איך מסד הנתונים של Nutrola נבנה: מנת USDA ל-12 מיליון רשומות מאומתות

כאשר אתם מחפשים "חזה עוף בגריל" באפליקציית מעקב קלוריות ורואים "165 קלוריות ל-100 גרם", המספר הזה לא צץ משום מקום. מישהו מדד את זה. מישהו אישר את זה. מישהו קבע שזה מדויק מספיק כדי להציג אותו למיליוני משתמשים שמבצעים החלטות בריאותיות על סמך הנתונים הללו.

איכות מסד הנתונים של מזון היא הבסיס הבלתי נראה שמתחת לכל אפליקציית מעקב קלוריות. אם המסד שגוי, כל מה שנבנה עליו שגוי: סך הקלוריות היומי שלכם, חלוקת המקרו, המגמות השבועיות, המלצות המאמן שלכם, ובסופו של דבר התוצאות שלכם. עם זאת, רוב המשתמשים לעולם לא חושבים על מקור המספרים, ורוב האפליקציות לא מסבירות את זה.

מאמר זה מתאר בדיוק איך נבנה מסד הנתונים של Nutrola, מהבסיס של נתוני הממשלה ועד ל-12 מיליון רשומות מאומתות שהוא מכיל כיום. הוא גם מסביר מדוע איכות המסד משתנה כל כך בין אפליקציות ומה זה אומר לגבי הדיוק של המעקב שלכם.

הבסיס: USDA FoodData Central

כל מסד נתונים תזונתי רציני מתחיל עם משרד החקלאות של ארצות הברית. ה-USDA מודד את התוכן התזונתי של מזון מאז שנות ה-90 של המאה ה-19, ומסד הנתונים המודרני שלהם, FoodData Central, מייצג את האוסף המקיף והמאומת ביותר של נתוני הרכב מזון בעולם.

FoodData Central מכיל מספר מערכות נתונים. SR Legacy מספק פרופילים תזונתיים מפורטים עבור כ-7,600 מזונות נפוצים, כל אחד מהם תוצר של ניתוח מעבדתי, ולא הערכה. המזונות נרכשים פיזית, מוכנים בהתאם לפרוטוקולים סטנדרטיים, ומנותחים באמצעות שיטות כימיה אנליטית מאומתות. Foundation Foods הוא הממשיך החדש יותר, שמספק מדדים של שונות, גדלי דגימה, ומטא-נתונים על זנים, גזעים, מקור ועונת הקציר. FNDDS מכסה מנות מעורבות ומתכונים כפי שנצרכים בדרך כלל, עם נתוני גודל מנות הקשורים למדידות ביתיות. Branded Foods מכיל נתוני מזון ארוזים שנאספו דרך שיתוף פעולה עם Label Insight (כעת NielsenIQ).

Nutrola מקבלת את כל ארבעת מערכות הנתונים, מנרמלת אותן לסכימה אחידה, ומצליבה רשומות כדי לפתור אי-התאמות. כאשר SR Legacy ו-Foundation Foods מכילים נתונים עבור אותו פריט, ערכי Foundation Foods מקבלים עדיפות כי הם מבוססים על ניתוחים עדכניים יותר.

הבסיס של USDA מספק כ-400,000 רשומות מזון ייחודיות. זהו בסיס חזק, אך הוא לא מספיק עבור אפליקציית מעקב קלוריות מודרנית. רוב האנשים לא אוכלים "עוף, ברוילר, חזה, בשר בלבד, מבושל, קלוי." הם אוכלים סנדוויץ' של Chick-fil-A, או ארוחה קפואה של Trader Joe's, או מנה ביתית מתוך מתכון שסבתם הביאה מארץ אחרת. כדי לכסות את כל מה שאנשים אמיתיים אוכלים, יש צורך לעבור הרבה מעבר לנתוני הממשלה.

הוספת נתוני מזון ממותגים

שכבת המזון הממותג מהווה את ההרחבה הגדולה ביותר של מסד הנתונים. מזונות ארוזים עם תוויות מידע תזונתי מהווים חלק משמעותי מהתזונה האופיינית בארצות הברית ובמדינות מפותחות אחרות, והמשתמשים מצפים למצוא את המוצרים הספציפיים שלהם כאשר הם מחפשים.

Nutrola מקבלת נתוני מזון ממותגים דרך מספר ערוצים.

שיתופי פעולה ישירים עם יצרנים מספקים את הנתונים הממותגים באיכות הגבוהה ביותר. כאשר יצרן משתף נתונים תזונתיים ישירות, הם מגיעים מאותו ניתוח מעבדתי שבו השתמשו כדי לייצר את לוח המידע התזונתי. Nutrola שומרת על הסכמי שיתוף נתונים עם מאות יצרני מזון.

אינטגרציה של מסדי נתוני ברקודים תופסת את מגוון המוצרים דרך מסדי נתונים פתוחים של ברקודים, רישומים ממשלתיים של תוויות מזון, וספקי נתונים מסחריים. כאשר משתמש סורק ברקוד לא מזוהה, המערכת מתחילה תהליך אימות לפני שהרשומה תהיה זמינה לכל המשתמשים.

סריקות תוויות ו-OCR בונות רשומות מתוך לוחות מידע תזונתי פיזיים. כל רשומה שנוצרה באמצעות OCR עוברת אימות שבודק שגיאות נפוצות בהפקה: קריאות שגויות של נקודות עשרוניות, ספרות שהוחלפו, וערכים מחוץ לטווחים סבירים.

מחזורי רענון תקופתיים מבטיחים שדאטה ממותגת תישאר מעודכנת. יצרנים משנים לעיתים קרובות את המוצרים. Nutrola מבצעת מחזורי רענון רבעוניים עבור מוצרים בעלי נפח גבוה ורענונים שנתיים עבור הקטלוג הרחב יותר, ומסמנת רשומות שבהן הערכים השתנו.

שכבת המזון הממותג מוסיפה כ-1.5 מיליון רשומות למסד הנתונים, כל אחת מהן מקושרת לברקודים ספציפיים של UPC/EAN ומזהי מוצרים.

רשומות שהוזנו על ידי משתמשים ובעיה של דיוק

רוב מסדי הנתונים הגדולים למעקב קלוריות מסתמכים במידה רבה על נתונים המוניים, רשומות שהוזנו על ידי משתמשים שמקלידים ידנית מידע תזונתי מתוויות, מתכונים, או הערכות אישיות שלהם. גישה זו מתפתחת במהירות, אך היא גם המקור הגדול ביותר לטעויות במסדי הנתונים של תזונה.

הבעיות עם נתוני מזון המוניים מתועדות היטב. סקירה מ-2020 שפורסמה ב-Nutrients על ידי Evenepoel et al. מצאה שיעורי שגיאות של 15 עד 25 אחוזים בערכי מקרונוטריאנטים במסדי נתונים תזונתיים המוניים. סוגי השגיאות כוללים את הבאים.

טעויות בהזנת נתונים. משתמש מקליד 52 גרם חלבון במקום 5.2 גרם. שגיאת נקודת עשרונית שמביאה לכך שמנה של יוגורט נראית כאילו מכילה חלבון כמו חזה עוף שלם. שגיאות אלו נפוצות כי הזנת נתונים ידנית נוטה לשגיאות, ורוב המערכות המוניות לא כוללות מנגנון לתפוס אותן לפני שהרשומה מתפרסמת.

רשומות כפולות וסותרות. חפשו "בננה" במסד נתונים המוני גדול ואתם עשויים למצוא שלושים רשומות עם ערכי קלוריות שונים. חלקן מציינות בננה קטנה, חלקן בינונית, חלקן גדולה. חלקן כוללות את משקל הקליפה, חלקן לא. חלקן מדויקות, חלקן שגויות לחלוטין. המשתמש נשאר לנחש איזו רשומה נכונה, ואין לו דרך אמינה לקבוע זאת.

מידע על מוצרים מיושן. משתמש מגיש נתונים עבור חטיף גרנולה ב-2022. היצרן משנה את המוצר ב-2024, מפחית סוכר ומגדיל סיבים. הרשומה הישנה נשארת במסד הנתונים לנצח, מחזירה ערכים שגויים לכל מי שבוחר בה.

הערכה במקום מדידה. חלק מהרשומות שהוזנו על ידי משתמשים אינן מבוססות על נתוני תוויות כלל, אלא על הערכה אישית של המשתמש לגבי התוכן התזונתי של המזון. רשומות אלו יכולות לסטות מהערכים האמיתיים ב-50 אחוז או יותר.

גודל מנות לא עקביות. רשומה אחת עבור "אורז, מבושל" משתמשת במנה של 100 גרם. אחרת משתמשת בכוס אחת. אחרת משתמשת ב"הגשה אחת" מבלי להגדיר מה זה אומר. משתמשים שבוחרים בין הרשומות הללו עשויים לא לשים לב להבדלי גודל המנה, מה שמוביל לשגיאות שמצטברות לאורך הארוחות.

Nutrola מקבלת רשומות שהוזנו על ידי משתמשים כי הן חיוניות כדי לתפוס את כל המגוון של המזונות שאנשים אוכלים, כולל מנות אזוריות, פריטים ספציפיים למסעדות, ומתכונים ביתיים שלא קיימים באף מסד נתונים רשמי. עם זאת, כל רשומה שהוזנה על ידי משתמש נכנסת לתהליך אימות לפני שהיא זמינה באופן רחב. הרשומה זמינה מיד עבור האדם שיצר אותה, אך לא תוצג למשתמשים אחרים עד שהיא תעבור אימות.

תהליך האימות

כל רשומת מזון ב-Nutrola, ללא קשר למקורה, עוברת תהליך אימות רב-שלבי לפני שהיא מגיעה למסד הנתונים הכללי.

שלב 1: בדיקות סבירות אוטומטיות. אלגוריתם בודק את הערכים התזונתיים שהוזנו מול מגבלות ידועות. קלוריות חייבות להיות עקביות עם המקרונוטריאנטים המוצהרים (חלבון, פחמימות, שומנים) בתוך סבירות מוגדרת. מערכת Atwater מספקת את גורמי ההמרה: 4 קלוריות לגרם חלבון, 4 קלוריות לגרם פחמימה, 9 קלוריות לגרם שומן, ו-7 קלוריות לגרם אלכוהול. אם משתמש מגיש רשומה שטוענת שיש בה 200 קלוריות, 30 גרם חלבון, 20 גרם פחמימה, ו-15 גרם שומן, הערך המחושב של הקלוריות הוא 335, לא 200. הרשומה מסומנת לבדיקה.

שלב זה גם בודק ערכים לא סבירים בתוך קטגוריות המזון. רשומה של פרי שטוענת שיש בה 40 גרם שומן למנה, רשומה של ירק שטוענת שיש בה 60 גרם חלבון ל-100 גרם, או כל רשומה שבה מקרונוטריאנט אחד עולה על משקל המנה, מסומנות אוטומטית. בדיקות אלו תופסות את רוב שגיאות הזנת הנתונים, כולל טעויות בנקודות עשרוניות ובלבול יחידות.

שלב 2: השוואת צולבות. המערכת משווה את הרשומה שהוזנה מול רשומות קיימות עבור מזונות דומים או זהים. אם במסד הנתונים של USDA יש רשומת הפניה עבור "גבינת צ'דר" ומשתמש מגיש רשומת גבינת צ'דר ממותגת עם ערכי קלוריות נמוכים ב-40 אחוזים מהרשומה של USDA, הרשומה מסומנת לבדיקה ידנית. סטיות קטנות צפויות כי מוצרים ממותגים משתנים. סטיות גדולות מצביעות על שגיאות אפשריות.

שלב 3: בדיקת תזונאים. רשומות שעוברות את הבדיקות האוטומטיות אך נכנסות לקטגוריות בעלות חשיבות גבוהה, כמו מזונות בסיסיים, פריטים עם חיפושים בתדירות גבוהה, או רשומות עם ציוני סבירות גבוליים, מועברות לתור בדיקת התזונאים. צוות התזונאים המוסמכים והמדענים של Nutrola בודק את הרשומות הללו מול מקורות סמכותיים, משווה ערכים מול אתרי יצרנים, מסדי נתונים ממשלתיים ממדינות שונות, וטבלאות הרכב מזון שפורסמו.

שלב 4: קונצנזוס קהילתי. עבור רשומות שהיו במסד הנתונים במשך זמן מה, דפוסי השימוש מספקים אות איכות נוסף. אם משתמשים רבים בוחרים רשומה ואיש לא מדווח עליה כלא מדויקת, זהו אות חיובי. אם משתמשים בוחרים רשומה לעיתים קרובות ואז מיד עורכים את הערכים, דפוס זה מציע שהרשומה המקורית עשויה להכיל שגיאות. אותות התנהגות אלו חוזרים לתהליך הבדיקה, ומביאות רשומות בעייתיות לבדיקה מחדש.

תהליך בדיקת התזונאים

שכבת הבדיקה האנושית היא מה שמפריד בין מסד נתונים מאומת למסד המוני. בדיקות אוטומטיות תופסות את השגיאות הברורות, אך אי-דיוקים עדינים דורשים שיפוט אנושי.

צוות בדיקת התזונאים של Nutrola פועל על מערכת מבוססת עדיפויות. מזונות מקבלים עדיפות לבדיקה על סמך נפח החיפוש, סבירות השגיאה, וחשיבות תזונתית. שגיאה בספירת הקלוריות של מים (שצריכה להיות אפס) אין לה השלכות מעשיות. שגיאה בספירת הקלוריות של שמן זית, אחד המזונות העשירים ביותר בקלוריות, יכולה להטות את הסך היומי של המשתמש במאות קלוריות.

תהליך הבדיקה עבור רשומה אחת כולל זיהוי המקור הסמכותי ביותר (נתוני מעבדה של USDA עבור מוצרים גולמיים, נתוני יצרן עבור מוצרים ממותגים, מידע תזונתי שפורסם עבור מנות במסעדות), השוואת כל המקרונוטריאנטים המדווחים מול המקור הזה, הערכת דיוק גודל המנה, ובדיקת מטא-נתונים של חיפוש כך שמשתמשים יוכלו למצוא את הרשומה.

רשומה מורכבת כמו מנה אזורית מסורתית ללא מתכון סטנדרטי עשויה לדרוש 30 דקות או יותר של מחקר. בדיקות מוצרים ממותגים פשוטות לוקחות פחות מדקה. הצוות נותן עדיפות לרשומות בעלות השפעה גבוהה, מתמקד בזמן הבדיקה היכן שזה מביא לשיפור הגדול ביותר בדיוק הכולל של מסד הנתונים.

איך שגיאות נתפסות ומתקנות

אף מסד נתונים של 12 מיליון רשומות אינו חף משגיאות. המטרה אינה שלמות אלא הפחתת שגיאות בצורה שיטתית לאורך זמן, בשילוב עם תיקון מהיר של שגיאות כאשר הן מזוהות.

Nutrola משתמשת במספר מנגנוני זיהוי שגיאות הפועלים במקביל.

דיווח משתמשים. כל רשומת מזון באפליקציה כוללת אפשרות "דווח על בעיה". משתמשים יכולים לסמן רשומות עם קלוריות שגויות, מקרונוטריאנטים לא נכונים, מידע מיושן, גדלי מנות לא נכונים, או בעיות אחרות. דיווחים ממוינים לפי נפח וחומרה. דיווח בודד על רשומה עם נפח נמוך נכנס לתור הבדיקה הסטנדרטי. דיווחים מרובים על רשומה עם נפח גבוה מפעילים בדיקה מיידית.

זיהוי אנומליות אוטומטי. מודלים סטטיסטיים עוקבים אחרי המסד עבור רשומות שמפנות את תשומת הלב מהנורמות של קטגוריות המזון שלהן. אם צפיפות הקלוריות הממוצעת של כל רשומות הגבינה במסד הנתונים היא 350 קלוריות ל-100 גרם, רשומה עבור מוצר גבינה שטוענת שיש בה 35 קלוריות ל-100 גרם מסומנת אוטומטית. מודלים אלו פועלים כל הזמן ותופסים שגיאות שמשתמשים בודדים עשויים לא לשים לב אליהן או לדווח עליהן.

אימות סריקות ברקודים. כאשר משתמשים סורקים ברקוד של מוצר, הנתונים המוחזרים משווים מול הנתונים העדכניים ביותר הזמינים מהיצרן. אם היצרן עדכן את המידע התזונתי שלו והנתון במסד הנתונים לא עודכן עדיין, ההבדל מפעיל תהליך עדכון.

התאמה בין מסדי נתונים. Nutrola משווה מעת לעת את הרשומות שלה מול שחרורים מעודכנים של מסד הנתונים של USDA, מסדי נתונים בינלאומיים של הרכב מזון, וזרמי נתונים של שותפים. רשומות שהשתנו ממקורות ההפניה שלהן מסומנות לבדיקה ותיקון.

ביקורות עקביות תזונתיות. ביקורות תקופתיות בודקות דגימות אקראיות בכל קטגוריית מזון, בודקות עקביות פנימית. ביקורות אלו זיהו אשכולות שגיאות כמו קבוצות של רשומות מיובאות שבהן ערכי סיבים הוטעו עם ערכי סוכר עקב שגיאות במיפוי עמודות.

כאשר שגיאה מאושרת, התיקון מוחל מיד ומופץ לכל המשתמשים. משתמשים שהזינו לאחרונה את המזון המושפע מקבלים הודעה, מה שמאפשר להם לבדוק ולהתאים את ההזנות שלהם.

מסדי נתונים של מזון אזורי למטבח הבינלאומי

מסד נתונים של מזון שנבנה אך ורק על נתונים אמריקאיים אינו מספק עבור בסיס משתמשים גלובלי. משתמש ביפן שמחפש "אוניגירי" זקוק לתוצאות מדויקות. משתמש בהודו שמחפש "דאל מקני" זקוק לרשומה שמשקפת את שיטות ההכנה והמרכיבים האמיתיים שמשתמשים בהם במטבחים ההודיים, ולא גרסה אמריקאית ממסעדה.

Nutrola משלבת נתוני הרכב מזון ממסדי נתונים ממשלתיים ביותר מ-30 מדינות ואזורי.

אירופה: רשת EuroFIR מתאמת נתונים בין מדינות אירופיות. מסדי נתונים לאומיים מהברית המאוחדת (McCance and Widdowson's), גרמניה (Bundeslebensmittelschluessel), וצרפת (CIQUAL) מספקים רשומות עבור מזונות אזוריים ומוצרים ממותגים מקומיים.

מזרח אסיה: טבלאות הרכב המזון הסטנדרטיות של יפן, מסד הנתונים הלאומי של דרום קוריאה, וטבלאות הרכב המזון של סין תורמות אלפי רשומות עבור מזונות ספציפיים לאזור, כולל וריאציות לפי שיטות הכנה. ההבדל בין אורז מאודה לאורז מטוגן, בין טופו גולמי לטופו מטוגן, אינו שולי, ומסדי נתונים אלו תופסים את ההבחנות הללו.

דרום אסיה: המכון הלאומי לתזונה של הודו מספק נתונים עבור מזונות ייחודיים לתת היבשת, כולל דגנים אזוריים, הכנות קטניות, ומוצרי חלב כמו פאניר וגhee עם פרופילים תזונתיים שונים מאלה של מקביליהם המערביים.

אמריקה הלטינית והמזרח התיכון/אפריקה: טבלאות הרכב מזון מברזיל (TACO), מקסיקו (BDCA), ומסדי נתונים אזוריים ברחבי המזרח התיכון ואפריקה תורמים נתונים עבור מנות בסיס כמו טף, אינג'רה, מנות על בסיס טחינה, והכנות אזוריות שלא קיימות במסדי נתונים בצפון אמריקה.

אינטגרציה של מקורות אלו אינה פשוטה. מדינות שונות משתמשות בשיטות אנליטיות שונות, הגדרות תזונתיות, ומסורות הגשה. "כוס" היא 240 מ"ל בארצות הברית, 200 מ"ל ביפן, ו-250 מ"ל באוסטרליה. צוות ההנדסה של Nutrola שומר על שכבת נרמול שממירה את כל הנתונים הבינלאומיים הנכנסים לסטנדרט אחיד: יחידות מטריות, הגדרות תזונתיות סטנדרטיות, וקודי סיווג מזון מאוחדים.

השוואת מקורות מסד הנתונים

הטבלה הבאה מסכמת את המאפיינים של כל מקור נתונים מרכזי התורם למסד הנתונים של Nutrola.

מקור	רשומות	דיוק	כיסוי	תדירות עדכון	מגבלות
USDA FoodData Central	~400,000	מאוד גבוה (מנוסה במעבדה)	חזק עבור מוצרים גולמיים ומזונות ממותגים אמריקאיים	שחרורים עיקריים שנתיים, עדכונים מתמשכים	מזונות בינלאומיים מוגבלים, פריטי מסעדות מוגבלים
תוויות יצרן	~1,500,000	גבוה (רגולציה, מבוקר על ידי FDA)	מצוין עבור מוצרים ארוזים	משתנה לפי יצרן; רענון רבעוני ב-Nutrola	מכסה רק מוצרים ארוזים, 20% סטיית FDA מותרת
מסדי נתונים ממשלתיים בינלאומיים	~2,000,000	גבוה (מנוסה במעבדה, משתנה לפי מדינה)	מצוין עבור מזונות אזוריים	שנתי או פחות תדיר	סטנדרטים לא עקביים בין מדינות, חלקם מיושנים
המוניים (שהוזנו על ידי משתמשים)	~6,000,000	משתנה (שיעור שגיאות של 15-25% לפני אימות)	הכיסוי הרחב ביותר כולל פריטים נישתיים	מתמשך	דורש תהליך אימות; נתונים גולמיים לא אמינים
מאומתים על ידי תזונאים	~2,100,000	מאוד גבוה (מוצלבים, נבדקים על ידי בני אדם)	מועדפים לפי נפח חיפוש	בדיקה מתמשכת מועדפת	דורש משאבים, לא ניתן לכסות כל רשומה

מקורות אלו אינם בלעדיים. פריט מזון אחד עשוי להכיל נתונים ממספר מקורות. כאשר קונפליקטים קיימים, היררכיית הפתרון היא: נתוני מעבדה של USDA או נתוני מעבדה מקבילים קודם, נתוני יצרן שנית, נתונים מאומתים על ידי תזונאים שלישית, ונתונים המוניים מאומתים רביעית. היררכיה זו מבטיחה שהנתונים המאומתים ביותר תמיד יקבלו עדיפות.

למה הדיוק חשוב יותר מגודל

חלק מהאפליקציות המתמודדות מפרסמות גדלי מסדי נתונים של 15, 20, או אפילו 30 מיליון רשומות. גודל ללא איכות הוא חסר ערך ועלול להיות מזיק.

מסד נתונים עם 30 מיליון רשומות ושיעור שגיאות של 20 אחוזים מכיל 6 מיליון רשומות שגויות. משתמש שמזין אחת מהרשומות הללו עוקב אחרי נתונים לא מדויקים עם ביטחון מלא בנכונותם. השגיאה מצטברת: אם רשומת ארוחת הבוקר המועדפת שלך מגזימה את החלבון ב-10 גרם ואתה אוכל אותה חמש פעמים בשבוע, אתה מאמין שאכלת 200 גרם יותר חלבון בחודש ממה שיש לך בפועל. אם אתה מפחית חלבון במקומות אחרים על סמך הנתונים הללו, ההשפעות האמיתיות הן מוחשיות.

זו הסיבה ש-Nutrola נותנת עדיפות למספר הרשומות המאומתות על פני מספר הרשומות הגולמיות. רשומה שאינה קיימת היא נייטרלית. רשומה שקיימת אך שגויה היא מזיקה באופן פעיל.

איך מסד הנתונים גדל

מסד הנתונים אינו סטטי. הוא גדל באופן מתמשך דרך מספר ערוצים. מערכות אוטומטיות עוקבות אחרי בקשות סריקות ברקודים, מזהות מוצרים שמשתמשים מחפשים אך שאינם קיימים עדיין, ומעדיפות פריטים בעלי ביקוש גבוה להוספה. הגשות משתמשים מוסיפות מנות אזוריות, פריטי מסעדות, ומתכונים ביתיים שאין להם כיסוי במסד נתונים רשמי. שיתופי פעולה עם יצרנים מבטיחים שכאשר רשת גדולה משיקה פריט חדש בתפריט, הנתונים התזונתיים יהיו זמינים ביום ההשקה. ושחרורים תקופתיים של USDA ומסדי נתונים בינלאומיים נלקחים כאשר הם זמינים.

שאלות נפוצות

כמה מדויק מסד הנתונים של Nutrola בהשוואה לאפליקציות אחרות?

הרשומות המאומתות של Nutrola מציגות דיוק ממוצע של 5 אחוזים מהערכים הנמדדים במעבדה עבור מקרונוטריאנטים, בהתבסס על בדיקות פנימיות שמשוות רשומות מול נתונים אנליטיים בלתי תלויים. מסדי נתונים המוניים לא מאומתים מציגים בדרך כלל שיעורי שגיאות של 15 עד 25 אחוזים. ההבדל נובע מתהליך האימות שכל רשומה חייבת לעבור לפני שהיא זמינה באופן רחב.

מה קורה כשאני סורק ברקוד והמוצר לא נמצא?

האפליקציה מבקשת ממך להזין את המידע התזונתי מהתווית. ההזנה שלך זמינה מיד לשימושך, ולאחר מכן נכנסת לתהליך האימות לפני שהיא מוצגת למשתמשים אחרים. מוצרים בעלי ביקוש גבוה מקבלים עדיפות לאימות מהיר.

באיזו תדירות מתעדכן מסד הנתונים?

באופן מתמשך. רשומות שהוזנו על ידי משתמשים מעובדות מדי יום. נתוני מוצרים ממותגים מתעדכנים רבעונית עבור מוצרים בעלי נפח גבוה. שחרורים של USDA ובינלאומיים משולבים תוך שבועיים מפרסום. תיקוני שגיאות בדרך כלל מוחלים תוך 24 עד 48 שעות מאישור.

האם אני יכול לסמוך על ספירות הקלוריות עבור מנות במסעדות?

עבור רשתות גדולות שמפרסמות נתונים תזונתיים רשמיים, הרשומות נלקחות ישירות והן מדויקות כמו המדידות של הרשת עצמה. עבור מסעדות עצמאיות, הרשומות הן הערכות מבוססות מתכונים עם מרווח רחב יותר של אי-ודאות. Nutrola מסמנת רשומות מסעדות עם אינדיקטור ביטחון כך שתוכלו לראות אם הנתונים מגיעים ממקור רשמי או מהערכה.

למה Nutrola לפעמים מציגה ערכים שונים מהתווית על המזון שלי?

שלוש סיבות נפוצות: היצרן עשוי היה לשנות את המוצר, הגדרות גודל המנות עשויות להיות שונות, או כללי העיגול של Nutrition Facts יוצרים הבדלים קטנים (בדרך כלל בטווח של 5 עד 10 קלוריות). דיווח על הבדל דרך האפליקציה מפעיל עדכון.

איך Nutrola מטפלת במתכונים ביתיים?

אתם בונים רשומות מתכון מותאמות אישית על ידי שילוב של רשומות רכיבים בודדים מתוך מסד הנתונים המאומת, מותאמות לפי מנות. מכיוון שהרשומות של הרכיבים מאומתות, מקור השגיאה העיקרי הוא מדידת המנות ולא נתונים שגויים.

מה מבדל את מסד הנתונים של Nutrola מאלטרנטיבות קוד פתוח?

מסדי נתונים קוד פתוח כמו Open Food Facts מספקים נתונים יקרי ערך אך פועלים ללא אימות שיטתי. רשומות מוגשות על ידי מתנדבים ומפורסמות ללא בדיקות סבירות או בדיקות תזונאיות. Nutrola משתמשת בנתוני קוד פתוח כאחד מהקלטים הרבים, ומעבירה את כל הרשומות המיובאות באותו תהליך אימות כמו כל מקור אחר.

העבודה המתמשכת

בניית מסד נתונים של מזון אינה פרויקט עם קו סיום. מזונות משתנים. מוצרים חדשים מושקים. מוצרים ישנים משתנים או מפסיקים להתקיים. שיטות אנליטיות משתפרות.

ה-12 מיליון רשומות במסד הנתונים של Nutrola כיום לא יהיו אותן 12 מיליון רשומות בעוד שנה. חלקן יתעדכנו, חלקן יוסרו, ומאות אלפי רשומות חדשות יתווספו. תהליך האימות יתפוס שגיאות שחלפו בגרסאות קודמות. צוות בדיקת התזונאים יגדיל בהדרגה את שיעור הרשומות הנושאות אישור מאומת אנושי.

אף אחד לא מוריד אפליקציית מעקב קלוריות כי הוא מתרגש מנתוני הרכב המזון. אבל כל ספירת קלוריה מדויקת, כל חלוקת מקרו אמינה, כל סך יומי מהימן תלויים בכך שהתשתית הזו תעבוד כראוי, באופן בלתי נראה, מאחורי כל תוצאת חיפוש. כאשר אתם מקלידים את ארוחת הצהריים שלכם והמספרים נכונים, זה לא במקרה. זו התוצאה של מערכת שנבנתה במיוחד כדי לוודא שהם נכונים.