Γιατί Άλλαξα από το SnapCalorie στο Nutrola (Η Τεχνητή Νοημοσύνη Φωτογραφιών Δεν Αρκεί)

Το SnapCalorie μου πούλησε ένα όνειρο: βγάλε μια φωτογραφία του φαγητού σου και η Τεχνητή Νοημοσύνη θα σου πει ακριβώς τι έφαγες. Καμία πληκτρολόγηση, καμία αναζήτηση, καμία σάρωση barcode. Απλά δείξε, τράβηξε και άφησε τη μηχανή να κάνει τη δουλειά. Μετά από μήνες κουραστικής καταγραφής φαγητού σε άλλες εφαρμογές, αυτό φαινόταν σαν το μέλλον. Εγγράφηκα αμέσως.

Για περίπου τρεις εβδομάδες, ήμουν πραγματικά εντυπωσιασμένος. Έπειτα άρχισα να συγκρίνω τις εκτιμήσεις του SnapCalorie με τις πραγματικές ετικέτες διατροφής και τις μετρημένες μερίδες. Οι ανακρίβειες δεν ήταν μικρές. Ήταν αρκετά μεγάλες ώστε να υπονομεύσουν ολόκληρο τον σκοπό της παρακολούθησης.

Αυτή είναι η ιστορία του πώς συνειδητοποίησα ότι η αναγνώριση φωτογραφιών από την Τεχνητή Νοημοσύνη χωρίς μια επαληθευμένη βάση δεδομένων τροφίμων είναι μια όμορφη ιδέα με σοβαρό πρόβλημα ακρίβειας — και πώς ο συνδυασμός της Τεχνητής Νοημοσύνης του Nutrola με μια βάση δεδομένων 1.8 εκατομμυρίων τροφίμων μου έδωσε αυτό που δεν μπορούσε το SnapCalorie.

Η Έλξη της Παρακολούθησης Μόνο με Φωτογραφίες

Καταλαβαίνω γιατί το SnapCalorie τράβηξε τόσους πολλούς χρήστες, συμπεριλαμβανομένου και εμένα. Η παραδοσιακή εμπειρία καταγραφής τροφίμων — πληκτρολόγηση ονόματος τροφίμου, κύλιση στα αποτελέσματα, επιλογή του σωστού, προσαρμογή του μεγέθους μερίδας, επανάληψη για κάθε στοιχείο στο πιάτο — είναι κουραστική. Είναι ο νούμερο ένα λόγος που οι άνθρωποι σταματούν να παρακολουθούν τη διατροφή τους.

Το SnapCalorie υποσχέθηκε να εξαλείψει εντελώς αυτή την τριβή. Βγάλε μια φωτογραφία, η Τεχνητή Νοημοσύνη εκτιμά τα τρόφιμα και τις ποσότητες τους, και λαμβάνεις μια ανάλυση θερμίδων και μακροθρεπτικών συστατικών σε δευτερόλεπτα. Η διεπαφή ήταν καθαρή, η εμπειρία γρήγορη, και για απλά γεύματα, φαινόταν μαγική.

Έβγαλα μια φωτογραφία ενός πιάτου με στήθος κοτόπουλου, ρύζι και μπρόκολο. Το SnapCalorie αναγνώρισε και τα τρία στοιχεία και εκτίμησε τις θερμίδες μέσα σε λίγα δευτερόλεπτα. Ήμουν πεισμένος.

Όπου Η Ακρίβεια Κατέρρευσε

Το πρόβλημα με το SnapCalorie εμφανίστηκε σταδιακά, και έπειτα ξαφνικά.

Η Εκτίμηση Μερίδας Ήταν Αναξιόπιστη

Η Τεχνητή Νοημοσύνη μπορεί να αναγνωρίσει ότι κάτι είναι στήθος κοτόπουλου. Αυτό που δυσκολεύεται είναι να εκτιμήσει αν αυτό το στήθος κοτόπουλου ζυγίζει 120 γραμμάρια ή 200 γραμμάρια — μια διαφορά περίπου 100 θερμίδων και 20 γραμμαρίων πρωτεΐνης. Από μια επίπεδη φωτογραφία, ένα παχύ κομμάτι κοτόπουλου και ένα λεπτό κομμάτι μπορεί να φαίνονται εκπληκτικά παρόμοια.

Το δοκίμασα αυτό σκόπιμα μια βραδιά. Έβαλα δύο μερίδες ζυμαρικών: η μία ήταν 80 γραμμάρια (ξηρού βάρους) και η άλλη 150 γραμμάρια. Και οι δύο ήταν σε παρόμοια πιάτα με την ίδια σάλτσα. Το SnapCalorie εκτίμησε τη μικρότερη μερίδα στις 420 θερμίδες και τη μεγαλύτερη στις 480 θερμίδες. Η πραγματική διαφορά ήταν περίπου 250 θερμίδες.

Η Τεχνητή Νοημοσύνη είδε δύο παρόμοια πιάτα και επέστρεψε παρόμοιες εκτιμήσεις, γιατί έκανε οπτικές υποθέσεις, χωρίς να αναφέρεται σε επαληθευμένα διατροφικά δεδομένα που σχετίζονται με μετρημένα βάρη.

Τα Μεικτά Πιάτα Ήταν Παιχνίδι Τύχης

Το SnapCalorie τα πήγε σχετικά καλά με απλά, διαχωρισμένα γεύματα — ένα κομμάτι ψαριού δίπλα σε μια στοίβα λαχανικών δίπλα σε μια μερίδα ρυζιού. Όλα ήταν οπτικά διακριτά και εκτιμήσιμα.

Αλλά η πραγματική ζωή περιλαμβάνει στιφάδο, κάρυ, κατσαρόλες, μπολ smoothie, burritos, σάντουιτς και μπολ δημητριακών όπου τα συστατικά επικαλύπτονται, κρύβονται κάτω από σάλτσες ή αναμειγνύονται οπτικά. Για αυτά τα γεύματα, οι εκτιμήσεις του SnapCalorie κυμαινόταν από σχετικά σωστές έως εντελώς λανθασμένες.

Έβγαλα φωτογραφία ενός burrito bowl από ένα εστιατόριο. Το SnapCalorie αναγνώρισε το ρύζι, τα φασόλια, το κοτόπουλο και τη σάλσα. Έχασε την ξινή κρέμα που ήταν κρυμμένη κάτω από τη σαλάτα, το τυρί που αναμειγνύονταν στο ρύζι και το γκουακαμόλε που ήταν στο πλάι του μπολ και μερικώς καλυμμένο από ένα καλάθι τσιπς. Η εκτίμηση θερμίδων ήταν περίπου 530 θερμίδες. Όταν υπολόγισα χειροκίνητα το γεύμα χρησιμοποιώντας τα δημοσιευμένα διατροφικά δεδομένα του εστιατορίου, ήταν πιο κοντά στις 840 θερμίδες. Μια διαφορά 310 θερμίδων από ένα μόνο γεύμα.

Καμία Σάρωση Barcode, Καμία Χειροκίνητη Εναλλακτική

Η ταυτότητα του SnapCalorie βασίστηκε αποκλειστικά στην αναγνώριση φωτογραφιών. Δεν είχε μια παραδοσιακή βάση δεδομένων τροφίμων που θα μπορούσες να αναζητήσεις χειροκίνητα. Δεν είχε σάρωση barcode. Αν η Τεχνητή Νοημοσύνη δεν μπορούσε να αναγνωρίσει κάτι — ή το αναγνώριζε λανθασμένα — ήσουν κολλημένος.

Τα συσκευασμένα τρόφιμα που θα μπορούσα εύκολα να σαρώσω με έναν αναγνώστη barcode έπρεπε να φωτογραφηθούν, και η Τεχνητή Νοημοσύνη θα προσπαθούσε να εκτιμήσει τα περιεχόμενα οπτικά αντί να αντλήσει τα ακριβή επαληθευμένα διατροφικά δεδομένα από την ετικέτα. Αυτό ήταν παράλογο για τα συσκευασμένα τρόφιμα όπου ο κατασκευαστής έχει ήδη παράσχει ακριβείς διατροφικές πληροφορίες.

Καμία Δεδομένα Μικροθρεπτικών Συστατικών

Ακόμα και όταν οι εκτιμήσεις θερμίδων και μακροθρεπτικών συστατικών του SnapCalorie ήταν σωστές, σταματούσαν εκεί. Θερμίδες, πρωτεΐνη, υδατάνθρακες, λιπαρά — αυτό ήταν το μέγιστο των δεδομένων. Καμία βιταμίνη, κανένα μέταλλο, κανένα ιχνοστοιχείο. Αν ήθελα να ξέρω πόσο σίδηρο ή ασβέστιο είχε το γεύμα μου, το SnapCalorie δεν είχε απάντηση.

Η Τεχνητή Νοημοσύνη εκτιμούσε τα μακροθρεπτικά συστατικά από την οπτική εμφάνιση. Η εκτίμηση των μικροθρεπτικών συστατικών από μια φωτογραφία θα ήταν ακόμα λιγότερο αξιόπιστη, οπότε απλά δεν το δοκίμαζαν. Αλλά το αποτέλεσμα ήταν ότι ήμουν τυφλός σε όλα πέρα από τους τέσσερις μεγάλους αριθμούς.

Η Συνειδητοποίηση: Η Τεχνητή Νοημοσύνη Χρειάζεται Βάση Δεδομένων

Μετά από τρεις εβδομάδες παρακολούθησης στο SnapCalorie και συγκρίνοντας τις εκτιμήσεις με γνωστές τιμές, κατέληξα σε ένα συμπέρασμα που φαίνεται προφανές εκ των υστέρων: η αναγνώριση φωτογραφιών από την Τεχνητή Νοημοσύνη είναι μια εξαιρετική μέθοδος εισόδου, αλλά είναι μόνο τόσο καλή όσο τα δεδομένα που συνδέεται.

Η Τεχνητή Νοημοσύνη του SnapCalorie προσπαθούσε να εκτιμήσει τη διατροφή αποκλειστικά από οπτική ανάλυση. Αυτή η προσέγγιση έχει ένα θεμελιώδες όριο ακρίβειας. Όσο καλή και αν γίνει η αναγνώριση εικόνας, μια φωτογραφία δεν μπορεί να σου πει την ακριβή μάρκα γιαουρτιού, την ακριβή ποσότητα λαδιού που χρησιμοποιήθηκε στο μαγείρεμα ή τα κρυμμένα συστατικά σε μια σάλτσα εστιατορίου.

Αυτό που χρειαζόμουν ήταν μια εφαρμογή που να χρησιμοποιεί την Τεχνητή Νοημοσύνη ως γρήγορη μέθοδο εισόδου αλλά να συνδέει αυτές τις εισόδους με μια επαληθευμένη διατροφική βάση δεδομένων — έτσι ώστε η Τεχνητή Νοημοσύνη να αναγνωρίζει το "στήθος κοτόπουλου" από μια φωτογραφία, αλλά τα δεδομένα θερμίδων και θρεπτικών συστατικών να προέρχονται από μια πραγματική επαληθευμένη πηγή, και να μπορώ να προσαρμόσω το βάρος για να ταιριάζει με τη μερίδα μου.

Αυτό ακριβώς κάνει το Nutrola.

Μετάβαση στο Nutrola: Τεχνητή Νοημοσύνη Συνδυασμένη με Βάση Δεδομένων

Το Nutrola χρησιμοποιεί αναγνώριση φωτογραφιών από την Τεχνητή Νοημοσύνη, αλλά διαφορετικά από το SnapCalorie. Όταν βγάζεις μια φωτογραφία του γεύματός σου, η Τεχνητή Νοημοσύνη του Nutrola αναγνωρίζει τα τρόφιμα. Στη συνέχεια, αντιστοιχεί αυτά τα στοιχεία με τη βάση δεδομένων του που περιλαμβάνει πάνω από 1.8 εκατομμύρια επαληθευμένα τρόφιμα. Βλέπεις τα αντιστοιχισμένα στοιχεία με τα διατροφικά τους δεδομένα και μπορείς να προσαρμόσεις τις μερίδες κατά βάρος ή κοινά μεγέθη μερίδας.

Το αποτέλεσμα είναι ότι αποκτάς την ταχύτητα της καταγραφής με Τεχνητή Νοημοσύνη (καμία πληκτρολόγηση, καμία αναζήτηση) με την ακρίβεια μιας επαληθευμένης βάσης δεδομένων (πραγματικοί διατροφικοί αριθμοί, όχι οπτικές εκτιμήσεις).

Η Διαφορά στην Ακρίβεια Ήταν Άμεση

Έτρεξα τις ίδιες δοκιμές με το Nutrola που είχα κάνει με το SnapCalorie.

Οι δύο μερίδες ζυμαρικών. Το Nutrola αναγνώρισε τα ζυμαρικά από τη φωτογραφία και τα αντιστοίχισε με μια καταχώρηση της βάσης δεδομένων. Προσαρμόσα το βάρος για κάθε πιάτο. Η μικρότερη μερίδα επέστρεψε στις 340 θερμίδες και η μεγαλύτερη στις 590 θερμίδες — και οι δύο εντός 15 θερμίδων από τον χειροκίνητο υπολογισμό μου. Το SnapCalorie είχε εκτιμήσει και τις δύο γύρω στις 450 θερμίδες με διαφορά 60 θερμίδων.

Το burrito bowl. Η Τεχνητή Νοημοσύνη του Nutrola αναγνώρισε τα κύρια συστατικά, και μπόρεσα να προσθέσω την ξινή κρέμα, το τυρί και το γκουακαμόλε που η φωτογραφία κάλυπτε μερικώς. Κάθε στοιχείο αντλήθηκε από επαληθευμένα δεδομένα της βάσης δεδομένων. Συνολική εκτίμηση: 810 θερμίδες, εντός 30 θερμίδων από τα δημοσιευμένα δεδομένα του εστιατορίου. Το SnapCalorie είχε χάσει 310 θερμίδες.

Ένα smoothie. Το SnapCalorie δυσκολεύτηκε με τα smoothies γιατί δεν μπορείς να δεις τα συστατικά. Θα εκτιμούσε "ένα πράσινο smoothie" με χοντρές θερμιδικές εκτιμήσεις. Το Nutrola μου επέτρεψε να καταγράψω φωνητικά τα πραγματικά συστατικά — "σπανάκι, μπανάνα, φυστικοβούτυρο, σκόνη πρωτεΐνης, αμυγδαλόγαλα" — και κάθε συστατικό αντλούσε ακριβή δεδομένα από τη βάση δεδομένων. Η διαφορά δεν αφορούσε την ικανότητα της Τεχνητής Νοημοσύνης. Αφορούσε τη δυνατότητα ενός συστήματος που μπορούσε να δέχεται πολλαπλές μεθόδους εισόδου και να τις συνδέει με επαληθευμένα δεδομένα.

Σάρωση Barcode για Συσκευασμένα Τρόφιμα

Για το περίπου 30% της διατροφής μου που προέρχεται από συσκευασμένα τρόφιμα — μπάρες πρωτεΐνης, γιαούρτι, δημητριακά, καρυκεύματα, ποτά — η σάρωση barcode του Nutrola ήταν μεταμορφωτική σε σύγκριση με την προσέγγιση μόνο φωτογραφιών του SnapCalorie.

Σάρωσα μια μπάρα πρωτεΐνης. Το Nutrola επέστρεψε τις ακριβείς θερμίδες (210), πρωτεΐνη (20g) και το πλήρες προφίλ μικροθρεπτικών συστατικών από τη βάση δεδομένων. Το SnapCalorie θα είχε αναλύσει μια φωτογραφία μιας τυλιγμένης μπάρας και θα είχε επιστρέψει μια οπτική εκτίμηση. Δεν υπάρχει καμία περίπτωση μια φωτογραφία μιας συσκευασίας να είναι πιο ακριβής από τα πραγματικά διατροφικά δεδομένα από την ετικέτα της συσκευασίας.

Φωνητική Καταγραφή για τα Ενδιάμεσα

Ορισμένα τρόφιμα είναι δύσκολα να φωτογραφηθούν. Μια χούφτα αμύγδαλα από μια σακούλα. Μια σταγόνα ελαιόλαδου κατά το μαγείρεμα. Ένα ποτήρι γάλα. Το SnapCalorie απαιτούσε να φωτογραφίσω αυτά, που ήταν και άβολο και ανακριβές (πώς να φωτογραφίσεις μια κουταλιά ελαιόλαδο σε ένα τηγάνι;).

Η φωνητική καταγραφή του Nutrola τα χειρίστηκε τέλεια. "Κουταλιά ελαιόλαδου, χούφτα αμυγδάλων, περίπου 20 γραμμάρια" — ειπωμένα σε τρία δευτερόλεπτα, αντιστοιχίστηκαν σε επαληθευμένες καταχωρήσεις της βάσης δεδομένων, καταγράφηκαν με ακρίβεια.

Τα Αποτελέσματα των 30 Ημερών

Μετά από ένα μήνα στο Nutrola, οι βελτιώσεις σε σύγκριση με το SnapCalorie ήταν μετρήσιμες.

Η ακρίβεια θερμίδων βελτιώθηκε σημαντικά. Σύγκρινα τα ημερολόγια του Nutrola με μετρημένες και ζυγισμένες τιμές για μία ολόκληρη εβδομάδα. Οι ημερήσιες θερμίδες του Nutrola ήταν σταθερά εντός 5 έως 8 τοις εκατό από τις χειροκίνητα υπολογισμένες τιμές μου. Το SnapCalorie είχε αποκλίνει κατά 15 έως 25 τοις εκατό στις ίδιες κατηγορίες γευμάτων.

Απέκτησα ορατότητα στα μικροθρεπτικά συστατικά. Από μηδενικά δεδομένα μικροθρεπτικών συστατικών στο SnapCalorie, πέρασα στην παρακολούθηση πάνω από 100 θρεπτικών συστατικών στο Nutrola. Μέσα σε δύο εβδομάδες, διαπίστωσα ότι η πρόσληψη σεληνίου ήταν χαμηλή (σπάνια τρώω καρύδια Βραζιλίας ή θαλασσινά) και ότι το φολικό οξύ ήταν ασταθές.

Η ταχύτητα καταγραφής παρέμεινε γρήγορη. Αυτό ήταν η ανησυχία μου για την αλλαγή. Το SnapCalorie ήταν γρήγορο, και ανησυχούσα ότι οποιαδήποτε εφαρμογή με περισσότερη ακρίβεια θα ήταν επίσης πιο αργή. Η αναγνώριση φωτογραφιών από την Τεχνητή Νοημοσύνη του Nutrola ήταν εξίσου γρήγορη με αυτή του SnapCalorie, και το επιπλέον βήμα της επιβεβαίωσης των αντιστοιχιών της βάσης δεδομένων προσέθεσε μόνο 10 έως 15 δευτερόλεπτα ανά γεύμα. Η φωνητική καταγραφή και η σάρωση barcode για τα μη φωτογενή τρόφιμα ήταν στην πραγματικότητα πιο γρήγορες από την προσπάθεια να τα φωτογραφίσω.

Συνολικός χρόνος καταγραφής ανά ημέρα. SnapCalorie: περίπου 4 λεπτά την ημέρα (γρήγορο αλλά ανακριβές). Nutrola: περίπου 6 λεπτά την ημέρα (γρήγορο και ακριβές). Τα επιπλέον δύο λεπτά μου προσέφεραν δραματικά καλύτερα δεδομένα.

Κόστος. Το premium σχέδιο του SnapCalorie κόστιζε περίπου 10 δολάρια το μήνα. Το Nutrola κοστίζει 2.50 ευρώ το μήνα. Λιγότερα χρήματα για περισσότερες δυνατότητες, καλύτερα δεδομένα και συγκρίσιμη ταχύτητα.

Τι Έκανε Καλά το SnapCalorie

Καθαρή ταχύτητα για απλά γεύματα. Αν η διατροφή σου αποτελείται αποκλειστικά από γεύματα με ένα μόνο στοιχείο σε καθαρά πιάτα, η προσέγγιση φωτογραφίας του SnapCalorie είναι πραγματικά η ταχύτερη εμπειρία καταγραφής που υπάρχει. Για αυτές τις συγκεκριμένες περιπτώσεις, ήταν εντυπωσιακή.

Χαμηλό γνωστικό φορτίο. Το να μην χρειάζεται να σκέφτεσαι για μερίδες ή αντιστοιχίες βάσης δεδομένων σήμαινε ότι η εμπειρία καταγραφής ήταν σχεδόν χωρίς κόπο. Μπορώ να καταλάβω γιατί αυτό είναι ελκυστικό για τους περιστασιακούς καταγραφείς.

Νέα εμπειρία. Υπάρχει κάτι ικανοποιητικό στην ροή εργασίας φωτογραφίας-δεδομένων. Φαίνεται μελλοντικό και απομάκρυνε το ψυχολογικό εμπόδιο του "δεν θέλω να καταγράψω γιατί είναι κουραστικό."

Αλλά η ταχύτητα χωρίς ακρίβεια δεν είναι παρακολούθηση. Είναι εκτίμηση με επιπλέον βήματα.

Ποιος Πρέπει να Σκεφτεί να Αλλάξει

Αν χρησιμοποιείς το SnapCalorie και τα αποτελέσματά σου έχουν σταματήσει — αν οι στόχοι θερμίδων σου δεν παράγουν τα αναμενόμενα αποτελέσματα — η ανακριβής εκτίμηση της Τεχνητής Νοημοσύνης μπορεί να είναι ο λόγος. Όταν το εργαλείο παρακολούθησής σου χάνει τακτικά 200+ θερμίδες ανά γεύμα, η ημερήσια καταμέτρηση θερμίδων σου μπορεί να είναι λανθασμένη κατά 500 έως 800 θερμίδες. Αυτή η διαφορά είναι αρκετά μεγάλη ώστε να αναιρεί πλήρως ένα θερμιδικό έλλειμμα.

Αν θέλεις την ευκολία της καταγραφής με Τεχνητή Νοημοσύνη αλλά χρειάζεσαι και την αξιοπιστία επαληθευμένων διατροφικών δεδομένων, το Nutrola σου προσφέρει και τα δύο. Αναγνώριση φωτογραφιών για ταχύτητα. Μια βάση δεδομένων 1.8 εκατομμυρίων τροφίμων για ακρίβεια. Φωνητική καταγραφή και σάρωση barcode για τρόφιμα που οι φωτογραφίες δεν μπορούν να αποτυπώσουν καλά. Πάνω από 100 παρακολουθούμενα θρεπτικά συστατικά για την πλήρη εικόνα. Και μηδενικές διαφημίσεις στα 2.50 ευρώ το μήνα.

Το μέλλον της παρακολούθησης τροφίμων δεν είναι μόνο η Τεχνητή Νοημοσύνη. Είναι η Τεχνητή Νοημοσύνη συνδεδεμένη με επαληθευμένα δεδομένα. Αυτό ανακάλυψα όταν άλλαξα από το SnapCalorie στο Nutrola, και η διαφορά στην ακρίβεια άλλαξε τα αποτελέσματά μου μέσα σε έναν μήνα.