Nyílt Táplálkozási Adatok: Miért Publikálja a Nutrola Az Egyéb Alkalmazások Által Nem Közzétett Pontossági Méréseket

Ha valaha használtál kalóriaszámláló alkalmazást, akkor megbíztál benne egy alapvető kérdés megválaszolásával: mennyit ettem valójában? Az adagok méretéről, az étkezési választásokról és a heti célokról hozott döntéseid mind az alkalmazás által megadott számokon alapulnak. De itt van egy kérdés, amire a legtöbb felhasználó sosem gondol: mennyire pontosak ezek a számok, és hogyan tudnád ezt egyáltalán megállapítani?

A válasz a piacon lévő táplálkozási alkalmazások túlnyomó többsége számára az, hogy nem tudnád. A legtöbb alkalmazás nem teszi közzé a pontossági adatokat. Nem közlik a hibaarányokat. Nem bontják le a teljesítményt ételtípus, konyha vagy étkezés bonyolultsága szerint. Arra kérnek, hogy bízz az eredményekben, anélkül, hogy bármilyen bizonyíték lenne arra, hogy ez a bizalom megérdemelt.

A Nutrola más megközelítést alkalmaz. Nyilvánosan közzétesszük a pontossági méréseinket, negyedévente frissítve, ételtípus, konyha, étkezés bonyolultsága és nyilvántartási módszer szerint bontva. Ez a cikk elmagyarázza, miért tesszük ezt, mit mutatnak valójában a számok, hol vannak a gyengeségeink, és miért hisszük, hogy ennek a fajta átláthatóságnak minden táplálkozási alkalmazás esetében standardnak kellene lennie.

Miért Nem Publikálnak Pontossági Adatokat A Legtöbb Alkalmazás

Nincs technikai akadálya annak, hogy egy táplálkozási alkalmazás mérje és közzétegye a pontosságát. A szükséges eszközök rendelkezésre állnak. A módszertan jól megalapozott. A legtöbb alkalmazás hallgatásának oka három tényezőre vezethető vissza.

1. A Számok Nem Kedvezőek

A pontossági mérésekhez az alkalmazás kimenetét össze kell hasonlítani egy valóságbeli igazsággal — jellemzően súlyozott élelmiszeradatokkal, amelyeket megbízható táplálkozási adatbázisokkal, például az USDA FoodData Central-lal keresztellenőriznek. Amikor ezt az összehasonlítást szigorúan elvégezzük, az eredmények gyakran jelentős hiányosságokat tárnak fel. Egy adatbázis-bejegyzés, amely "csirke sült zöldségekkel" néven szerepel, anélkül, hogy megadná a felhasznált olaj mennyiségét, 200-400 kalóriával eltérhet a valóságtól. Egy felhasználó által beküldött "házi tészta" bejegyzés akár 300 kalóriás, akár 800 kalóriás adagot is jelenthet.

Azok az alkalmazások, amelyek közösségi adatbázisokra építenek minimális ellenőrzéssel, a legnagyobb veszteséget szenvedik el az átláthatóságból. A hibaarányok közzététele felfedné az adataik alapjainak következetlenségét.

2. A Pontosságot Nehéz Világosan Meghatározni

Nincs egyetemes szabvány arra, hogyan mérjük a táplálkozási alkalmazások pontosságát. Az átlagos hibát mérjük? A medián hibát? Az étkezések hány százaléka van 10 százalékos küszöbön belül? A súlyozott összetevőkkel vagy a táplálkozási címkékkel tesztelünk? Bele kell számítani a felhasználói hibát a mérésbe, vagy ki kell izolálni a rendszer teljesítményét?

Ez a homályosság fedezéket ad az alkalmazásoknak. Megállapodás nélküli módszertan nélkül könnyű "magas pontosságot" állítani a marketing szövegben anélkül, hogy valaha is meghatároznánk, mit jelent ez, vagy bizonyítanánk.

3. Nincs Piaci Nyomás

A közelmúltig a felhasználók nem várták el, hogy a táplálkozási alkalmazások bizonyítsák a pontosságukat. Az ipar alapvetően a bizalomra épült — ha egy alkalmazásnak nagy élelmiszeradatbázisa van, a felhasználók feltételezik, hogy az adatok helyesek. A versenytársak nem kérdőjelezik meg egymás pontosságát, mert ez a saját számaik vizsgálatát vonná maga után.

Ez egy kollektív csendet teremt. Senki sem publikál, így senkitől sem várják el, hogy publikáljon, így senki sem teszi.

A Nutrola Álláspontja: Minden Közzététele

Hisszük, hogy ha egészségi döntéseket hozol az adatok alapján, jogod van tudni, mennyire megbízhatóak ezek az adatok. Nem homályos kifejezésekben. Konkrét, mérhető, rendszeresen frissített számokban.

Íme, mit publikálunk és hogyan mérjük.

Hogyan Mérjük A Pontosságot

Benchmark Módszertan

A pontossági méréseink két párhuzamos folyamatból származnak.

Kontrollált tesztelés. Minden negyedévben táplálkozástudományi csapatunk strukturált értékelést végez 1,000 étkezés felhasználásával, amelyeket kontrollált körülmények között készítenek el. Minden összetevőt grammonként mérünk. A tápanyagértékeket az USDA FoodData Central, a gyártói adatok és laboratóriumban ellenőrzött referenciaértékek alapján számítjuk ki. Minden étkezést ezután a Nutrola segítségével rögzítünk, az összes elérhető módszert — fényképes azonosítás, vonalkód beolvasás, manuális keresés és recept importálás — felhasználva, és az eredményeket összehasonlítjuk a referenciaértékekkel.

Valós világbeli validálás. Önkéntes felhasználókat toborzunk, akik vállalják, hogy egy meghatározott időszakban lemérik az ételeiket, és benyújtják a mérlegelési adataikat, valamint a normál Nutrola bejegyzéseiket. Ez valóságbeli összehasonlításokat ad nekünk — tökéletlen világítás, laza tálalás, valódi konyhák. Legutóbbi validálási csoportunk 4,200 felhasználót tartalmazott, akik 26,800 ellenőrzött étkezési bejegyzést nyújtottak be.

Mit Mérünk

Minden benchmark ciklus során a következő mutatókat jelentjük:

• Átlagos Absolút Hiba Százalék (MAPE) a kalóriák, fehérjék, szénhidrátok és zsírok esetében.
• Az étkezések hány százaléka 5%, 10% és 15% -on belül a referenciaértékekhez képest minden makrotápanyagnál.
• Élelmiszer azonosítási pontosság — az étkezések hány százaléka, ahol az AI helyesen azonosítja a fő élelmiszer összetevőket.
• Adagbecslési pontosság — a grammban mért súly és az AI által becsült adag közötti eltérés százalékos aránya.
• Rendszerszintű torzítás iránya — hogy a hibák túllépik-e vagy alábecsülik-e, és mennyivel.

Ezeket a mutatókat ételtípus, konyha, étkezés bonyolultsága és nyilvántartási módszer szerint bontjuk le. A teljes adatállomány elérhető a benchmark oldalunkon.

Mit Mutatnak A Számok: Pontosság Ételtípus Szerint

Az alábbi táblázatok a 2026. I. negyedévi benchmark eredményeinket tükrözik, amelyek a kontrollált tesztelés és a valós világbeli validálás adatait kombinálják.

Kalória Pontosság Ételtípus Szerint

Ételkategória	Átlagos Kalória Hiba	5%-on Belül	10%-on Belül	15%-on Belül	Torzítás Irány
Egyszerű egész élelmiszerek (gyümölcs, zöldség, natúr fehérjék)	3.1%	78%	96%	99%	Enyhe túllépés (+1.2%)
Csomagolt élelmiszerek (vonalkód beolvasva)	1.8%	91%	98%	100%	Semleges
Egyszerű elkészített ételek (grillezett csirke + rizs, saláta öntettel)	5.9%	52%	84%	94%	Enyhe alábecsülés (-2.4%)
Bonyolult házi ételek (rakott ételek, sült zöldségek, pörköltek)	9.4%	31%	68%	87%	Alábecsülés (-4.8%)
Sütőipari termékek (házi)	11.2%	24%	58%	82%	Alábecsülés (-6.1%)
Éttermek és elviteles ételek	10.8%	26%	62%	85%	Alábecsülés (-5.2%)
Italok (turmixok, kávéitalok, koktélok)	7.6%	42%	76%	91%	Túlbecslés (+3.1%)

Kalória Pontosság Konyha Szerint

Konyha	Átlagos Kalória Hiba	10%-on Belül	15%-on Belül	Fő Hibaforrás
Amerikai / Nyugati standard	6.8%	79%	93%	Adagmennyiség eltérés
Mexikói / Latin-amerikai	9.2%	68%	88%	Rejtett zsírok (zsír, sajt, tejföl)
Olasz	8.4%	72%	90%	Olívaolaj és sajt mennyisége
Kínai	10.1%	64%	86%	Főzőolaj wok ételekben
Japán	6.2%	81%	95%	Minimális rejtett zsírok
Indiai	12.4%	58%	82%	Ghee, tejszín, kókusztej
Thai	11.8%	60%	84%	Kókusztej, pálmacukor, halszósz
Koreai	8.8%	70%	89%	Erjesztett fűszerek, szezámolaj
Közel-Keleti	9.6%	66%	87%	Olívaolaj, tahini, dióalapú szószok
Etióp / Kelet-afrikai	13.1%	54%	79%	Niter kibbeh (fűszeres vaj), injera változat

Kalória Pontosság Étkezés Bonyolultsága Szerint

Étkezés Bonyolultsága	Átlagos Kalória Hiba	10%-on Belül	15%-on Belül
Egyszerű étel (1 élelmiszer)	3.4%	95%	99%
Egyszerű tányér (2-3 különböző étel)	6.1%	82%	94%
Vegyes tányér (4-5 étel)	8.9%	69%	88%
Bonyolult étel (6+ összetevő, kevert)	11.6%	57%	81%
Többfogásos étkezés	13.2%	52%	77%

Fehérje Pontosság Ételtípus Szerint

Ételkategória	Átlagos Fehérje Hiba	10%-on Belül	15%-on Belül
Natúr állati fehérjék (csirke, marha, hal)	4.2%	89%	97%
Növényi alapú fehérjék (tofu, tempeh, hüvelyesek)	5.8%	80%	94%
Vegyes ételek fehérjével	8.6%	66%	86%
Fehérjével dúsított élelmiszerek (szeletek, turmixok)	2.4%	95%	99%
Étterem fehérje ételek	9.8%	61%	83%

Mit Jelent A "Megfelelően Pontos" A Súlycsökkentés Szempontjából

A nyers pontossági számok csak akkor számítanak, ha tudod, milyen szintű pontosság szükséges a valódi eredményekhez. Itt a tudomány sokkal megengedőbb, mint a legtöbben várnák.

A Kutatási Kontextus

A Journal of the Academy of Nutrition and Dietetics 2023-as szisztematikus áttekintése a táplálkozási értékelési módszerekről arra a következtetésre jutott, hogy a 15% alatti átlagos hibák "valószínűleg nem befolyásolják jelentősen a súlykezelési eredményeket, ha a nyomon követés időben fenntartott." A Obesity Reviews 2024-es tanulmánya megállapította, hogy a következetes nyomon követők, akik 10-20% hibával rögzítettek, még mindig 89%-ot fogytak annyit, mint azok, akik 10% alatti hibával rögzítettek egy 12 hetes időszak alatt.

Az ok egyszerű: a kalóriaszámlálás elsősorban a tudatosságon és a viselkedési visszajelzésen keresztül működik, nem a tökéletes mérésen. Ha folyamatosan 8%-kal alábecsülöd a beviteledet, a tested még mindig reagál a valós bevitelre. És ha a céljaidat a valós eredmények (súlytrendek, testméretek) alapján állítod be, a rendszerszintű torzítás idővel korrigálódik.

Mit Jelentenek A Küszöbértékek A Gyakorlatban

Íme, mit jelentenek a különböző pontossági szintek egy 2,000 kalóriás napi bevitel esetén:

Pontossági Szint	Kalória Eltérés	Napi Hibahatár	Heti Kumulált Hiba	Hatás egy 500 kcal/nap Deficitre
5%-on Belül	Legfeljebb 100 kcal	1,900 - 2,100	Legfeljebb 700 kcal	Jelentéktelen --- deficit fenntartva
10%-on Belül	Legfeljebb 200 kcal	1,800 - 2,200	Legfeljebb 1,400 kcal	Kisebb --- deficit csökkentve, de jelen van
15%-on Belül	Legfeljebb 300 kcal	1,700 - 2,300	Legfeljebb 2,100 kcal	Mérsékelt --- deficit néhány héten megállhat
20%-on Belül	Legfeljebb 400 kcal	1,600 - 2,400	Legfeljebb 2,800 kcal	Jelentős --- deficit megbízhatatlan

A legtöbb felhasználó számára, akik napi 400-600 kalóriás mérsékelt hiányt céloznak meg, a 10-15% közötti pontosság elegendő a haladás fenntartásához. Ez az a tartomány, ahol a Nutrola a legtöbb étkezés esetében teljesít — az összes rögzített étkezés 88%-a 15%-on belül van a referenciaértékekhez képest, minden ételtípus és konyha esetében.

Miért Fontosabb A Következetesség, Mint A Pontosság

Belső adataink azt mutatják, hogy azok a felhasználók, akik 60 vagy annál több napig követik a nyilvántartást, szinte azonos arányban érik el a kitűzött céljaikat, függetlenül attól, hogy az átlagos pontosságuk 6% vagy 12%. Azok a felhasználók, akik nem érik el a céljaikat, túlnyomórészt azok, akik abbahagyják a nyilvántartást — nem azok, akik mérsékelt hibával rögzítenek.

Ez nem jelenti azt, hogy a pontosság irreleváns. Azt jelenti, hogy egy alkalmazás elsődleges feladata, hogy elég pontos legyen ahhoz, hogy fenntartson egy megbízható visszajelzési hurkot, miközben elég gyors és zökkenőmentes ahhoz, hogy a felhasználók valóban használják. A benchmarkjaink közzététele lehetővé teszi a felhasználók számára, hogy megalapozott döntést hozzanak arról, hogy a pontosságunk megfelel-e az igényeiknek.

Hol Vagyunk Gyengék: Egy Őszinte Értékelés

A transzparencia azt jelenti, hogy közzé kell tenni azokat a számokat is, amelyek jól mutatnak ránk, és azokat is, amelyek nem. Íme, ahol a pontossági méréseink világos gyengeségeket tárnak fel.

A Rejtett Zsírok A Legnagyobb Kihívásunk

A legnagyobb hiba forrása minden kategóriában a rejtett főzőzsírok. Amikor egy ételt olajban, vajban vagy ghee-ben készítenek, a felhasznált mennyiség gyakran láthatatlan a végső tálalás során. Az AI a főzőzsírt az étel típusa, a konyhai normák és a vizuális jelek alapján becsüli, de ez továbbra is egy következtetés, nem pedig egy mérés.

Azoknál az ételeknél, ahol jelentős rejtett zsírok vannak — indiai curryk, kínai sült ételek, étterem által készített ételek — az átlagos kalória hiba 7%-ról (a fehérje és szénhidrát összetevők esetében) 14%-ra ugrik, ha a főzőzsírt is figyelembe vesszük. Ez az elsődleges oka annak, hogy az indiai és thai konyhák magasabb hibaarányokat mutatnak a konyha bontásunkban.

Aktívan dolgozunk ezen a jobb képzési adatok és felhasználói segédlet finomító promptok (kérve a felhasználókat, hogy jelezzék, hogy egy étel olajosnak vagy száraznak tűnik-e) révén, de ez továbbra is nyitott probléma minden vizuális alapú rendszer számára.

Bonyolult Többkomponensű Ételek

Amikor egy tányéron hat vagy annál több különböző étel található, különösen vegyes vagy rétegezett tálalás esetén, az azonosítási pontosságunk csökken. Az AI összekeverheti a gabonasalátát egy rizs étellel, vagy hiányozhat egy szósz összetevő a fehérje alatt. A többfogásos étkezések, amelyeket egyetlen bejegyzésként rögzítenek, mutatják a legmagasabb hibaarányokat, 13.2%-os átlagos eltéréssel.

A gyakorlati megoldás az, hogy az egyes összetevőket külön rögzítjük, ami javítja a pontosságot, de növeli a frikciót. Dolgozunk a jobb többkomponensű bontásra az AI folyamatunkban, de ezt még nem oldottuk meg teljesen.

Alulreprezentált Konyhák

A pontosságunk nyilvánvalóan gyengébb az alulreprezentált konyhák esetében. Az etióp, nyugat-afrikai, közép-ázsiai és csendes-óceáni konyhák 30-50%-kal magasabb hibaarányokat mutatnak, mint a nyugati konyhák. Ez egy adatprobléma, nem algoritmikus, és ezt úgy kezeljük, hogy bővítjük a referenciaadatainkat és együttműködünk táplálkozási kutatókkal ezeken a területeken.

Külön nyomon követjük és publikáljuk a pontosságot a konyhák szerint, hogy a felhasználók ezekből az étkezési hagyományokból láthassák, hol áll a rendszerünk, és megalapozott döntéseket hozhassanak arról, hogyan egészíthetik ki az AI rögzítést manuális korrekciókkal.

Adagbecslés Kérdéses Adagoknál

Azok az ételek, amelyeknél nincsenek egyértelmű vizuális méretreferenciák — például egy halom pürésített burgonya, egy tál tészta, egy tál leves — nehezebben becsülhetők meg pontosan az AI által, mint azok az ételek, amelyeknek meghatározott formájuk van. Egy csirkemellnek körülbelül előre meghatározott súly-méret aránya van. Egy adag rizs nem.

Az amorf ételek esetében a portion estimation MAPE 16.4%, míg a meghatározott formájú ételek esetében 7.8%. Ha a fényképen van egy referenciaobjektum (például egy villa, egy standard tányér), ez javítja a pontosságot 11.2%-ra, ezért kérjük a felhasználókat, hogy lehetőség szerint standard étkészleten fényképezzék az ételeket.

A Transzparencia Érve

Miért Hisszük, Hogy Minden Alkalmazásnak Ezt Kellene Tennie

A pontossági mérések közzététele nem marketingstratégia számunkra. Ez egy termék követelmény, amely egy egyszerű elven alapul: az emberek, akik egészségi döntéseket hoznak az adatok alapján, jogot formálnak arra, hogy tudják, mennyire megbízhatóak ezek az adatok.

Gondolj a másik lehetőségre. Egy 2-es típusú cukorbeteg felhasználó a kalóriaszámláló alkalmazás segítségével kezeli a szénhidrátbevitelt. Ha az alkalmazás szénhidrátszámlálása szisztematikusan 20%-kal alábecsüli, akkor ez a felhasználó hibás adatok alapján hoz klinikai döntéseket. Nincs módja arra, hogy ezt tudja, hacsak az alkalmazás nem mondja el neki, és az alkalmazásnak nincs ösztönzése arra, hogy ezt elmondja, hacsak a transzparencia nem épül be a termék filozófiájába.

Ez nem hipotetikus. A közösségi táplálkozási adatbázisok — a legtöbb versenytárs alkalmazás háttere — dokumentált hibaarányokat tartalmaznak, amelyek 20-30%-osak a felhasználók által beküldött bejegyzések esetében, egy 2024-es, a Nutrients folyóiratban közzétett elemzés szerint. A bejegyzések gyakran duplikálódnak, ellentmondó adatokkal, különböző adagméreteket hivatkozva, vagy megbízhatatlan forrásokból másolva. Rendszerszintű validálás nélkül ezek a hibák csendben terjednek.

Mit Tesz Lehetővé A Transzparencia

Amikor a pontossági adatok nyilvánosak, több dolog válik lehetővé:

A felhasználók kalibrálhatják az elvárásaikat. Ha tudod, hogy az étterem étkezéseinek becslése átlagosan 10.8%-os hibát hordoz, beépítheted ezt a bizonytalanságot a tervezésedbe. Lehet, hogy egy kicsit nagyobb hiányt célozol meg azokon a napokon, amikor étteremben étkezel, vagy esetleg manuálisan ellenőrzöd a kulcsfontosságú étkezéseket.

A kutatók objektíven értékelhetik az eszközöket. A táplálkozástudósok, akik a táplálkozási nyomon követő eszközök hatékonyságát vizsgálják, szükségük van a pontossági adatokra ahhoz, hogy felmérjék, mely eszközök alkalmasak klinikai vagy kutatási célokra. A közzétett benchmarkok lehetővé teszik, hogy a Nutrola független értékelés alá kerüljön, ahogyan az átláthatatlan alkalmazások nem.

Az ipar fejlődik. Ha egy alkalmazás közzéteszi a benchmarkokat, és a felhasználók elkezdik ezt követelni a versenytársaktól, az egész kategória a magasabb pontosság és elszámoltathatóság felé mozdul el. Ez mindenkinek jó, beleértve minket is — inkább a dokumentált teljesítmény alapján versenyeznénk, mint a marketing állítások alapján.

Felelősséget vállalunk. A benchmarkok negyedéves közzététele azt jelenti, hogy nem hagyhatjuk, hogy a pontosság csendben romoljon. Minden negyedévben a számok nyilvánosak, és bármilyen visszaesés látható. Ez belső nyomást teremt a folyamatos fejlődésre, ami pontosan a célunk.

Hogyan Hasonlítanak A Benchmarkjaink A Kutatásokhoz

Hogy a számainkat kontextusba helyezzük, íme, hogyan hasonlítható a Nutrola pontossága a táplálkozási értékelési módszerekről közzétett kutatásokhoz:

Módszer	Átlagos Kalória Hiba (Közzétett Kutatás)	Forrás
Önfoglalásos táplálkozási visszaemlékezés (24 órás)	15 - 30%	Journal of Nutrition, 2022
Élelmiszerfrekvencia kérdőívek	20 - 40%	American Journal of Clinical Nutrition, 2023
Manuális kalória alkalmazás nyilvántartás (mérleg nélkül)	12 - 25%	Nutrients, 2024
AI alapú fényképes nyilvántartás (ipari átlag)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola összesített (minden módszer kombinálva)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola AI fénykép csak	8.9%	Nutrola Q1 2026 Benchmark
Nutrola vonalkód beolvasás	1.8%	Nutrola Q1 2026 Benchmark
Súlyozott élelmiszer nyilvántartások (arany standard)	2 - 5%	British Journal of Nutrition, 2021

A 6.8%-os összesített pontosságunk a Nutrolát a súlyozott élelmiszer nyilvántartás módszere és a legjobb AI-alapú rendszerek közé helyezi. Ez tükrözi a több módszer előnyét — sok Nutrola felhasználó kombinálja a fényképes nyilvántartást a csomagolt élelmiszerek vonalkód beolvasásával, ami a kevert pontosságot jól a legjobb egyedi módszer alá helyezi.

Mit Teszünk A Fejlesztés Érdekében

A benchmarkok közzététele nem csupán a jelenlegi állapot jelentése. Ez egy nyilvános nyilvántartás létrehozása az időbeli fejlődésről.

Íme, hogyan változott az átlagos kalória hibánk, mióta elkezdtük a közzétételt:

Negyedév	Átlagos Kalória Hiba	10%-on Belül	15%-on Belül
Q1 2025	10.4%	64%	83%
Q2 2025	9.1%	70%	87%
Q3 2025	8.2%	74%	89%
Q4 2025	7.4%	77%	91%
Q1 2026	6.8%	79%	93%

Minden negyedévben konkrét kategóriákra összpontosítunk a fejlesztés érdekében, ahol az adatok a legnagyobb hiányosságokat mutatják. A 2026. II. negyedévi jelenlegi prioritási területek közé tartozik:

• Rejtett zsír becslés: Új modellképzés olajmennyiség-jelölt adatbázisokkal, amelyek partneri kulináris iskolákból származnak.
• Dél-ázsiai konyha pontossága: Bővített referenciaadatbázis 3,200 új ellenőrzött indiai, pakisztáni, srí lankai és bangladesi étellel.
• Többkomponensű étkezések bontása: Frissített számítógépes látás folyamat a bonyolult tányérok jobb összetevő-elkülönítésére.
• Adagbecslés amorf ételek esetén: Mélységbecslési fejlesztések több szögből készült fényképek felhasználásával.

Gyakran Ismételt Kérdések

Milyen gyakran frissítik a benchmarkokat?

Teljes benchmark jelentéseket negyedévente publikálunk. Köztes frissítéseket teszünk közzé, ha egy modellfrissítés statisztikailag szignifikáns változást eredményez a pontosságban (több mint 0.5 százalékpont az összesített MAPE-ben).

Megnézhetem a nyers benchmark adatokat?

Igen. Összefoglaló táblázatokat publikálunk a benchmark oldalunkon, és az anonimizált, aggregált adatállományt letölthetővé tesszük. Az egyes étkezési bejegyzések sosem kerülnek bele — csak kategória szintű statisztikák.

Változik a Nutrola pontossága attól függően, hogy melyik telefont használom?

A fényképes nyilvántartás pontosságát befolyásolja a kamera minősége. Tesztelésünk során a 2024-es és újabb csúcsmodellek (iPhone 15 és felette, Samsung Galaxy S24 és felette, Google Pixel 8 és felette) az általunk közzétett benchmarkokkal összhangban lévő eredményeket produkálnak. Az idősebb vagy költségvetési eszközök, amelyek alacsonyabb felbontású kamerákkal rendelkeznek, átlagosan körülbelül 1-2 százalékponttal magasabb hibát mutatnak, elsősorban a részletek csökkent mértékének következtében az adagméret becslésénél.

Hogyan kezeli a Nutrola azokat az ételeket, amelyeket nem tud azonosítani?

Amikor az AI bizalmi pontszáma egy meghatározott küszöb alá esik, az alkalmazás megjelöli a bejegyzést, és megkéri a felhasználót, hogy erősítse meg vagy javítsa az azonosítást. A fényképpel rögzített ételek körülbelül 5.2%-a váltja ki ezt a megerősítési kérést. Ezek a megjelölt bejegyzések ki vannak zárva a pontossági benchmarkjainkból, ami azt jelenti, hogy a közzétett számok olyan ételeket képviselnek, ahol a rendszer biztos volt az azonosításában.

Az étterem ételek pontossága a vendéglátóhely miatt vagy az étel típusa miatt alacsonyabb?

Mindkettő. Az étterem ételek magasabb hibát hordoznak két okból. Először is, a tényleges elkészítés (főzőzsírok mennyisége, szószmennyiségek, adagméretek) éttermek között változik, és nem látható a fényképen. Másodszor, az étterem ételei általában bonyolultabbak, mint a házi készítésű ételek, több rejtett összetevővel. Adataink azt mutatják, hogy az egyszerű étterem ételek (például grillezett csirke salátával, egy darab sushi) szinte ugyanolyan pontosak, mint a házi készítésű megfelelőik. A pontossági különbség elsősorban a sült ételek, szószos ételek és a nem látható hozzáadott zsírokkal bővül.

Mi a helyzet a csomagolt ételekkel, amelyek gyártói címkéje helytelen?

Ez egy iparági szintű ismert probléma. Az FDA szabályai lehetővé teszik, hogy a táplálkozási címkék a legtöbb tápanyagnál akár 20%-kal eltérjenek a megadott értékektől. A 1.8%-os vonalkód pontosságunk a mi adataink és a gyártó címkéje közötti egyezést tükrözi — nem feltétlenül azt, ami valójában a csomagban van. Amikor független laboratóriumi tesztelés feltárja a címke pontatlanságait népszerű termékek esetében, ezeket megjelöljük az adatbázisunkban, és ennek megfelelően módosítjuk a referenciaértékeket.

Hogyan hasonlítható a Nutrola pontossága egy regisztrált dietetikus becsléséhez?

A Journal of the American Dietetic Association 2025-ös tanulmánya megállapította, hogy a regisztrált dietetikusok, akik fényképek alapján becsülték meg az étkezések kalóriáit, átlagosan 10.2%-os hibát mutattak, jelentős eltérésekkel a dietetikus tapasztalatától és az étkezés bonyolultságától függően. A Nutrola fényképes pontossága 8.9% a hasonló tartományban van, átlagosan kissé jobb, bár a dietetikusok bizonyos bonyolult vagy szokatlan ételeken jobban teljesítenek.

Észrevettem, hogy a rögzített összesítéseim folyamatosan alacsonyak. Ez egy ismert probléma?

Igen. A benchmarkjaink azt mutatják, hogy a legtöbb ételtípus esetében körülbelül 3-5%-os rendszerszintű alábecsülési torzítás van, amelyet elsősorban a rejtett zsírok alábecsülése okoz. A benchmark táblázatainkban közzétesszük a torzítás irányát, hogy a felhasználók szükség esetén kiigazíthassanak. Ha gyanítod, hogy folyamatos alábecsülés történik, a főzőzsírok külön rögzítése (ahelyett, hogy az AI-ra bíznád a következtetést) jelentősen csökkenti ezt a torzítást.

Az Alapvető Üzenet

A legtöbb táplálkozási alkalmazás a bizalmadat kéri anélkül, hogy bármilyen okot adna arra, hogy megadd. Kalóriaszámokat mutatnak meg magabiztos precizitással, miközben a hibaarányokat láthatatlanná teszik.

A Nutrola a pontossági benchmarkjait publikálja, mert hisszük, hogy az ellenkező megközelítés a helyes. Íme, mit mutatnak ezek a számok: 79%-ban 10%-on belül, 93%-ban pedig 15%-on belül vagyunk pontosak. A leggyengébb teljesítményünk a bonyolult ételek, a rejtett zsírok, az alulreprezentált konyhák és a többfogásos étkezések esetében van. Az átlagos pontosságunkat az elmúlt évben 10.4%-ról 6.8%-ra javítottuk, és közzétesszük a konkrét területeket, amelyeken a további fejlődést célozzuk.

Ezek a számok nem tökéletesek, és nem állítjuk, hogy azok. De valósak, nyilvánosak, és negyedévente frissítjük őket. Ez az a standard, amelyet magunk elé állítunk, és ez az a standard, amelyet hisszük, hogy minden táplálkozási alkalmazásnak teljesítenie kell.

Ha kalóriaszámlálót választasz, tegyél fel egy egyszerű kérdést: meg tudja mutatni ez az alkalmazás a pontossági adatait? Ha a válasz nem, kérdezd meg magadtól, miért nem.