Lose It! Snap It फोटो फीचर की विश्वसनीयता: पहचान और स्थिरता का ऑडिट

Lose It! Snap It एक फोटो-आधारित खाद्य पहचान फीचर है जो Lose It! कैलोरी ट्रैकिंग ऐप में शामिल है, जिसे FitNow Inc. ने विकसित किया है। इसका आधार सरल और आकर्षक है: अपने भोजन की एक फोटो लें, और ऐप इसे पहचानता है और स्वचालित रूप से कैलोरी लॉग करता है। कोई मैनुअल खोज, कोई डेटाबेस प्रविष्टियों के माध्यम से स्क्रॉलिंग, कोई टाइपिंग नहीं। बस पॉइंट करें, शूट करें, और आगे बढ़ें।

लेकिन फोटो-आधारित खाद्य लॉगिंग की विश्वसनीयता के लिए तीन चीजों का एक साथ काम करना आवश्यक है। ऐप को सही तरीके से पहचानना चाहिए कि भोजन क्या है। इसे भाग के आकार का सटीक अनुमान लगाना चाहिए। और इसे स्थिर परिणाम उत्पन्न करना चाहिए — अर्थात यदि आप एक ही भोजन की दो बार फोटो लेते हैं, तो आपको दोनों बार वही कैलोरी गिनती मिलनी चाहिए। जब इनमें से कोई एक घटक विफल होता है, तो लॉग किया गया डेटा अविश्वसनीय हो जाता है।

हमने Snap It के माध्यम से 20 विभिन्न भोजन की दो बार फोटो खींचकर इन तीनों का परीक्षण किया। यहाँ इस फीचर की विश्वसनीयता, इसके टूटने के स्थान, और आपके कैलोरी ट्रैकिंग की सटीकता पर इसका क्या प्रभाव पड़ता है, का विस्तृत विश्लेषण है।

फोटो-आधारित खाद्य लॉगिंग के लिए "विश्वसनीय" का क्या अर्थ है?

एक फोटो लॉगिंग फीचर के लिए विश्वसनीयता का मतलब है कि तीन चीजें एक साथ हो रही हैं। ऐप चित्र में भोजन को सही तरीके से पहचानता है। यह वास्तविक मात्रा के करीब भाग का आकार का अनुमान लगाता है। और यह समान इनपुट पर समान परिणाम उत्पन्न करता है।

यदि पहचान विफल होती है — ऐप आपके क्विनोआ को "चावल" कहता है — तो कैलोरी डेटा शुरुआत से ही गलत है। यदि पहचान सफल होती है लेकिन भाग का अनुमान 40% गलत है, तो कैलोरी की गिनती फिर भी बेकार है। और यदि आप एक ही प्लेट की दो बार फोटो लेते हैं और दो अलग-अलग परिणाम मिलते हैं, तो आप किसी एक पर भरोसा नहीं कर सकते।

फोटो खाद्य लॉगिंग की अधिकांश समीक्षाएँ केवल पहचान सटीकता पर ध्यान केंद्रित करती हैं। लेकिन सटीक भाग अनुमान के बिना पहचान करना ऐसा है जैसे किसी शहर का सही नाम बताना लेकिन दूरी का अनुमान लगाना — आप जानते हैं कि आप कहाँ जा रहे हैं लेकिन आपको यह नहीं पता कि यह कितनी दूर है। तीनों आयामों का काम करना आवश्यक है ताकि यह फीचर वास्तव में उपयोगी हो सके।

परीक्षण पद्धति: 20 भोजन, प्रत्येक की दो बार फोटो खींची गई

हमने 20 भोजन तैयार किए जो पांच श्रेणियों में फैले हुए थे: एकल संपूर्ण खाद्य पदार्थ, पैकेज्ड आइटम, सरल प्लेटेड भोजन, बहु-घटक रेस्तरां शैली की प्लेटें, और मिश्रित कटोरे। प्रत्येक भोजन को Lose It! Snap It के माध्यम से लगातार प्रकाश स्थितियों में 45-डिग्री कोण पर दो बार फोटो खींचा गया, जो खाद्य फोटोग्राफी के लिए सबसे सामान्य कोण है।

प्रत्येक भोजन की दो फ़ोटोज़ के बीच, हमने 60 सेकंड का इंतजार किया और फोन की स्थिति को थोड़ा समायोजित किया ताकि वास्तविक दुनिया में भिन्नता का अनुकरण किया जा सके। भोजन को न तो स्थानांतरित किया गया और न ही बदला गया। हमने प्रत्येक परीक्षण के लिए तीन मेट्रिक्स रिकॉर्ड किए: क्या भोजन को सही तरीके से पहचाना गया, अनुमानित भाग वास्तविक मापे गए वजन के कितने करीब था, और क्या दोनों फ़ोटोज़ ने समान कैलोरी परिणाम उत्पन्न किए।

खाद्य श्रेणी के अनुसार विश्वसनीयता परिणाम

पहचान, भाग सटीकता, और स्थिरता तालिका

खाद्य पदार्थ	श्रेणी	सही पहचान (फोटो 1)	सही पहचान (फोटो 2)	भाग सटीकता	स्थिर परिणाम
सेब, संपूर्ण	एकल आइटम	हाँ	हाँ	10% के भीतर	हाँ
केला, संपूर्ण	एकल आइटम	हाँ	हाँ	5% के भीतर	हाँ
प्रोटीन बार (लपेटा हुआ)	पैकेज्ड	हाँ	हाँ	सटीक	हाँ
दही कप (लेबल दिखाई दे रहा)	पैकेज्ड	हाँ	हाँ	सटीक	हाँ
ग्रिल्ड चिकन + चावल	सरल प्लेट	हाँ	हाँ	20% के भीतर	नहीं (18 कैलोरी अंतर)
पास्ता विद मरीनारा	सरल प्लेट	हाँ	हाँ	25% के भीतर	नहीं (34 कैलोरी अंतर)
स्टेक + मैश किए हुए आलू + शतावरी	बहु-घटक	आंशिक (शतावरी छूटी)	हाँ	35% के भीतर	नहीं (67 कैलोरी अंतर)
बुरिटो बाउल	मिश्रित कटोरा	आंशिक (बीन्स छूटी)	आंशिक (मक्का छूटी)	40% के भीतर	नहीं (89 कैलोरी अंतर)
अनाज का कटोरा टोफू के साथ	मिश्रित कटोरा	आंशिक (टोफू को चिकन के रूप में पहचाना)	आंशिक (टोफू को चिकन के रूप में पहचाना)	45% के भीतर	नहीं (52 कैलोरी अंतर)
सीज़र सलाद क्राउटन के साथ	सरल प्लेट	हाँ	हाँ	30% के भीतर	नहीं (41 कैलोरी अंतर)
सुशी प्लेट (8 टुकड़े, मिश्रित)	बहु-घटक	आंशिक (4 प्रकार में से 3)	आंशिक (4 प्रकार में से 2)	35% के भीतर	नहीं (73 कैलोरी अंतर)
ओटमील बेरी और नट्स के साथ	मिश्रित कटोरा	आंशिक (नट्स छूटे)	हाँ	25% के भीतर	नहीं (38 कैलोरी अंतर)
सैंडविच (क्रॉस-सेक्शन दिखाई दे रहा)	सरल प्लेट	हाँ	हाँ	20% के भीतर	नहीं (22 कैलोरी अंतर)
चावल बनाम कूसकूस परीक्षण (कूसकूस)	एकल आइटम	नहीं (चावल के रूप में पहचान)	नहीं (चावल के रूप में पहचान)	15% के भीतर	हाँ (लगातार गलत)
क्विनोआ बाउल	एकल आइटम	नहीं (चावल के रूप में पहचान)	हाँ	20% के भीतर	नहीं (45 कैलोरी अंतर)
पिज्जा का टुकड़ा	सरल प्लेट	हाँ	हाँ	15% के भीतर	हाँ
ग्लास में स्मूदी	तरल	हाँ	आंशिक (प्रोटीन पाउडर छूटा)	50% के भीतर	नहीं (62 कैलोरी अंतर)
करी के साथ चावल	मिश्रित कटोरा	आंशिक (सामान्य करी)	आंशिक (सामान्य करी)	40% के भीतर	नहीं (55 कैलोरी अंतर)
टोस्ट पर अंडे	सरल प्लेट	हाँ	हाँ	15% के भीतर	हाँ
पोके बाउल	मिश्रित कटोरा	आंशिक (एडामे छूटा)	आंशिक (समुद्री शैवाल छूटा)	45% के भीतर	नहीं (81 कैलोरी अंतर)

कुल परिणाम:

• पूर्ण सही पहचान: 60% फ़ोटोज़ (40 में से 24)
• आंशिक पहचान (घटक छूटे): 30% (40 में से 12)
• गलत पहचान: 10% (40 में से 4)
• दोनों फ़ोटोज़ में स्थिर परिणाम: 30% भोजन (20 में से 6)
• औसत भाग सटीकता विचलन: 25.5%

जहाँ Snap It विश्वसनीय है

Snap It दो विशिष्ट परिदृश्यों में अच्छी तरह से काम करता है जो एक सामान्य विशेषता साझा करते हैं: दृश्य सरलता।

पैकेज्ड खाद्य पदार्थ जिनमें लेबल दिखाई दे रहा है

जब फोटो में एक बारकोड या ब्रांड लेबल दिखाई देता है, तो Snap It प्रभावी रूप से एक दृश्य बारकोड स्कैनर के रूप में कार्य करता है। यह सही उत्पाद की पहचान करता है और अपने डेटाबेस से कैलोरी डेटा खींचता है। इन मामलों में, पहचान सही होती है, भाग पैकेज के आकार से मेल खाता है, और परिणाम पूरी तरह से स्थिर होते हैं। यह फीचर का सबसे मजबूत उपयोग मामला है, हालांकि यह सवाल उठाता है कि आप फोटो लॉगिंग का उपयोग क्यों करेंगे जब आप बस बारकोड स्कैन कर सकते हैं।

एकल सरल आइटम

पूर्ण फल, एक साधारण अंडा, एक स्लाइस ब्रेड — ऐसे खाद्य पदार्थ जो दृश्य रूप से स्पष्ट होते हैं और अपेक्षाकृत मानक आकार में आते हैं। Snap It ने हमारे परीक्षण में हर एक संपूर्ण खाद्य पदार्थ को सही तरीके से पहचाना और भाग का अनुमान वास्तविक वजन के 5-15% के भीतर था। स्थिरता भी मजबूत थी, दोनों फ़ोटोज़ ने समान या लगभग समान परिणाम उत्पन्न किए।

सामान्य कारक यह है कि इन खाद्य पदार्थों का एक विशिष्ट दृश्य हस्ताक्षर और पूर्वानुमानित भाग आकार होते हैं। एक सेब किसी भी कोण से सेब की तरह दिखता है, और इसकी कैलोरी सामग्री सटीक आकार के बावजूद एक संकीर्ण रेंज के भीतर होती है।

जहाँ Snap It अविश्वसनीय है

विश्वसनीयता की विफलताएँ तीन परिदृश्यों के चारों ओर केंद्रित होती हैं जो वास्तविक दुनिया के भोजन का अधिकांश हिस्सा दर्शाती हैं।

बहु-घटक भोजन

जब एक प्लेट में तीन या अधिक अलग-अलग खाद्य पदार्थ होते हैं, तो Snap It अक्सर कम से कम एक घटक को छोड़ देता है। हमारे स्टेक डिनर परीक्षण में, पहली फोटो ने पूरी तरह से शतावरी को छोड़ दिया। सुशी प्लेट परीक्षण में, ऐप ने केवल 2-3 में से 4 सुशी किस्मों की पहचान की। प्रत्येक छूटी हुई घटक एक संपूर्ण खाद्य पदार्थ है जो लॉग नहीं किया गया — अक्सर 50-150 कैलोरी जो आपके दैनिक कुल से गायब हो जाती हैं।

मिश्रित कटोरे और लेयर्ड खाद्य पदार्थ

बुरिटो बाउल, अनाज के कटोरे, पोके बाउल, और करी सभी में खराब प्रदर्शन हुआ। जब सामग्री एक साथ मिश्रित या लेयर की जाती हैं, तो एआई व्यक्तिगत घटकों को पहचानने में संघर्ष करता है। हमारे बुरिटो बाउल में चावल, चिकन, बीन्स, मक्का, सालसा, पनीर, और गुआकामोल शामिल थे। Snap It ने चावल और चिकन की पहचान की लेकिन एक फोटो में बीन्स को छोड़ दिया और दूसरी में मक्का को। मिश्रित कटोरों के लिए भाग का अनुमान औसतन 40-45% वास्तविक मापे गए मानों से भिन्न था।

दृश्य रूप से समान खाद्य पदार्थ

कूसकूस को दोनों फ़ोटोज़ में चावल के रूप में पहचाना गया — एक लगातार गलत पहचान। क्विनोआ को एक फोटो में चावल के रूप में पहचाना गया और दूसरे में सही तरीके से। फूलगोभी का चावल, सामान्य चावल, और कूसकूस फ़ोटोज़ में लगभग अदृश्य होते हैं, लेकिन उनकी कैलोरी घनत्व में महत्वपूर्ण अंतर होता है। कूसकूस में पकाए गए कप में लगभग 176 कैलोरी होती हैं जबकि चावल में 206 कैलोरी होती हैं। कूसकूस की लगातार गलत पहचान के कारण प्रति कप 30 कैलोरी बढ़ जाती हैं जो उपयोगकर्ता ने वास्तव में नहीं खाई।

विफलता मोड विश्लेषण

हमने सभी 40 फ़ोटोज़ में प्रत्येक त्रुटि को वर्गीकृत किया ताकि पैटर्न की पहचान की जा सके।

विफलता मोड आवृत्ति तालिका

विफलता मोड	घटनाएँ	सभी फ़ोटोज़ का %	औसत कैलोरी प्रभाव
बहु-आइटम भोजन में घटक छूटना	10	25%	85 कैलोरी
भाग का अधिक अनुमान (>20% वास्तविक से ऊपर)	7	17.5%	62 कैलोरी
भाग का कम अनुमान (>20% वास्तविक से नीचे)	9	22.5%	58 कैलोरी
खाद्य गलत पहचान	4	10%	45 कैलोरी
असंगत परिणाम (एक ही भोजन, विभिन्न कैलोरी)	14	35%*	52 कैलोरी औसत अंतर
तरल कैलोरी छूटना (ड्रेसिंग, सॉस, तेल)	6	15%	72 कैलोरी

*20 भोजन जोड़े में मापा गया, 40 व्यक्तिगत फ़ोटोज़ में नहीं।

सबसे सामान्य विफलता असंगति थी — 20 में से 14 भोजन ने दो बार फ़ोटोग्राफ़ किए जाने पर विभिन्न कैलोरी गिनतियाँ उत्पन्न कीं। सबसे कैलोरी-संवेदनशील विफलता छूटे हुए घटक थे, जो प्रति घटना औसतन 85 लॉग नहीं की गई कैलोरी का प्रतिनिधित्व करते थे। छूटे हुए तरल कैलोरी (ड्रेसिंग, खाना पकाने के तेल, सॉस) भी महत्वपूर्ण थे, प्रति छूटे हुए 72 कैलोरी।

ये विफलताएँ अलग-अलग नहीं होती हैं। एक ही भोजन की फोटो एक साथ कई विफलता मोड को ट्रिगर कर सकती है — एक मिश्रित कटोरा एक छूटे हुए घटक, एक कम अनुमानित भाग, और दूसरे फोटो की तुलना में असंगत परिणाम हो सकता है।

फॉलबैक समस्या: जब फोटो लॉगिंग विफल होती है

जब Snap It किसी खाद्य पदार्थ की पहचान नहीं कर पाता या उपयोगकर्ता पहचान को गलत समझता है, तो ऐप मैनुअल खोज पर वापस चला जाता है। यहीं पर एक दूसरी विश्वसनीयता समस्या उभरती है। Lose It! एक डेटाबेस का उपयोग करता है जिसमें उपयोगकर्ता द्वारा सबमिट की गई प्रविष्टियाँ और सत्यापित डेटा शामिल होते हैं, जो अन्य क्राउडसोर्स किए गए डेटाबेस की संरचना के समान है।

एक उपयोगकर्ता जिसने समय बचाने के लिए फोटो लॉगिंग से शुरुआत की, अब एक डेटाबेस में मैन्युअल रूप से खोज करने, समान खाद्य पदार्थ के लिए कई प्रविष्टियों का मूल्यांकन करने, और यह अनुमान लगाने के लिए मजबूर होता है कि कौन सी सही है। फोटो लॉगिंग की गति का लाभ खो जाता है, और उपयोगकर्ता उसी सटीकता चुनौतियों का सामना करता है जो किसी भी क्राउडसोर्स किए गए खाद्य डेटाबेस को प्रभावित करती हैं। 2019 में जर्नल ऑफ़ द अकादमी ऑफ़ न्यूट्रिशन एंड डाइटेटिक्स में प्रकाशित अध्ययन ने पाया कि क्राउडसोर्स किए गए पोषण डेटाबेस में लगभग 27% प्रविष्टियों में महत्वपूर्ण त्रुटियाँ थीं।

यह एक असंगत ट्रैकिंग अनुभव उत्पन्न करता है। कुछ भोजन एक स्तर की सटीकता के साथ फोटो के माध्यम से लॉग किए जाते हैं। अन्य भोजन मैन्युअल रूप से एक अलग स्तर की सटीकता के साथ लॉग किए जाते हैं। उपयोगकर्ता का दैनिक कैलोरी कुल डेटा बिंदुओं का एक पैचवर्क बन जाता है जिनकी विश्वसनीयता भिन्न होती है, जिससे प्रवृत्तियों की पहचान करना या संख्याओं पर भरोसा करना कठिन हो जाता है।

Nutrola का फोटो एआई विश्वसनीयता के दृष्टिकोण में भिन्नता लाता है

Nutrola का फोटो एआई तीन विश्वसनीयता आयामों — पहचान, भाग सटीकता, और स्थिरता — को एक अलग आर्किटेक्चरल दृष्टिकोण के माध्यम से संबोधित करता है।

Nutrola में खाद्य पहचान हर पहचाने गए खाद्य पदार्थ को 1.8 मिलियन प्रविष्टियों के एक पोषण विशेषज्ञ-सत्यापित डेटाबेस से सीधे मैप करता है। जब एआई आपकी फोटो में चिकन की पहचान करता है, तो यह चिकन ब्रेस्ट के लिए एक ही सत्यापित प्रविष्टि से लिंक करता है, न कि विभिन्न कैलोरी गिनतियों के साथ उपयोगकर्ता द्वारा सबमिट किए गए विकल्पों की सूची से। यह उस गिरावट की त्रुटि को समाप्त करता है जहाँ एक सही पहचान अभी भी गलत कैलोरी की ओर ले जाती है क्योंकि डेटाबेस प्रविष्टि खराब है।

भाग सटीकता के लिए, Nutrola फोटो विश्लेषण को एक तेज़ सुधार परत के साथ जोड़ता है। यदि एआई आपके चावल के भाग का अनुमान 150 ग्राम पर लगाता है लेकिन आप जानते हैं कि आपने 200 ग्राम का माप लिया है, तो आप कह सकते हैं "वास्तव में यह लगभग 200 ग्राम था" और प्रविष्टि तुरंत अपडेट हो जाती है। यह मानव-इन-द-लूप दृष्टिकोण स्वीकार करता है कि कोई भी एआई 2D फोटो से भागों का सही अनुमान नहीं लगाता है, जबकि एक सुधार तंत्र प्रदान करता है जो सेकंड में होता है, न कि पूर्ण मैनुअल खोज की आवश्यकता होती है।

स्थिरता का लाभ स्वयं सत्यापित डेटाबेस से आता है। क्योंकि प्रत्येक खाद्य पदार्थ एक प्रविष्टि से मैप होता है, जो खाद्य पदार्थों की पहचान करने वाली दोहराई गई फ़ोटोज़ हमेशा समान आधार कैलोरी मान उत्पन्न करती हैं। भाग के अनुमान फ़ोटोज़ के बीच थोड़े भिन्न हो सकते हैं, लेकिन अंतर्निहित पोषण डेटा स्थिर और सत्यापित होता है।

Nutrola पैकेज्ड खाद्य पदार्थों के लिए बारकोड स्कैनिंग और घर के बने भोजन के लिए एक नुस्खा आयात फीचर भी प्रदान करता है, यह सुनिश्चित करते हुए कि हर लॉगिंग विधि उसी सत्यापित डेटाबेस से जुड़ती है। यह iOS और Android पर EUR 2.50 प्रति माह बिना विज्ञापनों के उपलब्ध है, Nutrola डेटा की विश्वसनीयता को डेटाबेस के आकार पर प्राथमिकता देता है।

अक्सर पूछे जाने वाले प्रश्न

Lose It! Snap It दैनिक भोजन के लिए कितना सटीक है?

हमारे परीक्षण में, Snap It ने केवल 60% फ़ोटोज़ में सभी खाद्य घटकों की सही पहचान की। एकल आइटम और पैकेज्ड खाद्य पदार्थों के लिए, सटीकता उच्च थी — लगभग 95% सही पहचान के साथ और भाग के अनुमान वास्तविक वजन के 5-15% के भीतर। बहु-घटक भोजन और मिश्रित कटोरों के लिए, सटीकता में काफी गिरावट आई, ऐप ने सभी फ़ोटोज़ में कम से कम एक खाद्य घटक को 25% समय छोड दिया और भाग के अनुमान मापे गए मानों से 35-45% भिन्न थे।

क्या Snap It एक ही भोजन की दो बार फोटो लेने पर वही परिणाम देता है?

नहीं। हमारे 20 भोजन के परीक्षण में, जिनकी दो बार फ़ोटोज़ ली गईं, केवल 30% ने दोनों फ़ोटोज़ में समान कैलोरी परिणाम उत्पन्न किए। डुप्लिकेट फ़ोटोज़ के बीच औसत कैलोरी अंतर 52 कैलोरी था, कुछ भोजन में 80-89 कैलोरी का अंतर दिखा। यह असंगति का मतलब है कि आपको जो कैलोरी गिनती मिलती है, वह आंशिक रूप से उस विशेष कोण, प्रकाश, और क्षण पर निर्भर करती है जब आप फोटो लेते हैं, न कि केवल इस पर कि आप क्या खा रहे हैं।

Snap It किस प्रकार के खाद्य पदार्थों के साथ सबसे अच्छा काम करता है?

Snap It दृश्य रूप से स्पष्ट, एकल-आइटम खाद्य पदार्थों (पूर्ण फल, अंडे, ब्रेड की स्लाइस) और पैकेज्ड खाद्य पदार्थों के लिए सबसे विश्वसनीय है जहाँ फोटो में लेबल या ब्रांड नाम दिखाई देता है। इन श्रेणियों ने 95% से अधिक सही पहचान दरें और वास्तविक मानों के 5-15% के भीतर भाग के अनुमान दिखाए। यह फीचर मिश्रित कटोरों, बहु-घटक रेस्तरां प्लेटों, और चावल, कूसकूस, और क्विनोआ जैसे दृश्य रूप से समान अनाजों के साथ सबसे कम विश्वसनीय है।

Snap It मेरे कटोरे या प्लेट में सामग्री को क्यों छोड़ता है?

जब खाद्य पदार्थ लेयर्ड, मिश्रित, या अन्य सामग्री के नीचे आंशिक रूप से छिपे होते हैं, तो एआई व्यक्तिगत घटकों को दृश्य रूप से पहचानने में असमर्थ होता है। उदाहरण के लिए, एक बुरिटो बाउल में, चावल के नीचे बीन्स या अन्य टॉपिंग में मिश्रित पनीर कैमरे के लिए अदृश्य हो जाते हैं जो केवल शीर्ष सतह को कैप्चर करता है। प्रत्येक छूटी हुई सामग्री लॉग नहीं की गई कैलोरी का प्रतिनिधित्व करती है — हमारे परीक्षण के आधार पर प्रति छूटे घटक आमतौर पर 50 से 150 कैलोरी होती हैं।

क्या फोटो-आधारित कैलोरी ट्रैकिंग वजन घटाने के लिए पर्याप्त सटीक है?

फोटो-आधारित ट्रैकिंग मोटे तौर पर कैलोरी जागरूकता के लिए पर्याप्त सटीक हो सकती है लेकिन आमतौर पर सटीक घाटे आधारित वजन घटाने के लिए अपर्याप्त होती है। हमारे परीक्षण में सभी खाद्य प्रकारों में औसत भाग सटीकता विचलन 25.5% था, जो भोजन की जटिलता के आधार पर दैनिक कैलोरी त्रुटियों को 150 से 400 कैलोरी में बदल देता है। संदर्भ के लिए, एक सामान्य वजन घटाने का घाटा प्रति दिन 500 कैलोरी होता है, जिसका अर्थ है कि फोटो लॉगिंग की त्रुटियाँ अकेले 30-80% की योजना बनाई गई घाटे को समाप्त कर सकती हैं। भाग सत्यापन के साथ फोटो लॉगिंग को संयोजित करना — या तो खाद्य पदार्थों को तौलकर या Nutrola द्वारा प्रदान किए गए वॉयस सुधार का उपयोग करके — सटीकता में महत्वपूर्ण सुधार करता है।