נתוני תזונה פתוחים: למה נוטרולה מפרסמת מדדי דיוק שאפליקציות אחרות לא עושות

אם אי פעם השתמשת באפליקציית מעקב קלוריות, סמכת עליה בשאלה בסיסית: כמה באמת אכלתי? ההחלטות שלך לגבי גודל המנות, בחירות המזון, ומטרות השבועיות שלך תלויות במספרים שהאפליקציה מספקת. אבל הנה שאלה שרוב המשתמשים לא חושבים לשאול: כמה מדויקים המספרים האלה, ואיך תדע בכלל?

התשובה, עבור רוב אפליקציות התזונה בשוק, היא שלא תדע. רוב האפליקציות לא מפרסמות נתוני דיוק. הן לא חושפות שיעורי שגיאה. הן לא מפרקות את הביצועים לפי סוגי מזון, מטבח, או מורכבות הארוחה. אתה מתבקש לסמוך על התוצאה בלי שום הוכחה שהיא ראויה לאמון שלך.

נוטרולה נוקטת בגישה שונה. אנחנו מפרסמים את מדדי הדיוק שלנו לציבור, מעודכנים מדי רבעון, מפורקים לפי קטגוריית מזון, סוג מטבח, מורכבות הארוחה, ושיטת רישום. מאמר זה מסביר למה אנחנו עושים את זה, מה המספרים באמת מראים, היכן אנחנו לא מצליחים, ולמה אנחנו מאמינים שסוג כזה של שקיפות צריך להיות הסטנדרט עבור כל אפליקציית תזונה.

למה רוב האפליקציות לא מפרסמות נתוני דיוק

אין חסם טכני שמונע מאפליקציית תזונה למדוד ולפרסם את הדיוק שלה. הכלים קיימים. המתודולוגיות מבוססות היטב. הסיבה שרוב האפליקציות שותקות נובעת משלושה גורמים.

1. המספרים לא מחמיאים

מדידת דיוק דורשת השוואה בין התוצאות של האפליקציה לבין אמת מידה - בדרך כלל נתוני מזון משוקלים המושווים עם בסיסי נתונים תזונתיים מאומתים כמו USDA FoodData Central. כשאתה מבצע את ההשוואה בצורה קפדנית, התוצאות לעיתים קרובות חושפות פערים משמעותיים. רשומת נתונים שמציינת "עוף מוקפץ" בלי לציין את כמות השמן יכולה להיות שגויה ב-200 עד 400 קלוריות. רשומה שהוזנה על ידי משתמש עבור "פסטה ביתית" עשויה לייצג מנה של 300 קלוריות עד 800 קלוריות.

אפליקציות המבוססות על בסיסי נתונים שנאספו על ידי משתמשים עם אימות מינימלי יש להן הכי הרבה להפסיד משקיפות. פרסום שיעורי שגיאה היה חושף את חוסר העקביות ביסודות הנתונים שלהן.

2. קשה להגדיר דיוק בצורה ברורה

אין סטנדרט אוניברסלי למדוד את דיוק אפליקציות התזונה. האם מודדים שגיאה ממוצעת? שגיאה חציונית? אחוז הארוחות שנמצאות בטווח של 10 אחוז? האם בודקים מול מרכיבים משוקלים או מול תוויות תזונה? האם כוללים שגיאות משתמש במדידה או מפרידים את הביצועים של המערכת?

האמביגואציה הזו נותנת לאפליקציות כיסוי. בלי מתודולוגיה מוסכמת, קל לטעון "דיוק גבוה" בחומרי שיווק מבלי להגדיר מה זה אומר או להוכיח את זה.

3. אין לחץ שוק

עד לאחרונה, המשתמשים לא ציפו מאפליקציות תזונה להוכיח את הדיוק שלהן. התעשייה גדלה על סמך אמון ברירת מחדל - אם לאפליקציה יש בסיס נתונים גדול של מזון, המשתמשים מניחים שהנתונים נכונים. המתחרים לא מאתגרים זה את זה על דיוק כי זה היה מזמין בדיקה של המספרים שלהם.

זה יוצר שתיקה קולקטיבית. אף אחד לא מפרסם, אז אף אחד לא מצפה שיפרסמו, אז אף אחד לא עושה את זה.

עמדת נוטרולה: לפרסם הכל

אנחנו מאמינים שאם אתה מקבל החלטות בריאותיות על סמך הנתונים שלנו, מגיע לך לדעת כמה הנתונים האלה מהימנים. לא במונחים מעורפלים. במספרים ספציפיים, מדודים, ומעודכנים באופן קבוע.

הנה מה שאנחנו מפרסמים ואיך אנחנו מודדים את זה.

איך אנחנו מודדים דיוק

מתודולוגיית מדידה

מדדי הדיוק שלנו נגזרים משני תהליכים מקבילים.

בדיקות מבוקרות. בכל רבעון, צוות המדע התזונתי שלנו מבצע הערכה מסודרת באמצעות 1,000 ארוחות שהוכנו בתנאים מבוקרים. כל מרכיב נשקל לגרם. הערכים התזונתיים מחושבים מנתוני USDA FoodData Central, נתוני יצרן, וערכים מאומתים במעבדה. כל ארוחה נרשמת דרך נוטרולה באמצעות כל השיטות הזמינות - זיהוי תמונה, סריקת ברקוד, חיפוש ידני, וייבוא מתכונים - והתוצאות מושוות לערכים המופיעים.

אימות בעולם האמיתי. אנחנו מגייסים משתמשים מתנדבים שמסכימים לשקול את המזון שלהם לתקופה מוגדרת ולשלוח גם את המדידות שלהם מהמשקל וגם את רישומי נוטרולה הרגילים שלהם. זה נותן לנו השוואות אמת תחת תנאים ריאליסטיים - תאורה לא מושלמת, הגשה מזדמנת, מטבחים אמיתיים. קבוצת האימות האחרונה שלנו כללה 4,200 משתמשים שתרמו 26,800 רישומי ארוחות מאומתים.

מה אנחנו מודדים

בכל מחזור מדידה, אנחנו מדווחים על המדדים הבאים:

• שגיאת אחוז ממוצעת מוחלטת (MAPE) עבור קלוריות, חלבונים, פחמימות, ושומנים.
• אחוז הארוחות בטווח של 5%, 10%, ו-15% מהערכים המופיעים עבור כל מקרונוטריינט.
• דיוק זיהוי מזון - אחוז הארוחות שבהן ה-AI מזהה נכונה את המרכיבים העיקריים.
• דיוק הערכת המנות - אחוז ההסטייה במשקל גרם בין הערכת המנה של ה-AI לבין המנה שנמדדה בפועל.
• כיוון הטיית שיטתית - האם השגיאות נוטות להעריך יתר או להעריך חסר, ובכמה.

אנחנו מפרקים את המדדים האלה לפי קטגוריית מזון, סוג מטבח, מורכבות הארוחה, ושיטת רישום. כל הנתונים זמינים בדף המדדים שלנו.

מה המספרים מראים: דיוק לפי קטגוריית מזון

הטבלאות הבאות משקפות את תוצאות המדדים שלנו לרבעון הראשון של 2026, המשלבות נתוני בדיקות מבוקרות ואימותים בעולם האמיתי.

דיוק קלוריות לפי קטגוריית מזון

קטגוריית מזון	שגיאת קלוריות ממוצעת	בטווח של 5%	בטווח של 10%	בטווח של 15%	כיוון הטיה
מזון שלם בודד (פירות, ירקות, חלבונים פשוטים)	3.1%	78%	96%	99%	הערכה יתר (+1.2%)
מזון ארוז (סריקת ברקוד)	1.8%	91%	98%	100%	נייטרלי
ארוחות מוכנות פשוטות (עוף בגריל + אורז, סלט עם רוטב)	5.9%	52%	84%	94%	הערכה חסר (-2.4%)
מנות ביתיות מורכבות (קאסרולות, מוקפצים, תבשילים)	9.4%	31%	68%	87%	הערכה חסר (-4.8%)
מאפים (ביתיים)	11.2%	24%	58%	82%	הערכה חסר (-6.1%)
מנות מסעדה ואוכל טייק אווי	10.8%	26%	62%	85%	הערכה חסר (-5.2%)
משקאות (שייקים, משקאות קפה, קוקטיילים)	7.6%	42%	76%	91%	הערכה יתר (+3.1%)

דיוק קלוריות לפי סוג מטבח

מטבח	שגיאת קלוריות ממוצעת	בטווח של 10%	בטווח של 15%	מקור השגיאה העיקרי
אמריקאי / מערבי	6.8%	79%	93%	שונות בגודל המנה
מקסיקני / אמריקה הלטינית	9.2%	68%	88%	שומנים מוסתרים (שומן חזיר, גבינה, שמנת)
איטלקי	8.4%	72%	90%	כמויות שמן זית וגבינה
סיני	10.1%	64%	86%	שמן בישול במנות ווק
יפני	6.2%	81%	95%	שומנים מוסתרים מינימליים
הודי	12.4%	58%	82%	גהי, שמנת, חלב קוקוס
תאילנדי	11.8%	60%	84%	חלב קוקוס, סוכר דקל, רוטב דגים
קוריאני	8.8%	70%	89%	תיבול מותסס, שמן שומשום
מזרח תיכוני	9.6%	66%	87%	שמן זית, טחינה, רטבים על בסיס אגוזים
אתיופי / מזרח אפריקאי	13.1%	54%	79%	נייטר קיבבה (חמאה מתובלת), שונות אינג'רה

דיוק קלוריות לפי מורכבות הארוחה

מורכבות הארוחה	שגיאת קלוריות ממוצעת	בטווח של 10%	בטווח של 15%
פריט בודד (מזון אחד)	3.4%	95%	99%
צלחת פשוטה (2-3 פריטים שונים)	6.1%	82%	94%
צלחת מעורבת (4-5 פריטים)	8.9%	69%	88%
מנה מורכבת (6+ מרכיבים, מעורבבים)	11.6%	57%	81%
ארוחה מרובת מנות	13.2%	52%	77%

דיוק חלבון לפי קטגוריית מזון

קטגוריית מזון	שגיאת חלבון ממוצעת	בטווח של 10%	בטווח של 15%
חלבונים מן החי (עוף, בקר, דגים)	4.2%	89%	97%
חלבונים מן הצומח (טופו, טמפה, קטניות)	5.8%	80%	94%
מנות מעורבות עם חלבון	8.6%	66%	86%
מזונות מועשרים בחלבון (בר, שייקים)	2.4%	95%	99%
מנות חלבון במסעדות	9.8%	61%	83%

מה זה "מספיק מדויק" אומר עבור ירידה במשקל

מספרי הדיוק הגולמיים חשובים רק אם אתה מבין איזה רמת דיוק נדרשת לתוצאות אמיתיות. כאן המדע סלחני יותר ממה שרוב האנשים מצפים.

הקשר למחקר

סקירה שיטתית שפורסמה ב-2023 ב-Journal of the Academy of Nutrition and Dietetics בחנה שיטות הערכת תזונה והסיקה ששגיאות ממוצעות מתחת ל-15 אחוז "לא סביר שיפגעו באופן משמעותי בתוצאות ניהול המשקל כאשר המעקב מתמשך לאורך זמן." מחקר ב-2024 ב-Obesity Reviews מצא שהמשתמשים שעוקבים באופן עקבי עם שגיאה של 10 עד 20 אחוז עדיין ירדו 89 אחוז מהמשקל כמו אלו שעקבו עם שגיאה של מתחת ל-10 אחוז במשך 12 שבועות.

הסיבה פשוטה: מעקב קלוריות עובד בעיקר דרך מודעות ומשוב התנהגותי, ולא דרך מדידה מושלמת. אם אתה מעריך את הצריכה שלך באופן עקבי ב-8 אחוז פחות, הגוף שלך עדיין מגיב לצריכה בפועל. ואם אתה מתכוונן למטרות שלך על סמך תוצאות מהעולם האמיתי (מגמות משקל, מדידות גוף), הטיית השיטתית מתוקנת עם הזמן.

מה המשמעות של הספים בפועל

הנה מה רמות דיוק שונות מתרגמות לצריכה יומית של 2,000 קלוריות:

רמת דיוק	סטיית קלוריות	טווח שגיאה יומי	שגיאה מצטברת שבועית	השפעה על חיסרון של 500 קלוריות ביום
בטווח של 5%	עד 100 קלוריות	1,900 - 2,100	עד 700 קלוריות	זניח - חיסרון נשמר
בטווח של 10%	עד 200 קלוריות	1,800 - 2,200	עד 1,400 קלוריות	מינורי - חיסרון מצטמצם אך קיים
בטווח של 15%	עד 300 קלוריות	1,700 - 2,300	עד 2,100 קלוריות	מתון - חיסרון עשוי להיתקע בכמה שבועות
בטווח של 20%	עד 400 קלוריות	1,600 - 2,400	עד 2,800 קלוריות	משמעותי - חיסרון לא מהימן

עבור רוב המשתמשים שמחפשים חיסרון קלורי מתון של 400 עד 600 קלוריות ביום, דיוק בטווח של 10 עד 15 אחוז מספיק כדי לשמור על התקדמות. זהו הטווח שבו נוטרולה פועלת עבור רוב הארוחות - 88 אחוז מכל הארוחות שנרשמו נמצאות בטווח של 15 אחוז מהערכים המופיעים בכל קטגוריות המזון והמטבחים.

למה עקביות חשובה יותר מדיוק

הנתונים הפנימיים שלנו מראים שמשתמשים שמבצעים רישום באופן עקבי במשך 60 ימים או יותר משיגים את המטרות שלהם בקצב כמעט זהה, לא משנה אם הדיוק הממוצע שלהם הוא 6 אחוז או 12 אחוז. המשתמשים שלא מצליחים להשיג את המטרות שלהם הם בעיקר אלו שמפסיקים לרשום - לא אלו שמבצעים רישום עם שגיאה מתונה.

זה לא אומר שדיוק הוא לא רלוונטי. זה אומר שהעבודה העיקרית של אפליקציה היא להיות מדויקת מספיק כדי לשמור על מעגל משוב מהימן, תוך שהיא מהירה ונטולת חיכוך כך שהמשתמשים ימשיכו להשתמש בה. פרסום המדדים שלנו מאפשר למשתמשים לקבל שיפוט מושכל על האם הדיוק שלנו עונה על הצרכים שלהם.

היכן אנחנו לא מצליחים: הערכה כנה

שקיפות פירושה לפרסם את המספרים שעושים אותנו טובים ואת אלו שלא. הנה התחומים שבהם מדדי הדיוק שלנו חושפים חולשות ברורות.

שומנים מוסתרים הם האתגר הגדול ביותר שלנו

מקור השגיאה הגדול ביותר בכל הקטגוריות הוא שומני בישול מוסתרים. כאשר מנה מבושלת בשמן, חמאה, או גהי, הכמות שבה נעשה שימוש לרוב אינה נראית במנה המוגשת. ה-AI שלנו מעריך את השומן הבישולי על סמך סוג המנה, נורמות מטבח, ורמזים חזותיים, אך זה נשאר הנחה ולא מדידה.

במנות עם שומנים מוסתרים משמעותיים - קארי הודי, מוקפצים סיניים, מנות מוקפצות במסעדות - שגיאת הקלוריות הממוצעת שלנו קופצת מ-7 אחוז (למרכיבי חלבון ופחמימות) ל-14 אחוז כאשר שומן בישול נכלל. זו הסיבה העיקרית לכך שמטבחים הודים ותאילנדיים מראים שיעורי שגיאה גבוהים יותר בפירוט המטבח שלנו.

אנחנו עובדים על כך באמצעות שיפוט נתונים משופר והנחיות שיפור מסייעות (שואלים את המשתמשים אם מנה נראית שומנית או יבשה), אך זה נשאר בעיה פתוחה עבור כל מערכת מבוססת חזון.

מנות מורכבות עם מרכיבים רבים

כאשר צלחת מכילה שישה פריטים שונים או יותר, במיוחד בהגשות מעורבות או שכבות, הדיוק שלנו בזיהוי יורד. ה-AI עשוי לבלבל סלט דגנים עם מנה של אורז, או לפספס מרכיב רוטב שמתחת לחלבון. מנות מרובות קורסים שנרשמות כהזנה אחת מראות את שיעורי השגיאה הגבוהים ביותר שלנו עם סטיית ממוצע של 13.2 אחוז.

הפתרון המעשי הוא לרשום את המרכיבים בנפרד, מה שמשפר את הדיוק אך מוסיף חיכוך. אנחנו עובדים על שיפור הפירוק של מרכיבים מרובים בצנרת ה-AI שלנו, אך לא פתרנו את זה לשביעות רצוננו עדיין.

מטבחים לא מיוצגים

הדיוק שלנו גרוע יותר באופן מובהק עבור מטבחים שלא מיוצגים מספיק בנתוני האימון שלנו. מטבחים אתיופיים, מערב אפריקאיים, מרכז אסייתיים, ואוקיאניים מראים שיעורי שגיאה גבוהים ב-30 עד 50 אחוז יותר מאשר מטבחים מערביים. זו בעיית נתונים, לא בעיה אלגוריתמית, ואנחנו פועלים על כך על ידי הרחבת מערכי הנתונים שלנו ושיתוף פעולה עם חוקרי תזונה באזורים הללו.

אנחנו עוקבים ומפרסמים דיוק לפי מטבח באופן ספציפי כך שמשתמשים מהמסורות האוכל יכול לראות היכן המערכת שלנו עומדת ולקבל החלטות מושכלות על איך להשלים את הרישום של ה-AI עם התאמות ידניות.

הערכת מנות עבור מנות מעורפלות

מזונות ללא רמזי גודל חזותיים ברורים - ערימת פירה, ערימת פסטה, קערת מרק - קשים יותר עבור ה-AI להעריך במדויק מאשר מזונות עם צורות מוגדרות. חזה עוף יש יחס משקל-גודל צפוי למדי. כף אורז לא.

שגיאת MAPE שלנו עבור מזונות מעורפלים היא 16.4 אחוז, בהשוואה ל-7.8 אחוז עבור מזונות עם צורות מוגדרות. הכללת אובייקט ייחוס בתמונה (מזלג, צלחת סטנדרטית) משפרת את זה ל-11.2 אחוז, ולכן אנחנו מעודדים את המשתמשים לצלם ארוחות על כלי אוכל סטנדרטיים כאשר זה אפשרי.

הטיעון לשקיפות

למה אנחנו מאמינים שכל אפליקציה צריכה לעשות את זה

פרסום מדדי דיוק אינו אסטרטגיית שיווק עבורנו. זו דרישת מוצר שמבוססת על עיקרון פשוט: אנשים שמקבלים החלטות בריאותיות על סמך נתונים מגיע להם לדעת כמה הנתונים האלה מהימנים.

שקול את החלופה. משתמש עם סוכרת סוג 2 מנהל את צריכת הפחמימות שלו באמצעות אפליקציית מעקב קלוריות. אם ההערכות של האפליקציה לגבי פחמימות נמוכות באופן שיטתי ב-20 אחוז, המשתמש הזה מקבל החלטות קליניות על סמך נתונים פגומים. אין לו דרך לדעת את זה אלא אם כן האפליקציה אומרת לו, והאפליקציה אין לה תמריץ לומר לו אלא אם כן שקיפות נבנית לתוך הפילוסופיה של המוצר.

זה לא היפותטי. בסיסי נתונים תזונתיים שנאספו על ידי משתמשים - עמוד השדרה של רוב האפליקציות המתחרות - מכילים שיעורי שגיאה מתועדים של 20 עד 30 אחוז עבור רשומות שהוזנו על ידי משתמשים, לפי ניתוח שפורסם ב-2024 ב-Nutrients. רשומות לעיתים קרובות משוכפלות עם נתונים סותרים, מתייחסות לגודל מנות שונות, או מועתקות ממקורות לא מהימנים. בלי אימות שיטתי, השגיאות הללו מתפשטות בשקט.

מה שקיפות מאפשרת

כאשר נתוני דיוק הם ציבוריים, כמה דברים הופכים לאפשריים:

משתמשים יכולים לכוונן את הציפיות שלהם. אם אתה יודע שההערכות של מנות מסעדה נושאות שגיאה ממוצעת של 10.8 אחוז, אתה יכול לבנות את חוסר הוודאות הזה לתוך התכנון שלך. ייתכן שתרצה לשאוף לחיסרון מעט גדול יותר בימים שבהם אתה אוכל בחוץ, או שאתה עשוי לאמת מנות מרכזיות עם התאמות ידניות.

חוקרים יכולים להעריך כלים באופן אובייקטיבי. מדעני תזונה שחוקרים את היעילות של כלים למעקב תזונה זקוקים לנתוני דיוק כדי להעריך אילו כלים מתאימים לשימוש קליני או מחקרי. מדדי דיוק שפורסמו הופכים את נוטרולה לזמינה להערכה עצמאית בדרך שאפליקציות לא שקופות אינן.

התעשייה משתפרת. אם אפליקציה אחת מפרסמת מדדים והמשתמשים מתחילים לדרוש את אותו דבר מהמתחרים, כל הקטגוריה נעה לעבר דיוק גבוה יותר ואחריות. זה טוב לכולם, כולל אותנו - היינו מעדיפים להתחרות על ביצועים מתועדים מאשר על טענות שיווקיות.

אנחנו מחזיקים את עצמנו אחראים. פרסום מדדים מדי רבעון אומר שאנחנו לא יכולים בשקט לתת לדיוק להתדרדר. כל רבעון, המספרים הם ציבוריים, וכל ירידה נראית. זה יוצר לחץ פנימי לשיפור מתמשך, וזה בדיוק הנקודה.

איך המדדים שלנו משווים למה שהמחקר אומר

כדי לשים את המספרים שלנו בהקשר, הנה איך הדיוק של נוטרולה משווה למחקרים שפורסמו על שיטות הערכת תזונה:

שיטה	שגיאת קלוריות ממוצעת (מחקר שפורסם)	מקור
זיכרון תזונתי מדווח עצמי (24 שעות)	15 - 30%	Journal of Nutrition, 2022
שאלוני תדירות מזון	20 - 40%	American Journal of Clinical Nutrition, 2023
רישום קלוריות ידני באפליקציה (בלי משקל)	12 - 25%	Nutrients, 2024
רישום מבוסס תמונה AI (ממוצע תעשייתי)	10 - 18%	IEEE Conference on Computer Vision, 2025
נוטרולה באופן כללי (כל השיטות משולבות)	6.8%	מדד נוטרולה לרבעון הראשון של 2026
נוטרולה רק בתמונות	8.9%	מדד נוטרולה לרבעון הראשון של 2026
סריקת ברקוד נוטרולה	1.8%	מדד נוטרולה לרבעון הראשון של 2026
רישומי מזון משוקלים (סטנדרט זהב)	2 - 5%	British Journal of Nutrition, 2021

הדיוק המשולב שלנו של 6.8 אחוז ממקם את נוטרולה בין שיטת רישום המזון המשוקלים הסטנדרטית לבין המערכות הטובות ביותר המבוססות על AI. זה משקף את היתרון של גישה רב-שיטתית - הרבה ממשתמשי נוטרולה משלבים רישום תמונות עבור ארוחות מוכנות עם סריקת ברקוד עבור מזונות ארוזים, מה שמביא את הדיוק המשולב מתחת למה שכל שיטה בודדת משיגה לבד.

מה אנחנו עושים כדי להשתפר

פרסום מדדים אינו רק על דיווח על המצב הנוכחי. זה על יצירת רישום ציבורי של שיפור לאורך זמן.

הנה איך שגיאת הקלוריות הממוצעת שלנו השתנתה מאז שהתחלנו לפרסם:

רבעון	שגיאת קלוריות ממוצעת	בטווח של 10%	בטווח של 15%
רבעון ראשון 2025	10.4%	64%	83%
רבעון שני 2025	9.1%	70%	87%
רבעון שלישי 2025	8.2%	74%	89%
רבעון רביעי 2025	7.4%	77%	91%
רבעון ראשון 2026	6.8%	79%	93%

בכל רבעון, אנחנו ממקדים תחומים ספציפיים לשיפור בהתבסס על היכן שהנתונים מראים את הפערים הגדולים ביותר. תחומי עדיפות נוכחיים לרבעון השני של 2026 כוללים:

• הערכת שומנים מוסתרים: אימון מודל חדש עם מערכי נתונים מסומנים בכמות שמן מבתי ספר קולינריים שותפים.
• דיוק במטבח ההודי: הרחבת מערך הנתונים עם 3,200 מנות מאומתות חדשות מהודו, פקיסטן, סרי לנקה, ובנגלדש.
• פירוק מנות מרובות: עדכון צנרת הראיה הממוחשבת לשיפור ההפרדה של רכיבים במנות מורכבות.
• הערכת מנות עבור מזונות מעורפלים: שיפורי הערכת עומק באמצעות קלט תמונה ממספר זוויות.

שאלות נפוצות

כמה פעמים מעודכנים המדדים?

אנחנו מפרסמים דוחות מדדים מלאים מדי רבעון. עדכונים ביניים מתפרסמים אם עדכון מודל מייצר שינוי מובהק סטטיסטית בדיוק (יותר מ-0.5 נקודות אחוז בשגיאה הכוללת).

האם אני יכול לראות את נתוני המדדים הגולמיים?

כן. אנחנו מפרסמים טבלאות סיכום בדף המדדים שלנו ומאפשרים להוריד את מערך הנתונים האנונימי, המצטבר. רשומות ארוחה בודדות לא נכללות - רק סטטיסטיקות ברמת הקטגוריה.

האם הדיוק של נוטרולה משתנה בהתאם לאיזה טלפון אני משתמש?

איכות המצלמה משפיעה על דיוק הרישום המבוסס על תמונה. בבדיקות שלנו, טלפונים דגלים מ-2024 ואילך (iPhone 15 ומעלה, Samsung Galaxy S24 ומעלה, Google Pixel 8 ומעלה) מספקים תוצאות תואמות למדדים שפרסמנו. מכשירים ישנים או תקציביים עם מצלמות באיכות נמוכה מראים בערך 1 עד 2 נקודות אחוז שגיאה גבוהה יותר בממוצע, בעיקר בגלל פרטים מופחתים בהערכת גודל המנה.

איך נוטרולה מתמודדת עם מזונות שהיא לא יכולה לזהות?

כאשר ציון הביטחון של ה-AI שלנו יורד מתחת לסף מוגדר, האפליקציה מסמנת את ההזנה ושואלת את המשתמש לאשר או לתקן את הזיהוי. בערך 5.2 אחוז מהארוחות שנרשמו בתמונה מפעילות את ההנחיה הזו. ההזנות המסומנות הללו לא נכללות במדדי הדיוק שלנו, כלומר המספרים שפורסמו מייצגים ארוחות שבהן המערכת הייתה בטוחה בזיהוי שלה.

האם מנות מסעדה פחות מדויקות בגלל המסעדה או בגלל סוג המזון?

שניהם. מנות מסעדה נושאות שגיאה גבוהה יותר משתי סיבות. ראשית, ההכנה בפועל (כמויות שומן, כמויות רוטב, גודל המנות) משתנה בין מסעדות ואינה נראית בתמונה. שנית, מנות מסעדה נוטות להיות מורכבות יותר מאשר מנות ביתיות, עם יותר מרכיבים מוסתרים. הנתונים שלנו מראים שמנות מסעדה פשוטות (סלט עוף בגריל, חתיכת סושי) כמעט מדויקות כמו המקבילות הביתיות שלהן. הפער בדיוק מתרחב בעיקר עם מזונות מטוגנים, מנות עם רוטב, ופריטים עם שומנים מוסתרים.

מה לגבי מזונות ארוזים עם תוויות יצרן לא נכונות?

זו בעיה ידועה בתעשייה. תקנות ה-FDA מאפשרות לתוויות תזונה לסטות עד 20 אחוז מהערכים המוצהרים עבור רוב המקרונוטריינטים. הדיוק שלנו בסריקות ברקוד של 1.8 אחוז משקף את ההתאמה בין הנתונים שלנו לבין התווית של היצרן - לא בהכרח את ההתאמה למה שיש באמת בחבילה. כאשר בדיקות מעבדה עצמאיות חושפות אי-דיוקים בתוויות עבור מוצרים פופולריים, אנחנו מסמנים את זה במאגר הנתונים שלנו ומעדכנים את הערכים המופיעים בהתאם.

איך הדיוק של נוטרולה משווה להערכת דיאטנית רשומה?

מחקר ב-2025 ב-Journal of the American Dietetic Association מצא שדיאטניות רשומות שמעריכות קלוריות ממנות מתמונות היו עם שגיאה ממוצעת של 10.2 אחוז, עם שונות משמעותית בהתאם לניסיון הדיאטנית ולמורכבות המנה. הדיוק של נוטרולה מבוסס על תמונות של 8.9 אחוז נמצא באותו טווח, מעט טוב יותר בממוצע, אם כי דיאטניות מצליחות יותר עם מנות מסוימות מורכבות או יוצאות דופן.

שמתי לב שסכומי הרישום שלי נראים נמוכים באופן עקבי. האם זו בעיה ידועה?

כן. המדדים שלנו מראים הטיית הערכה שיטתית של בערך 3 עד 5 אחוז בכל הקטגוריות, המנוגנת בעיקר על ידי הערכת שומן מוסתרת. אנחנו חושפים את כיוון ההטיה בטבלאות המדדים שלנו כך שמשתמשים יכולים להתאים אם יש צורך. אם אתה חושד בהערכה נמוכה עקבית, רישום שומני בישול בנפרד (במקום להסתמך על ה-AI להניח אותם) מפחית את ההטיה הזו באופן משמעותי.

השורה התחתונה

רוב אפליקציות התזונה מבקשות את אמונך מבלי לתת לך שום סיבה להעניק אותה. הן מציגות לך מספרי קלוריות עם דיוק בטוח בזמן ששיעורי השגיאה שלהן נסתרים.

נוטרולה מפרסמת את מדדי הדיוק שלה כי אנחנו מאמינים שהגישה ההפוכה היא הנכונה. הנה מה שהמספרים האלה מראים: אנחנו מדויקים בטווח של 10 אחוז עבור 79 אחוז מהארוחות ובטווח של 15 אחוז עבור 93 אחוז מהארוחות. אנחנו חלשים יותר במנות מורכבות עם שומנים מוסתרים, במטבחים לא מיוצגים, ובמנות מרובות קורסים. שיפרנו את הדיוק הכולל שלנו משגיאה ממוצעת של 10.4 אחוז ל-6.8 אחוז בשנה האחרונה, ואנחנו מפרסמים את התחומים הספציפיים שאנחנו מכוונים לשיפור נוסף.

המספרים האלה לא מושלמים, ואנחנו לא טוענים שהם כאלה. אבל הם אמיתיים, הם ציבוריים, והם מעודכנים כל רבעון. זה הסטנדרט שאנחנו מחזיקים את עצמנו אליו, וזה הסטנדרט שאנחנו מאמינים שכל אפליקציית תזונה צריכה לעמוד בו.

אם אתה בוחר אפליקציית מעקב קלוריות, שאל שאלה פשוטה: האם האפליקציה הזו יכולה להראות לי את נתוני הדיוק שלה? אם התשובה היא לא, שאל את עצמך למה לא.