איך Nutrola's AI מזהה את האוכל שלך מתמונה אחת: מאחורי הקלעים

אתה פותח את Nutrola, מכוון את המצלמה שלך לצלחת סלמון צלוי עם ירקות קלויים וקינואה, ולוחץ על כפתור הצילום. פחות משלוש שניות לאחר מכן, האפליקציה אומרת לך שהארוחה מכילה כ-640 קלוריות, עם 38 גרם חלבון, 42 גרם פחמימות ו-28 גרם שומן. היא אפילו מפרטת את הסלמון, הירקות והקינואה כפריטים נפרדים.

זה מרגיש כמו קסם. אבל מאחורי החוויה החלקה הזו עומדת מערכת מורכבת של תהליכי אינטליגנציה מלאכותית, שכל אחד מהם מטפל בחלק מסוים של הפאזל. מאמר זה עובר על כל שלב במערכת הזו, מהרגע שהאור פוגע בחיישן המצלמה שלך ועד לרגע שבו מספרי הקלוריות מופיעים על המסך שלך. אין צורך בתואר בלמידת מכונה.

התמונה הגדולה: צינור של שישה שלבים

לפני שנצלול לכל שלב, הנה המסע המלא במבט אחד:

1. עיבוד תמונה -- התמונה שלך מנוקה ומותאמת כך שה-AI יוכל לעבוד איתה.
2. זיהוי אוכל וחלוקה -- ה-AI מוצא היכן נמצא כל פריט אוכל על הצלחת.
3. סיווג אוכל -- כל אזור מזוהה מקבל תווית של אוכל ספציפי.
4. הערכת גודל מנה -- ה-AI מעריך כמה מהאוכל נמצא.
5. התאמת נתוני תזונה -- המזון והמנות המזוהות מותאמות לנתוני תזונה מאומתים.
6. ציון ביטחון ואישור משתמש -- ה-AI אומר לך כמה הוא בטוח ומאפשר לך לבצע תיקונים.

כל שלב מזין את השלב הבא. תחשוב על זה כמו פס ייצור במפעל: חומר גלם נכנס מצד אחד, ומוצר מוגמר יוצא מהצד השני. אם תחנה אחת לא מבצעת את עבודתה כראוי, המוצר הסופי נפגע. לכן כל שלב תוכנן, נבדק ושופר בקפידה רבה.

בואו נעבור עליהם אחד אחד.

שלב 1: עיבוד תמונה

הדבר הראשון שקורה לאחר שלוחצים על כפתור הצילום אינו קשור לזיהוי אוכל. מדובר בהכנת התמונה עצמה.

למה תמונות גולמיות אינן מוכנות ל-AI

מצלמת הטלפון שלך תופסת תמונות ברזולוציות גבוהות, לעיתים 12 מגה פיקסל או יותר. זה הרבה יותר נתונים ממה שהמודל של ה-AI זקוק לו, ועיבוד כל זה יהיה איטי ומבזבז. התמונה עשויה גם להיות צולמת בתאורה גרועה, בזווית מוזרה, או עם רקע מסיח דעת.

תחשוב על זה כמו הכנת מרכיבים לפני הבישול. שף לא זורק גזר לא שטוף לתוך סיר. הוא שוטף אותו, מקלף אותו, וקוצץ אותו לגודל הנכון קודם. עיבוד תמונה הוא הגרסה של ה-AI ל"מיז אן פלאס".

מה קורה במהלך עיבוד התמונה

שינוי גודל ונורמליזציה: התמונה מקטינה לגודל סטנדרטי, בדרך כלל כמה מאות פיקסלים בכל צד. ערכי הפיקסלים מנורמלים כך שהבהירות והניגודיות יהיו בטווח עקבי. זה מבטיח שהמודל יתנהג באותו אופן, בין אם צילמת את התמונה באור שמש בהיר או בתאורה עמומה של מסעדה.

תיקון צבע: התאמות עדינות מתקנות גוונים שנגרמים על ידי מקורות אור שונים. הזוהר החם של ארוחת ערב לאור נרות או הגוון הכחול של תאורת משרד פלורסנטית יכולים להטעות את ה-AI לגבי מה שהוא רואה. תיקון צבע מפחית את העיוותים הללו.

כיוון וחיתוך: המערכת מזהה אם הטלפון הוחזק אנכית או אופקית ומסובבת את התמונה בהתאם. אם ה-AI מזהה שהאוכל תופס רק חלק קטן מהמסגרת, הוא עשוי לחתוך לאזור הרלוונטי כדי להפחית רעש מהרקע.

הפחתת רעש: תמונות שצולמו בתנאי תאורה נמוכה מכילות לעיתים רעש חזותי, אותם כתמים קטנים שגורמים לתמונה להיראות גרגירית. שלב הפחתת רעש קל מחליק את העיוותים הללו מבלי לטשטש את הפרטים החשובים של האוכל.

כל זה קורה בתוך חלקיק שנייה. עד שהדימוי מגיע לשלב הבא, הוא כבר קלט נקי וסטנדרטי שהמודל של ה-AI יכול לפרש בצורה אמינה.

שלב 2: זיהוי אוכל וחלוקה

עכשיו ה-AI מתמודד עם האתגר הראשון שלו: להבין היכן נמצא האוכל בתמונה ולצייר גבולות סביב כל פריט נפרד.

זיהוי: מציאת אוכל במסגרת

מודל הזיהוי סורק את התמונה כולה ומזהה אזורים שמכילים אוכל. זה יותר מורכב ממה שזה נשמע. המודל צריך להבחין בין צלחת הפסטה שלך לבין מפית מתחתיה, כוס המים לצידה, והמפית בפינה. הוא גם צריך להתמודד עם צלחות שמוסתרות جزئית, חופפות, או שנחתכות בקצה המסגרת.

מערכות זיהוי מודרניות משתמשות בטכניקת זיהוי אובייקטים, שבה המודל חוזה בו זמנית את המיקום והקטגוריה הכללית של כל אובייקט שהוא מזהה. תחשוב על זה כמו מלצר מנוסה מאוד שיכול להסתכל על שולחן ולזהות כל מנה, אפילו במסעדה עמוסה. ה-AI מאומן לפתח אינסטינקט דומה, רק שהוא למד את האינסטינקט הזה על ידי חקר מיליוני תמונות אוכל.

חלוקה: ציור גבולות מדויקים

הזיהוי אומר ל-AI שיש אוכל באזור מסוים בתמונה. החלוקה הולכת רחוק יותר על ידי מתן מתאר מדויק של כל פריט אוכל, פיקסל אחרי פיקסל.

ההבחנה הזו חשובה. תחשוב על צלחת עם עוף צלוי שמונח על מצע של אורז, עם צד של ברוקולי מאודה. קופסה פשוטה סביב העוף תכלול גם חלק מהאורז שמתחתיו. החלוקה מציירת מתאר מדויק סביב העוף, האורז והברוקולי, אפילו היכן שהם חופפים.

דיוק ברמת הפיקסל הזה קריטי לשלבים הבאים, מכיוון שה-AI צריך לדעת בדיוק כמה שטח חזותי תופס כל פריט אוכל. אם גבול העוף כולל בטעות חתיכת אורז, ההערכה עבור שני הפריטים תהיה לא מדויקת.

התמודדות עם צלחות מורכבות

ארוחות בעולם האמיתי הן מבולגנות. מזון חופף, רטבים מתפשטים על פני פריטים שונים, ומנות מעורבות כמו מוקפצים או סלטים מכילות עשרות רכיבים קטנים מעורבים יחד. מודל החלוקה מתמודד עם המקרים הללו על ידי הקצאת סיכוי לכל פיקסל להיות שייך לכל קטגוריית אוכל. במוקפץ, פיקסל שנראה כאילו הוא יכול להיות עוף או טופו מקבל סיכויים לשני האפשרויות, והמערכת פותרת את האמביגואציה באמצעות הקשר מהפיקסלים הסובבים.

שלב 3: סיווג אוכל

עם כל פריט אוכל מבודד, ה-AI עכשיו צריך לענות על השאלה הבסיסית: מהו האוכל הזה?

איך ה-AI מזהה מזונות ספציפיים

מודל הסיווג הוא רשת עצבית עמוקה שאומנה על מסד נתונים עצום של תמונות אוכל מתויגות. במהלך האימון, הוא ראה מיליוני דוגמאות של אלפי מזונות שונים. עם הזמן, הוא למד לקשר דפוסים חזותיים ספציפיים עם תוויות מזון ספציפיות.

זה עובד בדומה לאופן שבו למדת לזהות מזונות כילד. לא זכרת כל מראה אפשרי של תפוח. במקום זאת, דרך חשיפה חוזרת, המוח שלך בנה מודל פנימי של "תפוחיות", שילוב של צבע, צורה, גודל ומרקם שמאפשר לך לזהות תפוח, בין אם הוא אדום או ירוק, שלם או פרוס, מונח על דלפק או תלוי מעץ.

ה-AI בונה מודל פנימי דומה, רק שהוא עושה זאת באמצעות פונקציות מתמטיות ולא נוירונים ביולוגיים. הוא לומד שסלמון צלוי נוטה להיות בגוון ורוד-כתום מסוים עם סימני גריל כהים, מרקם פתיתי וצורה טיפוסית מסוימת. הוא לומד שקינואה יש דפוס גרגרים קטנים ועגולים שמבדיל אותה מאורז או קוסקוס.

האתגר של מזונות דומים במראה

חלק מהמזונות נראים דומים להפליא. אורז לבן ואורז כרובית. פסטה רגילה ופסטה ללא גלוטן. יוגורט יווני ושמנת חמוצה. המבורגר הודו והמבורגר בקר.

מודל הסיווג מתמודד עם המקרים הללו על ידי התבוננות ברמזים חזותיים עדינים שרוב האנשים היו משתמשים בהם גם כן. השקיפות הקלה של אורז לבן מבושל לעומת המרקם הבלתי אחיד של אורז כרובית. ההבדל הקטן במבריק בין יוגורט יווני לשמנת חמוצה.

כאשר רמזים חזותיים בלבד אינם מספיקים, המודל גם מתחשב בהקשר. אם שלב החלוקה זיהה אורז לצד מה שנראה כמו רוטב סויה ומקלות אכילה, המודל עשוי להגדיל את הביטחון שלו שהגרגרים הם אורז לבן ולא אורז כרובית.

סיווג רב-תוויתי עבור מנות מעורבות

חלק מהמזונות לא מתאימים בקלות לקטגוריה אחת. בוריטו מכיל טורטיה, אורז, שעועית, בשר, גבינה, סלסה ואולי עוד. במקום לסווג את הבוריטו כולו כפריט אחד, ה-AI יכול לזהות אותו כמנה מורכבת ולעריך את התזונה של הבוריטו כולו או לפרק אותו לרכיבים הסבירים שלו בהתבסס על מה שנראה ומה שנמצא בדרך כלל במנה הזו.

שלב 4: הערכת גודל מנה

לדעת שהצלחת שלך מכילה סלמון צלוי זה מועיל, אבל זה לא מספיק כדי לחשב קלוריות. ה-AI גם צריך להעריך כמה סלמון יש שם. האם זה פילט של 100 גרם או פילט של 200 גרם? ההבדל בקלוריות משמעותי.

איך ה-AI מעריך נפח ללא משקל

הערכת המנות נחשבת לאחת הבעיות הקשות ביותר ב-AI של אוכל. המערכת לא יכולה לשקול את האוכל שלך פיזית, ולכן היא מסתמכת על רמזים חזותיים ונקודות ייחוס.

ניתוח גודל יחסי: ה-AI משתמש באובייקטים ידועים במסגרת כנקודות ייחוס. צלחת ערב סטנדרטית היא בערך 26 סנטימטרים בקוטר. מזלג הוא באורך של כ-19 סנטימטרים. אם המודל מצליח לזהות את האובייקטים הללו, הוא יכול להעריך את הגודל הפיזי של האוכל ביחס אליהם. תחשוב על זה כמו שימוש בסרגל שכבר נמצא על השולחן.

הערכת עומק: מודלים מודרניים של AI יכולים להעריך את המבנה התלת-ממדי של סצנה מתמונה דו-ממדית אחת. זה מאפשר למערכת להעריך לא רק כמה רחב פריט אוכל, אלא גם כמה הוא עבה או גבוה. חתיכת חזה עוף צלוי דקה מכילה תוכן קלורי שונה מאוד מחתיכה עבה, אפילו אם הן נראות באותו גודל מלמעלה.

מודלים סטטיסטיים: ה-AI יודע, מנתוני האימון שלו, שמנה טיפוסית במסעדה של סלמון שוקלת בין 140 ל-200 גרם, בעוד שמנה טיפוסית בבית עשויה להיות בין 100 ל-170 גרם. הבסיסים הסטטיסטיים הללו עוזרים למודל לבצע הערכות סבירות גם כאשר הרמזים החזותיים אינם חד משמעיים.

מודלים של צפיפות נלמדת: למזונות שונים יש צפיפויות שונות. כוס של ירקות עליים שוקלת הרבה פחות מכוס של פירה, אפילו אם הן תופסות את אותו נפח. ה-AI למד את הקשרים הללו ומחשב אותם בהערכות המשקל שלו.

למה השלב הזה הוא הקשה ביותר

הערכת המנות היא המקום שבו השגיאות הגדולות ביותר נוטות להתרחש, וזה נכון גם עבור בני אדם. מחקרים הראו באופן עקבי שאנשים גרועים להפליא בהערכת גודל המנות באופן חזותי. מחקרים שפורסמו בכתבי עת מדעיים בתחום התזונה מצאו כי גם דיאטנים מוסמכים וגם צרכנים רגילים מעריכים באופן שגוי מנות ב-20 עד 50 אחוז.

ה-AI לא מבטל את הקושי הזה, אבל הוא מפעיל מתודולוגיה עקבית ומאומנת במקום להסתמך על תחושות בטן. לאורך מספר גדול של ארוחות, העקביות הזו מביאה לדיוק טוב יותר משמעותית מאשר הערכה ידנית של בני אדם.

שלב 5: התאמת נתוני תזונה

בשלב הזה, ה-AI יודע אילו מזונות נמצאים על הצלחת וכמה מהם בערך יש. השלב האחרון בנתונים הוא לתרגם את המידע הזה למספרי תזונה אמיתיים.

חיבור למסדי נתונים של מזון מאומתים

Nutrola מחזיקה במסד נתונים תזונתי מקיף שנבנה ממקורות מהימנים, כולל מסדי נתונים ממשלתיים על הרכב מזון, נתוני יצרנים מאומתים וניתוחים מעבדתיים. כאשר ה-AI מזהה מזון כ"סלמון צלוי, בערך 170 גרם", המערכת מחפשת את הפרופיל התזונתי של סלמון אטלנטי צלוי ומספקת את הערכים בהתאם לגודל המנה המוערך.

החיפוש הזה הוא יותר מורכב מחיפוש פשוט בטבלה. המערכת מתחשבת בשיטת ההכנה, מכיוון שפילט סלמון אפוי ופילט סלמון מטוגן בחמאה מכילים ערכים קלוריים שונים, אפילו באותו משקל. היא מתחשבת גם בשונות אזוריות נפוצות: סלמון המוגש במסעדה יפנית עשוי להיות מוכן בצורה שונה מסלמון במסעדה ים-תיכונית. כאשר פרטי ההכנה הספציפיים אינם ברורים, המערכת משתמשת בשיטת ההכנה הסטטיסטית הנפוצה ביותר עבור המנה המזוהה.

התמודדות עם מנות מורכבות ומותאמות אישית

לגבי מזון עם מרכיב יחיד כמו בננה, החיפוש במסד הנתונים הוא פשוט. אבל עבור צלחת מורכבת עם מספר פריטים, המערכת מסכמת את הנתונים התזונתיים מכל רכיב מזוהה. הצלחת שלך של סלמון עם קינואה וירקות קלויים הופכת לסכום של המקרו של הסלמון, המקרו של הקינואה, והמקרו של תערובת הירקות, מותאמת לכל רוטב, שמן או רוטב נראים.

למנות מוכרות כמו "סלט עוף קיסר" או "טאקו בשר", במסד הנתונים יש גם רשומות מוכנות מראש שמתחשבות ביחסי מרכיבים טיפוסיים ושיטות הכנה. ה-AI מצלב את הניתוח ברמת הרכיב עם רשומות המנה המלאה כדי להפיק את ההערכה המדויקת ביותר.

שלב 6: ציון ביטחון ואישור משתמש

אף מערכת AI אינה מדויקת ב-100 אחוז, ו-Nutrola תוכננה להיות שקופה לגבי רמת הביטחון שלה.

איך עובד ציון הביטחון

כל תחזית שה-AI עושה מגיעה עם ציון ביטחון פנימי, מספר המייצג כמה המודל בטוח לגבי הסיווג וההערכה של המנה. אם המודל בטוח ב-95 אחוז שהוא רואה סלמון צלוי, הוא מציג את התוצאה ללא היסוס. אם הוא בטוח רק ב-70 אחוז, הוא עשוי להציג את ההערכה הטובה ביותר שלו תוך הצעת אפשרויות חלופיות.

תחשוב על ציון הביטחון כמו רופא שאומר "אני די בטוח שזה X, אבל זה יכול להיות גם Y. תן לי לאשר." זה סימן למערכת מעוצבת היטב, ולא פגם.

לולאת אישור המשתמש

כאשר ה-AI מציג את הניתוח שלו, יש לך הזדמנות לבדוק ולבצע תיקונים. אם ה-AI זיהה את הקינואה שלך כקוסקוס, תוכל לתקן זאת בלחיצה. אם ההערכה של המנה נראית גבוהה מדי או נמוכה מדי, תוכל להתאים את גודל המנה. תיקונים אלה משרתים שתי מטרות: הם מספקים לך נתונים מדויקים עבור הארוחה הספציפית הזו, והם מחזירים את המידע למערכת כדי לשפר תחזיות עתידיות.

עיצוב זה של "אדם בלולאה" הוא מכוון. ה-AI מבצע את העבודה הקשה, אבל אתה נשאר בשליטה על התוצאה הסופית. זו שותפות ולא קופסה שחורה.

היכן ה-AI מתקשה: מגבלות כנות

אף טכנולוגיה אינה מושלמת, וכנות אינטלקטואלית לגבי מגבלות היא יותר מועילה מאשר טענות שיווקיות על חוסר פגמים. הנה התסריטים שבהם AI של אוכל, כולל זה של Nutrola, נתקל באתגרים אמיתיים.

מרכיבים מוסתרים

ה-AI יכול לנתח רק מה שהוא יכול לראות. רוטב סלט שספג לתוך העלים, חמאה שהומסה לתוך פירה, או סוכר שהומס לתוך רוטב הם כולם בלתי נראים למצלמה. קלוריות מוסתרות אלו יכולות להצטבר משמעותית. כף של שמן זית מוסיפה בערך 120 קלוריות, וה-AI עשוי לא לזהות זאת אם היא נספגת לחלוטין באוכל.

Nutrola מפצה על כך על ידי שימוש במודלים סטטיסטיים של שיטות הכנה טיפוסיות. אם אתה מצלם צלחת פסטה במסעדה, המערכת מניחה שכמות סבירה של שמן או חמאה שימשה בהכנה, גם אם זה לא נראה. אבל זו הנחה מושכלת, לא מדידה מדויקת.

מזונות דומים במראה עם פרופילים תזונתיים שונים

חלק מהמזונות כמעט בלתי ניתנים להבחנה בתמונה. יוגורט חלב מלא ויוגורט ללא שומן נראים אותו דבר. סודה רגילה וסודה דיאטטית בכוס הם זהים למצלמה. סוכר לבן וממתיק מלאכותי בחבילה יכולים להיות מעורפלים. במקרים הללו, ה-AI נוטה לבחור את הגרסה הנפוצה ביותר אבל עשוי לטעות.

מנות לא רגילות או אזוריות

ה-AI פועל בצורה הטובה ביותר על מזונות שמיוצגים היטב בנתוני האימון שלו. מנות נפוצות מהמטבח העולמי מזוהות באופן מהימן. אבל מומחיות אזורית מאוד מעיירה קטנה, מתכון משפחתי עם מרכיבים לא רגילים, או מנה חדשה לחלוטין עשויות לא להיות במילון של המודל. במקרים הללו, ה-AI חוזר להתאמה הקרובה ביותר שלו, שעשויה להיות לא מדויקת.

תאורה קיצונית או זוויות

בעוד ששלב עיבוד התמונה מתקן בעיות רבות של תאורה וזווית, מקרים קיצוניים עדיין יכולים לגרום לבעיות. ארוחה שצולמה כמעט בחשכה, תחת תאורה צבועה מאוד, או מזווית צד מאוד תלולה עשויה לבלבל את המודל. צילומים מלמעלה בתאורה סבירה מספקים באופן עקבי את התוצאות הטובות ביותר.

מזונות ערומים או שכבתיים

מזונות עם שכבות מוסתרות מציבים אתגר מיוחד. סנדוויץ' שצולם מלמעלה מראה רק את פרוסת הלחם העליונה. לזניה מראה רק את השכבה העליונה. בוריטו מראה רק את הטורטיה. ה-AI מעריך את התוכן הפנימי בהתבסס על מה שהמנה מכילה בדרך כלל, אבל הוא לא יכול לראות דרך מזון מוצק.

איך Nutrola משתפרת עם הזמן

אחד ההיבטים החזקים ביותר של AI מודרני הוא היכולת שלו להשתפר באופן מתמשך. זיהוי המזון של Nutrola לא נשאר סטטי לאחר ההשקה. הוא משתפר באופן מדוד עם כל חודש שעובר.

למידה מתיקונים

כל פעם שמשתמש מתקן זיהוי אוכל או מתקן הערכת מנה, התיקון הזה הופך לנקודת נתונים. כאשר אלפי משתמשים מבצעים תיקונים דומים, הדפוס מתבהר והמודל יכול להתעדכן. אם ה-AI טועה באופן עקבי בזיהוי לחם אזורי מסוים, תיקוני משתמשים מסמנים את הבעיה וצוות האימון יכול להוסיף דוגמאות נוספות של הלחם הנכון למסד הנתונים של האימון.

לולאת המשוב הזו מבטיחה שהדיוק של האפליקציה משתפר ישירות על ידי הקהילה שמשתמשת בה. משתמשים מוקדמים עוזרים לאמן את המערכת עבור משתמשים מאוחרים יותר, והמחזור נמשך.

הרחבת מסד הנתונים של המזון

צוות Nutrola מוסיף באופן מתמשך מזונות חדשים למסד הנתונים: מנות חדשות מהמטבחים המתפתחים, פריטים עונתיים, פריטים פופולריים בתפריטי מסעדות, ומוצרים חדשים שהושקו. כל תוספת מרחיבה את טווח המנות שה-AI יכול לזהות בצורה מדויקת.

שיפור המודל והארכיטקטורה

המודל של ה-AI מתאמן באופן תקופתי על מסדי נתונים מעודכנים ומורחבים. ככל שהמחקר החדש בראיה ממוחשבת ולמידת מכונה מביא לשיפורים בארכיטקטורות המודל ושיטות האימון, Nutrola משלבת את ההתקדמות הללו. מודל שהוכשר היום מדויק הרבה יותר מאשר מודל שהוכשר לפני שנתיים, אפילו על אותו סט של תמונות אוכל.

התאמה אזורית

כשהבסיס המשתמשים של Nutrola גדל באזורים שונים בעולם, המערכת צוברת יותר נתונים על מטבחים ודפוסי אכילה אזוריים. זה מאפשר למודל להיות מדויק יותר ויותר עבור מזונות מקומיים שעשויים לא להיות מיוצגים היטב בנתוני האימון הקודמים. משתמש בסיאול נהנה מהאלפי תמונות של ארוחות קוריאניות שכבר רשמו משתמשים אחרים בסיאול.

השוואה: מעקב בעזרת צילום AI מול סריקת ברקוד מול חיפוש ידני

שיטות שונות לרישום מזון יש יתרונות וחסרונות שונים. הנה איך הן משוות על פני הממדים החשובים ביותר למעקב יומי.

גורם	מעקב בעזרת צילום AI	סריקת ברקוד	חיפוש ידני
מהירות	3 עד 5 שניות	5 עד 10 שניות	30 עד 90 שניות
עובד עבור מנות ביתיות	כן	לא	כן, אבל מעיק
עובד עבור מנות במסעדות	כן	לא	חלקית
עובד עבור מזונות ארוזים	כן	כן, עם דיוק גבוה	כן
מתמודד עם מספר פריטים בבת אחת	כן	לא, פריט אחד בכל פעם	לא, פריט אחד בכל פעם
דיוק עבור מזונות פשוטים	גבוה	מאוד גבוה	תלוי במשתמש
דיוק עבור מנות מורכבות	מתון עד גבוה	לא רלוונטי	נמוך עד מתון
דורש קריאת תוויות	לא	כן, לאישור	כן
רמת חיכוך	נמוכה מאוד	נמוכה	גבוהה
סיכון לדיווח נמוך של המשתמש	נמוך	נמוך	גבוה
זמין עבור מזונות לא ארוזים	כן	לא	כן

המסקנה המרכזית היא שאין שיטה אחת שהיא הטובה ביותר בכל תרחיש. מעקב בעזרת צילום AI מצטיין עבור מנות ביתיות ומנות במסעדות שבהן ברקודים אינם קיימים. סריקת ברקוד היא בלתי מנוצחת עבור מזונות ארוזים עם נתוני יצרן מדויקים. חיפוש ידני משמש כגיבוי מהימן כאשר השיטות האחרות אינן זמינות. Nutrola תומכת בכל שלוש השיטות בדיוק משום שכל אחת מהן מכסה פערים שהאחרות משאירות.

שאלות נפוצות

עד כמה מדויק זיהוי המזון בעזרת AI בהשוואה לרישום ידני?

מחקרים מבוקרים שמשווים רישום מזון בעזרת AI לרישום ידני מצאו ששיטות בעזרת AI מפחיתות את שגיאות ההערכה של קלוריות בכ-25 עד 40 אחוז בממוצע. השיפור בולט במיוחד עבור מנות מורכבות עם מספר רכיבים, שבהן ההערכה הידנית קשה במיוחד. עבור מזונות פשוטים עם מרכיב אחד, ההבדל בדיוק קטן יותר מכיוון ששתי השיטות פועלות בצורה סבירה.

האם ה-AI עובד עבור כל המטבחים?

ה-AI של Nutrola מאומן על מסד נתונים מגוון ועולמי שמכסה אלפי מנות ממטבחים שונים ברחבי העולם. עם זאת, דיוק הזיהוי גבוה בדרך כלל עבור מנות שמיוצגות יותר בנתוני האימון. אם אתה אוכל באופן קבוע מנות ממטבח שה-AI מתמודד איתו פחות בביטחון, התיקונים שלך עוזרים לשפר את הדיוק עבור המטבח הזה עם הזמן.

מה קורה אם ה-AI טועה?

תמיד תוכל לערוך את ההצעה של ה-AI. לחץ על כל פריט מזון מזוהה כדי לשנות אותו, להתאים את גודל המנה, או להוסיף פריטים שה-AI פספס. תיקונים אלה מוחלים על היומן שלך מיד וגם תורמים לשיפור המערכת עבור תחזיות עתידיות.

האם התמונה יוצאת מהטלפון שלי?

התמונה נשלחת לשרתים של Nutrola לעיבוד מכיוון שהמודלים של ה-AI גדולים ומורכבים מכדי לפעול לחלוטין על מכשיר נייד. התמונה מעובדת, התוצאות מוחזרות, ומדיניות הפרטיות של Nutrola קובעת כיצד נתוני התמונה מטופלים. אין שיתוף של תמונות עם צדדים שלישיים.

למה ה-AI לפעמים מציג מספר התאמות אפשריות?

כאשר הביטחון של המודל נמוך מתחת לסף מסוים, הוא מציג את המועמדים הטובים ביותר שלו במקום להתחייב לתשובה אחת. זה נעשה בכוונה. עדיף להראות לך שלוש אפשרויות ולתת לך לבחור את הנכונה מאשר להתחייב בשקט לתשובה שגויה. גישה שקופה זו שומרת אותך בשליטה ומבטיחה שהיומן שלך יהיה מדויק.

האם ה-AI יכול לזהות שמני בישול, רטבים או תיבול?

רטבים ורטבים נראים, כמו טפטוף של רוטב ראנצ' על סלט או שלולית של רוטב סויה על צלחת, יכולים לעיתים קרובות להיות מזוהים. עם זאת, שמנים ושומנים שספגו לתוך האוכל במהלך הבישול הם בעיקר בלתי נראים למצלמה. Nutrola מפצה על כך על ידי התחשבות בשיטות הכנה טיפוסיות. לדוגמה, אם אתה מצלם צלחת של ירקות מוקפצים, המערכת מניחה שכמות סבירה של שמן בישול שימשה.

האם ה-AI אי פעם יהיה מדויק ב-100 אחוז?

במציאות, לא. אפילו דיאטנים מקצועיים שמשתמשים בציוד מעבדתי מקבלים מרווחי שגיאה. המטרה אינה שלמות תיאורטית אלא דיוק מעשי: קרוב מספיק כדי להיות שימושי באמת למעקב אחר מגמות, שמירה על מחסור או עודף קלורי, וקבלת החלטות תזונתיות מושכלות יום אחרי יום. עבור רוב המשתמשים, מעקב בעזרת צילום AI מספק דיוק יותר מספק כדי לתמוך בהתקדמות משמעותית לעבר מטרות הבריאות שלהם.

התמונה הגדולה יותר

הטכנולוגיה מאחורי AI של זיהוי אוכל מתקדמת במהירות. מה שנחשב למתקדם לפני חמש שנים הוקף כמה פעמים. המודלים הופכים לקטנים, מהירים ומדויקים יותר. מסדי הנתונים לאימון הופכים לגדולים ומגוונים יותר. והלולאות של משוב שנוצרות על ידי מיליוני משתמשים יומיים מאיצות שיפורים בדרכים שלא היו אפשריות במעבדה בלבד.

עבורך, המשתמש, התוצאה המעשית היא פשוטה: אתה מצלם תמונה, מקבל את נתוני התזונה שלך, וממשיך עם היום שלך. הצינור שפועל מאחורי החוויה הזו, עיבוד התמונה, זיהוי, סיווג, הערכת גודל המנה, התאמת מסדי נתונים, וציון הביטחון, כל זה קורה בצורה בלתי נראית בתוך מספר שניות.

הבנה איך זה עובד אינה דרישה לשימוש בו. אבל הידיעה מה קורה מאחורי הקלעים יכולה לבנות אמון מוצדק בטכנולוגיה ולעזור לך להשתמש בה בצורה יעילה יותר. כאשר אתה יודע שצילומים מלמעלה בתאורה טובה מספקים את התוצאות הטובות ביותר, אתה מתחיל באופן טבעי לצלם תמונות אוכל טובות יותר. כאשר אתה יודע שמרכיבים מוסתרים הם נקודת עיוורון, אתה זוכר להוסיף את כף השמן זית הנוספת באופן ידני. וכאשר אתה יודע שהתיקונים שלך הופכים את המערכת לחכמה יותר, אתה מרגיש מוטיבציה להקדיש את שתי השניות הנדרשות כדי לתקן ניחוש שגוי.

זו הכוח האמיתי של הבנת הטכנולוגיה: זה הופך אותך ממשתמש פסיבי לשותף מיודע במעקב התזונה שלך.