Πόσο Αξιόπιστο Είναι το Lose It! Snap It Photo Feature; Έλεγχος Αναγνώρισης και Συνοχής

Το Lose It! Snap It είναι ένα χαρακτηριστικό αναγνώρισης τροφίμων μέσω φωτογραφίας στην εφαρμογή παρακολούθησης θερμίδων Lose It! που έχει αναπτύξει η FitNow Inc. Η ιδέα είναι απλή και ελκυστική: τραβήξτε μια φωτογραφία του φαγητού σας και η εφαρμογή το αναγνωρίζει και καταγράφει αυτόματα τις θερμίδες. Χωρίς χειροκίνητη αναζήτηση, χωρίς κύλιση σε καταχωρήσεις βάσης δεδομένων, χωρίς πληκτρολόγηση. Απλώς στοχεύστε, τραβήξτε και προχωρήστε.

Ωστόσο, η αξιοπιστία στην καταγραφή τροφίμων μέσω φωτογραφίας απαιτεί τρία πράγματα να λειτουργούν ταυτόχρονα. Η εφαρμογή πρέπει να αναγνωρίζει σωστά τι είναι το φαγητό. Πρέπει να εκτιμά με ακρίβεια το μέγεθος της μερίδας. Και πρέπει να παράγει συνεπή αποτελέσματα — δηλαδή, αν φωτογραφίσετε το ίδιο γεύμα δύο φορές, θα πρέπει να έχετε την ίδια καταμέτρηση θερμίδων και τις δύο φορές. Όταν αποτυγχάνει οποιοδήποτε από αυτά τα τρία στοιχεία, τα καταγεγραμμένα δεδομένα γίνονται αναξιόπιστα.

Δοκιμάσαμε και τα τρία φωτογραφίζοντας 20 διαφορετικά γεύματα δύο φορές το καθένα μέσω του Snap It. Ακολουθεί μια λεπτομερής ανάλυση του πού το χαρακτηριστικό είναι αξιόπιστο, πού αποτυγχάνει και τι σημαίνει αυτό για την ακρίβεια παρακολούθησης θερμίδων σας.

Τι Σημαίνει "Αξιόπιστο" για την Καταγραφή Τροφίμων μέσω Φωτογραφίας;

Η αξιοπιστία για ένα χαρακτηριστικό καταγραφής μέσω φωτογραφίας σημαίνει τρία πράγματα που συμβαδίζουν. Η εφαρμογή αναγνωρίζει σωστά το φαγητό στην εικόνα. Εκτιμά ένα μέγεθος μερίδας κοντά στην πραγματική ποσότητα. Και παράγει το ίδιο αποτέλεσμα όταν δίνεται η ίδια είσοδος.

Αν η αναγνώριση αποτύχει — η εφαρμογή ονομάζει την κινόα "ρύζι" — τα δεδομένα θερμίδων είναι λάθος από την αρχή. Αν η αναγνώριση είναι επιτυχής αλλά η εκτίμηση της μερίδας είναι λάθος κατά 40%, η καταμέτρηση θερμίδων παραμένει άσχετη. Και αν φωτογραφίσετε το ίδιο πιάτο δύο φορές και πάρετε δύο διαφορετικά αποτελέσματα, δεν μπορείτε να εμπιστευτείτε κανένα από τα δύο.

Οι περισσότερες κριτικές για την καταγραφή τροφίμων μέσω φωτογραφίας εστιάζουν μόνο στην ακρίβεια αναγνώρισης. Αλλά η αναγνώριση χωρίς ακριβή εκτίμηση μερίδας είναι σαν να ονομάζετε σωστά μια πόλη αλλά να μαντεύετε την απόσταση — ξέρετε πού πάτε αλλά δεν έχετε ιδέα πόσο μακριά είναι. Όλες οι τρεις διαστάσεις πρέπει να λειτουργούν για να είναι το χαρακτηριστικό πραγματικά χρήσιμο.

Μεθοδολογία Δοκιμής: 20 Γεύματα, Φωτογραφημένα Δύο Φορές το Καθένα

Ετοιμάσαμε 20 γεύματα που καλύπτουν πέντε κατηγορίες: μεμονωμένα ολόκληρα τρόφιμα, συσκευασμένα προϊόντα, απλά πιάτα, πιάτα εστιατορίου με πολλές συνιστώσες και μεικτά μπολ. Κάθε γεύμα φωτογραφήθηκε δύο φορές μέσω του Lose It! Snap It υπό συνεπείς συνθήκες φωτισμού σε γωνία 45 μοιρών, η οποία είναι η πιο κοινή γωνία για φωτογραφία φαγητού.

Μεταξύ των δύο φωτογραφιών κάθε γεύματος, περιμέναμε 60 δευτερόλεπτα και προσαρμόσαμε ελαφρώς τη θέση του τηλεφώνου για να προσομοιώσουμε την πραγματική μεταβλητότητα. Το φαγητό δεν μετακινήθηκε ή τροποποιήθηκε. Καταγράψαμε τρεις μετρήσεις για κάθε δοκιμή: αν το φαγητό αναγνωρίστηκε σωστά, πόσο κοντά ήταν η εκτιμημένη μερίδα στο πραγματικό μετρημένο βάρος και αν και οι δύο φωτογραφίες παρήγαγαν το ίδιο αποτέλεσμα θερμίδων.

Αποτελέσματα Αξιοπιστίας κατά Κατηγορία Τροφίμων

Πίνακας Ακρίβειας Αναγνώρισης, Ακρίβειας Μερίδας και Συνοχής

Φαγητό	Κατηγορία	Σωστή Αναγνώριση (Φωτογραφία 1)	Σωστή Αναγνώριση (Φωτογραφία 2)	Ακρίβεια Μερίδας	Συνεπές Αποτέλεσμα
Μήλο, ολόκληρο	Μεμονωμένο αντικείμενο	Ναι	Ναι	Μέσα σε 10%	Ναι
Μπανάνα, ολόκληρη	Μεμονωμένο αντικείμενο	Ναι	Ναι	Μέσα σε 5%	Ναι
Μπάρα πρωτεΐνης (ορατή συσκευασία)	Συσκευασμένο	Ναι	Ναι	Ακριβές	Ναι
Γιαούρτι (ορατή ετικέτα)	Συσκευασμένο	Ναι	Ναι	Ακριβές	Ναι
Ψητό κοτόπουλο + ρύζι	Απλό πιάτο	Ναι	Ναι	Μέσα σε 20%	Όχι (18 θερμίδες διαφορά)
Ζυμαρικά με μαρινάρα	Απλό πιάτο	Ναι	Ναι	Μέσα σε 25%	Όχι (34 θερμίδες διαφορά)
Μπριζόλα + πουρέ πατάτας + σπαράγγια	Πολλαπλών συνιστωσών	Μερική (έλειπε το σπαράγγι)	Ναι	Μέσα σε 35%	Όχι (67 θερμίδες διαφορά)
Μπολ μπουρίτο	Μεικτό μπολ	Μερική (έλειπαν τα φασόλια)	Μερική (έλειπε το καλαμπόκι)	Μέσα σε 40%	Όχι (89 θερμίδες διαφορά)
Μπολ δημητριακών με τόφου	Μεικτό μπολ	Μερική (τόφου ως κοτόπουλο)	Μερική (τόφου ως κοτόπουλο)	Μέσα σε 45%	Όχι (52 θερμίδες διαφορά)
Σαλάτα Caesar με κρουτόν	Απλό πιάτο	Ναι	Ναι	Μέσα σε 30%	Όχι (41 θερμίδες διαφορά)
Πιάτο σούσι (8 κομμάτια, μεικτό)	Πολλαπλών συνιστωσών	Μερική (3 από 4 τύπους)	Μερική (2 από 4 τύπους)	Μέσα σε 35%	Όχι (73 θερμίδες διαφορά)
Βρώμη με μούρα και ξηρούς καρπούς	Μεικτό μπολ	Μερική (έλειπαν οι ξηροί καρποί)	Ναι	Μέσα σε 25%	Όχι (38 θερμίδες διαφορά)
Σάντουιτς (ορατό τμήμα)	Απλό πιάτο	Ναι	Ναι	Μέσα σε 20%	Όχι (22 θερμίδες διαφορά)
Ρύζι vs κουσκούς (κουσκούς)	Μεμονωμένο αντικείμενο	Όχι (αναγνωρίστηκε ως ρύζι)	Όχι (αναγνωρίστηκε ως ρύζι)	Μέσα σε 15%	Ναι (σταθερά λάθος)
Μπολ κινόας	Μεμονωμένο αντικείμενο	Όχι (αναγνωρίστηκε ως ρύζι)	Ναι	Μέσα σε 20%	Όχι (45 θερμίδες διαφορά)
Κομμάτι πίτσας	Απλό πιάτο	Ναι	Ναι	Μέσα σε 15%	Ναι
Smoothie σε ποτήρι	Υγρό	Ναι	Μερική (έλειπε η πρωτεΐνη σε σκόνη)	Μέσα σε 50%	Όχι (62 θερμίδες διαφορά)
Κάρι με ρύζι	Μεικτό μπολ	Μερική (γενικό κάρι)	Μερική (γενικό κάρι)	Μέσα σε 40%	Όχι (55 θερμίδες διαφορά)
Αυγά σε τοστ	Απλό πιάτο	Ναι	Ναι	Μέσα σε 15%	Ναι
Μπολ Poke	Μεικτό μπολ	Μερική (έλειπε το edamame)	Μερική (έλειπε το φύκι)	Μέσα σε 45%	Όχι (81 θερμίδες διαφορά)

Συνολικά Αποτελέσματα:

• Πλήρης σωστή αναγνώριση: 60% των φωτογραφιών (24 από 40)
• Μερική αναγνώριση (έλειπαν συνιστώσες): 30% (12 από 40)
• Λάθος αναγνώριση: 10% (4 από 40)
• Συνεπές αποτέλεσμα σε όλες τις φωτογραφίες: 30% των γευμάτων (6 από 20)
• Μέση απόκλιση ακρίβειας μερίδας: 25.5%

Πού Είναι Αξιόπιστο το Snap It

Το Snap It αποδίδει καλά σε δύο συγκεκριμένα σενάρια που μοιράζονται ένα κοινό χαρακτηριστικό: οπτική απλότητα.

Συσκευασμένα Τρόφιμα με Ορατές Ετικέτες

Όταν ένας γραμμωτός κωδικός ή ετικέτα μάρκας είναι ορατός στη φωτογραφία, το Snap It λειτουργεί αποτελεσματικά ως οπτικός σαρωτής γραμμωτού κωδικού. Αναγνωρίζει το ακριβές προϊόν και αντλεί δεδομένα θερμίδων από τη βάση δεδομένων του. Σε αυτές τις περιπτώσεις, η αναγνώριση είναι σωστή, η μερίδα ταιριάζει με το μέγεθος της συσκευασίας και τα αποτελέσματα είναι απόλυτα συνεπή. Αυτή είναι η πιο ισχυρή περίπτωση χρήσης του χαρακτηριστικού, αν και εγείρει το ερώτημα γιατί να χρησιμοποιήσετε την καταγραφή μέσω φωτογραφίας αντί να σαρώσετε απλώς τον γραμμωτό κωδικό.

Απλά Μεμονωμένα Αντικείμενα

Ολόκληρα φρούτα, ένα απλό αυγό, μια φέτα ψωμιού — τρόφιμα που είναι οπτικά αδιαμφισβήτητα και έρχονται σε σχετικά τυποποιημένα μεγέθη. Το Snap It αναγνώρισε σωστά κάθε μεμονωμένο ολόκληρο τρόφιμο στη δοκιμή μας και εκτίμησε τις μερίδες εντός 5-15% του πραγματικού βάρους. Η συνοχή ήταν επίσης ισχυρή, με τις δύο φωτογραφίες να παράγουν το ίδιο ή σχεδόν το ίδιο αποτέλεσμα.

Ο κοινός παράγοντας είναι ότι αυτά τα τρόφιμα έχουν μια διακριτική οπτική υπογραφή και προβλέψιμα μεγέθη μερίδας. Ένα μήλο φαίνεται όπως ένα μήλο από οποιαδήποτε γωνία, και η περιεκτικότητά του σε θερμίδες κυμαίνεται σε στενό εύρος ανεξαρτήτως του ακριβούς μεγέθους.

Πού Είναι Αναξιόπιστο το Snap It

Οι αποτυχίες αξιοπιστίας συγκεντρώνονται γύρω από τρία σενάρια που αντιπροσωπεύουν την πλειονότητα των γευμάτων στην πραγματική ζωή.

Γεύματα Πολλαπλών Συνιστωσών

Όταν ένα πιάτο περιέχει τρία ή περισσότερα διακριτά τρόφιμα, το Snap It συχνά παραλείπει τουλάχιστον μία συνιστώσα. Στη δοκιμή του δείπνου με μπριζόλα, η πρώτη φωτογραφία δεν κατέγραψε καθόλου το σπαράγγι. Στη δοκιμή του πιάτου σούσι, η εφαρμογή αναγνώρισε μόνο 2-3 από τους 4 τύπους σούσι που ήταν παρόντες. Κάθε παραλειπόμενη συνιστώσα είναι ένα ολόκληρο τρόφιμο που δεν καταγράφεται — συχνά 50-150 θερμίδες που απλά εξαφανίζονται από το ημερήσιο σύνολο σας.

Μεικτά Μπολ και Στρωμένα Τρόφιμα

Τα μπολ μπουρίτο, τα μπολ δημητριακών, τα μπολ poke και τα κάρι απέδωσαν πολύ άσχημα. Όταν τα συστατικά είναι ανακατεμένα ή στρωμένα, η AI δυσκολεύεται να διακρίνει τις ατομικές συνιστώσες. Το μπολ μπουρίτο μας περιείχε ρύζι, κοτόπουλο, φασόλια, καλαμπόκι, σάλτσα, τυρί και γκουακαμόλε. Το Snap It αναγνώρισε το ρύζι και το κοτόπουλο αλλά έχασε τα φασόλια σε μία φωτογραφία και το καλαμπόκι σε άλλη. Η εκτίμηση μερίδας για τα μεικτά μπολ είχε μέση απόκλιση 40-45% από τις πραγματικές μετρήσεις.

Οπτικά Παρόμοια Τρόφιμα

Το κουσκούς αναγνωρίστηκε ως ρύζι και στις δύο φωτογραφίες — μια σταθερή λανθασμένη αναγνώριση. Η κινόα αναγνωρίστηκε ως ρύζι σε μία φωτογραφία και σωστά στην άλλη. Το ρύζι από κουνουπίδι, το κανονικό ρύζι και το κουσκούς είναι σχεδόν αδιάκριτα σε φωτογραφίες, αλλά οι πυκνότητες θερμίδων τους διαφέρουν σημαντικά. Το κουσκούς περιέχει περίπου 176 θερμίδες ανά μαγειρεμένο φλιτζάνι σε σύγκριση με το ρύζι που έχει 206 θερμίδες ανά φλιτζάνι. Μια σταθερή λανθασμένη αναγνώριση του κουσκούς ως ρύζι προσθέτει 30 θερμίδες ανά φλιτζάνι που ο χρήστης δεν κατανάλωσε πραγματικά.

Ανάλυση Λανθασμένων Λειτουργιών

Κατηγοριοποιήσαμε κάθε σφάλμα σε όλες τις 40 φωτογραφίες για να εντοπίσουμε πρότυπα.

Πίνακας Συχνότητας Λανθασμένων Λειτουργιών

Λανθασμένη Λειτουργία	Εμφανίσεις	% Όλων των Φωτογραφιών	Μέση Επίδραση Θερμίδων
Παραλειπόμενη συνιστώσα σε γεύμα πολλαπλών στοιχείων	10	25%	85 θερμίδες
Υπερεκτίμηση μερίδας (>20% πάνω από την πραγματική)	7	17.5%	62 θερμίδες
Υποεκτίμηση μερίδας (>20% κάτω από την πραγματική)	9	22.5%	58 θερμίδες
Λάθος αναγνώριση τροφίμου	4	10%	45 θερμίδες
Ασυνεπές αποτέλεσμα (ίδιο γεύμα, διαφορετικές θερμίδες)	14	35%*	Μέση διαφορά 52 θερμίδων
Παραλειπόμενες θερμίδες υγρών (ντρέσινγκ, σάλτσα, λάδι)	6	15%	72 θερμίδες

*Μετρήθηκε σε 20 ζεύγη γευμάτων, όχι σε 40 μεμονωμένες φωτογραφίες.

Η πιο συχνή αποτυχία ήταν η ασυνέπεια — 14 από τα 20 γεύματα παρήγαγαν διαφορετικές καταμετρήσεις θερμίδων όταν φωτογραφήθηκαν δύο φορές. Η πιο σημαντική σε θερμίδες αποτυχία ήταν οι παραλειπόμενες συνιστώσες, με μέσες 85 θερμίδες που δεν καταγράφηκαν ανά εμφάνιση. Οι παραλειπόμενες θερμίδες υγρών (ντρέσινγκ, μαγειρικά λάδια, σάλτσες) ήταν επίσης σημαντικές με 72 θερμίδες ανά παράλειψη.

Αυτές οι αποτυχίες δεν συμβαίνουν μεμονωμένα. Μια φωτογραφία γεύματος μπορεί να προκαλέσει πολλές λανθασμένες λειτουργίες ταυτόχρονα — ένα μεικτό μπολ μπορεί να έχει παραλειπόμενη συνιστώσα, υποεκτιμημένη μερίδα και ασυνεπές αποτέλεσμα σε σύγκριση με τη δεύτερη φωτογραφία.

Το Πρόβλημα Εναλλακτικής Λύσης: Όταν Αποτυγχάνει η Καταγραφή μέσω Φωτογραφίας

Όταν το Snap It δεν μπορεί να αναγνωρίσει ένα φαγητό ή ο χρήστης αναγνωρίζει ότι η αναγνώριση είναι λάθος, η εφαρμογή επιστρέφει σε χειροκίνητη αναζήτηση. Εδώ αναδύεται ένα δεύτερο πρόβλημα αξιοπιστίας. Το Lose It! χρησιμοποιεί μια βάση δεδομένων που περιλαμβάνει καταχωρήσεις υποβληθείσες από χρήστες παράλληλα με επαληθευμένα δεδομένα, παρόμοια στη δομή με άλλες βάσεις δεδομένων που βασίζονται σε πλήθος χρηστών.

Ένας χρήστης που ξεκίνησε με την καταγραφή μέσω φωτογραφίας για να εξοικονομήσει χρόνο τώρα πρέπει να αναζητήσει χειροκίνητα μια βάση δεδομένων, να αξιολογήσει πολλές καταχωρήσεις για το ίδιο φαγητό και να μαντέψει ποια είναι σωστή. Το πλεονέκτημα ταχύτητας της καταγραφής μέσω φωτογραφίας χάνεται, και ο χρήστης επιστρέφει στα ίδια προβλήματα ακρίβειας που επηρεάζουν οποιαδήποτε βάση δεδομένων τροφίμων που βασίζεται σε πλήθος χρηστών. Η μελέτη του 2019 στο Journal of the Academy of Nutrition and Dietetics διαπίστωσε ότι οι βάσεις δεδομένων διατροφής που βασίζονται σε πλήθος χρηστών περιείχαν σημαντικά λάθη σε περίπου 27% των καταχωρήσεων που εξετάστηκαν.

Αυτό δημιουργεί μια ασυνεπή εμπειρία παρακολούθησης. Ορισμένα γεύματα καταγράφονται μέσω φωτογραφίας με ένα επίπεδο ακρίβειας. Άλλα γεύματα καταγράφονται χειροκίνητα με διαφορετικό επίπεδο ακρίβειας. Το ημερήσιο σύνολο θερμίδων του χρήστη γίνεται ένα μωσαϊκό δεδομένων με μεταβλητή αξιοπιστία, καθιστώντας δύσκολη την αναγνώριση τάσεων ή την εμπιστοσύνη στους αριθμούς.

Πώς Η AI Φωτογραφίας της Nutrola Προσεγγίζει Διαφορετικά την Αξιοπιστία

Η AI φωτογραφίας της Nutrola αντιμετωπίζει τις τρεις διαστάσεις αξιοπιστίας — αναγνώριση, ακρίβεια μερίδας και συνοχή — μέσω διαφορετικής αρχιτεκτονικής προσέγγισης.

Η αναγνώριση τροφίμων στη Nutrola χαρτογραφεί κάθε αναγνωρισμένο τρόφιμο απευθείας σε μια βάση δεδομένων επαληθευμένων διατροφικών στοιχείων με πάνω από 1.8 εκατομμύρια καταχωρήσεις. Όταν η AI αναγνωρίζει κοτόπουλο στη φωτογραφία σας, συνδέεται με μια μοναδική επαληθευμένη καταχώρηση για στήθος κοτόπουλου, όχι με μια λίστα επιλογών υποβληθείσας από χρήστες με μεταβλητές θερμίδες. Αυτό εξαλείφει το καταρρέον σφάλμα όπου μια σωστή αναγνώριση οδηγεί σε λάθος θερμίδες λόγω μιας κακής καταχώρησης στη βάση δεδομένων.

Για την ακρίβεια μερίδας, η Nutrola συνδυάζει την ανάλυση φωτογραφίας με την καταγραφή φωνής ως γρήγορη στρώση διόρθωσης. Αν η AI εκτιμά τη μερίδα του ρυζιού σας στα 150 γραμμάρια αλλά εσείς ξέρετε ότι ζυγίσατε 200 γραμμάρια, μπορείτε να πείτε "στην πραγματικότητα ήταν περίπου 200 γραμμάρια" και η καταχώρηση ενημερώνεται άμεσα. Αυτή η προσέγγιση ανθρώπου στη διαδικασία αναγνωρίζει ότι καμία AI δεν εκτιμά τέλεια τις μερίδες από μια 2D φωτογραφία ενώ παρέχει έναν μηχανισμό διόρθωσης που διαρκεί δευτερόλεπτα αντί να απαιτεί πλήρη χειροκίνητη αναζήτηση.

Το πλεονέκτημα της συνοχής προέρχεται από την επαληθευμένη βάση δεδομένων. Δεδομένου ότι κάθε τρόφιμο χαρτογραφείται σε μία καταχώρηση, οι επαναλαμβανόμενες φωτογραφίες που αναγνωρίζουν το ίδιο φαγητό παράγουν πάντα την ίδια βασική θερμιδική αξία. Οι εκτιμήσεις μερίδας μπορεί να διαφέρουν ελαφρώς μεταξύ φωτογραφιών, αλλά τα υποκείμενα διατροφικά δεδομένα είναι σταθερά και επαληθευμένα.

Η Nutrola προσφέρει επίσης σάρωση γραμμωτού κωδικού για συσκευασμένα τρόφιμα και δυνατότητα εισαγωγής συνταγών για σπιτικά γεύματα, διασφαλίζοντας ότι κάθε μέθοδος καταγραφής συνδέεται με την ίδια επαληθευμένη βάση δεδομένων. Διαθέσιμη σε iOS και Android με 2.50 € το μήνα χωρίς διαφημίσεις, η Nutrola δίνει προτεραιότητα στην αξιοπιστία των δεδομένων έναντι του μεγέθους της βάσης δεδομένων.

Συχνές Ερωτήσεις

Πόσο ακριβές είναι το Lose It! Snap It για καθημερινά γεύματα;

Στη δοκιμή μας, το Snap It αναγνώρισε σωστά όλα τα συστατικά τροφίμων σε μόνο 60% των φωτογραφιών. Για μεμονωμένα αντικείμενα και συσκευασμένα τρόφιμα, η ακρίβεια ήταν υψηλή — προσεγγίζοντας το 95% σωστή αναγνώριση με εκτιμήσεις μερίδας εντός 5-15% του πραγματικού βάρους. Για γεύματα πολλαπλών συνιστωσών και μεικτά μπολ, η ακρίβεια μειώθηκε σημαντικά, με την εφαρμογή να παραλείπει τουλάχιστον μία συνιστώσα τροφίμου στο 25% όλων των φωτογραφιών και τις εκτιμήσεις μερίδας να αποκλίνουν κατά 35-45% από τις μετρημένες τιμές.

Δίνει το Snap It το ίδιο αποτέλεσμα αν φωτογραφίσω το ίδιο γεύμα δύο φορές;

Όχι. Στη δοκιμή μας με 20 γεύματα που φωτογραφήθηκαν δύο φορές το καθένα, μόνο το 30% παρήγαγε συνεπή αποτελέσματα θερμίδων σε όλες τις φωτογραφίες. Η μέση διαφορά θερμίδων μεταξύ διπλών φωτογραφιών ήταν 52 θερμίδες, με ορισμένα γεύματα να δείχνουν διαφορές 80-89 θερμίδων. Αυτή η ασυνέπεια σημαίνει ότι η καταμέτρηση θερμίδων που λαμβάνετε εξαρτάται εν μέρει από τη συγκεκριμένη γωνία, τον φωτισμό και τη στιγμή που τραβάτε τη φωτογραφία και όχι μόνο από το τι τρώτε.

Με ποιους τύπους τροφίμων λειτουργεί καλύτερα το Snap It;

Το Snap It είναι πιο αξιόπιστο με οπτικά διακριτά, μεμονωμένα τρόφιμα (ολόκληρα φρούτα, αυγά, φέτες ψωμιού) και συσκευασμένα τρόφιμα όπου η ετικέτα ή το όνομα της μάρκας είναι ορατό στη φωτογραφία. Αυτές οι κατηγορίες έδειξαν ποσοστά σωστής αναγνώρισης πάνω από 95% και εκτιμήσεις μερίδας εντός 5-15% των πραγματικών τιμών. Το χαρακτηριστικό είναι λιγότερο αξιόπιστο με μεικτά μπολ, πιάτα εστιατορίου πολλαπλών συνιστωσών και οπτικά παρόμοια δημητριακά όπως το ρύζι, το κουσκούς και την κινόα.

Γιατί το Snap It παραλείπει συστατικά στο μπολ ή το πιάτο μου;

Όταν τα τρόφιμα είναι στρωμένα, ανακατεμένα ή μερικώς κρυμμένα κάτω από άλλα συστατικά, η AI δεν μπορεί να διακρίνει οπτικά τις ατομικές συνιστώσες. Σε ένα μπολ μπουρίτο, για παράδειγμα, τα φασόλια κάτω από το ρύζι ή το τυρί ανακατεμένο με άλλες επικαλύψεις γίνονται αόρατα σε μια κάμερα που καταγράφει μόνο την επιφάνεια. Κάθε παραλειπόμενο συστατικό αντιπροσωπεύει θερμίδες που δεν καταγράφηκαν — συνήθως 50 έως 150 θερμίδες ανά παραλειπόμενη συνιστώσα με βάση τη δοκιμή μας.

Είναι η καταγραφή θερμίδων μέσω φωτογραφίας αρκετά ακριβής για απώλεια βάρους;

Η καταγραφή μέσω φωτογραφίας μπορεί να είναι αρκετά ακριβής για μια γενική επίγνωση θερμίδων, αλλά γενικά είναι ανεπαρκής για ακριβή απώλεια βάρους με βάση το έλλειμμα. Οι δοκιμές μας έδειξαν μέση απόκλιση ακρίβειας μερίδας 25.5% σε όλους τους τύπους τροφίμων, που μεταφράζεται σε ημερήσιες θερμιδικές σφάλματα 150 έως 400 θερμίδων ανάλογα με την πολυπλοκότητα του γεύματος. Για σύγκριση, ένα τυπικό έλλειμμα απώλειας βάρους είναι 500 θερμίδες την ημέρα, που σημαίνει ότι τα σφάλματα της καταγραφής μέσω φωτογραφίας θα μπορούσαν να εξαλείψουν το 30-80% ενός προγραμματισμένου ελλείμματος. Ο συνδυασμός της καταγραφής μέσω φωτογραφίας με τη διαπίστωση μερίδας — είτε ζυγίζοντας το φαγητό είτε χρησιμοποιώντας τη διόρθωση φωνής όπως προσφέρει η Nutrola — βελτιώνει σημαντικά την ακρίβεια.