Γιατί το Foodvisor δεν αναγνωρίζει μη ευρωπαϊκές τροφές;

Δείχνετε στο Foodvisor το μπολ σας με pho και αυτό νομίζει ότι είναι σούπα λαχανικών. Σκανάρετε το πιάτο σας με jollof rice και σας επιστρέφει "ρύζι με σάλτσα ντομάτας." Το biryani της μητέρας σας γίνεται "κίτρινο ρύζι." Τα tamales σας απλά δεν επιστρέφουν κανένα αποτέλεσμα. Αν καταναλώνετε οτιδήποτε πέρα από την τυπική δυτική ευρωπαϊκή κουζίνα, η αναγνώριση τροφών του Foodvisor μετατρέπεται από εντυπωσιακή σε άχρηστη με εκπληκτική ταχύτητα.

Αυτό δεν είναι μια μικρή ταλαιπωρία. Αν μια εφαρμογή δεν μπορεί να αναγνωρίσει σωστά την τροφή σας, δεν μπορεί να παρακολουθήσει σωστά τη διατροφή σας. Και αν ανήκετε στους δισεκατομμύρια ανθρώπους που καταναλώνουν καθημερινά ασιατική, λατινοαμερικανική, μεσανατολική, αφρικανική, νότια ασιατική ή νοτιοανατολική ασιατική τροφή, το Foodvisor αποτυγχάνει θεμελιωδώς στην κύρια λειτουργία του.

Γιατί το Foodvisor δυσκολεύεται με τις μη ευρωπαϊκές τροφές;

Η εξήγηση βρίσκεται στις ρίζες της εταιρείας και στη φύση του πώς τα μοντέλα AI μαθαίνουν.

Το Foodvisor είναι γαλλική εταιρεία με γαλλικά δεδομένα εκπαίδευσης

Το Foodvisor ιδρύθηκε στο Παρίσι, Γαλλία. Το αρχικό μοντέλο AI της εταιρείας εκπαιδεύτηκε κυρίως σε γαλλική και ευρύτερη ευρωπαϊκή κουζίνα: μπαγκέτες, κρουασάν, σαλάτα νικουάζ, κοκ au vin, ζυμαρικά, πίτσα, schnitzel, tapas. Τα δεδομένα εκπαίδευσης αντικατοπτρίζουν τις τροφές που κατανάλωναν καθημερινά η ομάδα ίδρυσης και οι αρχικοί χρήστες τους.

Τα μοντέλα αναγνώρισης τροφών AI μαθαίνουν μελετώντας χιλιάδες επισημασμένες εικόνες κάθε τροφής. Αν το σύνολο δεδομένων εκπαίδευσης περιέχει 10.000 εικόνες από μπαγκέτες και 50 εικόνες από dosa, το μοντέλο θα αναγνωρίσει τις μπαγκέτες άψογα και θα μπερδέψει το dosa με κρέπα, τηγανίτα ή τίποτα απολύτως. Η ακρίβεια οποιουδήποτε μοντέλου AI είναι άμεσα ανάλογη με την ποικιλία και τον όγκο των δεδομένων εκπαίδευσης του.

Η ευρωπαϊκή βάση δεδομένων τροφίμων επιδεινώνει το πρόβλημα

Ακόμα και όταν το AI του Foodvisor αναγνωρίζει σωστά μια μη ευρωπαϊκή τροφή, τα διατροφικά δεδομένα μπορεί να μην υπάρχουν στη βάση δεδομένων του. Η γαλλική σούπα κρεμμυδιού έχει μια λεπτομερή καταχώρηση με επαληθευμένα μακροθρεπτικά και μικροθρεπτικά στοιχεία. Αλλά υπάρχουν καταχωρήσεις για laksa, mole poblano, rendang, injera με doro wat ή kheer; Συχνά, δεν υπάρχουν. Ή αν υπάρχουν, η καταχώρηση είναι γενική και ανακριβής, χωρίς τις περιφερειακές παραλλαγές που επηρεάζουν σημαντικά την διατροφική αξία.

Περιορισμένος διεθνής χρήστης κατά τη διάρκεια κρίσιμης ανάπτυξης

Τα μοντέλα AI βελτιώνονται μέσω της ανατροφοδότησης των χρηστών. Όταν οι χρήστες διορθώνουν λανθασμένα αναγνωρισμένες τροφές, οι διορθώσεις γίνονται δεδομένα εκπαίδευσης που βελτιώνουν την μελλοντική ακρίβεια. Η πρώιμη βάση χρηστών του Foodvisor ήταν κυρίως γαλλική και ευρωπαϊκή. Ο κύκλος ανατροφοδότησης που οδηγεί στη βελτίωση κυριαρχούνταν από διορθώσεις ευρωπαϊκών τροφών. Οι μη ευρωπαϊκές τροφές έλαβαν λιγότερες διορθώσεις, πράγμα που σήμαινε ότι το μοντέλο βελτιωνόταν αργά για αυτές τις κατηγορίες, με αποτέλεσμα οι μη ευρωπαϊκοί χρήστες να έχουν χειρότερη εμπειρία, γεγονός που σήμαινε ότι λιγότεροι μη ευρωπαϊκοί χρήστες παρέμειναν για να προσφέρουν διορθώσεις. Είναι ένας αυτοτροφοδοτούμενος κύκλος.

Το πρόβλημα οπτικής ομοιότητας μεταξύ κουζινών

Πολλά πιάτα από διαφορετικές κουζίνες φαίνονται παρόμοια σε φωτογραφίες αλλά έχουν τελείως διαφορετικά διατροφικά προφίλ. Το κάρυ από την Ινδία, το κάρυ από την Ταϊλάνδη και το κάρυ από την Ιαπωνία μπορεί να φαίνονται παρόμοια σε μια φωτογραφία αλλά έχουν δραματικά διαφορετικές θερμίδες, περιεκτικότητα σε λιπαρά και σύνθεση συστατικών. Ένα μοντέλο AI που εκπαιδεύτηκε κυρίως στην εκδοχή ενός πιάτου από μια κουζίνα θα εφαρμόσει το διατροφικό προφίλ αυτής της κουζίνας όταν συναντήσει το οπτικό μοτίβο, παράγοντας λάθη που μπορεί να διαφέρουν κατά εκατοντάδες θερμίδες.

Πώς επηρεάζει η προκατάληψη εκπαίδευσης AI τους πραγματικούς χρήστες;

Οι συνέπειες εκτείνονται πέρα από τις περιστασιακές λανθασμένες αναγνωρίσεις.

Συστηματική λανθασμένη μέτρηση θερμίδων για μη ευρωπαϊκές διατροφές

Αν καταναλώνετε κυρίως ασιατική, λατινοαμερικανική ή μεσανατολική τροφή και το Foodvisor συνεχώς αναγνωρίζει λανθασμένα τα γεύματά σας, τα δεδομένα θερμίδων και θρεπτικών στοιχείων σας είναι συστηματικά λανθασμένα. Αυτό δεν είναι ένα περιστασιακό λάθος που εξισορροπείται. Είναι μια συνεπής προκατάληψη προς μία κατεύθυνση, συνήθως προς τα ευρωπαϊκά διατροφικά προφίλ για οπτικά παρόμοια πιάτα.

Ένα μπολ ramen που αναγνωρίζεται λανθασμένα ως minestrone μπορεί να δείξει 200 θερμίδες όταν η πραγματική μέτρηση είναι κοντά στις 500. Τηγανητές μπανάνες που αναγνωρίζονται λανθασμένα ως πατάτες τηγανιτές μπορεί να δείξουν διαφορετική περιεκτικότητα σε λιπαρά λόγω των διαφορετικών μεθόδων μαγειρέματος. Αυτά δεν είναι τυχαία λάθη — είναι συστηματικές προκαταλήψεις που διαστρεβλώνουν τα δεδομένα σας με την πάροδο του χρόνου.

Αποκλεισμός ολόκληρων γαστρονομικών παραδόσεων

Για τους χρήστες των οποίων η καθημερινή διατροφή αποτελείται από τροφές που η AI απλά δεν αναγνωρίζει, η εφαρμογή γίνεται άχρηστη για την κύρια λειτουργία της. Αν τρώτε ugali, fufu, chapati, congee ή arepas καθημερινά, και η AI δεν μπορεί να αναγνωρίσει καμία από αυτές, είστε υποχρεωμένοι να αναζητήσετε χειροκίνητα στη βάση δεδομένων — όπου αυτές οι τροφές μπορεί επίσης να μην υπάρχουν. Η εφαρμογή έχει ουσιαστικά αποκλείσει ολόκληρη την κουλτούρα τροφής σας.

Η απογοήτευση της συνεχούς διόρθωσης

Όταν κάθε άλλο γεύμα απαιτεί χειροκίνητη διόρθωση επειδή η AI έκανε λάθος, οι εξοικονομήσεις χρόνου από τη σάρωση φωτογραφιών εξαφανίζονται. Οι χρήστες που περνούν περισσότερο χρόνο διορθώνοντας τα λάθη της AI από ό,τι θα ξόδευαν ψάχνοντας χειροκίνητα εγκαταλείπουν τη λειτουργία και στη συνέχεια την εφαρμογή. Η AI που υποτίθεται ότι θα μείωνε την τριβή δημιουργεί περισσότερη για τις μη ευρωπαϊκές τροφές.

Πολιτιστική ασυναισθησία στη λανθασμένη αναγνώριση

Υπάρχει μια επιπλέον διάσταση απογοήτευσης όταν ένα πιάτο που αντιπροσωπεύει την πολιτιστική σας κληρονομιά αναγνωρίζεται λανθασμένα ως κάτι γενικό. Το να βλέπετε το biryani που ετοίμασε η γιαγιά σας να μειώνεται σε "κίτρινο ρύζι" ή τη mole της οικογένειάς σας να αναγνωρίζεται ως "σάλτσα σοκολάτας" φαίνεται απορριπτικό. Η τεχνική αποτυχία φέρει πολιτιστικό βάρος.

Είναι αυτό ένα πρόβλημα που αφορά μόνο το Foodvisor ή είναι γενικότερο ζήτημα της βιομηχανίας;

Η προκατάληψη στα δεδομένα εκπαίδευσης επηρεάζει όλα τα συστήματα αναγνώρισης τροφών AI, αλλά ο βαθμός ποικίλλει σημαντικά.

Το φάσμα ποικιλίας δεδομένων εκπαίδευσης

Εφαρμογές που αναπτύχθηκαν από μεγαλύτερες, διεθνώς ποικιλόμορφες ομάδες ή που έχουν επενδύσει συγκεκριμένα σε δεδομένα εκπαίδευσης παγκόσμιας κουζίνας αποδίδουν καλύτερα σε διάφορες κουζίνες. Οι βασικοί παράγοντες είναι:

Προέλευση δεδομένων εκπαίδευσης: Από πού συλλέχθηκαν τα δεδομένα εκπαίδευσης; Ένα μοντέλο εκπαιδευμένο σε δεδομένα από 50 χώρες θα υπερέχει σε σχέση με ένα εκπαιδευμένο σε δεδομένα από 5 ευρωπαϊκές χώρες.

Εύρος βάσης δεδομένων: Περιλαμβάνει η διατροφική βάση δεδομένων καταχωρήσεις για διεθνή πιάτα με περιφερειακή ακρίβεια; Μια παγκόσμια βάση δεδομένων με περισσότερα από 1,8 εκατομμύρια επαληθευμένα τρόφιμα καλύπτει πολύ περισσότερη γαστρονομική ποικιλία από μια βάση δεδομένων που εστιάζει σε μια μόνο περιοχή.

Γλώσσα και τοπικοποίηση: Υποστηρίζει η εφαρμογή πολλές γλώσσες; Η υποστήριξη πολλών γλωσσών συσχετίζεται συνήθως με επένδυση σε διεθνείς βάσεις δεδομένων τροφίμων, καθώς η εξυπηρέτηση χρηστών σε 15 γλώσσες απαιτεί να υπάρχουν τροφές σχετικές με 9 γλωσσικές αγορές.

Δραστήρια διεθνής ανατροφοδότηση χρηστών: Εφαρμογές με μεγάλες, ποικιλόμορφες βάσεις χρηστών επωφελούνται από δεδομένα διόρθωσης σε πολλές κουζίνες, δημιουργώντας έναν θετικό κύκλο ανατροφοδότησης για τη βελτίωση της ακρίβειας.

Η θέση του Foodvisor σε αυτό το φάσμα

Το Foodvisor βρίσκεται προς την ευρωπαϊκή πλευρά αυτού του φάσματος. Η γαλλική του προέλευση, τα ευρωπαϊκά δεδομένα εκπαίδευσης και η κυρίως ευρωπαϊκή βάση χρηστών έχουν δημιουργήσει ένα μοντέλο που υπερέχει στην ευρωπαϊκή κουζίνα και δυσκολεύεται με τα υπόλοιπα. Ορισμένοι ανταγωνιστές έχουν επενδύσει πιο επιθετικά στην κάλυψη παγκόσμιας κουζίνας, ενώ άλλοι μοιράζονται παρόμοιους περιορισμούς.

Τι πρέπει να αναζητήσετε σε έναν παγκόσμια ακριβή παρακολουθητή τροφών;

Αν η διατροφή σας περιλαμβάνει μη ευρωπαϊκές τροφές, δώστε προτεραιότητα σε αυτές τις δυνατότητες.

Μια μεγάλη, διεθνώς επαληθευμένη βάση δεδομένων

Το μέγεθος της βάσης δεδομένων έχει σημασία, αλλά και η γεωγραφική της ποικιλία. Μια βάση δεδομένων με περισσότερα από 1,8 εκατομμύρια επαληθευμένα τρόφιμα που εκτείνεται σε πολλές ηπείρους και κουζίνες θα έχει καταχωρήσεις για πιάτα που λείπουν εντελώς από μια περιφερειακά εστιασμένη βάση δεδομένων.

Υποστήριξη πολλών γλωσσών ως δείκτης παγκόσμιας επένδυσης

Μια εφαρμογή που υποστηρίζει 15 γλώσσες έχει σχεδόν σίγουρα επενδύσει σε βάσεις δεδομένων τροφίμων σχετικών με κάθε μία από αυτές τις γλωσσικές αγορές. Η υποστήριξη γλωσσών είναι ένα ισχυρό σήμα της διεθνούς κάλυψης τροφίμων, καθώς δεν μπορείτε να εξυπηρετήσετε χρήστες στα Ιαπωνικά, Χίντι ή Πορτογαλικά χωρίς να έχετε τις τροφές που καταναλώνουν αυτοί οι χρήστες.

Πολλαπλές μέθοδοι εισόδου ως εναλλακτική

Ακόμα και η καλύτερη AI κάνει λάθη. Όταν η AI αποτυγχάνει να αναγνωρίσει την τροφή σας, χρειάζεστε αξιόπιστες εναλλακτικές: σάρωση γραμμωτού κώδικα για συσκευασμένα τρόφιμα, φωνητική καταγραφή για γρήγορη περιγραφή και αναζήτηση κειμένου σε μια ολοκληρωμένη βάση δεδομένων. Μια εφαρμογή που προσφέρει όλα αυτά εξασφαλίζει ότι μπορείτε πάντα να καταγράφετε την τροφή σας, ακόμα και όταν η AI σφάλλει.

Ποικιλία δεδομένων εκπαίδευσης AI

Αναζητήστε εφαρμογές που αναφέρουν ρητά ότι εκπαιδεύουν την AI τους σε διεθνή κουζίνα ή που έχουν ποικιλόμορφες βάσεις χρηστών που παρέχουν συνεχή ανατροφοδότηση. Εφαρμογές που λειτουργούν σε πολλές χώρες με τοπικές βάσεις δεδομένων είναι πιο πιθανό να αναγνωρίσουν σωστά την τροφή σας.

Πώς συγκρίνεται το Foodvisor με παγκόσμια εστιασμένες εναλλακτικές;

Χαρακτηριστικό	Foodvisor	Nutrola	MyFitnessPal	Cronometer
Σάρωση φωτογραφιών AI	Ναι (εστιασμένο στην ΕΕ)	Ναι (διεθνώς εκπαιδευμένο)	Περιορισμένο	Όχι
Φωνητική καταγραφή	Όχι	Ναι	Όχι	Όχι
Σάρωση γραμμωτού κώδικα	Ναι	Ναι	Ναι	Ναι
Μέγεθος βάσης δεδομένων	Περιφερειακή εστίαση	1,8M+ επαληθευμένα παγκόσμια	Μεγαλύτερη (συμβολή χρηστών)	Επαληθευμένα εργαστηριακά (περιορισμένη εμβέλεια)
Κάλυψη διεθνών τροφών	Αδύναμη εκτός ΕΕ	Ισχυρή (9 γλωσσικές αγορές)	Μέτρια (συμβολή χρηστών)	Περιορισμένη
Υποστηριζόμενες γλώσσες	Γαλλικά, Αγγλικά, περιορισμένες άλλες	15 γλώσσες	Πολλές	Πολλές
Ακρίβεια ασιατικής τροφής	Κακή	Ισχυρή	Μέτρια	Περιορισμένες καταχωρήσεις
Ακρίβεια λατινοαμερικανικής τροφής	Κακή	Ισχυρή	Μέτρια	Περιορισμένες καταχωρήσεις
Ακρίβεια μεσανατολικής τροφής	Κακή	Ισχυρή	Μέτρια	Περιορισμένες καταχωρήσεις
Ακρίβεια αφρικανικής τροφής	Κακή	Μέτρια-ισχυρή	Αδύναμη	Πολύ περιορισμένη
Θρεπτικά στοιχεία που παρακολουθούνται	~60	100+	~20	80+
Εισαγωγή συνταγών	Όχι	Ναι (οποιαδήποτε διεύθυνση URL)	Χειροκίνητη	Χειροκίνητη
Υποστήριξη smartwatch	Όχι	Apple Watch + Wear OS	Apple Watch	Όχι
Μηνιαία τιμή	~$7.99/μήνα	€2.50/μήνα	Δωρεάν / $19.99 premium	Δωρεάν / $5.99 Gold
Διαφημίσεις	Όχι	Όχι	Ναι (δωρεάν επίπεδο)	Όχι

Η Μεγαλύτερη Εικόνα: Η προκατάληψη AI στην τεχνολογία υγείας

Ο περιορισμός των δεδομένων εκπαίδευσης του Foodvisor είναι μέρος ενός ευρύτερου μοτίβου στην τεχνολογία υγείας.

Η εκπροσώπηση στα δεδομένα εκπαίδευσης έχει σημασία

Τα συστήματα AI αντικατοπτρίζουν τα δεδομένα στα οποία εκπαιδεύονται. Αν τα δεδομένα εκπαίδευσης αντιπροσωπεύουν κυρίως μια κουλτούρα, γεωγραφία ή δημογραφικό, το σύστημα θα λειτουργεί καλά για αυτήν την ομάδα και κακώς για όλους τους άλλους. Στις εφαρμογές διατροφής, αυτό σημαίνει ότι οι άνθρωποι από υποεκπροσωπούμενες γαστρονομικές κουλτούρες έχουν χειρότερη ακρίβεια παρακολούθησης, που σημαίνει χειρότερα αποτελέσματα υγείας από τα εργαλεία που σχεδιάστηκαν για να τα βελτιώσουν.

Η ευθύνη για παγκόσμια κάλυψη

Οποιαδήποτε εφαρμογή που προωθεί τον εαυτό της διεθνώς έχει την ευθύνη να εξυπηρετεί αποτελεσματικά τους διεθνείς χρήστες. Η κυκλοφορία ενός σαρωτή τροφών AI που λειτουργεί καλά στο Παρίσι αλλά αποτυγχάνει στο Τόκιο, τη Μητρόπολη του Μεξικού ή τη Λαγκός — ενώ προωθείται και στις τρεις πόλεις — δημιουργεί μια παραπλανητική εμπειρία προϊόντος.

Οι χρήστες μπορούν να ψηφίσουν με τις επιλογές τους

Ο πιο αποτελεσματικός τρόπος για να προωθηθεί η βελτίωση στην ποικιλία αναγνώρισης τροφών AI είναι να επιλέγονται εφαρμογές που έχουν επενδύσει στην παγκόσμια ακρίβεια. Όταν οι χρήστες μετακινούνται από εφαρμογές περιορισμένης περιοχής σε παγκόσμιας κάλυψης, το κίνητρο της αγοράς για επένδυση σε ποικιλόμορφα δεδομένα εκπαίδευσης αυξάνεται.

Συχνές Ερωτήσεις

Γιατί το Foodvisor αναγνωρίζει λανθασμένα τις ασιατικές τροφές;

Η τεχνητή νοημοσύνη του Foodvisor εκπαιδεύτηκε κυρίως σε γαλλική και ευρωπαϊκή κουζίνα. Το σύνολο δεδομένων εκπαίδευσης περιέχει περιορισμένα παραδείγματα ασιατικών πιάτων, πράγμα που σημαίνει ότι το μοντέλο δεν έχει μάθει να διακρίνει μεταξύ οπτικά παρόμοιων αλλά διατροφικά διαφορετικών ασιατικών τροφών. Ένα μπολ tom yum, pho και ramen μπορεί όλα να φαίνονται "σούπα" σε ένα μοντέλο που δεν εκπαιδεύτηκε ειδικά σε κάθε πιάτο.

Μπορεί το Foodvisor να βελτιώσει την αναγνώριση διεθνών τροφών;

Ναι, με σημαντική επένδυση σε ποικιλόμορφα δεδομένα εκπαίδευσης, επέκταση της διεθνούς βάσης δεδομένων και ενεργούς κύκλους ανατροφοδότησης από μη ευρωπαϊκούς χρήστες. Ωστόσο, αυτό απαιτεί στρατηγική απόφαση από την εταιρεία να δώσει προτεραιότητα στην παγκόσμια κάλυψη, κάτι που θα σήμαινε την ανακατεύθυνση πόρων από την ευρωπαϊκή βασική αγορά τους.

Ποιος είναι ο πιο ακριβής σαρωτής τροφών AI για διεθνή κουζίνα;

Η ακρίβεια για διεθνή κουζίνα εξαρτάται από την ποικιλία των δεδομένων εκπαίδευσης της AI και την έκταση της διατροφικής βάσης δεδομένων. Το Nutrola, εκπαιδευμένο σε ποικιλόμορφη διεθνή κουζίνα και υποστηριζόμενο από μια βάση δεδομένων με περισσότερα από 1,8 εκατομμύρια επαληθευμένα τρόφιμα σε 9 γλωσσικές αγορές, προσφέρει ισχυρή ακρίβεια σε ασιακές, λατινοαμερικανικές, μεσανατολικές και ευρωπαϊκές τροφές.

Αναγνωρίζει το MyFitnessPal καλύτερα τις διεθνείς τροφές από το Foodvisor;

Η βάση δεδομένων που συμβάλλει το MyFitnessPal περιλαμβάνει καταχωρήσεις για πολλές διεθνείς τροφές επειδή έχει μεγάλη, παγκόσμια βάση χρηστών. Ωστόσο, η ακρίβεια αυτών των καταχωρήσεων ποικίλλει επειδή είναι υποβληθείσες από χρήστες και όχι επαληθευμένες. Οι δυνατότητες φωτογραφίας AI του MyFitnessPal είναι περιορισμένες. Για επαληθευμένα διεθνή δεδομένα τροφών με σάρωση AI, το Nutrola είναι η ισχυρότερη επιλογή.

Πόσο σημαντική είναι η υποστήριξη γλώσσας για την ποιότητα της βάσης δεδομένων τροφίμων;

Η υποστήριξη γλώσσας είναι ένας ισχυρός δείκτης της επένδυσης σε διεθνείς βάσεις δεδομένων τροφίμων. Μια εφαρμογή που υποστηρίζει 15 γλώσσες έχει σχεδόν σίγουρα δημιουργήσει ή προμηθευτεί βάσεις δεδομένων τροφίμων σχετικών με κάθε γλωσσική αγορά. Η υποστήριξη 9 γλωσσών του Nutrola αντικατοπτρίζει την επένδυσή του σε τοπικές βάσεις δεδομένων τροφίμων που καλύπτουν ποικιλόμορφες διεθνείς κουζίνες.

Τι πρέπει να κάνω αν η εφαρμογή διατροφής μου δεν μπορεί να αναγνωρίσει την τροφή μου;

Αν η AI αποτύχει, χρησιμοποιήστε τη σάρωση γραμμωτού κώδικα για συσκευασμένα τρόφιμα, φωνητική καταγραφή για να περιγράψετε το γεύμα με δικά σας λόγια ή αναζήτηση κειμένου. Αν η τροφή δεν υπάρχει καθόλου στη βάση δεδομένων, σκεφτείτε να αλλάξετε σε μια εφαρμογή με μεγαλύτερη, πιο διεθνώς ολοκληρωμένη βάση δεδομένων. Η βάση δεδομένων του Nutrola με περισσότερα από 1,8 εκατομμύρια επαληθευμένα τρόφιμα και η υποστήριξη 9 γλωσσών καλύπτουν την πιο ευρεία γκάμα διεθνών κουζινών μεταξύ των παρακολουθητών που υποστηρίζονται από AI.