Ellenőrzött Adatbázis és AI: Miért Fontos a Kombináció

Az AI alapú kalóriaszámlálás és az adatbázis-alapú kalóriaszámlálás közötti vita valójában hamis választás. Egyik megközelítés sem nyújtja a legjobb eredményeket önállóan. Az AI gyors, de pontatlan. Az adatbázis pontos, de lassú. A kombináció — AI az azonosításhoz, adatbázis a megerősítéshez, és felhasználói visszaigazolás — az a struktúra, amely valóban működik a tartós és pontos tápanyagszámlálás érdekében.

Ez nem elméleti érvelés. Ez egy mérnöki elv, amely minden olyan területen alkalmazható, ahol a sebesség és a pontosság egyaránt fontos. A helyesírás-ellenőrzők a legjobban a szótárakkal együtt működnek. A GPS navigáció a legjobban a hiteles térképadatbázisokkal párosítva működik. Az orvosi képalkotó AI a legjobban radiológusok általi ellenőrzéssel működik. Minden esetben az AI a sebességet és az elsődleges értékelést biztosítja; a hiteles adatforrás a pontosságot; az emberi tényező adja meg a végső ítéletet.

A kalóriaszámlálás sem különb.

A Megbízható Kalóriaszámlálás Három Rétege

1. Réteg: AI Azonosítás

Az első réteg az AI élelmiszer-azonosítás — konvolúciós neurális hálózatok és látás transzformátorok, amelyek egy fényképet, hangleírást vagy vonalkódot elemeznek, és azonosítják, hogy milyen étel található.

Ami az AI-nak jól megy:

• Gyorsan átkonvertálja a vizuális vagy audio bemenetet étel kategóriákba
• Kezeli az elsődleges "mi ez?" kérdést 1-3 másodperc alatt
• Százféle étel kategóriát ismer fel képekből
• Feldolgozza a természetes nyelvű leírásokat strukturált étel összetevőkké
• Dekódolja a vonalkódokat és azokat termékazonosítókhoz rendeli

Ami az AI-nak nem megy jól:

• A kalóriadenzitás pontos meghatározása kizárólag vizuális jellemzők alapján
• A 2D fényképekből a porciók súlyának pontos becslése
• Rejtett vagy láthatatlan összetevők azonosítása
• Mikrotápanyag adatok biztosítása vizuális információkból
• Azonos étel esetén következetes kimenetek előállítása különböző körülmények között

Az AI szerepe a háromrétegű rendszerben az, hogy leszűkítse a keresési teret. Az 1,8 millió vagy annál több lehetséges étel bejegyzésből az AI 3-5 valószínű egyezésre szűkíti. Ez hatalmas csökkentés a komplexitásban — a "keress mindent" helyett "erősítsd meg az egyik lehetőséget".

2. Réteg: Ellenőrzött Adatbázis

A második réteg egy átfogó, ellenőrzött élelmiszer-összetétel adatbázis. Ez az adatbázis tápanyagprofilokat tartalmaz minden ételhez — nem AI által becsülve, hanem analitikai kémia, gyártói nyilatkozatok és szabványosított élelmiszer-összetételi kutatás alapján meghatározva.

Ami az adatbázis nyújt:

• Kalóriadenzitás grammonként laboratóriumi elemzés alapján (nem statisztikai becslés)
• Teljes makrotápanyag bontás (fehérje, szénhidrát, zsír, rost, cukor altípusok)
• Átfogó mikrotápanyag profilok (100+ tápanyag a Nutrola esetében)
• Ellenőrzött tápértékekkel rendelkező standard adagok
• Gyártó-specifikus termékadatok márkás és csomagolt élelmiszerekhez
• Következetes, determinisztikus értékek, amelyek nem változnak a fényképezési körülményekkel

Ami az adatbázisból hiányzik AI nélkül:

• Sebesség (a manuális adatbázis keresés 30-90 másodpercet vesz igénybe ételenként)
• Kényelem (a felhasználóknak tudniuk kell az ételek nevét és navigálniuk kell a keresési eredmények között)
• Fénykép alapú bemenet (az adatbázis nem "látja" az étkezésedet)
• Hangalapú bemenet (a hagyományos adatbázisok gépelést igényelnek)

Az adatbázis szerepe a tényleges igazság biztosítása. Amikor az AI azt mondja, hogy "ez valószínűleg csirke tikka masala", az adatbázis megadja a csirke tikka masala analitikai szempontból ellenőrzött tápanyagprofilját — nem egy tipp, nem egy becslés, hanem az élelmiszer-összetételi kutatásból származó adat.

3. Réteg: Felhasználói Megerősítés

A harmadik réteg gyakran figyelmen kívül hagyott, de kritikus fontosságú: a felhasználó megerősíti, hogy az AI azonosítása és az adatbázis egyezése helyes.

Ami a felhasználói megerősítés nyújt:

• Elkapja az AI téves azonosításait (az AI kuszkuszt javasolt, de a felhasználó tudja, hogy quinoa)
• A porciókat a valós mennyiségekhez igazítja (standard adag vs. ami ténylegesen elfogyasztásra került)
• Hozzáad olyan összetevőket, amelyeket az AI nem látott (főzőolaj, rejtett összetevők)
• Olyan kontextust biztosít, amelyet sem az AI, sem az adatbázis nem tud meghatározni (elkészítési módszer, konkrét márka)

Ami a felhasználói megerősítéshez szükséges:

• Egy olyan rendszer, amely lehetőségeket kínál, nem pedig egyetlen "vagy-vagy" becslést
• Ellenőrzött alternatívák a választáshoz (nem csak "szerkeszd a számot")
• Elég gyors felület, hogy a megerősítés ne tűnjön terhesnek

Ez a háromrétegű megközelítés — AI javasol, adatbázis megerősít, felhasználó visszaigazol — az, amely a legmegbízhatóbb kalóriaszámláló adatokat biztosítja a mai világban.

Hogyan Hasonlít a Háromrétegű Architektúra az Alternatívákhoz

1. Megközelítés: Csak AI (Cal AI, SnapCalorie)

Jelenlévő rétegek: Csak az 1. réteg.

Az AI azonosítja az ételt ÉS generálja a kalória becslést. Nincs adatbázis-ellenőrzés és nincs jelentős felhasználói megerősítési lépés (mivel nincsenek ellenőrzött alternatívák).

Metrika	Teljesítmény
Sebesség	Leggyorsabb (3-8 másodperc)
Kezdeti pontosság	70-90% az étkezés összetettségétől függően
Végső pontosság	Ugyanaz, mint a kezdeti (nincs korrekciós mechanizmus)
Tápanyagsűrűség	4 tápanyag (csak makrók)
Következetesség	Változó (fényképezési körülményektől függ)
Felhasználói erőfeszítés	Minimális

Legjobb: Gyors tudatossági nyomon követés, egyszerű ételek, olyan felhasználók számára, akik a sebességet helyezik előtérbe.

2. Megközelítés: Manuális Adatbázis-Csak (Hagyományos nyomkövetők)

Jelenlévő rétegek: Csak a 2. réteg.

A felhasználó manuálisan keres az adatbázisban minden ételhez, kiválasztja a helyes bejegyzést, és megadja a porció méretét. Nincs AI segítség.

Metrika	Teljesítmény
Sebesség	Leglassabb (30-120 másodperc ételenként)
Kezdeti pontosság	N/A (nincs kezdeti becslés)
Végső pontosság	95-98% (ellenőrzött adatok, felhasználó által kiválasztott porciók)
Tápanyagsűrűség	Teljes (adatbázis függő, gyakran 30-100+ tápanyag)
Következetesség	Determinisztikus (ugyanaz a bejegyzés = ugyanazok az értékek)
Felhasználói erőfeszítés	Legmagasabb (keresés, görgetés, kiválasztás minden tételnél)

Legjobb: Magas táplálkozási tudással rendelkező felhasználók számára, akik elviselik a lassú naplózást. Történelmileg az egyetlen lehetőség volt az AI nyomkövetők előtt.

3. Megközelítés: AI + Adatbázis + Felhasználói Megerősítés (Nutrola)

Jelenlévő rétegek: Mindhárom.

Az AI azonosítja az ételt és javasolja az adatbázis egyezéseit. Az adatbázis biztosítja az ellenőrzött tápanyagadatokat. A felhasználó megerősíti a helyes bejegyzést és igazítja a porciókat.

Metrika	Teljesítmény
Sebesség	Mérsékelt (5-25 másodperc összetettségtől függően)
Kezdeti pontosság	80-92% (AI azonosítás)
Végső pontosság	88-96% (adatbázis-ellenőrzött, felhasználó által megerősített)
Tápanyagsűrűség	Teljes (100+ tápanyag az ellenőrzött adatbázisból)
Következetesség	Determinisztikus (adatbázis-alapú)
Felhasználói erőfeszítés	Alacsony-közepes (megerősíteni vagy igazítani kell az AI javaslatát)

Legjobb: Bárki, aki megbízható adatokra van szüksége és szeretné az AI kényelmét. A kiegyensúlyozott megközelítés.

4. Megközelítés: Adatbázis + AI Hibrid Felhasználói Megerősítés Nélkül

Jelenlévő rétegek: 1. és 2. réteg, 3. réteg nélkül.

Az AI azonosítja az ételt, az adatbázis biztosítja az adatokat, de a felhasználót nem kérik meg a megerősítésre. A rendszer automatikusan kiválasztja a legjobb AI egyezést.

Metrika	Teljesítmény
Sebesség	Gyors (4-10 másodperc)
Kezdeti pontosság	80-92% (AI azonosítás)
Végső pontosság	82-94% (adatbázis adatai, de a téves azonosítások nem kerülnek javításra)
Tápanyagsűrűség	Teljes
Következetesség	Többnyire determinisztikus
Felhasználói erőfeszítés	Minimális

Miért ez a megközelítés kevésbé optimális: Felhasználói megerősítés nélkül a 8-20%-os étkezések, ahol az AI tévesen azonosítja az ételt, az adatbázis által támogatott, de helytelen bejegyzéseket eredményeznek. Az adatbázis pontos adatokat biztosít a rossz ételhez. Ez jobb, mint az AI-alapú becslés (ahol mind az azonosítás, mind az adatok tévesek lehetnek), de rosszabb, mint a teljes háromrétegű megerősítés.

Architektúra Összehasonlítási Összegzés

Architektúra	Sebesség	Pontosság	Mélység	Erőfeszítés	Legjobb Használati Eset
AI-alapú	Leggyorsabb	70-90%	Csak makrók	Legalacsonyabb	Kényelmes tudatosság
Adatbázis-alapú	Leglassabb	95-98%	Teljes	Legmagasabb	Klinikai/kutatási
AI + Adatbázis + Felhasználó	Mérsékelt	88-96%	Teljes	Alacsony-közepes	Aktív táplálkozási célok
AI + Adatbázis (felhasználói megerősítés nélkül)	Gyors	82-94%	Teljes	Alacsony	Közepes pontossági igények

Miért Van Szükség Minden Rétegre

AI Adatbázis Nélkül: Gyors Becsült Értékek

Egy AI rendszer adatbázis nélkül kalória becsléseket generál a belső modelljéből. Ezek a becslések statisztikai átlagokat tükröznek a tanulási adatokból, nem pedig ellenőrzött összetételi elemzéseket. A becslések nem tartalmazhatnak mikrotápanyagokat (nincs vizuális korreláció), nem garantálják a következetességet (valószínűségi kimenet), és nem ellenőrizhetők egy hivatalos forrással.

Analógia: egy nyomozó, aki a gyanúsítottat csak a megjelenése alapján találja ki, anélkül, hogy ujjlenyomat adatbázis lenne a megerősítéshez.

Adatbázis AI Nélkül: Lassú Igazság

Egy adatbázis AI nélkül megköveteli a felhasználótól, hogy végezze el az összes munkát — gépelje be az ételek neveit, görgessen a találatok között, válassza ki a helyes bejegyzést, adja meg a porciókat. Ez a súrlódás az elsődleges oka annak, hogy a hagyományos kalóriaszámlálás 70-80%-os lemorzsolódási arányt mutatott két héten belül, a Journal of Medical Internet Research 2022-es tanulmánya szerint.

Analógia: egy ujjlenyomat adatbázis, amely megköveteli, hogy minden nyomot manuálisan hasonlítsanak össze. Az adatok pontosak, de a folyamat olyan lassú, hogy az ügyek megoldatlanok maradnak.

AI + Adatbázis Felhasználói Megerősítés Nélkül: Ellenőrizetlen Egyezések

Amikor az AI automatikusan kiválaszt egy adatbázis bejegyzést felhasználói megerősítés nélkül, a téves azonosítások a helytelen ételhez alkalmazzák az ellenőrzött adatokat. A "quinoa" tévesen "kuszkuszként" azonosítva most a kuszkusz ellenőrzött tápanyagprofilját kapja — pontos adatok, de rossz étel. Ez jobb, mint az AI-alapú (ahol mind az azonosítás, mind a tápanyagértékek becslések), de még mindig hibákat vezet be, amelyeket egy egyszerű felhasználói megerősítés elkapna.

Analógia: egy nyomozó, aki automatikusan futtat minden ujjlenyomatot az adatbázison, de néha a rossz nyomatot szkennelik. Az adatbázis egyezése pontos, de a bemenet helytelen volt.

A Három Réteg Együtt: Gyors, Pontos, Ellenőrzött

Amikor mindhárom réteg együtt működik, mindegyik kompenzálja a másik gyengeségeit.

• Az AI kompenzálja az adatbázis lassúságát (1,8 millió bejegyzést szűkít 3-5 javaslatra másodpercek alatt)
• Az adatbázis kompenzálja az AI pontatlanságát (ellenőrzött adatokat biztosít, függetlenül az AI bizalmától)
• A felhasználó kompenzálja az AI téves azonosítását (megerősíti a helyes ételt az ellenőrzött lehetőségek közül)

Az eredmény egy olyan rendszer, amely gyorsabb a manuális nyomon követésnél, pontosabb az AI-alapú nyomon követésnél, és átfogóbb, mint bármelyik megközelítés önállóan.

Az Adatforrások a 2. Réteg Mögött

Az adatbázis réteg megbízhatósága teljes mértékben attól függ, honnan származik az adat. Nem minden élelmiszer adatbázis egyenlő.

Ellenőrzött Források (Amit a Nutrola Használ)

USDA FoodData Central. Az Egyesült Államok Mezőgazdasági Minisztériuma fenntartja a világ egyik legátfogóbb élelmiszer-összetételi adatbázisát, amely analitikai úton meghatározott tápanyagprofilokat tartalmaz ezrek ételekhez. Az adatok laboratóriumi elemzésekből származnak, érvényesített analitikai módszereket alkalmazva (bombakalorimetria az energia, Kjeldahl módszer a fehérje, gravimetikus módszerek a zsír és rost, HPLC a vitaminok esetében).

Nemzeti élelmiszer-összetételi adatbázisok. A legtöbb fejlett ország fenntartja a saját élelmiszer-összetételi adatbázisát (pl. McCance és Widdowson az Egyesült Királyságban, NUTTAB Ausztráliában, BLS Németországban). Ezek regionális adatokat biztosítanak, amelyek figyelembe veszik a helyi élelmiszervariációkat és elkészítési módszereket.

Gyártói nyilatkozatok. Márkás és csomagolt termékek esetében a gyártók jogi követelmények alapján biztosítanak tápanyagadatokat (FDA 21 CFR 101 az Egyesült Államokban, EU 1169/2011 rendelet Európában). Bár ezek jogi toleranciákkal rendelkeznek (általában plusz vagy mínusz 20% a kalóriákra vonatkozóan az FDA irányelvei szerint), a legtöbb gyártó jól belül marad ezekben a határokban.

Táplálkozási szakértői ellenőrzés. Az ellenőrzött rendszerek adatbázis-bejegyzéseit táplálkozási szakemberek ellenőrzik, akik a pontosságot ellenőrzik, feloldják a források közötti konfliktusokat, és biztosítják, hogy az adagok reálisak és szabványosítottak legyenek.

Crowdsourced Adatbázisok (Amit Néhány Más Alkalmazás Használ)

Az olyan alkalmazások, mint a MyFitnessPal, nagymértékben támaszkodnak a felhasználók által benyújtott bejegyzésekre. Bár ez gyorsan létrehoz egy nagy adatbázist, jelentős hibaarányokat vezet be. Egy 2020-as tanulmány a Journal of Food Composition and Analysis-ben megállapította, hogy a crowdsourced élelmiszer adatbázis bejegyzések hibaarányai 20-30% között mozogtak a gyakran naplózott ételek esetében, a duplikált bejegyzések zűrzavart és következetlenséget okozva.

AI-Generált Adatok (Amit AI-Alapú Alkalmazások Használ)

A Cal AI és a SnapCalorie a neurális hálózati modelljeikből generálnak tápanyagbecsléseket. Ezek az adatok a tanulási adatok statisztikáiból származnak, nem pedig bármilyen specifikus analitikai forrásból. Nem nyomozhatók laboratóriumi elemzéshez vagy gyártói nyilatkozathoz, és nem tudnak mikrotápanyag adatokat biztosítani.

A Költség Egyenlet

Az ember azt gondolhatja, hogy a legteljesebb architektúrájú rendszer a legdrágább. A valóság ezzel ellentétes.

Alkalmazás	Architektúra	Havi Költség	Miért Ez az Ár?
Cal AI	AI-alapú	$8-10/hó	Fényképenkénti AI számítási költségek, nincs adatbázis amortizáció
SnapCalorie	AI-alapú (+ 3D)	$9-15/hó	Prémium AI + LiDAR feldolgozás, niche piaci árképzés
Foodvisor	Hibrid + dietetikus	$5-10/hó	Adatbázis + AI + emberi dietetikai költségek
Nutrola	AI + ellenőrzött adatbázis + több bemenet	€2.50/hó (ingyenes próba után)	Az adatbázis fix költségű eszköz, az AI lekérdezési költsége alacsony

A Nutrola költségelőnye az adatbázisból származik. Egy ellenőrzött adatbázis drága felépíteni (táplálkozási szakemberek munkáját, forrásengedélyezést és folyamatos karbantartást igényel), de olcsó lekérdezni. Miután 1,8 millió vagy annál több bejegyzés létezik, a "grillezett csirkemell, 150g" keresése gyakorlatilag semmibe sem kerül számítási szempontból. Ezzel szemben egy AI-alapú rendszernek minden fényképhez neurális hálózati inferenciát kell futtatnia — egy számítási költség, amely lineárisan növekszik a használattal.

Az adatbázis egyaránt az alapja a pontosságnak és a költséghatékonyságnak. Ezért a Nutrola több funkciót kínál (fénykép + hang + vonalkód, 100+ tápanyag, Apple Watch + Wear OS, 15 nyelv, receptimport) alacsonyabb áron (€2.50/hó, hirdetések nélkül) — a legpontosabb architektúra egyben a legköltséghatékonyabb is a skálán.

Gyakorlati Megvalósítás: Hogyan Működik a Három Réteg a Nutrolában

Forgatókönyv 1: Egy Tál Étkezés Fényképezése

1. Réteg (AI): Fényképezed a grillezett lazacot quinoával és sült zöldségekkel. Az AI három összetevőt azonosít és javasolja az adatbázis egyezéseit: "Atlanti lazac, grillezett" (bizalom: 89%), "quinoa, főtt" (bizalom: 82%), "kevert sült zöldségek" (bizalom: 76%).

2. Réteg (Adatbázis): Minden összetevőhöz az ellenőrzött adatbázis teljes tápanyagprofilokat biztosít. Atlanti lazac: 208 kalória/100g, 20g fehérje, 13g zsír. Quinoa: 120 kalória/100g, 4.4g fehérje, 1.9g zsír. Sült zöldségek: 65 kalória/100g, specifikus mikrotápanyag adatokkal az általad választott zöldségek függvényében.

3. Réteg (Felhasználó): Megerősíted a lazacot és a quinoát, de rákattintasz a "kevert sült zöldségekre", hogy pontosítsd — az adatbázis lehetőségeket mutat a sült brokkoli, sült kaliforniai paprika, sült cukkini közül. Te választod ki a konkrét zöldségeket és igazítod a porciókat. A teljesen naplózott adat ellenőrzött adatokkal minden 100+ tápanyagra vonatkozik.

Forgatókönyv 2: Hangalapú Naplózás Smoothie-hoz

1. Réteg (AI/NLP): Azt mondod: "smoothie egy banánnal, egy csésze mandulatejjel, két evőkanál mogyoróvajjal, egy adag csokoládé ízű tejsavó fehérjével és egy marék spenóttal." A NLP rendszer öt összetevőt és mennyiségeket elemez.

2. Réteg (Adatbázis): Minden összetevőt egy ellenőrzött adatbázis bejegyzéshez párosítanak. Banán, közepes: 105 kalória. Mandulatej, cukormentes, 240ml: 30 kalória. Mogyoróvaj, 2 evőkanál: 188 kalória. Csokoládé ízű tejsavó fehérje, 1 adag (30g): 120 kalória. Spenót, nyers, 30g: 7 kalória.

3. Réteg (Felhasználó): Látod a feldolgozott összetevőket és azok adatbázisbeli egyezéseit. Megerősíted mind az ötöt. Az AI nem tudta volna megbecsülni ezt a smoothie-t egy fényképből (átlátszó pohárban van), de az AI és az ellenőrzött adatbázis kombinációja egy rendkívül pontos naplót eredményez: 450 kalória teljes tápanyagadatokkal.

Forgatókönyv 3: Vonalkód Beolvasása Egy Snackhez

1. Réteg (Vonalkód Dekóder): Beolvasod a vonalkódot egy fehérje szeleten. A dekóder azonosítja a terméket: Brand X Csokoládé Fehérje Szelet, 60g.

2. Réteg (Adatbázis): Az adatbázis visszaadja a gyártó által megadott tápanyagadatokat: 210 kalória, 20g fehérje, 22g szénhidrát, 7g zsír, plusz mikrotápanyag adatok a termék tápanyagtáblázatából.

3. Réteg (Felhasználó): Megerősíted a termékegyezést. A naplózott adat 99%+ pontosságú — a gyártó által megadott értékek a pontos termékhez, amit ettél.

Ki Használhatja Legjobban a Háromrétegű Architektúrát

Aktív súlykezelők. Az 500 kalóriás napi deficit nyomon követéséhez a pontosságnak körülbelül 100-150 kalórián belül kell lennie. A háromrétegű architektúra (88-96% pontosság egy 2000 kalóriás napon = körülbelül 80-240 kalória hiba) ezt eléri. Az AI-alapú (70-90% pontosság = körülbelül 200-600 kalória hiba) gyakran nem.

Sportolók és testépítők. A 1.6-2.2g fehérje elérése testsúlykilogrammonként pontos fehérje nyomon követést igényel. Az ellenőrzött adatbázis fehérjeértékei analitikai úton meghatározottak; az AI által becsült fehérjeértékek 20-30%-kal eltérhetnek.

Orvosi táplálkozási igényekkel rendelkező emberek. A nátrium, kálium, foszfor vagy specifikus vitaminok nyomon követése átfogó ellenőrzött adatokat igényel, amelyeket az AI nem tud biztosítani.

Hosszú távú nyomon követők. Hónapok és évek során a következetesség fontosabb, mint a sebesség. Az adatbázis-alapú bejegyzések következetes trendeket produkálnak; az AI által becsült bejegyzések zajos adatokat eredményeznek.

Bárki, aki frusztrált az imprecíz nyomon követés miatt. Ha korábban használtál kalóriaszámlálót, és feladtad, mert a számok nem egyeztek az eredményeiddel, a valószínű probléma az adatok pontossága volt. A háromrétegű architektúra közvetlenül foglalkozik ezzel a problémával.

Az Alapvető Üzenet

Az AI és az ellenőrzött adatbázis kombinációja nem egy funkciócsomag — ez egy architektúra, amelyben minden komponens a másikra támaszkodik a megfelelő működés érdekében. Az AI adatbázis nélkül gyors becsléseket ad. Az adatbázis AI nélkül lassú pontosságot nyújt. Együtt gyors pontosságot produkálnak — ezt a kalóriaszámlálás hiányolta az első étkezésnaplózó alkalmazás óta.

A Nutrola ezt a háromrétegű architektúrát (AI azonosítás + 1,8 millió vagy annál több ellenőrzött bejegyzés + felhasználói megerősítés) valósítja meg négy bemeneti módszeren (fénykép, hang, vonalkód, manuális keresés) 100+ tápanyag nyomon követésével, Apple Watch és Wear OS támogatással, receptimporttal és 15 nyelven — havi €2.50 áron ingyenes próbaidőszak után, hirdetések nélkül.

Az architektúra a termék. Minden más — a felület, a sebesség, a funkciók — azért létezik, hogy támogassa a háromrétegű rendszert, amely valóban megbízhatóvá teszi a kalóriaszámlálást. Amikor az AI javasol, az adatbázis megerősít, és a felhasználó visszaigazol, olyan adatokat kapsz, amelyekre táplálkozási stratégiát építhetsz. Ezért fontos a kombináció.