρια μαγειρεμένων ζυμαρικών σε τρία διαφορετικά πιάτα.

Δοκιμή Μεγέθους Πιάτου: 200 g Μαγειρεμένα Ζυμαρικά

Διάμετρος Πιάτου	Εκτίμηση Cal AI	Απόκλιση
20 cm (μικρό πιάτο)	225 g	+12.5%
26 cm (τυπικό πιάτο)	195 g	-2.5%
32 cm (μεγάλο πιάτο)	155 g	-22.5%

Τα ίδια 200 γραμμάρια ζυμαρικών εκτιμήθηκαν σε 225 γραμμάρια σε ένα μικρό πιάτο και 155 γραμμάρια σε ένα μεγάλο πιάτο — μια διαφορά 70 γραμμαρίων που βασίζεται αποκλειστικά στο μέγεθος του πιάτου. Αυτή είναι η ψευδαίσθηση Delboeuf, μια καλά τεκμηριωμένη αντιληπτική προκατάληψη όπου τα αντικείμενα φαίνονται μεγαλύτερα όταν περιβάλλονται από ένα μικρό πλαίσιο και μικρότερα όταν περιβάλλονται από ένα μεγάλο πλαίσιο. Το AI έχει μάθει αυτή την ίδια προκατάληψη από τα δεδομένα εκπαίδευσής του, τα οποία περιλαμβάνουν φωτογραφίες τροφίμων όπου το μέγεθος του πιάτου συσχετίζεται με το αντιληπτό μέγεθος της μερίδας.

Για χρήστες που τρώνε από μεγάλα πιάτα εστιατορίων ή σκεύη σερβιρίσματος, αυτό σημαίνει ότι το Cal AI θα υποεκτιμά συστηματικά τις μερίδες τους. Για χρήστες που τρώνε από μικρά πιάτα επιδορπίων, η εφαρμογή θα υπερεκτιμά. Καμία ομάδα δεν λαμβάνει μια ακριβή καταμέτρηση του τι πραγματικά κατανάλωσαν.

Δοκιμή Συνοχής: Ίδιο Τρόφιμο, Πέντε Φωτογραφίες

Φωτογραφήσαμε μια μερίδα ψητού στήθους κοτόπουλου με ρύζι και μπρόκολο (542 πραγματικές θερμίδες) πέντε φορές διαδοχικά, ρυθμίζοντας μόνο ελαφρώς τη γωνία του τηλεφώνου κάθε φορά.

Δοκιμή Συνοχής Πέντε Φωτογραφιών

Αριθμός Φωτογραφίας	Συνολικές Θερμίδες Cal AI	Απόκλιση από το Πραγματικό
1	450	-17.0%
2	478	-11.8%
3	435	-19.7%
4	462	-14.8%
5	448	-17.3%

Πέντε φωτογραφίες του ίδιου γεύματος παρήγαγαν πέντε διαφορετικές εκτιμήσεις θερμίδων, κυμαινόμενες από 435 έως 478 — μια διαφορά 43 θερμίδων. Ο μέσος όρος ήταν 455 θερμίδες, υποεκτιμώντας τις πραγματικές 542 θερμίδες κατά 16.1%. Ούτε μία φωτογραφία δεν παρήγαγε αποτέλεσμα εντός 10% της πραγματικής θερμιδικής περιεκτικότητας.

Αυτή η δοκιμή αποδεικνύει ταυτόχρονα τα προβλήματα ακρίβειας και συνέπειας. Οι εκτιμήσεις είναι συνεχώς πολύ χαμηλές (αποτυχία ακρίβειας), και ποικίλλουν σε φωτογραφίες του ίδιου φαγητού (αποτυχία συνέπειας). Ένας χρήστης που καταγράφει αυτό το γεύμα λαμβάνει έναν διαφορετικό αριθμό ανάλογα με ποια από τις πέντε φωτογραφίες τυχαίνει να τραβήξει.

Πώς Συσσωρεύονται οι Καθημερινές Εσφαλμένες Εκτιμήσεις

Τα ατομικά σφάλματα ανά τρόφιμο στις δοκιμές μας έχουν μέσο όρο 37 θερμίδες. Αυτό ακούγεται μικρό μέχρι να σκεφτείτε ότι μια τυπική ημέρα περιλαμβάνει την καταγραφή 10 έως 15 ατομικών τροφίμων σε τρία γεύματα και σνακ.

Σενάριο Καθημερινής Συσσώρευσης

Γεύμα	Τρόφιμα που Καταγράφηκαν	Πραγματικές Θερμίδες	Συνολικές Θερμίδες Cal AI	Συσσωρευμένο Σφάλμα
Πρωινό (βρώμη, μπανάνα, φυστικοβούτυρο)	3 αντικείμενα	445	385	-60
Μεσημεριανό (κοτόπουλο, ρύζι, λαχανικά)	3 αντικείμενα	542	450	-92
Σνακ (αμύγδαλα, γιαούρτι)	2 αντικείμενα	304	251	-53
Δείπνο (μπριζόλα, πουρές πατάτας, σαλάτα)	3 αντικείμενα	816	640	-176
Συνολική Ημέρα	11 αντικείμενα	2,107	1,726	-381

Μια υποεκτίμηση 381 θερμίδων καθημερινά. Αυτό είναι το 18.1% της συνολικής πρόσληψης — μια έλλειψη που δεν υπάρχει. Ένας χρήστης που σχεδιάζει μια καθημερινή έλλειψη 500 θερμίδων για απώλεια βάρους είναι στην πραγματικότητα σε έλλειψη 119 θερμίδων αφού ληφθεί υπόψη η μεροληψία υποεκτίμησης του Cal AI. Με αυτόν τον ρυθμό, μια προγραμματισμένη απώλεια 1 κιλού την εβδομάδα γίνεται 0.24 κιλά την εβδομάδα. Ένας μήνας πειθαρχημένης παρακολούθησης παράγει τα αποτελέσματα μιας εβδομάδας που αναμένονται, και ο χρήστης δεν έχει τρόπο να προσδιορίσει γιατί.

Έρευνες που δημοσιεύθηκαν στο American Journal of Clinical Nutrition έχουν δείξει συνεχώς ότι η υποαναφορά της πρόσληψης τροφής είναι η πιο κοινή κατεύθυνση σφάλματος στην διατροφική εκτίμηση, και τα συστήματα AI που εκπαιδεύονται σε δεδομένα που έχουν επισημανθεί από ανθρώπους κληρονομούν αυτή τη μεροληψία.

Πώς το Nutrola Αντιμετωπίζει Διαφορετικά την Εκτίμηση Μερίδας

Η προσέγγιση του Nutrola στο πρόβλημα της εκτίμησης μερίδας είναι να αντιμετωπίσει την φωτογραφική AI ως σημείο εκκίνησης, όχι ως τελική απάντηση. Η αναγνώριση φωτογραφιών της εφαρμογής εντοπίζει τρόφιμα και τα αντιστοιχεί σε μια βάση δεδομένων που έχει επαληθευτεί από διατροφολόγους με πάνω από 1.8 εκατομμύρια καταχωρίσεις, καθορίζοντας ακριβείς θερμίδες ανά γραμμάριο. Αλλά αντί να βασίζεται αποκλειστικά στο AI για να μαντέψει το μέγεθος της μερίδας, το Nutrola παρέχει μια φωνητική διόρθωση.

Αφού φωτογραφίσετε το γεύμα σας, μπορείτε να πείτε "στην πραγματικότητα αυτό ήταν περίπου 200 γραμμάρια κοτόπουλου" ή "το ρύζι ήταν περίπου ένα φλιτζάνι." Η καταχώριση ενημερώνεται άμεσα με βάση τα επαληθευμένα δεδομένα διατροφής ανά γραμμάριο. Αυτό διαρκεί δευτερόλεπτα — πιο γρήγορα από την χειροκίνητη αναζήτηση — και επιλύει τον θεμελιώδη περιορισμό ότι κανένα AI δεν μπορεί να εκτιμήσει με ακρίβεια τον τρισδιάστατο όγκο από μια δισδιάστατη εικόνα.

Η επαληθευμένη βάση δεδομένων είναι ο κρίσιμος διαφοροποιητής. Ακόμη και όταν η εκτίμηση μερίδας είναι τέλεια, ο αριθμός θερμίδων είναι μόνο όσο αξιόπιστα είναι τα διατροφικά δεδομένα που αναφέρεται. Η βάση δεδομένων του Nutrola περιέχει μία επαληθευμένη καταχώριση ανά τρόφιμο, προερχόμενη από δεδομένα που έχουν επικυρωθεί από διατροφολόγους, χωρίς πλήθος επαναλαμβανόμενων ή αντικρουόμενων καταχωρίσεων. Ο συνδυασμός αναγνώρισης φωτογραφιών, διόρθωσης με φωνητική καταχώριση και επαληθευμένων δεδομένων παράγει καταγραφές θερμίδων που αντικατοπτρίζουν αυτό που πραγματικά φάγατε, αντί για αυτό που μάντεψε ένα AI από μια φωτογραφία.

Το Nutrola περιλαμβάνει επίσης σάρωση γραμμωτού κώδικα για συσκευασμένα τρόφιμα και εισαγωγή συνταγών για σπιτικά γεύματα, διασφαλίζοντας συνεπή ποιότητα δεδομένων σε κάθε μέθοδο καταγραφής. Διαθέσιμο σε iOS και Android με 2.50 € το μήνα χωρίς διαφημίσεις σε κανένα πλάνο, το Nutrola έχει σχεδιαστεί γύρω από την αρχή ότι η ταχύτητα και η ακρίβεια δεν είναι αμοιβαία αποκλειόμενα.

Συχνές Ερωτήσεις

Πόσο ακριβές είναι το Cal AI για την καταμέτρηση θερμίδων;

Στις δοκιμές μας με 20 τρόφιμα, οι εκτιμήσεις μερίδας του Cal AI αποκλίνουν από τα πραγματικά μετρημένα βάρη κατά μέσο όρο 16.9%. Αυτό μεταφράζεται σε μέσο σφάλμα θερμίδων 37 θερμίδων ανά ατομικό τρόφιμο. Μόνο το 25% των τροφίμων (5 από τα 20) εκτιμήθηκαν με ακρίβεια εντός 10%. Η εφαρμογή παρουσίασε ισχυρή μεροληψία υποεκτίμησης, υπολογίζοντας λιγότερες μερίδες για 18 από τα 20 τρόφιμα που δοκιμάστηκαν. Για μια πλήρη ημέρα διατροφής, αυτά τα σφάλματα ανά είδος συσσωρεύτηκαν σε μια υποεκτίμηση 381 θερμίδων στο σενάριο δοκιμής μας.

Γιατί το Cal AI δίνει διαφορετικές θερμίδες για το ίδιο γεύμα;

Οι εκτιμήσεις του Cal AI αλλάζουν ανάλογα με τη γωνία φωτογραφίας, τον φωτισμό και το πλαίσιο γιατί συμπεραίνει το μέγεθος της μερίδας 3D από μια δισδιάστατη εικόνα. Στη δοκιμή συνέπειας, πέντε φωτογραφίες του ίδιου γεύματος παρήγαγαν εκτιμήσεις θερμίδων που κυμαίνονταν από 435 έως 478 — μια διαφορά 43 θερμίδων. Η γωνία της κάμερας έχει τη μεγαλύτερη επίδραση: η δοκιμή γωνίας μας έδειξε ότι ένα μόνο στήθος κοτόπουλου εκτιμήθηκε σε 110 γραμμάρια από πλευρική γωνία σε σύγκριση με 155 γραμμάρια από άμεση άποψη.

Είναι το Cal AI πιο ακριβές για ορισμένα τρόφιμα από άλλα;

Ναι. Το Cal AI είναι πιο ακριβές για τρόφιμα με ομοιόμορφα, προβλέψιμα σχήματα: φέτες ψωμιού (5.3% απόκλιση), βραστά αυγά (0% απόκλιση) και ολόκληρα φρούτα (6.6% απόκλιση). Είναι λιγότερο ακριβές για ανώμαλα κρέατα (19-22% απόκλιση), σωρευμένα τρόφιμα όπως ρύζι και ζυμαρικά (14-20% απόκλιση) και υγρά (20-29% απόκλιση). Αν η διατροφή σας αποτελείται κυρίως από απλά, ομοιόμορφα τρόφιμα, η εφαρμογή θα είναι πιο αξιόπιστη από ότι αν τρώτε πολύπλοκα, πολυσυστατικά γεύματα.

Επηρεάζει το μέγεθος του πιάτου την εκτίμηση θερμίδων του Cal AI;

Ναι. Στη δοκιμή μεγέθους πιάτου μας, 200 γραμμάρια ζυμαρικών εκτιμήθηκαν σε 225 γραμμάρια σε ένα μικρό πιάτο και 155 γραμμάρια σε ένα μεγάλο πιάτο — μια διαφορά 70 γραμμαρίων για την ίδια μερίδα. Αυτό προκαλείται από την ψευδαίσθηση Delboeuf, όπου το περιβάλλον αλλάζει το αντιληπτό μέγεθος ενός αντικειμένου. Οι χρήστες που τρώνε από μεγάλα πιάτα ή πιάτα εστιατορίων θα βλέπουν συνεχώς υποεκτιμημένες μερίδες.

Μπορώ να χρησιμοποιήσω το Cal AI για απώλεια βάρους;

Το Cal AI μπορεί να παρέχει μια πρόχειρη επίγνωση θερμίδων, αλλά η συστηματική μεροληψία υποεκτίμησης το καθιστά προβληματικό για ακριβή απώλεια βάρους με βάση την έλλειψη. Στο καθημερινό μας σενάριο, μια προγραμματισμένη έλλειψη 500 θερμίδων μειώθηκε σε μια αποτελεσματική έλλειψη 119 θερμίδων αφού ληφθεί υπόψη η υποεκτίμηση του Cal AI — μια μείωση 76% στην προγραμματισμένη έλλειψη. Για πιο αξιόπιστα αποτελέσματα, συνδυάστε την φωτογραφική καταγραφή με την πραγματική ζύγιση τροφίμων ή χρησιμοποιήστε μια εφαρμογή όπως το Nutrola που συνδυάζει την φωτογραφική AI με διορθωμένες με φωνή μερίδες και επαληθευμένη διατροφική βάση δεδομένων.