AI 칼로리 추적: 솔직한 한계와 아직 할 수 없는 것들

현재 시장에 나와 있는 모든 AI 칼로리 추적기는 마케팅 자료에서 언급하지 않는 중대한 한계를 가지고 있습니다. Nutrola도 예외는 아닙니다. 지난 3년 동안 기술이 크게 발전하여 음식 인식 정확도가 약 60%에서 80-92%로 향상되었지만, 여전히 AI 시스템이 신뢰할 수 없게 작동하는 음식 카테고리와 식사 상황이 존재합니다.

이러한 한계를 인정하는 것은 AI 칼로리 추적에 대한 반론이 아닙니다. 오히려 AI가 할 수 있는 것과 할 수 없는 것을 이해하고, 기술을 맹목적으로 신뢰하기보다는 함께 활용할 수 있는 방법을 찾는 것이 중요합니다. 모든 도구에는 한계가 있으며, 최고의 도구는 이러한 한계에 도달했을 때 대처할 수 있는 방법이 마련되어 있습니다.

한계 1: 소스가 많은 요리

문제점

식사가 소스, 글레이즈, 또는 그레이비로 덮여 있을 때, AI는 대부분의 시각 정보를 잃게 됩니다. 소스의 색상과 질감은 인식할 수 있지만, 그 아래에 있는 음식을 식별하거나 양을 정량화할 수는 없습니다. 테리야끼 소스에 덮인 닭 가슴살, 알프레도 소스에 잠긴 파스타, 두꺼운 카레에 코팅된 채소 — AI는 음식이 아닌 소스의 외관을 가지고 작업하고 있습니다.

소스의 칼로리 영향은 상당합니다. 2023년 미국 영양학회 저널에 발표된 분석에 따르면, 레스토랑에서의 소스와 조미료는 평균적으로 한 끼에 200-400 칼로리를 차지하며, 이는 종종 식사 총 칼로리의 30-50%를 차지합니다. 소스를 잘못 인식하면 식사도 잘못 인식하게 됩니다.

각 앱의 처리 방식

Cal AI와 SnapCalorie: AI는 전체 요리를 하나의 항목으로 추정합니다. "테리야끼 치킨과 밥"으로 인식되면, 칼로리 수치는 해당 요리 카테고리에 대한 모델의 평균 훈련 데이터를 반영합니다. 특정 소스와 치킨의 비율, 소스 레시피, 요리 기름은 알 수 없으며 고려되지 않습니다.

Foodvisor: 비슷한 AI 추정 방식으로, 수정할 수 있도록 영양사와 상담할 수 있는 옵션이 있지만, 이는 사후적이며 느립니다.

Nutrola: AI는 요리 카테고리를 식별하고 데이터베이스에서 일치하는 항목을 제안합니다. 사용자는 데이터베이스에서 특정 소스 유형을 선택하여 ("테리야끼 소스, 3 큰술 = 135 칼로리") 단백질과 전분과 별도로 기록할 수 있습니다. 데이터베이스는 여러 소스 유형과 조리 스타일에 대한 검증된 칼로리 데이터를 제공합니다. 이는 기본적인 시각적 문제를 해결하지는 않지만, 사진만으로는 처리할 수 없는 소스 칼로리를 추가할 수 있는 메커니즘을 제공합니다.

솔직한 평가

어떤 AI 추적기도 사진만으로 소스가 많은 요리를 잘 처리하지 못합니다. Nutrola의 장점은 사용자가 소스를 별도로 음성으로 기록하거나 데이터베이스 검색을 통해 조정할 수 있다는 점입니다. 그러나 이는 사용자가 어떤 소스를 사용했는지 또는 대략적인 양을 알아야 한다는 전제가 있습니다. 집에서 요리한 식사는 이를 추정하기 용이하지만, 소스 레시피가 알려지지 않은 레스토랑 식사는 모든 추적기가 추정하게 됩니다.

한계 2: 사진으로부터의 정확한 양 추정

문제점

이는 사진 기반 음식 추적의 가장 지속적이고 근본적인 한계입니다. 2D 사진은 음식의 3차원 부피와 질량을 신뢰성 있게 전달할 수 없습니다.

예를 들어, 두 접시의 파스타가 각각 150g과 300g일 경우, 같은 접시에서 위에서 촬영했을 때 300g의 서빙은 약간 더 높은 더미로 보일 수 있지만, 칼로리 차이는 195 칼로리입니다. 시각적 차이는 미세하지만, 칼로리 차이는 상당합니다.

AI 양 추정에 대한 연구는 2D 사진에서의 부피 추정에 대해 평균 절대 오차가 20-40%에 달한다고 지속적으로 밝혀졌습니다. 2024년 Nutrients에 발표된 연구에서는 최신 음식 양 추정 모델조차도 다양한 식사 유형에서 25-35%의 평균 오차를 보였으며, 소량의 칼로리 밀도가 높은 음식(견과류, 치즈, 기름)에서는 오차가 50%를 초과했습니다.

각 앱의 처리 방식

Cal AI: 접시 상대 크기와 학습된 우선순위를 사용한 2D 사진 추정. 전체 20-40% 오차 범위에 영향을 받습니다.

SnapCalorie: 3D LiDAR 스캐닝은 2D 방법에 비해 부풀린 음식의 오차를 30-40% 줄입니다. 이는 높이가 부피와 상관관계가 있는 쌀, 오트밀과 같은 음식에 대한 진정한 장점입니다. 그러나 3D는 평평한 음식(피자, 샌드위치), 그릇에 담긴 음식(수프, 시리얼), 또는 칼로리 밀도가 높은 소량의 아이템(견과류, 치즈 큐브)에는 도움이 되지 않습니다.

Foodvisor: 일부 데이터베이스 참조 표준 양을 포함한 2D 추정.

Nutrola: 2D 사진 추정에 데이터베이스 표준 양을 보완합니다. AI가 "치킨 볶음"을 제안하면 데이터베이스는 표준 서빙 크기(예: "1 서빙 = 300g")를 제공합니다. 사용자는 추정하는 대신 데이터베이스의 양 옵션을 사용하여 조정할 수 있습니다. 음성 기록을 통해 직접 양을 지정할 수도 있습니다: "약 두 컵의 쌀."

솔직한 평가

사진으로부터의 양 추정은 컴퓨터 비전에서 해결되지 않은 문제입니다. SnapCalorie의 3D 접근 방식은 가장 기술적으로 진보된 솔루션이지만, 특정 음식 유형에만 제한된 개선이 이루어지며 LiDAR 하드웨어가 필요합니다. Nutrola의 데이터베이스 양 참조는 기준점을 제공하지만, 사용자는 여전히 "1 서빙" 또는 "1.5 서빙"을 추정해야 합니다. 솔직한 추천은: 정확성이 중요한 경우, 음식을 저울로 측정하세요. 어떤 AI 추적기도 정밀도를 위한 주방 저울을 대체할 수 없습니다.

한계 3: 지역 및 낯선 음식

문제점

AI 음식 인식 모델은 훈련 데이터에서 가장 많이 반영된 음식 문화에 따라 훈련됩니다 — 일반적으로 미국, 서유럽, 동아시아 요리입니다. 덜 대표되는 요리의 경우 잘못 인식되거나 신뢰도가 낮은 추정을 받을 수 있습니다.

2023년 ACM Computing Surveys에 발표된 연구에서는 가장 일반적으로 사용되는 훈련 세트의 이미지 중 72%가 단 10개 국가의 음식을 나타낸다고 분석했습니다. 서아프리카, 중앙아시아, 태평양 섬, 토착 및 기타 많은 음식 전통은 상당히 저조하게 반영되고 있습니다.

즉, 에티오피아 스튜와 함께 먹는 인제라, 페루 세비체, 필리핀 아도보, 조지아 하차푸리, 세네갈 티에부디엔을 자주 먹는다면, AI는 요리를 잘못 인식하거나, 더 잘 알려진 요리와 혼동하거나, 정확도가 낮은 일반적인 "혼합 요리" 추정을 할 수 있습니다.

각 앱의 처리 방식

Cal AI: AI 모델의 훈련 데이터에 전적으로 의존합니다. 음식이 훈련에서 잘 반영되지 않으면 추정이 좋지 않으며 대안이 없습니다.

SnapCalorie: 동일한 한계. 3D 스캐닝은 양 추정을 개선하지만, 덜 대표되는 요리에 대한 음식 인식에는 도움이 되지 않습니다.

Foodvisor: 유럽 요리에 대한 커버리지가 약간 더 좋지만(프랑스 회사) 비유럽 음식에 대한 동일한 훈련 데이터 한계를 공유합니다.

Nutrola: AI는 동일한 인식 한계에 직면하지만, 180만 개 이상의 항목이 포함된 검증된 데이터베이스는 다양한 요리 전통의 음식을 포함합니다. AI가 지역 음식을 식별하지 못할 경우, 사용자는 음성을 통해 설명할 수 있습니다("에티오피아 인제라, 약 200그램, 렌틸 스튜, 약 150그램") 그리고 데이터베이스는 이러한 음식에 대한 검증된 항목을 제공합니다. 15개 언어 지원 덕분에 지역 언어로 음식 이름을 사용하여 데이터베이스 검색이 가능합니다.

솔직한 평가

이는 특정 앱의 한계가 아니라 AI 음식 인식 분야 전체의 한계입니다. 데이터베이스 기반 추적기는 이점이 있습니다. 데이터베이스는 AI 모델을 재훈련하지 않고도 지역 음식을 포함하도록 확장할 수 있기 때문입니다 — "티에부디엔"에 대한 검증된 항목을 데이터베이스에 추가하는 것이 AI가 사진에서 인식하도록 보장하는 것보다 훨씬 간단합니다. 그러나 데이터베이스 커버리지에도 공백이 존재합니다. Nutrola의 180만 개 항목은 AI 전용 모델의 분류 어휘보다 더 많은 음식을 포함하지만, 매우 지역적이거나 수제이거나 희귀한 음식은 여전히 수동 입력이 필요할 수 있습니다. 현재 모든 글로벌 음식 전통을 완벽하게 커버하는 추적기는 없습니다.

한계 4: 불투명한 용기에 담긴 음료

문제점

불투명한 컵, 머그잔, 또는 병에 담긴 음료를 촬영하면 AI는 거의 사용할 수 있는 정보가 없습니다. 흰색 커피 컵에는 블랙 커피(5 칼로리), 전유 라떼(190 칼로리), 휘핑 크림이 얹힌 모카(400 칼로리), 또는 차(2 칼로리)가 들어 있을 수 있습니다. 시각적 신호는 컵이지 내용물이 아닙니다.

투명한 유리잔에 담긴 음료의 경우에도 AI는 제한된 정보만을 가지고 있습니다. 액체의 색상과 불투명도는 가능성을 좁히지만, 레시피를 결정하지는 않습니다. 오렌지 주스, 망고 스무디, 당근-생강 주스는 유리에서 비슷하게 보일 수 있습니다. 다크 콜라와 다크 아이스 커피는 시각적으로 거의 동일합니다.

각 앱의 처리 방식

Cal AI: AI는 맥락(컵 모양, 보이는 액체의 색상)을 기반으로 추측합니다. 음료에 대한 정확도는 일반적으로 40-60%로, 사실상 동전 던지기 수준입니다.

SnapCalorie: 3D 스캐닝은 컵의 부피를 측정하여 액체의 양을 추정하는 데 도움을 줍니다. 그러나 특정 음료를 식별하지 않으면 밀리리터당 칼로리 함량은 알 수 없습니다.

Foodvisor: 음료 인식에 대한 Cal AI와 동일한 한계.

Nutrola: 음성 기록이 주요 솔루션입니다: "바닐라 시럽 두 펌프가 들어간 대형 오트밀 라떼"는 검증된 데이터베이스 일치에 충분한 정보를 제공합니다. 데이터베이스에는 특정 커피숍 음료, 우유 종류, 시럽, 조리 방법에 대한 항목이 포함되어 있습니다. 포장 음료에 대해서는 바코드 스캔이 가능합니다. 음료의 사진 스캐닝은 여전히 신뢰할 수 없으며, 솔직히 Nutrola의 AI 사진 기능에서 가장 약한 사용 사례입니다.

솔직한 평가

음료에 대한 AI 칼로리 추적은 모든 앱에서 가장 약한 범주입니다. 해결책은 더 나은 AI가 아니라 대체 입력 방법입니다. 음성 기록과 바코드 스캔은 시각적 한계를 완전히 우회합니다. 이는 다중 방법 추적기의 가장 강력한 주장의 하나입니다: 음료는 대부분의 사람들에게 일일 칼로리 섭취의 10-20%를 차지하며, 사진만으로 추적하는 앱은 이를 잘 처리하지 못합니다.

한계 5: 다층 및 숨겨진 구성 요소가 있는 요리

문제점

라자냐, 부리토, 샌드위치, 속을 채운 고추, 파이, 스프링 롤, 만두 등 외부가 내부를 숨기는 요리는 사진 기반 AI에 근본적인 도전을 제기합니다. 카메라는 최상층만 볼 수 있으며, 칼로리는 모든 층에서 나옵니다.

외부에서 촬영된 부리토는 또띠아만 보여줍니다. 내부에는 치킨, 쌀, 콩, 치즈, 사워크림, 과카몰리 등이 있을 수 있으며, 아니면 쌀과 콩만 있을 수도 있습니다. 이러한 속재료 간의 칼로리 차이는 300-500 칼로리일 수 있으며, 그 중 어느 것도 보이지 않습니다.

2023년 Food Quality and Preference에서 실시된 연구에서는 다층 요리에 대한 AI 음식 인식의 정확도가 단일 층이 보이는 식사에 비해 25-40% 감소한다고 밝혔습니다. 모델은 보이는 구성 요소에 더 많은 비중을 두기 때문에 다층 요리의 칼로리 함량을 지속적으로 과소평가했습니다.

각 앱의 처리 방식

Cal AI: 외부 모양에 따라 전체 항목을 하나의 항목으로 추정합니다. 부리토는 "부리토"로 평균 기반 칼로리 추정이 이루어지며, 특정 내용물은 고려되지 않습니다.

SnapCalorie: 3D 스캐닝은 외부 치수를 측정하여 더 나은 부피 추정을 제공합니다. 그러나 속재료 조성은 여전히 알 수 없습니다. 내용물이 알려지지 않은 정확하게 측정된 부리토는 정확하게 측정된 미스터리입니다.

Foodvisor: 다층 요리에 대한 동일한 한계. 영양사 리뷰가 도움이 될 수 있지만, 대기 시간이 필요합니다.

Nutrola: AI는 요리 유형을 식별하고 사용자가 음성으로 특정 구성 요소를 기록할 수 있습니다: "치킨 부리토, 쌀, 검은콩, 치즈, 사워크림, 과카몰리." 각 구성 요소는 검증된 데이터베이스 항목에서 가져옵니다. 사용자는 숨겨진 층 문제를 식별 가능한 구성 요소로 분해하는 것입니다. 이는 사용자가 내부에 무엇이 들어 있는지 아는 것이 더 쉽기 때문에 집에서 요리한 음식에 대해 더 용이합니다. 레스토랑이나 테이크아웃 음식은 그렇지 않을 수 있습니다.

솔직한 평가

다층 요리는 사진 기반 접근 방식의 고유한 한계입니다. 질문은 앱이 어떤 대안을 제공하는가입니다. 사진만으로는 대안이 없는 앱은 AI의 외부 기반 추정이 최종 답변이 됩니다. 다중 방법 앱은 사용자가 카메라로 캡처할 수 없는 내부 정보를 제공할 수 있도록 합니다. 정확도 향상은 전적으로 사용자가 요리의 내용물을 알고 있으며 이를 설명하는 데 시간을 할애하는지에 달려 있습니다.

한계 6: 사진을 찍을 수 없는 식사

문제점

모든 식사를 편리하게 사진으로 찍을 수 있는 것은 아닙니다. 이동 중에 먹는 식사, 회의 사이에 급하게 집어먹는 간식, 공동 접시에서 나누어 먹는 음식, 어두운 레스토랑에서 먹는 식사, 또는 기록하기 전에 이미 다 먹어버린 식사 등이 있습니다. 사진만으로 추적하는 앱은 이진 문제를 가지고 있습니다: 사진을 찍지 않으면 로그에 존재하지 않습니다.

각 앱의 처리 방식

Cal AI: 사진이 없으면 항목도 없습니다. 설명을 수동으로 입력할 수 있지만, 앱의 워크플로우는 카메라를 중심으로 구성되어 있습니다. 사후 기록은 가능하지만 텍스트 추정에 의존합니다.

SnapCalorie: 동일한 한계. 3D 스캐닝은 음식이 실제로 존재해야 합니다.

Foodvisor: 사진 중심의 워크플로우로 수동 검색이 가능합니다.

Nutrola: 음성 기록은 사진을 찍었는지 여부에 관계없이 모든 식사에 적용됩니다. "약 두 시간 전에 마요네즈가 들어간 터키 샌드위치와 사이드 샐러드를 먹었습니다"라고 음성으로 기록하면, 각 구성 요소가 검증된 데이터베이스 항목과 일치합니다. 이는 사진을 찍는 것을 기억할 필요가 없으며, 대부분의 사람들은 몇 시간 내에 무엇을 먹었는지를 기억할 수 있습니다.

솔직한 평가

이는 AI의 한계가 아니라 워크플로우의 한계입니다. 사진만으로 추적하는 앱은 취약합니다 — 사진이 찍히지 않으면 무너집니다. 다중 방법 앱은 회복력이 있습니다 — 한 방법이 사용할 수 없을 때 대체 경로를 제공합니다. 식사를 사진으로 찍는 것을 자주 잊거나, 사진을 찍기 어려운 상황에서 식사하는 사용자에게는 기록된 식사 범위의 차이가 상당할 수 있습니다.

현재 어떤 AI 추적기도 할 수 없는 것들

일부 한계는 보편적으로 적용되며 현재 어떤 앱으로도 해결되지 않습니다.

조리 기름의 양을 정확히 결정하는 것. 닭고기가 한 티스푼의 기름으로 팬에 구워졌는지 두 큰술의 기름으로 구워졌는지(200 칼로리 차이)는 사진에서 보이지 않으며, 사용자가 명시하지 않는 한 알 수 없습니다. 이는 모든 AI 칼로리 추적에서 가장 큰 체계적 오류입니다.

무표시 용기에서 특정 브랜드를 식별하는 것. 그릇에 담긴 그릭 요거트는 어떤 브랜드, 어떤 지방 비율인지 알 수 없습니다. 브랜드와 지방 수준에 따라 100g당 칼로리 범위는 59-170 칼로리입니다.

레스토랑 음식의 정확한 조리 방법을 결정하는 것. 생선이 기름 없이 구워졌는지 버터에 발라졌는지? 채소가 찐 것인지 기름에 볶은 것인지? 으깬 감자가 크림으로 만들어졌는지 우유로 만들어졌는지? 이러한 답변은 각 구성 요소의 칼로리에 100-300 칼로리 영향을 미치며, 어떤 AI에게도 보이지 않습니다.

개별 서빙 변동을 고려하는 것. 두 사람이 같은 요리의 "한 서빙"을 제공하더라도 50-100% 차이가 날 수 있습니다. 어떤 AI도 사용자의 서빙 경향이 관대하게 제공하는 것인지, 절제하는 것인지 알 수 없습니다.

사진으로부터 알코올 함량을 추적하는 것. 와인 한 잔, 칵테일, 맥주 — AI는 음료 유형을 추정할 수 있지만, 특정 브랜드, 부피, 알코올 함량(칼로리에 직접 영향을 미침)은 종종 보이지 않습니다.

한계를 극복하는 방법

이러한 한계를 이해하는 것은 AI 칼로리 추적을 포기할 이유가 아니라, 지능적으로 활용할 이유입니다.

각 음식에 맞는 방법을 사용하세요. 포장된 아이템에는 바코드를 사용하세요. 복잡하거나 숨겨진 재료가 있는 식사는 음성을 사용하세요. 시각적으로 명확한 접시 음식에는 사진을 사용하세요. 수동 검색은 마지막 수단으로 사용하세요. 사진 스캐닝의 한계는 대체 방법이 있다면 칼로리 추적의 한계가 아닙니다.

조리 기름은 항상 별도로 추가하세요. 습관으로 만드세요. 조리한 식사를 기록한 후, 조리 기름이나 버터를 별도의 항목으로 추가하세요. 이 단순한 습관은 AI 음식 스캐닝의 가장 큰 정확도 차이를 줄여줍니다.

정확성이 중요한 경우 저울로 측정하세요. 경쟁적인 감량, 의료 영양 프로토콜, 연구 연구에 참여하고 있다면, 주요 식사는 주방 저울을 사용하세요. AI 추적 + 음식 저울은 둘 중 하나보다 더 정확합니다.

정기적인 식사를 위한 식사 템플릿을 만드세요. 대부분의 사람들은 15-20개의 독특한 식사를 회전하여 먹습니다. 각 식사를 한 번 신중하게 기록한 후, 향후 인스턴스에 대해 해당 항목을 반복하세요. 이는 가장 자주 먹는 식사를 AI 추정에서 검증된 일관된 항목으로 변환합니다.

유용한 부정확성을 수용하세요. 정확성이 어려운 식사(레스토랑 식사, 사회적 식사)에 대해서는 AI 추정이 대략적이라는 것을 받아들이고, 정확한 숫자보다는 대략적인 크기를 맞추는 데 집중하세요. 레스토랑 식사에서 20% 이내에 있는 것이 아예 기록하지 않는 것보다 낫습니다.

Nutrola의 한계 접근 방식

Nutrola는 위에 나열된 모든 한계를 해결한다고 주장하지 않습니다. 어떤 정직한 추적기도 그렇지 않습니다. Nutrola가 제공하는 것은 AI가 한계에 도달했을 때 가장 많은 대체 옵션입니다.

식사를 사진으로 찍을 수 없습니까? 음성으로 기록하세요. AI가 음식을 잘못 인식했습니까? 검증된 데이터베이스에서 올바른 항목을 선택하세요. 카메라가 볼 수 없는 숨겨진 재료가 있습니까? 음성 또는 검색을 통해 개별적으로 추가하세요. 포장된 음식입니까? 정확한 데이터를 위해 바코드 스캔하세요. 정기적인 식사를 하고 있습니까? 이전에 검증된 항목을 반복하세요.

AI는 시스템의 한 도구일 뿐, 시스템 자체는 아닙니다. AI가 잘 작동할 때 — 간단하고, 시각적으로 명확하며, 조명이 잘 된 식사 — 빠르고 편리한 기록을 제공합니다. AI가 실패할 때 — 소스가 많은 요리, 숨겨진 층, 음료, 지역 음식 — 데이터베이스, 음성, 바코드가 제공하는 경로는 사진만으로는 제공할 수 없는 정확한 데이터를 제공합니다.

이 서비스는 무료 체험 후 월 €2.50에 제공되며, 광고는 없고 100개 이상의 영양소, 180만 개 이상의 검증된 항목, iOS, Android, Apple Watch, Wear OS에서 15개 언어로 지원됩니다. AI에 한계가 없기 때문이 아니라, 정직한 설계는 한계를 감추기보다는 이를 중심으로 구축하는 것을 의미합니다.

최고의 AI 칼로리 추적기는 한계가 가장 적은 것이 아닙니다. 한계에 도달했을 때 가장 좋은 대체 수단을 제공하는 것입니다.