דיוק מעקב קלוריות בעזרת AI לפי מטבחים: בדקנו 500 מנות מ-20 מטבחים

רוב המודלים של זיהוי מזון בעזרת AI אומנו בעיקר על מזון מערבי. זה אומר שסלט עוף בגריל מדלי בלוס אנג'לס ופיצה פפרוני מניו יורק מזוהים כמעט בצורה מושלמת, בעוד שקערת דورو וואט אתיופי או צלחת סיסיג פיליפינית עשויות להשאיר את האלגוריתם מתלבט. רצינו לדעת בדיוק עד כמה הפער הזה גדול, ולכן ערכנו ניסוי מבוקר: 500 מנות אמיתיות, 20 מטבחים, כל צלחת נמדדה והושוותה לערכים מחושבים על ידי תזונאים. הנה מה שמצאנו.

מתודולוגיה: איך בדקנו 500 מנות

עיצבנו את המחקר הזה כך שיהיה קרוב ככל האפשר לתנאים בעולם האמיתי. כך זה עבד:

• 500 מנות בסך הכל, 25 לכל מטבח, שנלקחו ממסעדות וממטבחים ביתיים.
• 20 מטבחים נבחרו לייצג מגוון גיאוגרפי וקולינרי רחב.
• כל מנה צולמה בתנאים סטנדרטיים — תאורה טבעית, צלחת אחת, זוויות מלמעלה וזווית של 45 מעלות — באמצעות מצלמת סמארטפון (ללא סטודיו).
• כל מנה גם נמדדה על משקל מטבח מכויל ורכיביה פורקו על ידי דיאטנית מוסמכת כדי לייצר ערך קלורי ייחודי.
• התמונות הוגשו ל-AI של Snap & Track של Nutrola להערכת קלוריות.
• השווינו את ההערכה של ה-AI מול הערך של הדיאטנית ומדדנו: סטיית קלוריות ממוצעת (באחוזים), שיעור זיהוי המזון (האם ה-AI זיהה נכון את המנה או את רכיביה העיקריים), ואחוז המנות שנמצאות בטווח של 10% ו-15% מהערך הייחודי.

זה לא מחקר מעבדה ואנחנו לא טוענים לדיוק ברמה קלינית. אבל 500 מנות זה מספיק נתונים כדי לחשוף דפוסים ברורים היכן זיהוי המזון בעזרת AI מצליח והיכן הוא נכשל.

20 המטבחים שנבדקו

בחרנו מטבחים על בסיס שלושה קריטריונים: פופולריות עולמית, מגוון שיטות בישול, וייצוג קטגוריות מזון שאינן משרתות את נתוני האימון של ה-AI.

1. אמריקאי
2. איטלקי
3. מקסיקני
4. סיני
5. יפני
6. קוריאני
7. הודי
8. תאילנדי
9. וייטנאמי
10. מזרח תיכוני / לבנוני
11. טורקי
12. יווני
13. אתיופי
14. ניגרי
15. ברזילאי
16. צרפתי
17. גרמני
18. ספרדי
19. פיליפיני
20. קאריבי

כל מטבח ייצג 25 מנות שנבחרו כדי לכסות את טווח המנות של המטבח — מנות פתיחה, מנות עיקריות, תוספות, ואוכל רחוב. הכנסנו במכוון גם מנות "פוטוגניות" (מגשי סושי, טאקוס בודדים) וגם מנות מאתגרות (קארי, תבשילים, קאסרולות).

תוצאות מלאות: כל 20 המטבחים מדורגים לפי דיוק

הנה התוצאות, מדורגות מהמדויק ביותר לפחות מדויק לפי סטיית קלוריות ממוצעת:

דרגה	מטבח	מנות שנבדקו	סטיית קלוריות ממוצעת	שיעור זיהוי מזון	בטווח 10%	בטווח 15%
1	יפני	25	5.8%	96%	84%	96%
2	אמריקאי	25	6.2%	98%	80%	92%
3	איטלקי	25	6.5%	96%	80%	92%
4	קוריאני	25	7.1%	92%	76%	88%
5	גרמני	25	7.4%	92%	72%	88%
6	יווני	25	7.9%	88%	68%	84%
7	צרפתי	25	8.3%	88%	64%	84%
8	ספרדי	25	8.6%	88%	64%	80%
9	מקסיקני	25	9.1%	84%	60%	80%
10	וייטנאמי	25	9.4%	84%	60%	76%
11	ברזילאי	25	9.8%	80%	56%	76%
12	טורקי	25	10.2%	80%	52%	72%
13	סיני	25	10.7%	80%	48%	72%
14	מזרח תיכוני	25	11.3%	76%	48%	68%
15	פיליפיני	25	12.1%	72%	44%	64%
16	קאריבי	25	12.8%	68%	40%	60%
17	ניגרי	25	13.4%	64%	36%	56%
18	תאילנדי	25	13.9%	68%	36%	56%
19	הודי	25	14.6%	64%	32%	52%
20	אתיופי	25	15.8%	56%	28%	48%

סטיית קלוריות ממוצעת כללית על פני 500 המנות: 9.8% סטיית קלוריות, 78% שיעור זיהוי מזון, 56% בטווח 10%, 74% בטווח 15%.

5 המטבחים המדויקים ביותר (ולמה)

1. יפני (סטיית ממוצעת של 5.8%)

המטבח היפני הוא ככל הנראה המטבח הידידותי ביותר ל-AI בעולם. רולים של סושי, פרוסות סשימי, פיסות טמפורה, וקופסאות בנטו מציגים את המזון כמנות נפרדות וברורות. אורז מוגש בדרך כלל בחלק ברור. ה-AI יכול לספור פיסות, להעריך גדלים, ולהשוות אותם מול מאגר נתונים מאומן היטב. תרבות המזון ביפן גם מעדיפה הצגה סטנדרטית — רול קליפורניה במסעדה אחת נראה כמעט זהה לרול קליפורניה במסעדה אחרת.

הביצועים הטובים ביותר: סושי ניגירי (סטייה של 3.2%), אדממה (2.9%), אוניגירי (4.1%) הביצועים החלשים ביותר: ראמן (11.4% — קלוריות המרק קשה להעריך), אוקונומיאקי (9.8%)

2. אמריקאי (סטיית ממוצעת של 6.2%)

המזון האמריקאי נהנה משני יתרונות מרכזיים: ייצוג גבוה בנתוני האימון של ה-AI וחלק גבוה של מוצרים ארוזים, סטנדרטיים, או פריטים מרשתות מסעדות. ביג מק נראה אותו דבר בכל מקום. נקניקיה יש לה ממדי צפייה צפויים. סלטים נוטים להיות מורכבים מרכיבים נפרדים ומוכרים. אפילו הבישול הביתי האמריקאי — המבורגרים, עוף בגריל, תפוחי אדמה אפויים — מורכב מרכיבים נפרדים וברורים.

הביצועים הטובים ביותר: המבורגרים (3.8%), חזה עוף בגריל (4.1%), סלט קיסר (5.2%) הביצועים החלשים ביותר: קאסרולות (12.3%), נachos עמוסים (10.9%)

3. איטלקי (סטיית ממוצעת של 6.5%)

המטבח האיטלקי מקבל ציונים גבוהים מסיבות דומות למטבח היפני — רבות מהמנות יש להן צורה סטנדרטית, מוכרת וויזואלית. פיצה מרגריטה, צלחת ספגטי, סלט קפרזה, וקערת ריזוטו הם כולם ברורים ויזואלית ומיוצגים היטב בנתוני תמונות מזון. צורות הפסטה ניתנות לזיהוי, והתוספות נוטות להיות מונחות על גבי המנות ולא מעורבות בתוכן.

הביצועים הטובים ביותר: פיצה מרגריטה (3.5%), סלט קפרזה (4.0%), ברוסקטה (4.8%) הביצועים החלשים ביותר: לזניה (11.2% — מנות שכבות מסתירות גבינה ובשר), קארבונרה (9.6% — תכולת שמנת וביצה משתנה)

4. קוריאני (סטיית ממוצעת של 7.1%)

המטבח הקוריאני הפתיע אותנו בכך שדורג רביעי. הגורם המרכזי: ארוחות קוריאניות מוגשות בדרך כלל כמספר מנות קטנות (בנצ'אן) לצד מנה עיקרית, מה שמקל על זיהוי פריטים בודדים. ביבימבאפ מציג מרכיבים בחלקים נפרדים על גבי אורז. קימבאפ נחתך לעיגולים ניתנים לזיהוי. קימצ'י ותוספות מוחמצות הן ברורות ויזואלית.

הביצועים הטובים ביותר: קימבאפ (4.2%), ביבימבאפ (5.8%), קימצ'י (3.1%) הביצועים החלשים ביותר: ג'יג'ה/תבשילים (12.7%), טוקבוקי עם רוטב (10.1%)

5. גרמני (סטיית ממוצעת של 7.4%)

המטבח הגרמני כולל פריטים גדולים וברורים — נקניקיות, שניצלים, פרעצלים, ודומדמניות תפוחי אדמה — שקל ל-AI לזהות ולמדוד. צלחות נוטות להיות מורכבות מרכיבים נפרדים ולא ממנות מעורבות. סוגי נקניקיות ניתנים להבחנה זו מזה מזה, ומוצרי לחם מגיעים בצורות וגדלים סטנדרטיים.

הביצועים הטובים ביותר: ברטוורסט (4.5%), פרצל (4.9%), שניצל (6.2%) הביצועים החלשים ביותר: איינטופף/תבשילים (11.8%), סלט תפוחי אדמה עם רטבים משתנים (9.4%)

5 המטבחים הפחות מדויקים (ולמה)

20. אתיופי (סטיית ממוצעת של 15.8%)

המטבח האתיופי היה המאתגר ביותר עבור ה-AI בכל מדד. הבעיה המרכזית: מנות המבוססות על אינג'רה מציגות מספר תבשילים (וואטים) ומנות ירקות המוגשות יחד על גבי פיתה שטוחה גדולה אחת, לעיתים חופפות ומעורבות. ה-AI מתקשה לקבוע היכן מסתיימת מנה אחת ומתחילה השנייה. דورو וואט, מיסיר וואט, וקיטפו דומים ויזואלית — מנות כהות עם רוטב כבד עם מעט תכנים נבדלים על פני השטח. תכולת החמאה (ניטר קיבבה) והשמן אינה נראית מתחת לרוטב.

שיעור זיהוי המזון הנמוך (56%) משקף פער אמיתי בנתוני האימון. המזון האתיופי עדיין לא מיוצג מספיק בנתוני תמונות מזון עולמיים.

19. הודי (סטיית ממוצעת של 14.6%)

המטבח ההודי מציב אתגרים רבים עבור ה-AI. קארי הוא בדרך כלל אטום ויזואלית — תמונה אינה יכולה לחשוף כמה גהי, שמנת או חלב קוקוס יש בתוך עוף חמאה. דאל יכול לנוע בין 150 ל-400 קלוריות למנה בהתאם לשמנים (טאדקה) המוספים. רוטבים נראים דומים בין מנות: קורמה, טיקה מסאלה, ורוגן גוש יכולים להיראות כמעט זהים בתמונות בעוד שהם שונים בעשרות קלוריות.

לחם הוא משתנה נוסף. רוטי פשוטה מכילה בערך 100 קלוריות; נאן חמאה ממסעדה יכולה לעלות על 300. הם נראים דומים בתמונות אך ההבדל בקלוריות עצום.

גורם הגהי: רבות מהמנות ההודיות מסתיימות עם כמות נדיבה של גהי שמעורבת ואינה נראית. הערכים הייחודיים של הדיאטנית שלנו הראו שגהי ושמן תרמו 25-40% מהקלוריות הכוללות במנות רבות — קלוריות שה-AI פשוט לא יכול לראות.

18. תאילנדי (סטיית ממוצעת של 13.9%)

המטבח התאילנדי משתף אתגרים רבים עם המזון ההודי: קארי על בסיס חלב קוקוס עם תכולת שומן מוסתרת, טיגונים עם כמות שמן משתנה, ורוטבים שמסתירים רכיבים. קארי ירוק יכול לנוע בין 300 ל-600 קלוריות לכל קערה בהתאם ליחס חלב הקוקוס. קלוריות הפד תאי משתנות באופן דרמטי בהתאם לפסטה, בוטנים, ושמן — רכיבים שמפוזרים ולא נראים על פני השטח.

רוטב דג וסוכר, שני תיבולים תאילנדיים בסיסיים, מוסיפים קלוריות שאינן נראות בתמונה.

17. ניגרי (סטיית ממוצעת של 13.4%)

המזון הניגרי מתמודד עם שני אתגרים: ייצוג מוגבל בנתוני האימון ושיטות בישול עתירות קלוריות. אורז ג'ולוף סופג שמנים במהלך הבישול שאינם נראים על פני השטח. מרק אגוסי עשוי מזרעי מלון טחונים ושמן דקל, שניהם רכיבים עתירי קלוריות שמתמזגים במנה. פנד יאם (פופו) הוא פחמימה עתירת קלוריות שנראית קלילה.

ה-AI התקשה להבחין בין סוגי המרקים הניגריים — אגוסי, אגוסי, ומרק אוקרה נראו דומים בתמונות אך היו להם פרופילים קלוריים שונים באופן משמעותי בשל השינויים בשמן דקל ובתכולת הזרעים.

16. קאריבי (סטיית ממוצעת של 12.8%)

המטבח הקאריבי משלב רבים מהאלמנטים המאתגרים ביותר: בשרים מבושלים עם שומנים מוסתרים (זנב שור, עגל קארי), אורז על בסיס חלב קוקוס, טיגוני בננות עם ספיגת שמן משתנה, ומנות חד פעמיות כמו פלאו. ה-AI הצליח היטב על עוף ג'רק (סימני גריל נראים, צורה ניתנת לזיהוי) אך לא הצליח על מנות תבשיל חום וקארי שבהן הרוטב הסתיר את החלבון.

בעיית הקלוריות המוסתרות: אילו מטבחים מטעים את ה-AI הכי הרבה

אחת המסקנות החשובות מהניסוי הזה היא מה שאנחנו מכנים "פער הקלוריות המוסתרות" — ההבדל בין מה שה-AI יכול לראות ומה שיש באמת במנה. מדדנו זאת על ידי בדיקת אילו מטבחים היו להם הפערים הגדולים ביותר בין ההערכה של ה-AI לערך הקלורי האמיתי, במיוחד הנגרמים על ידי שומנים ושמנים בלתי נראים.

מטבח	קלוריות שומן מוסתרות ממוצעות (למנה)	% מהקלוריות הכוללות משומנים מוסתרים	תת-הערכה של ה-AI עקב שומנים מוסתרים
הודי	187 קק"ל	34%	-22%
אתיופי	165 קק"ל	31%	-20%
תאילנדי	152 קק"ל	29%	-18%
ניגרי	148 קק"ל	28%	-17%
סיני	134 קק"ל	24%	-14%
מזרח תיכוני	128 קק"ל	23%	-13%
קאריבי	124 קק"ל	22%	-12%
פיליפיני	118 קק"ל	21%	-11%
טורקי	112 קק"ל	20%	-10%
ברזילאי	98 קק"ל	17%	-8%

הדפוס ברור: מטבחים התלויים במידה רבה בשמנים לבישול, גהי, חלב קוקוס, ורוטבים על בסיס אגוזים מטעים באופן שיטתי את המעקבים של AI לקלוריות. זו לא בעיה ייחודית ל-Nutrola — זו מגבלה יסודית של הערכת קלוריות על בסיס תמונות. מצלמה לא יכולה לראות שומן מומס.

ההשלכה הפרקטית: אם אתם אוכלים באופן קבוע מטבחים בחצי העליון של הטבלה הזו, עליכם לצפות שההערכות של ה-AI יהיו נמוכות ולשקול להוסיף תיקון ידני של 10-20% למנות עם רוטב כבד ותבשילים.

איך Nutrola משפרת את הדיוק עבור מטבחים לא משרתים

אנחנו לא מפרסמים את הנתונים האלה כדי להצדיק ביצועים גרועים — אנחנו מפרסמים אותם כי שקיפות מניעה שיפור. הנה מה שאנחנו עושים באופן פעיל:

הרחבת נתוני האימון עבור מטבחים לא מיוצגים

צינור האימון של התמונות שלנו הוטה היסטורית לעבר מזון צפון אמריקאי ואירופי. אנחנו משתפים פעולה עם צלמי מזון ומסדי נתונים של מתכונים בדרום אסיה, מערב אפריקה, מזרח אפריקה, דרום מזרח אסיה, והקריביים כדי להרחיב באופן דרמטי את קבוצת האימון שלנו עבור מטבחים שדורגו מתחת ל-80% בזיהוי מזון.

שותפויות עם מסדי נתונים של מזון אזורי

הערכת קלוריות טובה רק כמו הנתונים התזונתיים מאחוריה. אנחנו בונים שותפויות עם מוסדות מחקר תזונתיים בהודו, ניגריה, אתיופיה, ותאילנד כדי לשלב נתונים תזונתיים ספציפיים לאזור. "עוף חמאה" המוכן בדלהי יש לו פרופיל קלורי שונה מאשר גרסה של טייקאווי בריטי, ומסד הנתונים שלנו צריך לשקף זאת.

פקודות AI ספציפיות למטבח

כאשר ה-AI של Nutrola מזהה קטגוריית מטבח (למשל, הודי, תאילנדי, אתיופי), הוא עכשיו מיישם גורמי תיקון ספציפיים למטבח. אם המערכת מזהה קארי, היא מתאימה אוטומטית כלפי מעלה עבור שומנים מוסתרים. זו לא פתרון מושלם, אבל הבדיקות הפנימיות שלנו מראות שזה מפחית את סטיית הממוצע עבור מזון הודי מ-14.6% ל-11.2% ועבור מזון תאילנדי מ-13.9% ל-10.8%.

מעגלי משוב מהמשתמשים

כל פעם שמשתמש של Nutrola מתקן ידנית הערכה של AI, התיקון הזה חוזר למודל שלנו. מטבחים עם בסיסי משתמשים פעילים יותר משתפרים מהר יותר. אנחנו גם מפעילים קמפיינים ממוקדים לגיוס משתמשים מאזורים של מטבחים לא מיוצגים כדי לעזור לאמן את המודל.

טיפים למשתמשים העוקבים אחרי מזון בינלאומי

בהתבסס על הנתונים האלה, הנה אסטרטגיות פרקטיות להשגת התוצאות המדויקות ביותר כאשר עוקבים אחרי מטבחים שאינם מערביים:

1. הוסיפו "רזרבה לשומן מוסתר" עבור מטבחים עם רוטב כבד

אם אתם אוכלים מזון הודי, תאילנדי, אתיופי, ניגרי, או סיני, הוסיפו 10-15% להערכה של ה-AI עבור כל מנה שמכילה רוטב או גרבי. תיקון בודד זה סוגר את רוב פער הדיוק.

2. צלמו רכיבים בודדים כאשר זה אפשרי

במקום לצלם מגש שיתוף אתיופי שלם, צלמו כל וואט בנפרד אם אפשר. במקום לתפוס תלי, קחו תמונה של כל קערה בנפרד. ה-AI פועל הרבה יותר טוב כאשר הוא יכול לבודד מנות בודדות.

3. השתמשו בתכונת ההתאמה הידנית

Nutrola מאפשרת לכם להתאים את ההערכות של ה-AI למעלה או למטה לאחר הסריקה. השתמשו בזה עבור מנות שאתם אוכלים באופן קבוע — ברגע שאתם יודעים שהקארי הירוק של המסעדה התאילנדית המקומית שלכם גבוה בערך 15% ממה שה-AI חושב, אתם יכולים להחיל את התיקון הזה בכל פעם.

4. השוו עם מתכונים ידועים

אם אתם מבשלים מזון בינלאומי בבית, רשמו את המתכון פעם אחת עם מדידות מדויקות (כולל כל השמנים והגהי). שמרו את זה כמנה מותאמת אישית ב-Nutrola. מכאן ואילך, תוכלו לרשום את זה מיד עם דיוק מאומת במקום להסתמך על הערכת התמונה.

5. שימו לב ל"מזונות דומים בקלוריות"

חלק מהמנות נראות כמעט זהות בתמונות אך שונות באופן דרמטי בקלוריות. נאן מול רוטי. קארי קוקוס מול קארי על בסיס עגבניות. בננה מטוגנת מול בננה מבושלת. כאשר ה-AI מציג את ההערכה שלו, בדקו שוב שהוא זיהה את שיטת ההכנה הנכונה.

6. עקבו אחרי משקאות בנפרד

רבים מהמטבחים הבינלאומיים כוללים משקאות עתירי קלוריות — מנגו לאסי, תה קר תאילנדי, הורצ'טה, זובו ניגרי — שה-AI עשוי לפספס אם הם בקצה התמונה. צלמו את המשקאות בנפרד للحصولת התוצאות הטובות ביותר.

מה זה אומר לעתיד המעקב אחרי מזון בעזרת AI

הניסוי הזה חושף עד כמה רחוק הגע המעקב אחרי קלוריות בעזרת AI ועד כמה עוד יש לו ללכת. עבור מטבחים עם מזון ברור ומדוקדק — יפני, אמריקאי, איטלקי, קוריאני — מעקב התמונות של ה-AI כבר מדויק למדי, פועל בטווח של 6-7% מהערכה ידנית של דיאטנית. זה מספיק טוב כדי להיות שימושי באמת למעקב יומי.

עבור מטבחים עם שומנים מוסתרים, מנות חופפות, ונתוני אימון מוגבלים — הודי, אתיופי, תאילנדי, ניגרי — יש פער דיוק משמעותי שצריך להיות מודעים אליו. הפער לא גדול מספיק כדי להפוך את המעקב של AI לחסר תועלת עבור מטבחים אלה, אבל הוא גדול מספיק כדי להיות משמעותי אם אתם מנסים לשמור על חיסרון קלורי מדויק.

החדשות הטובות הן שהבעיה הזו ניתנת לפתרון. זו בעיה של נתונים, לא של אלגוריתמים. ככל שסטי נתוני האימון מתרחבים ונתוני תזונה אזוריים משתפרים, הדיוק עבור מטבחים לא משרתים יתקרב למובילים. המטרה שלנו ב-Nutrola היא לסגור את הפער הזה לסטיית ממוצע של מתחת ל-8% עבור כל 20 המטבחים עד סוף 2026.

בינתיים, השילוב של הערכת AI יחד עם מודעות המשתמש ותיקונים ידניים מביא אתכם לרמת דיוק שהיא יותר ממספקת למעקב תזונה משמעותי — לא משנה מה המטבח שאתם אוכלים.

תכונת Snap & Track של Nutrola זמינה בכל התוכניות, החל מ-2.50 יורו לחודש, ללא פרסומות וגישה מלאה למנוע זיהוי המזון המתקדם שלנו. ככל שמשתמשים שלנו מצלמים מנות מגוונות יותר, כך המערכת משתפרת לכולם.

---

הערת מתודולוגיה: ניסוי זה נערך פנימית על ידי צוות Nutrola במרץ 2026. ערכי הקלוריות הייחודיים חושבו על ידי שתי דיאטניות מוסמכות שעבדו באופן עצמאי, עם הבדלים שנפתרו בהסכמה. כל ההערכות של ה-AI נוצרו באמצעות תכונת Snap & Track ב-Nutrola v3.2. אנו מתכננים לחזור על ניסוי זה מדי רבעון ולפרסם תוצאות מעודכנות.