हमने 50 भोजन एक प्रयोगशाला में भेजे और कैलोरी सटीकता के लिए AI, लेबल और USDA डेटा का परीक्षण किया
हमने 50 असली भोजन का पेशेवर विश्लेषण एक खाद्य विज्ञान प्रयोगशाला में बम कैलोरीमेट्री का उपयोग करके किया, फिर परिणामों की तुलना Nutrola के AI अनुमानों, पोषण लेबल और USDA संदर्भ डेटा से की। परिणामों ने हमें चौंका दिया।
आपने जो भी कैलोरी संख्या पढ़ी है, वह एक अनुमान है। आपके प्रोटीन बार पर पोषण लेबल, "ग्रिल्ड चिकन ब्रेस्ट" के लिए USDA प्रविष्टि, या जब आप अपने लंच की फोटो लेते हैं तो आपका ट्रैकिंग ऐप जो संख्या बताता है — ये सभी आपके प्लेट पर मौजूद वास्तविक ऊर्जा सामग्री के अनुमान हैं। सवाल यह है कि ये अनुमान कितने सही हैं, और कौन सा स्रोत वास्तविकता के सबसे करीब है?
हमने यह जानने का निर्णय लिया। तीन महीनों के दौरान, Nutrola टीम ने 50 असली भोजन खरीदे, तैयार किए या ऑर्डर किए, प्रत्येक का फोटो लिया, लेबल और USDA डेटाबेस के मान दर्ज किए, और फिर समान भागों को एक प्रमाणित खाद्य विज्ञान प्रयोगशाला में बम कैलोरीमेट्री का उपयोग करके विश्लेषण के लिए भेजा — जो खाद्य पदार्थों की वास्तविक कैलोरी सामग्री को मापने का स्वर्ण मानक है।
यह पोस्ट पूर्ण परिणाम प्रस्तुत करती है। कोई चयनात्मकता नहीं, कोई छिपे हुए आंकड़े नहीं। हर भोजन, हर संख्या, हर आश्चर्य।
हमने यह क्यों किया
पोषण उद्योग विश्वास पर चलता है। उपभोक्ता इस पर भरोसा करते हैं कि पैकेज्ड खाद्य पदार्थों पर लेबल सटीक हैं। आहार विशेषज्ञ इस पर भरोसा करते हैं कि USDA संदर्भ डेटा वास्तविक दुनिया के भागों को दर्शाता है। ऐप डेवलपर्स इस पर भरोसा करते हैं कि उनके डेटाबेस काफी करीब हैं। लेकिन बहुत कम लोगों ने वास्तव में इन धारणाओं को प्रयोगशाला विश्लेषण के खिलाफ सत्यापित किया है — और जो अध्ययन मौजूद हैं, वे आमतौर पर पैकेज्ड खाद्य पदार्थों या एकल पोषक तत्वों पर केंद्रित होते हैं।
हम एक व्यापक तस्वीर चाहते थे। हम जानना चाहते थे कि हर प्रमुख कैलोरी स्रोत — लेबल, सरकारी डेटाबेस, और AI-आधारित फोटो अनुमान — उन सभी खाद्य पदार्थों के पूरे स्पेक्ट्रम में कैसे प्रदर्शन करते हैं जो लोग वास्तव में खाते हैं: पैकेज्ड स्नैक्स, साधारण संपूर्ण खाद्य पदार्थ, घरेलू व्यंजन, रेस्तरां के भोजन, और अंतर्राष्ट्रीय व्यंजन। और हम अपने उत्पाद, Nutrola, का परीक्षण उसी कठोरता के साथ करना चाहते थे जो हमने अन्य सभी पर लागू की।
लक्ष्य यह साबित करना नहीं था कि Nutrola परफेक्ट है। यह नहीं है। लक्ष्य यह समझना था कि प्रत्येक कैलोरी स्रोत कहाँ उत्कृष्ट है, कहाँ विफल होता है, और इसका उन लाखों लोगों के लिए क्या अर्थ है जो अपने स्वास्थ्य को प्रबंधित करने के लिए इन आंकड़ों पर निर्भर करते हैं।
कार्यप्रणाली
भोजन चयन
हमने पांच श्रेणियों में 50 भोजन का चयन किया, प्रत्येक में 10 भोजन:
| श्रेणी | उदाहरण |
|---|---|
| पैकेज्ड खाद्य पदार्थ | प्रोटीन बार, जमी हुई रात का खाना, कैन में सूप, अनाज, योगर्ट कप |
| साधारण संपूर्ण खाद्य पदार्थ | केला, कच्चा चिकन ब्रेस्ट, उबले अंडे, ब्राउन राइस, एवोकाडो |
| घरेलू व्यंजन | स्पेगेटी बोलोग्नीज़, चिकन स्टर-फ्राई, दाल का सूप, सीज़र सलाद, केला पैनकेक |
| रेस्तरां के भोजन | फास्ट फूड बर्गर, सुशी प्लेटर, थाई ग्रीन करी, पिज्जा का टुकड़ा, बुरिटो बाउल |
| अंतर्राष्ट्रीय व्यंजन | भारतीय बटर चिकन, जापानी रामेन, मैक्सिकन टमाले, इथियोपियाई इन्जेरा प्लेटर, कोरियाई बिबिम्बाप |
भोजन डबलिन, आयरलैंड में खरीदे गए या तैयार किए गए थे, और उन खाद्य पदार्थों का प्रतिनिधित्व करने के लिए चुने गए जो वास्तविक उपयोगकर्ता आमतौर पर ट्रैक करते हैं। हमने जानबूझकर उन वस्तुओं को शामिल किया जो डेटाबेस और AI सिस्टम दोनों के लिए कठिन होती हैं: भारी सॉस वाले व्यंजन, डीप-फ्राइड खाद्य पदार्थ, मल्टी-कंपोनेंट भोजन, और ऐसे खाद्य पदार्थ जहाँ तेल या मक्खन की मात्रा का दृश्य अनुमान लगाना चुनौतीपूर्ण है।
प्रयोगशाला विश्लेषण
सभी नमूनों को एक ISO 17025-प्रमाणित खाद्य परीक्षण प्रयोगशाला में भेजा गया। प्रत्येक भोजन का विश्लेषण बम कैलोरीमेट्री का उपयोग करके किया गया, जो खाद्य पदार्थों की कुल ऊर्जा सामग्री निर्धारित करने की संदर्भ विधि है।
बम कैलोरीमेट्री में, एक सटीक रूप से तौला गया खाद्य नमूना एक सील किए गए, ऑक्सीजन से भरपूर कक्ष (जिसे "बम" कहा जाता है) में रखा जाता है और प्रज्वलित किया जाता है। पूर्ण दहन के दौरान उत्पन्न गर्मी को चारों ओर के जल जैकेट द्वारा मापा जाता है। परिणामस्वरूप प्राप्त मान, जो किलो कैलोरी में व्यक्त किया जाता है, खाद्य पदार्थ में कुल रासायनिक ऊर्जा का प्रतिनिधित्व करता है। एक सुधार कारक लागू किया जाता है ताकि उस ऊर्जा के हिस्से को ध्यान में रखा जा सके जिसे मानव शरीर निकाल नहीं सकता (मुख्य रूप से फाइबर से), जिससे मेटाबोलिजेबल ऊर्जा मान प्राप्त होता है — वह संख्या जो पोषण लेबल पर दिखाई देनी चाहिए।
50 भोजन में से प्रत्येक का त्रैतीयक विश्लेषण किया गया (तीन स्वतंत्र रन), और औसत मान को प्रयोगशाला संदर्भ के रूप में उपयोग किया गया। त्रैतीयक के बीच भिन्नता का गुणांक सभी नमूनों के लिए 2% से कम था, जो उच्च माप सटीकता की पुष्टि करता है।
तुलना के स्रोत
प्रत्येक भोजन के लिए, हमने चार स्रोतों से कैलोरी मान दर्ज किए:
- प्रयोगशाला (बम कैलोरीमेट्री) — वास्तविकता का सत्य
- Nutrola AI — Nutrola के AI सिस्टम द्वारा एकल फोटो से उत्पन्न कैलोरी अनुमान, सामान्य रोशनी में एक मानक डिनर प्लेट पर लिया गया, बिना किसी पैमाने या संदर्भ वस्तु के
- पोषण लेबल — पैकेज पर मुद्रित मान (पैकेज्ड खाद्य पदार्थों के लिए) या रेस्तरां द्वारा प्रकाशित कैलोरी गिनती (रेस्तरां के भोजन के लिए)। संपूर्ण खाद्य पदार्थों और घरेलू व्यंजनों के लिए, यह कॉलम उपलब्ध होने पर निर्माता के लेबल का उपयोग करता है या N/A के रूप में चिह्नित किया गया है
- USDA FoodData Central — USDA डेटाबेस में प्रत्येक सामग्री को देखने और मापे गए वजन के आधार पर घटकों को जोड़ने से प्राप्त मान
घरेलू व्यंजनों के लिए, USDA मान को प्रत्येक कच्ची सामग्री को एक रसोई के पैमाने पर तौलकर, USDA FoodData Central में प्रति-ग्राम कैलोरी मान को देख कर और उन्हें जोड़कर गणना की गई — यह विधि सबसे सावधानीपूर्वक मैनुअल ट्रैकर्स द्वारा उपयोग की जाने वाली है।
Nutrola AI अनुमान के लिए, प्रत्येक भोजन की फोटो केवल एक बार ली गई। हमने फोटो फिर से नहीं ली, कोणों को समायोजित नहीं किया, या किसी भी अतिरिक्त संदर्भ प्रदान नहीं किया जो एक सामान्य उपयोगकर्ता प्रदान करेगा। AI सिस्टम ने खाद्य पदार्थ की पहचान की, भागों का अनुमान लगाया, और एक कैलोरी मान लौटाया।
सांख्यिकीय दृष्टिकोण
सटीकता को औसत निरपेक्ष प्रतिशत त्रुटि (MAPE) के रूप में रिपोर्ट किया गया है — प्रयोगशाला मान से निरपेक्ष प्रतिशत विचलनों का औसत, जिसे इस प्रकार गणना की जाती है:
MAPE = (1/n) * SUM(|Estimated - Lab| / Lab * 100)
हम साइनड मीन एरर (सिस्टमेटिक ओवर-या अंडर-एस्टिमेशन दिखाने के लिए), त्रुटियों का मानक विचलन, और 95% विश्वास अंतराल भी रिपोर्ट करते हैं जहाँ नमूना आकार अनुमति देता है।
परिणाम
समग्र सटीकता: सभी 50 भोजन
| स्रोत | औसत निरपेक्ष त्रुटि (MAPE) | साइनड मीन एरर | मानक विचलन | 95% CI of MAPE |
|---|---|---|---|---|
| Nutrola AI | 7.4% | -1.2% | 5.9% | 5.7% - 9.1% |
| USDA संदर्भ | 8.1% | -2.8% | 6.7% | 6.2% - 10.0% |
| पोषण लेबल* | 12.6% | +6.3% | 9.4% | 9.1% - 16.1% |
*पोषण लेबल डेटा 50 में से 30 भोजन (पैकेज्ड खाद्य पदार्थ, कुछ रेस्तरां के भोजन) के लिए उपलब्ध है। MAPE केवल उपलब्ध डेटा पर गणना की गई।
पहला प्रमुख निष्कर्ष: पोषण लेबल प्रयोगशाला मानों से सबसे बड़ी औसत विचलन दिखाते हैं, और वे लगातार कैलोरी को अधिक बताते हैं। +6.3% का सकारात्मक साइनड मीन एरर का मतलब है कि लेबल औसतन अधिक कैलोरी का दावा करते हैं जितनी वास्तव में भोजन में होती है। यह पिछले शोध के अनुरूप है जो दिखाता है कि निर्माता आमतौर पर FDA और EU नियामक सहिष्णुता के भीतर रहने के लिए ऊपर की ओर गोल करते हैं।
Nutrola का AI और USDA डेटाबेस समग्र सटीकता में तुलनीय प्रदर्शन करते हैं, Nutrola का MAPE (7.4% बनाम 8.1%) थोड़ा कम दिखाता है। इस नमूना आकार पर यह अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं है (p = 0.41, निरपेक्ष त्रुटियों पर जोड़े गए t-परीक्षण)। हालाँकि, त्रुटियों का पैटर्न दोनों स्रोतों के बीच काफी भिन्न था, जैसा कि श्रेणी-स्तरीय विभाजन से स्पष्ट होता है।
भोजन श्रेणी के अनुसार सटीकता
| श्रेणी (n=10 प्रत्येक) | Nutrola AI MAPE | USDA MAPE | लेबल MAPE | सबसे अच्छा स्रोत |
|---|---|---|---|---|
| पैकेज्ड खाद्य पदार्थ | 6.2% | 4.8% | 9.7% | USDA |
| साधारण संपूर्ण खाद्य पदार्थ | 4.1% | 3.2% | 11.4%* | USDA |
| घरेलू व्यंजन | 7.9% | 6.4% | N/A | USDA |
| रेस्तरां के भोजन | 8.6% | 14.2% | 16.8% | Nutrola AI |
| अंतर्राष्ट्रीय व्यंजन | 10.1% | 15.7% | N/A | Nutrola AI |
*लेबल मान संपूर्ण खाद्य पदार्थों के लिए पैकेजिंग पर प्रति-सेवा दावों के आधार पर हैं (जैसे, एक सेब के लिए "95 kcal प्रति मध्यम सेब" का उल्लेख करने वाला सेब का बैग)।
यहाँ कहानी दिलचस्प हो जाती है।
पैकेज्ड खाद्य पदार्थों और साधारण संपूर्ण खाद्य पदार्थों के लिए, USDA डेटाबेस जीतता है। यह समझ में आता है। USDA डेटा मानकीकृत खाद्य वस्तुओं के प्रयोगशाला विश्लेषण से निकाला गया है। जब आप एक साधारण उबले अंडे या कच्चे केले का सेवन कर रहे होते हैं, तो USDA मान वास्तव में एक प्रयोगशाला परिणाम होता है, और यह हमारे स्वतंत्र प्रयोगशाला निष्कर्षों के करीब होता है।
रेस्तरां के भोजन और अंतर्राष्ट्रीय व्यंजनों के लिए, Nutrola का AI दोनों USDA और प्रकाशित कैलोरी गिनतियों को बड़े अंतर से पीछे छोड़ देता है। रेस्तरां के भोजन में USDA का MAPE 14.2% था, जबकि Nutrola का 8.6% था। इसका कारण स्पष्ट है: USDA डेटा आदर्श सामग्री का वर्णन करता है, न कि जो वास्तव में रेस्तरां की रसोई में प्लेट पर रखा जाता है। "चिकन टेरियाकी विद राइस" के लिए USDA-आधारित अनुमान उस विशेष मात्रा का ध्यान नहीं रख सकता है जो शेफ ने तेल का उपयोग किया, सॉस की मोटाई, या वास्तविक भाग का आकार — लेकिन एक दृश्य AI प्रणाली जो आपके सामने मौजूद प्लेट का विश्लेषण कर रही है, वह कर सकती है।
10 सबसे बड़े आश्चर्य
इन व्यक्तिगत भोजन ने प्रयोगशाला मान और कम से कम एक स्रोत के बीच सबसे बड़े अंतर पैदा किए:
| भोजन | प्रयोगशाला (कैलोरी) | Nutrola AI | लेबल | USDA | सबसे बड़ा त्रुटि स्रोत | त्रुटि |
|---|---|---|---|---|---|---|
| रेस्तरां का पैड थाई | 738 | 692 | 520* | 584 | लेबल | -29.5% |
| जमी हुई "लीन" लसग्ना | 412 | 388 | 310 | 395 | लेबल | -24.8% |
| बटर चिकन विद नान | 943 | 874 | N/A | 716 | USDA | -24.1% |
| पैकेज्ड ट्रेल मिक्स (1 सेवा) | 287 | 264 | 230 | 271 | लेबल | -19.9% |
| घरेलू सीज़र सलाद | 486 | 421 | N/A | 347 | USDA | -28.6% |
| फास्ट फूड डबल चीज़बर्गर | 832 | 898 | 740 | 780 | लेबल | -11.1% |
| कोरियाई बिबिम्बाप | 687 | 742 | N/A | 531 | USDA | -22.7% |
| कैन में टमाटर का सूप (1 कैन) | 189 | 202 | 180 | 184 | Nutrola AI | +6.9% |
| जापानी टोंकोट्सु रामेन | 891 | 824 | N/A | 648 | USDA | -27.3% |
| स्पेगेटी बोलोग्नीज़ (घरेलू) | 623 | 581 | N/A | 527 | USDA | -15.4% |
*रेस्तरां द्वारा प्रकाशित कैलोरी गिनती।
कुछ पैटर्न आउटलेर्स से उभरते हैं:
रेस्तरां द्वारा प्रकाशित कैलोरी गिनतियाँ सबसे कम विश्वसनीय होती हैं। रेस्तरां के मेनू पर 520 kcal के रूप में सूचीबद्ध पैड थाई वास्तव में प्रयोगशाला में 738 kcal था — 29.5% की कमी। यह असामान्य नहीं है। जर्नल ऑफ द अमेरिकन मेडिकल एसोसिएशन में प्रकाशित एक अध्ययन ने पाया कि रेस्तरां के भोजन में औसतन 18% अधिक कैलोरी होती हैं जितनी बताई जाती हैं, कुछ तो 30% से अधिक अपने प्रकाशित मानों से अधिक होती हैं।
USDA डेटा कैलोरी-घने तैयार खाद्य पदार्थों का सटीक अनुमान लगाने में प्रणालीगत रूप से कम है। बटर चिकन, बिबिम्बाप, रामेन, बोलोग्नीज़, और सीज़र सलाद सभी USDA सामग्री लुकअप के माध्यम से अनुमानित करते समय बड़े नकारात्मक त्रुटियों को दिखाते हैं। सामान्य धागा यह है कि खाना पकाने में वसा का उपयोग होता है। "वनस्पति तेल" या "मक्खन" के लिए USDA प्रविष्टियाँ प्रति ग्राम सटीक होती हैं, लेकिन वास्तव में खाना पकाने में उपयोग की जाने वाली वसा की मात्रा — विशेष रूप से रेस्तरां और अंतर्राष्ट्रीय व्यंजनों में — बिना सीधे माप के अनुमान लगाना अत्यंत कठिन होता है। एक घरेलू सीज़र सलाद ड्रेसिंग में अकेले 3-4 चम्मच तेल हो सकते हैं जो सलाद के साथ मिलाने पर लगभग अदृश्य हो जाते हैं।
Nutrola का AI उच्च वसा वाले व्यंजनों का अनुमान लगाने में कमतर था और साधारण खाद्य पदार्थों का थोड़ा अधिक अनुमान लगाता था। रेस्तरां के भोजन के लिए साइनड त्रुटि -3.8% थी (हल्की कमी), जबकि साधारण संपूर्ण खाद्य पदार्थों ने +1.9% (हल्का अधिक अनुमान) दिखाया। यह सुझाव देता है कि AI जोड़े गए वसा का अनुमान लगाने में कुछ हद तक सतर्क है — जो किसी भी दृश्य अनुमान प्रणाली के लिए एक ज्ञात चुनौती है, क्योंकि तलने के दौरान अवशोषित तेल सतह पर दिखाई नहीं देता।
मानक विचलन और स्थिरता
कच्ची सटीकता महत्वपूर्ण है, लेकिन स्थिरता भी। एक स्रोत जो हर बार 5% गलत है, प्रवृत्तियों को ट्रैक करने के लिए अधिक उपयोगी है, बनिस्बत एक ऐसा जो कभी 0% और कभी 30% गलत है।
| स्रोत | त्रुटियों का मानक विचलन | त्रुटि की सीमा (न्यूनतम से अधिकतम त्रुटि) | प्रयोगशाला के 10% के भीतर भोजन का % |
|---|---|---|---|
| Nutrola AI | 5.9% | -12.4% से +8.7% | 74% (37/50) |
| USDA संदर्भ | 6.7% | -28.6% से +4.1% | 62% (31/50) |
| पोषण लेबल | 9.4% | -29.5% से +14.2% | 53% (16/30) |
Nutrola AI ने सभी तीन स्रोतों में सबसे कम मानक विचलन और त्रुटि की सबसे तंग सीमा दिखाई। Nutrola के 74% अनुमानों प्रयोगशाला मान के 10% के भीतर थे, जबकि USDA के लिए 62% और पोषण लेबल के लिए 53% थे। यह स्थिरता का लाभ यह दर्शाता है कि भले ही AI गलत हो, यह एक पूर्वानुमानित, छोटे मात्रा में गलत होता है — जो शायद किसी के लिए साप्ताहिक कैलोरी प्रवृत्तियों को ट्रैक करने के लिए अधिक मूल्यवान है, बनिस्बत कभी-कभी सही सटीकता के साथ बड़े चूक के मिश्रण के।
मैक्रोन्यूट्रिएंट ब्रेकडाउन सटीकता
हमने 20 भोजन के एक उपसमुच्चय के लिए मैक्रोन्यूट्रिएंट अनुमानों (प्रोटीन, वसा, कार्बोहाइड्रेट) की प्रयोगशाला मानों के खिलाफ तुलना की। परिणाम कैलोरी निष्कर्षों को मजबूत करते हैं:
| मैक्रोन्यूट्रिएंट | Nutrola AI MAPE | USDA MAPE | लेबल MAPE |
|---|---|---|---|
| प्रोटीन | 8.2% | 6.1% | 10.8% |
| वसा | 11.4% | 12.7% | 14.1% |
| कार्बोहाइड्रेट | 6.8% | 5.9% | 9.3% |
वसा का अनुमान सभी स्रोतों में सबसे कमजोर बिंदु है। यह अपेक्षित है: वसा की मात्रा का दृश्य रूप से आकलन करना (AI के लिए) और तैयारी में सबसे अधिक परिवर्तनशीलता होना (डेटाबेस के लिए) सबसे कठिन होता है। एक चम्मच अधिक या कम खाना पकाने के तेल से लगभग 14 ग्राम वसा और 120 कैलोरी जुड़ती है, और न तो एक कैमरा और न ही एक डेटाबेस प्रविष्टि उस परिवर्तनशीलता को पूरी तरह से कैप्चर कर सकती है।
प्रमुख निष्कर्ष
1. पोषण लेबल अपने नियामक सहिष्णुता का उपयोग करते हैं — उदारता से
संयुक्त राज्य अमेरिका में, FDA पोषण लेबलों को कैलोरी के लिए बताए गए मान से 20% तक भिन्नता की अनुमति देता है, और लेबल तब तक अनुपालन में माना जाता है जब तक वास्तविक मान लेबल से 20% से अधिक नहीं होता। यूरोपीय संघ इसी तरह के सहिष्णुता ढांचे को लागू करता है। हमारे डेटा से पता चलता है कि निर्माता इस सहिष्णुता से अच्छी तरह वाकिफ हैं और इसका रणनीतिक रूप से उपयोग करते हैं।
हमारे अध्ययन में 20 पैकेज्ड खाद्य पदार्थों और लेबल वाले रेस्तरां के भोजन में से 14 (70%) ने प्रयोगशाला मान के सापेक्ष कैलोरी को कम बताया। औसत कम अनुमान 8.9% था। केवल 4 भोजन (20%) ने कैलोरी को अधिक बताया, और 2 प्रयोगशाला मान के 2% के भीतर थे।
यह दिशा-निर्देशात्मक पूर्वाग्रह आकस्मिक नहीं है। कैलोरी को कम बताना एक उत्पाद को "हल्का" और स्वास्थ्य-प्रेमी उपभोक्ताओं के लिए अधिक आकर्षक बनाता है। एक जमी हुई भोजन जो 310 kcal का दावा करता है लेकिन वास्तव में 412 kcal (जैसा कि हमने एक "लीन" लसग्ना के साथ पाया) में हो सकता है, वह अपने आप को डाइट-फ्रेंडली गलियारे में रख सकता है जबकि विज्ञापित से काफी अधिक ऊर्जा प्रदान करता है।
यदि आप कैलोरी की कमी बनाए रखने के लिए लेबल पर निर्भर हैं, तो यह प्रणालीगत कम अनुमान एक गंभीर समस्या है। यदि आपके लेबल औसतन -8.9% गलत हैं, और आप प्रति दिन तीन लेबल वाले भोजन खाते हैं जिनका लक्ष्य 1,800 kcal है, तो आप लगभग 1,960 kcal का सेवन कर सकते हैं — जो आपके लक्षित 500-कैलोरी की कमी को लगभग आधा कर सकता है।
2. USDA डेटा कच्चे सामग्री के लिए उत्कृष्ट है, तैयार खाद्य पदार्थों के साथ संघर्ष करता है
USDA FoodData Central डेटाबेस एक अद्भुत संसाधन है। साधारण, अप्रक्रिय खाद्य पदार्थों के लिए — एक केला, एक चिकन ब्रेस्ट, एक कप चावल — यह अत्यंत सटीक है। हमारे डेटा ने साधारण संपूर्ण खाद्य पदार्थों के लिए केवल 3.2% का MAPE दिखाया, जो दोहराए गए प्रयोगशाला मापों के लगभग समान है।
लेकिन जैसे ही खाना पकाने की प्रक्रिया शुरू होती है, USDA की सटीकता कम हो जाती है। घरेलू व्यंजनों के लिए, MAPE 6.4% तक बढ़ गया। रेस्तरां के भोजन के लिए, यह 14.2% तक कूद गया। अंतर्राष्ट्रीय व्यंजनों के लिए, यह 15.7% तक पहुँच गया।
समस्या डेटाबेस स्वयं में नहीं है, बल्कि डेटाबेस प्रविष्टियों और वास्तविक दुनिया की तैयारी के बीच का अंतर है। "स्टर-फ्राइड सब्जियों" के लिए USDA प्रविष्टि एक विशिष्ट मात्रा के तेल, एक विशिष्ट पकाने का समय, और एक विशिष्ट सब्जी मिश्रण का अनुमान लगाती है। आपकी स्टर-फ्राई — या आपके स्थानीय थाई रेस्तरां में परोसी गई — शायद दोगुना तेल का उपयोग करती है, अधिक वसा वाली सब्जियाँ शामिल करती है, और बड़े भाग में आती है। डेटाबेस इन भिन्नताओं का ध्यान नहीं रख सकता; यह केवल एक औसत का वर्णन कर सकता है।
इसका उन मैनुअल ट्रैकर्स के लिए निहितार्थ है जो "सटीक" लॉगिंग पर गर्व करते हैं, जो सामग्री को तौलते हैं और उन्हें डेटाबेस में देखते हैं। यह दृष्टिकोण घर पर मापे गए सामग्री के साथ साधारण भोजन के लिए बहुत अच्छा काम करता है। यह बाहर खाने, ऑर्डर करने, या ऐसे व्यंजनों को पकाने के लिए टूट जाता है जहाँ वसा की मात्रा अनुमानित होती है।
3. AI फोटो अनुमान अपेक्षा से अधिक सटीक है — विशेष रूप से वास्तविक दुनिया के भोजन के लिए
इस अध्ययन को करने से पहले, हमारी आंतरिक धारणा थी कि Nutrola का AI साधारण खाद्य पदार्थों के लिए अच्छा प्रदर्शन करेगा और जटिल भोजन के लिए खराब। डेटा ने आंशिक रूप से इसका समर्थन किया और आंशिक रूप से इसका विरोध किया।
जैसा कि अपेक्षित था, AI का सर्वश्रेष्ठ प्रदर्शन साधारण संपूर्ण खाद्य पदार्थों पर था (4.1% MAPE)। एक केला एक केला की तरह दिखता है, और AI के प्रशिक्षण डेटा में हजारों केले की छवियाँ शामिल हैं जिनका ज्ञात वजन और कैलोरी मान है।
हमें जो आश्चर्य हुआ वह था रेस्तरां और अंतर्राष्ट्रीय भोजन पर AI का सापेक्ष प्रदर्शन। क्रमशः 8.6% और 10.1% MAPE पर, Nutrola ने USDA-आधारित दृष्टिकोण (14.2% और 15.7%) को महत्वपूर्ण रूप से पीछे छोड़ दिया। AI ने इन श्रेणियों में कई लाभों का लाभ उठाया:
- दृश्य संकेतों से भाग का अनुमान। AI प्लेट, कटोरे, और बर्तनों को संदर्भ वस्तुओं के रूप में उपयोग करता है ताकि खाद्य मात्रा का अनुमान लगाया जा सके, जो परोसे गए वास्तविक भाग को पकड़ता है न कि किसी अनुमानित "मानक सेवा" को।
- सॉस और टॉपिंग पहचान। मॉडल दृश्य सॉस, ग्लेज़, पिघला हुआ पनीर, और अन्य कैलोरी-घने टॉपिंग की पहचान करने के लिए प्रशिक्षित है जो डेटाबेस लुकअप को चूक सकते हैं।
- पकवान-विशिष्ट कैलिब्रेशन। Nutrola के प्रशिक्षण डेटा में रेस्तरां और अंतर्राष्ट्रीय व्यंजनों से लेबल वाली छवियों के दसियों हजार शामिल हैं, जिससे मॉडल को पकवान-विशिष्ट पैटर्न सीखने की अनुमति मिलती है (जैसे, एक बाउल रामेन में आमतौर पर उसके शोरबा के दिखने से अधिक वसा होती है)।
फिर भी, AI परिपूर्ण नहीं था। इसके कमजोर क्षण छिपे हुए वसा के साथ आए — तले हुए खाद्य पदार्थों में अवशोषित तेल, सॉस में पिघला मक्खन, और सूप में मिलाया गया क्रीम। ये कैलोरी शारीरिक रूप से मौजूद हैं लेकिन दृश्य रूप से अदृश्य हैं, और वे किसी भी कैमरा-आधारित प्रणाली के लिए एक कठिन सीमा का प्रतिनिधित्व करते हैं जो अतिरिक्त उपयोगकर्ता इनपुट के बिना प्राप्त कर सकती है।
4. छिपे हुए कैलोरी के दोषी
50 भोजन में, अनुमान त्रुटि का सबसे बड़ा स्रोत — हर विधि, AI सहित — जोड़े गए खाना पकाने के वसा थे। तेल, मक्खन, घी, क्रीम, और अन्य वसा जो तैयारी के दौरान उपयोग किए गए थे, बड़े विचलनों का अधिकांश हिस्सा बनाते हैं।
घरेलू सीज़र सलाद पर विचार करें। हमारी प्रयोगशाला ने 486 kcal मापा। USDA-आधारित अनुमान 347 kcal पर आया — 28.6% की कमी। अंतर का लगभग पूरा हिस्सा ड्रेसिंग के कारण था: एक घर से बनी सीज़र ड्रेसिंग जिसमें जैतून का तेल, अंडे की जर्दी, परमेसन, और एंकोवी पेस्ट शामिल थे। USDA अनुमान ने "मानक" ड्रेसिंग मात्रा का उपयोग किया, लेकिन वास्तविक भाग काफी उदार था।
इसी तरह, बटर चिकन प्रयोगशाला में 943 kcal पर आया जबकि USDA से 716 kcal था — 24.1% की चूक जो रेस्तरां की रेसिपी में मक्खन और क्रीम की मात्रा के कारण थी, जो मानक डेटाबेस प्रविष्टियों में अनुमानित मात्रा से कहीं अधिक थी।
ये निष्कर्ष पोषण विज्ञान में एक अच्छी तरह से स्थापित सिद्धांत को प्रतिध्वनित करते हैं: वसा सबसे कैलोरी-घनत्व वाला मैक्रोन्यूट्रिएंट है (9 kcal/g बनाम 4 kcal/g प्रोटीन और कार्ब्स के लिए) और इसे सटीकता से अनुमान लगाना सबसे कठिन है। वसा के अनुमान में छोटे त्रुटियाँ बड़े कैलोरी त्रुटियाँ उत्पन्न करती हैं। किसी भी अनुमान विधि द्वारा चूक गई एक चम्मच तेल 119 अनियोजित कैलोरी जोड़ती है।
यह रोज़मर्रा के ट्रैकर्स के लिए क्या अर्थ रखता है
यदि आप अपना वजन प्रबंधित करने के लिए कैलोरी ट्रैक कर रहे हैं, तो इन निष्कर्षों के कई व्यावहारिक निहितार्थ हैं:
अपने लेबल को सच्चाई मानने की गलती न करें। पोषण लेबल उपयोगी प्रारंभिक बिंदु हैं, लेकिन वे वास्तविक कैलोरी सामग्री को 10-20% या उससे अधिक कम बता सकते हैं, विशेष रूप से पैकेज्ड भोजन और रेस्तरां द्वारा प्रकाशित गिनतियों के लिए। यदि आपका वजन कम होना रुक गया है और आप "सही" वही खा रहे हैं जो लेबल कहते हैं, तो यह छिपा हुआ अधिशेष स्पष्टीकरण हो सकता है।
USDA लुकअप साधारण, घर में तैयार भोजन के लिए सबसे विश्वसनीय हैं। यदि आप घर पर खाना बनाते हैं, अपनी सामग्री को तौलते हैं, और मुख्य रूप से संपूर्ण खाद्य पदार्थों का उपयोग करते हैं, तो USDA-आधारित ट्रैकिंग दृष्टिकोण अत्यधिक सटीक हो सकता है। जैसे-जैसे आपके भोजन अधिक जटिल और रेस्तरां-प्रभावित होते जाते हैं, यह विधि उतनी विश्वसनीय नहीं रहती।
AI फोटो ट्रैकिंग वास्तविक दुनिया के खाने के लिए सबसे अच्छा संतुलन प्रदान करती है। उन लोगों के लिए जो घर के बने, रेस्तरां और पैकेज्ड भोजन का मिश्रण खाते हैं — जो अधिकांश वयस्कों का वर्णन करता है — Nutrola जैसी AI-आधारित प्रणाली श्रेणियों के बीच सबसे सुसंगत सटीकता प्रदान करती है। यह एक साधारण चिकन ब्रेस्ट के लिए सावधानीपूर्वक तौले गए USDA लुकअप को नहीं हरा पाएगी, लेकिन यह शुक्रवार रात को ऑर्डर किए गए पैड थाई के लिए उस दृष्टिकोण से काफी बेहतर प्रदर्शन करेगी।
हमेशा उच्च वसा वाले भोजन के प्रति संदेह रखें। आपके ट्रैकिंग विधि के बावजूद, जिन व्यंजनों में तला हुआ, भारी सॉस, क्रीम, मक्खन, या पनीर शामिल होते हैं, वे सबसे अधिक संभावना होती हैं कि उन्हें कम आंका जाएगा। यदि संदेह हो, तो ऐसे भोजन के लिए एक छोटा बफर (50-100 kcal) जोड़ें जो समृद्ध दिखता या स्वादिष्ट होता है। Nutrola में, आप समीक्षा के बाद AI के अनुमान को मैन्युअल रूप से भी समायोजित कर सकते हैं, और प्रणाली समय के साथ आपके सुधारों से सीखती है।
स्थिरता पूर्णता से अधिक महत्वपूर्ण है। हमारे डेटा ने दिखाया कि Nutrola का सबसे मजबूत लाभ औसत सटीकता में नहीं बल्कि स्थिरता में था — सबसे कम मानक विचलन और प्रयोगशाला मानों के 10% के भीतर अनुमानों का उच्चतम प्रतिशत। दीर्घकालिक ट्रैकिंग के लिए, एक प्रणाली जो लगातार 5-7% गलत होती है, उस प्रणाली से कहीं अधिक उपयोगी होती है जो कभी-कभी सही होती है और कभी-कभी 25% गलत होती है। लगातार पूर्वाग्रह को ध्यान में रखा जा सकता है; अनियमित त्रुटि नहीं।
सीमाएँ
हम इस अध्ययन की सीमाओं के बारे में पारदर्शी रहना चाहते हैं:
- नमूना आकार। पचास भोजन पैटर्न की पहचान करने के लिए पर्याप्त है लेकिन हर उपश्रेणी में निश्चित सांख्यिकीय निष्कर्षों के लिए पर्याप्त बड़ा नहीं है। प्रत्येक श्रेणी में केवल 10 भोजन थे। बड़े अध्ययन श्रेणी-स्तरीय निष्कर्षों में विश्वास को बढ़ाएंगे।
- एकल भौगोलिक क्षेत्र। सभी भोजन आयरलैंड में प्राप्त किए गए थे। रेस्तरां के भाग के आकार, खाना पकाने की प्रथाएँ, और सामग्री की सोर्सिंग देश और यहां तक कि शहर के अनुसार भिन्न होती हैं। अन्य क्षेत्रों में परिणाम भिन्न हो सकते हैं।
- परीक्षित एकल AI प्रणाली। हमने केवल Nutrola के AI का परीक्षण किया। अन्य AI-आधारित कैलोरी ट्रैकर्स अलग प्रदर्शन कर सकते हैं। हम प्रतिस्पर्धी उत्पादों को समान विश्लेषण करने और प्रकाशित करने के लिए प्रोत्साहित करते हैं।
- फोटो की स्थिति। सभी फोटो टीम के सदस्यों द्वारा ली गई थीं जो खाद्य फोटोग्राफी के सर्वोत्तम प्रथाओं से परिचित हैं। एक सामान्य उपयोगकर्ता जो खराब रोशनी में जल्दी में फोटो लेता है, उसे कुछ हद तक कम AI सटीकता का अनुभव हो सकता है।
- बम कैलोरीमेट्री कुल ऊर्जा को मापता है। जबकि मेटाबोलिजेबल ऊर्जा के लिए सुधार लागू किए गए थे, पाचन और अवशोषण में व्यक्तिगत भिन्नताएँ यह सुनिश्चित करती हैं कि किसी दिए गए व्यक्ति द्वारा किसी खाद्य पदार्थ से निकाली गई "सच्ची" कैलोरी प्रयोगशाला मान से कुछ प्रतिशत भिन्न हो सकती है।
निष्कर्ष
आपकी प्लेट पर कैलोरी संख्या हमेशा एक अनुमान होती है — लेकिन सभी अनुमान समान नहीं होते।
पोषण लेबल, अपनी आधिकारिक उपस्थिति के बावजूद, हमारे द्वारा परीक्षण किए गए सबसे कम सटीक स्रोत हैं, जिसमें कैलोरी को कम बताने की प्रणालीगत प्रवृत्ति होती है। USDA डेटा कच्चे, कच्चे और घर में तैयार खाद्य पदार्थों के लिए उत्कृष्ट है लेकिन रेस्तरां के खाना पकाने और अंतर्राष्ट्रीय व्यंजनों की अव्यवस्थित वास्तविकता के साथ संघर्ष करता है। Nutrola में लागू AI-आधारित फोटो ट्रैकिंग, वास्तव में लोगों द्वारा खाए जाने वाले खाद्य पदार्थों की पूरी श्रृंखला में सबसे सुसंगत प्रदर्शन प्रदान करती है, जिसमें प्रयोगशाला मानों से 7.4% का औसत निरपेक्ष विचलन होता है।
कोई ट्रैकिंग विधि परिपूर्ण नहीं है। जो खाद्य पदार्थ AI को धोखा देते हैं, वे डेटाबेस और लेबल को भी धोखा देते हैं — भारी सॉस, तेल-समृद्ध, और मल्टी-कंपोनेंट भोजन किसी भी प्रणाली के लिए अनुमान लगाने में सबसे कठिन रहते हैं। लेकिन रोज़मर्रा के ट्रैकर के लिए जो जानना चाहता है कि वे क्या खा रहे हैं, डेटा यह सुझाव देता है कि एक अच्छी तरह से प्रशिक्षित AI जो आपकी वास्तविक प्लेट को देखता है, फैक्ट्री में मुद्रित लेबल या आदर्शित रेसिपी के लिए लिखे गए डेटाबेस प्रविष्टि के मुकाबले सच्चाई के करीब आता है।
Nutrola इस सिद्धांत पर आधारित है कि सटीकता के लिए प्रयास की आवश्यकता नहीं होनी चाहिए। आप एक फोटो लेते हैं, और AI काम करता है। यह अध्ययन हमारे द्वारा उस वादे के प्रति जवाबदेह रहने का एक तरीका था — और उन लोगों के साथ परिणाम साझा करना, जो हमारे पोषण डेटा पर भरोसा करते हैं।
यदि आप Nutrola को स्वयं आजमाना चाहते हैं, तो योजनाएँ प्रति माह EUR 2.50 से शुरू होती हैं, और हर स्तर पर कोई विज्ञापन नहीं होता है। हम आपके विश्वास को सटीक डेटा के साथ अर्जित करना पसंद करते हैं, न कि विज्ञापनदाताओं को आपका ध्यान बेचकर।
इस अध्ययन से कच्चे डेटा तालिकाएँ शोधकर्ताओं, पत्रकारों, और आहार विशेषज्ञों के लिए अनुरोध पर उपलब्ध हैं जो अपनी स्वयं की विश्लेषण करना चाहते हैं। हमसे संपर्क करें research@nutrola.com।
क्या आप अपने पोषण ट्रैकिंग को बदलने के लिए तैयार हैं?
उन हजारों में शामिल हों जिन्होंने Nutrola के साथ अपनी स्वास्थ्य यात्रा को बदल दिया!
