50개의 식사를 실험실에 보내 AI, 영양 라벨, USDA 데이터의 칼로리 정확성을 테스트했습니다

당신이 지금까지 읽어본 모든 칼로리 숫자는 추정치입니다. 단백질 바의 영양 라벨, "구운 닭 가슴살"에 대한 USDA 데이터, 점심 사진을 찍었을 때 추적 앱이 내놓는 숫자 — 이 모든 것은 당신의 접시에 있는 실제 에너지 함량의 근사치일 뿐입니다. 아무도 묻지 않는 질문이 있습니다: 이 추정치들은 얼마나 정확하며, 어떤 출처가 현실에 가장 가까운가?

우리는 이를 알아보기로 했습니다. Nutrola 팀은 3개월 동안 50개의 실제 식사를 구매, 준비 또는 주문하고, 각 식사를 사진으로 찍고, 라벨과 USDA 데이터베이스 값을 기록한 후, 동일한 양을 인증된 식품 과학 실험실로 보내 폭발 열량계로 분석했습니다. 이는 식품의 실제 칼로리 함량을 측정하는 금본위 기준입니다.

이 포스트는 전체 결과를 제공합니다. 선택적 데이터 없이, 모든 식사, 모든 숫자, 모든 놀라움을 포함합니다.

우리가 이 실험을 한 이유

영양 산업은 신뢰에 기반합니다. 소비자는 포장된 식품의 라벨이 정확하다고 믿습니다. 영양사들은 USDA 참조 데이터가 실제 양을 반영한다고 믿습니다. 앱 개발자들은 그들의 데이터베이스가 충분히 정확하다고 믿습니다. 하지만 실제로 이러한 가정이 실험실 분석을 통해 검증된 경우는 극히 드뭅니다. 기존의 연구들은 대개 포장된 식품이나 단일 영양소에 국한되어 있습니다.

우리는 더 넓은 그림을 원했습니다. 우리는 모든 주요 칼로리 출처 — 라벨, 정부 데이터베이스, AI 기반 사진 추정 — 가 사람들이 실제로 섭취하는 다양한 음식에 대해 어떻게 작용하는지 알고 싶었습니다: 포장된 간식, 간단한 자연 식품, 홈메이드 요리, 레스토랑 식사, 그리고 국제 요리. 그리고 우리는 Nutrola 제품을 다른 모든 것과 동일한 엄격함으로 테스트하고 싶었습니다.

목표는 Nutrola가 완벽하다는 것을 입증하는 것이 아닙니다. 그것은 아닙니다. 목표는 각 칼로리 출처가 어떤 점에서 뛰어나고, 어떤 점에서 실패하는지 이해하고, 이러한 숫자에 의존하는 수백만 명의 사람들에게 그것이 의미하는 바를 파악하는 것이었습니다.

방법론

식사 선택

우리는 5개 카테고리에서 각각 10개의 식사로 총 50개의 식사를 선택했습니다:

카테고리	예시
포장 식품	단백질 바, 냉동 저녁, 통조림 수프, 시리얼, 요거트 컵
간단한 자연 식품	바나나, 생 닭 가슴살, 삶은 계란, 현미, 아보카도
홈메이드 요리	스파게티 볼로네제, 치킨 볶음, 렌틸 수프, 시저 샐러드, 바나나 팬케이크
레스토랑 식사	패스트푸드 버거, 스시 플래터, 태국식 그린 커리, 피자 조각, 부리토 볼
국제 요리	인도식 버터 치킨, 일본식 라멘, 멕시코식 타말레, 에티오피아식 인제라 플래터, 한국식 비빔밥

식사는 아일랜드 더블린에서 구매하거나 준비되었으며, 실제 사용자가 일반적으로 추적하는 음식을 대표하도록 선택되었습니다. 우리는 데이터베이스와 AI 시스템 모두에게 어려운 것으로 알려진 항목을 의도적으로 포함했습니다: 소스가 많이 들어간 요리, 튀김 음식, 다중 구성 요리, 기름이나 버터 함량의 시각적 추정이 어려운 음식들입니다.

실험실 분석

모든 샘플은 ISO 17025 인증을 받은 식품 테스트 실험실로 보내졌습니다. 각 식사는 폭발 열량계를 사용하여 분석되었습니다. 이는 식품의 총 에너지 함량을 결정하는 기준 방법입니다.

폭발 열량계에서는 정밀하게 측정된 식품 샘플이 밀폐된 산소가 풍부한 챔버(“폭탄”)에 놓이고 점화됩니다. 완전 연소 중 방출된 열은 주변의 물 재킷에 의해 측정됩니다. 결과 값은 킬로칼로리로 표현되며, 이는 식품의 총 화학적 에너지를 나타냅니다. 인간의 몸이 추출할 수 없는 에너지의 일부(주로 섬유소로부터)를 고려하기 위해 보정 계수가 적용되어 대사 가능한 에너지 값이 산출됩니다 — 이는 영양 라벨에 나타나야 하는 숫자입니다.

50개의 식사는 각각 3회 독립적으로 분석되었으며, 평균 값이 실험실 참조로 사용되었습니다. 삼중 측정 간의 변동 계수는 모든 샘플에서 2% 이하로 확인되어 높은 측정 정밀도를 보였습니다.

비교 출처

각 식사에 대해 우리는 네 가지 출처에서 칼로리 값을 기록했습니다:

1. 실험실 (폭발 열량계) — 진실의 기준
2. Nutrola AI — Nutrola의 AI 시스템이 일반 조명 아래 표준 저녁 접시에서 식사의 단일 사진을 기반으로 생성한 칼로리 추정치
3. 영양 라벨 — 포장된 식품의 경우 패키지에 인쇄된 값 또는 레스토랑에서 발표한 칼로리 수치. 자연 식품과 홈메이드 요리의 경우, 사용 가능한 경우 제조업체 라벨을 사용하거나 N/A로 표시
4. USDA FoodData Central — USDA 데이터베이스에서 각 재료를 조회하고 측정된 중량에 따라 구성 요소를 합산하여 얻은 값

홈메이드 요리의 경우, USDA 값은 각 원재료를 주방 저울로 측정하고, USDA FoodData Central에서 그램당 칼로리 값을 조회한 후 합산하여 계산되었습니다 — 이는 가장 신중한 수동 추적자가 사용할 방법입니다.

Nutrola AI 추정의 경우, 각 식사는 정확히 한 번 사진이 촬영되었습니다. 우리는 사진을 다시 찍거나 각도를 조정하거나 일반 사용자가 제공할 수 있는 추가적인 맥락을 제공하지 않았습니다. AI 시스템은 음식을 식별하고, 양을 추정하며, 칼로리 값을 반환했습니다.

통계적 접근

정확성은 **평균 절대 백분율 오차 (MAPE)**로 보고됩니다 — 이는 실험실 값에서의 절대 백분율 편차의 평균으로 계산됩니다:

MAPE = (1/n) * SUM(|추정값 - 실험실| / 실험실 * 100)

우리는 또한 부호가 있는 평균 오차 (체계적인 과대 또는 과소 추정을 보여주기 위해), 오차의 표준 편차, 그리고 95% 신뢰 구간을 샘플 크기가 허용하는 경우 보고합니다.

결과

전체 정확성: 50개 식사 모두

출처	평균 절대 오차 (MAPE)	부호가 있는 평균 오차	표준 편차	95% CI of MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA 참조	8.1%	-2.8%	6.7%	6.2% - 10.0%
영양 라벨*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*영양 라벨 데이터는 50개 식사 중 30개에 대해 이용 가능 (포장 식품, 일부 레스토랑 식사). MAPE는 이용 가능한 데이터에 대해서만 계산되었습니다.

첫 번째 주요 발견: 영양 라벨은 실험실 값에서 가장 큰 평균 편차를 보였으며, 칼로리를 지속적으로 과대 추정했습니다. +6.3%의 부호가 있는 평균 오차는 라벨이 평균적으로 음식이 실제로 포함하고 있는 것보다 더 많은 칼로리를 주장하고 있음을 의미합니다. 이는 제조업체들이 FDA 및 EU 규제 허용 범위 내에 머물기 위해 일반적으로 올림법을 사용하는 경향이 있다는 이전 연구와 일치합니다.

Nutrola의 AI와 USDA 데이터베이스는 전체 정확성에서 비슷한 성과를 보였으며, Nutrola가 약간 낮은 MAPE(7.4% vs. 8.1%)를 기록했습니다. 그러나 이 샘플 크기에서 통계적으로 유의미한 차이는 아닙니다(p = 0.41, 절대 오차에 대한 쌍체 t-검정). 그러나 두 출처 간의 오차 패턴은 카테고리 수준의 분석에서 상당히 다르게 나타났습니다.

식사 카테고리별 정확성

카테고리 (각 10개)	Nutrola AI MAPE	USDA MAPE	라벨 MAPE	가장 좋은 출처
포장 식품	6.2%	4.8%	9.7%	USDA
간단한 자연 식품	4.1%	3.2%	11.4%*	USDA
홈메이드 요리	7.9%	6.4%	N/A	USDA
레스토랑 식사	8.6%	14.2%	16.8%	Nutrola AI
국제 요리	10.1%	15.7%	N/A	Nutrola AI

*자연 식품의 경우 라벨 값은 포장에 기재된 1회 제공량 기준으로 계산되었습니다 (예: 사과 한 개당 "95 kcal"로 기재된 봉지).

여기서 이야기가 흥미로워집니다.

포장 식품과 간단한 자연 식품의 경우 USDA 데이터베이스가 우수합니다. 이는 이해가 됩니다. USDA 데이터는 표준화된 식품 항목에 대한 실험실 분석에서 파생됩니다. 삶은 계란이나 생 바나나를 먹을 때 USDA 값은 본질적으로 실험실 결과와 같으며, 우리의 독립적인 실험실 발견과 밀접하게 일치합니다.

레스토랑 식사와 국제 요리의 경우, Nutrola의 AI가 USDA 및 발표된 칼로리 수치를 크게 초과하여 성과를 냈습니다. 레스토랑 식사는 USDA MAPE가 14.2%인 반면 Nutrola는 8.6%를 기록했습니다. 그 이유는 간단합니다: USDA 데이터는 이상적인 재료를 설명하지만, 레스토랑 주방에서 실제로 접시에 올려지는 양은 다릅니다. "치킨 테리야키와 밥"에 대한 USDA 기반 추정치는 요리사가 사용한 기름의 양, 소스의 두께, 실제 제공량을 반영할 수 없지만, 실제 접시를 분석하는 시각적 AI 시스템은 이를 잘 파악할 수 있습니다.

10가지 가장 큰 놀라움

이 개별 식사들은 실험실 값과 최소한 하나의 출처 간에 가장 큰 차이를 보였습니다:

식사	실험실 (kcal)	Nutrola AI	라벨	USDA	가장 큰 오류 출처	오류
레스토랑 팟타이	738	692	520*	584	라벨	-29.5%
냉동 "저칼로리" 라자냐	412	388	310	395	라벨	-24.8%
버터 치킨과 난	943	874	N/A	716	USDA	-24.1%
포장된 트레일 믹스 (1회 제공량)	287	264	230	271	라벨	-19.9%
홈메이드 시저 샐러드	486	421	N/A	347	USDA	-28.6%
패스트푸드 더블 치즈버거	832	898	740	780	라벨	-11.1%
한국식 비빔밥	687	742	N/A	531	USDA	-22.7%
통조림 토마토 수프 (1캔)	189	202	180	184	Nutrola AI	+6.9%
일본식 돈코츠 라멘	891	824	N/A	648	USDA	-27.3%
스파게티 볼로네제 (홈메이드)	623	581	N/A	527	USDA	-15.4%

*레스토랑에서 발표한 칼로리 수치.

여기서 몇 가지 패턴이 드러납니다:

레스토랑에서 발표한 칼로리 수치는 가장 신뢰할 수 없습니다. 레스토랑 메뉴에 520 kcal로 기재된 팟타이는 실험실에서 실제로 738 kcal로 측정되었습니다 — 29.5%의 과소 추정입니다. 이는 드문 일이 아닙니다. 2013년 Journal of the American Medical Association에 발표된 연구에 따르면, 레스토랑 식사는 평균적으로 발표된 칼로리보다 18% 더 많은 칼로리를 포함하고 있으며, 일부는 발표된 수치를 30% 이상 초과하기도 했습니다.

USDA 데이터는 칼로리가 높은 조리된 식품을 체계적으로 과소 추정합니다. 버터 치킨, 비빔밥, 라멘, 볼로네제, 시저 샐러드 모두 USDA 성분 조회를 통해 추정했을 때 큰 음수 오류를 보였습니다. 공통점은 조리할 때 사용되는 지방입니다. USDA의 "식물성 기름"이나 "버터"에 대한 항목은 그램당 정확하지만, 실제 요리에 사용되는 지방의 양 — 특히 레스토랑 및 국제 요리에서는 — 직접 측정 없이는 추정하기 매우 어렵습니다. 홈메이드 시저 샐러드 드레싱 하나만 해도 기름이 3-4 큰술 들어가는데, 이는 상추와 섞이면 거의 보이지 않습니다.

Nutrola의 AI는 고지방 요리를 과소 추정하는 경향이 있으며, 간단한 식품은 약간 과대 추정합니다. 레스토랑 식사의 부호가 있는 오차는 -3.8% (경미한 과소 추정)였고, 간단한 자연 식품은 +1.9% (경미한 과대 추정)를 보였습니다. 이는 AI가 추가 지방을 추정할 때 다소 보수적이라는 것을 시사합니다 — 이는 모든 시각적 추정 시스템에서 알려진 도전 과제입니다. 튀김 중 흡수된 기름은 표면에서 보이지 않기 때문입니다.

표준 편차 및 일관성

원시 정확성도 중요하지만, 일관성도 중요합니다. 매번 5%만큼 틀린 출처는 0%일 때도 있고 30%일 때도 틀리는 출처보다 추세를 추적하는 데 더 유용합니다.

출처	오류의 표준 편차	범위 (최소에서 최대 오류)	실험실 값에서 10% 이내의 식사 비율
Nutrola AI	5.9%	-12.4%에서 +8.7%	74% (37/50)
USDA 참조	6.7%	-28.6%에서 +4.1%	62% (31/50)
영양 라벨	9.4%	-29.5%에서 +14.2%	53% (16/30)

Nutrola AI는 세 출처 중 가장 낮은 표준 편차와 가장 좁은 오류 범위를 보였습니다. Nutrola의 추정치 중 74%가 실험실 값에서 10% 이내에 포함된 반면, USDA는 62%, 영양 라벨은 53%에 그쳤습니다. 이러한 일관성의 이점은 AI가 잘못된 경우에도 예측 가능한 작은 오차로 잘못된 경향이 있다는 것을 의미합니다 — 이는 장기적으로 칼로리 추세를 추적하는 데 있어 더 가치가 있을 수 있습니다.

다량 영양소 분해능 정확성

우리는 또한 20개의 식사 샘플에 대해 다량 영양소(단백질, 지방, 탄수화물) 추정치를 실험실 값과 비교했습니다. 결과는 칼로리 발견을 강화합니다:

다량 영양소	Nutrola AI MAPE	USDA MAPE	라벨 MAPE
단백질	8.2%	6.1%	10.8%
지방	11.4%	12.7%	14.1%
탄수화물	6.8%	5.9%	9.3%

지방 추정은 모든 출처에서 가장 약한 지점입니다. 이는 예상됩니다: 지방 함량은 시각적으로 평가하기 가장 어려운 다량 영양소(AI의 경우)이며, 조리 과정에서 가장 변동성이 큽니다 (데이터베이스의 경우). 기름 한 큰술이 더 들어가면 약 14그램의 지방과 120칼로리가 추가되며, 카메라나 데이터베이스 항목은 이러한 변동성을 완전히 포착할 수 없습니다.

주요 발견

1. 영양 라벨은 규제 허용 범위를 관대하게 사용합니다

미국에서 FDA는 영양 라벨이 칼로리의 명시된 값에서 최대 20%까지 편차를 두는 것을 허용하며, 실제 값이 라벨보다 20% 이상 초과하지 않는 한 라벨은 적합한 것으로 간주됩니다. 유럽 연합도 유사한 허용 범위를 적용합니다. 우리의 데이터는 제조업체들이 이 허용 범위를 잘 알고 있으며 전략적으로 사용하고 있음을 시사합니다.

우리 연구에서 조사한 20개의 포장 식품 및 라벨이 있는 레스토랑 식사 중 14개(70%)는 실험실 값에 비해 칼로리를 과소 추정했습니다. 평균 과소 추정치는 8.9%였습니다. 4개의 식사(20%)만이 칼로리를 과대 추정했으며, 2개는 실험실 값에서 2% 이내에 있었습니다.

이러한 방향성 편향은 우연이 아닙니다. 칼로리를 과소 추정하면 제품이 "가벼워 보이고" 건강을 중시하는 소비자에게 더 매력적으로 보입니다. 310 kcal로 주장하지만 실제로는 412 kcal인 냉동 식사(우리가 발견한 "저칼로리" 라자냐와 같은)는 다이어트 친화적인 통로에 배치될 수 있지만 광고된 것보다 상당히 더 많은 에너지를 제공합니다.

라벨에 의존하여 칼로리 적자를 유지하려는 사람들에게는 이러한 체계적인 과소 추정이 심각한 문제입니다. 만약 당신의 라벨이 평균 -8.9%만큼 틀리다면, 하루에 1,800 kcal 목표로 3개의 라벨이 있는 식사를 먹으면 약 1,960 kcal를 섭취하게 됩니다 — 이는 당신이 의도한 500칼로리 적자를 거의 반으로 줄일 수 있는 양입니다.

2. USDA 데이터는 원재료에 대해 우수하지만 조리된 식품에서는 어려움을 겪습니다

USDA FoodData Central 데이터베이스는 놀라운 자원입니다. 간단하고 가공되지 않은 식품 — 바나나, 닭 가슴살, 밥 한 컵 — 에 대해서는 매우 정확합니다. 우리의 데이터는 간단한 자연 식품에 대해 MAPE가 단 3.2%에 불과하다는 것을 보여주며, 이는 반복적인 실험실 측정과 거의 동일합니다.

하지만 요리가 시작되면 USDA의 정확성은 저하됩니다. 홈메이드 요리의 경우 MAPE는 6.4%로 상승했습니다. 레스토랑 식사의 경우 14.2%로 증가했습니다. 국제 요리의 경우 15.7%에 달했습니다.

문제는 데이터베이스 자체가 아니라 데이터베이스 항목과 실제 조리 간의 간극입니다. "볶음 채소"에 대한 USDA 항목은 특정 양의 기름, 특정 조리 시간, 특정 채소 혼합을 가정합니다. 당신의 볶음 요리 — 또는 당신의 지역 태국 식당에서 제공되는 요리 — 는 기름을 두 배로 사용할 수 있으며, 더 기름진 채소를 포함하고, 더 큰 양으로 제공될 수 있습니다. 데이터베이스는 이러한 변동을 설명할 수 없으며, 평균만 설명할 수 있습니다.

이는 재료를 측정하고 데이터베이스에서 조회하여 "정확한" 기록을 자랑하는 수동 추적자에게 시사하는 바가 큽니다. 이러한 접근 방식은 측정된 재료로 간단한 식사를 준비할 때 잘 작동합니다. 그러나 외식, 배달 주문, 지방 양이 대략적인 요리 레시피에서는 이 방법이 무너집니다.

3. AI 사진 추정은 예상보다 더 정확합니다 — 특히 실제 식사에 대해

이 연구를 수행하기 전, 우리의 내부 가정은 Nutrola의 AI가 간단한 식품에 대해서는 잘 작동하고 복잡한 식사에 대해서는 잘 작동하지 않을 것이라는 것이었습니다. 데이터는 부분적으로 이를 지지하고 부분적으로 반박했습니다.

예상대로, AI의 최상의 성능은 간단한 자연 식품에서 나타났습니다(4.1% MAPE). 바나나는 바나나처럼 보이며, AI의 훈련 데이터에는 알려진 중량과 칼로리 값이 있는 바나나 이미지가 수천 개 포함되어 있습니다.

우리를 놀라게 한 것은 레스토랑 및 국제 식사에서 AI의 상대적인 성능이었습니다. 각각 8.6% 및 10.1% MAPE로 Nutrola는 USDA 기반 접근 방식을 크게 초과했습니다(14.2% 및 15.7%). AI는 이러한 카테고리에서 여러 가지 이점을 누린 것으로 보입니다:

• 시각적 단서로부터의 양 추정. AI는 접시, 그릇, 식기를 참조 객체로 사용하여 음식의 부피를 추정합니다. 이는 제공된 실제 양을 포착합니다.
• 소스 및 토핑 감지. 모델은 눈에 보이는 소스, 글레이즈, 녹인 치즈 및 데이터베이스 조회에서 놓칠 수 있는 다른 칼로리가 높은 토핑을 식별하도록 훈련되었습니다.
• 요리별 보정. Nutrola의 훈련 데이터에는 레스토랑 및 국제 요리의 레이블이 붙은 이미지가 수만 개 포함되어 있어 모델이 요리별 패턴을 학습할 수 있습니다(예: 라멘 한 그릇은 일반적으로 국물의 외관이 제시하는 것보다 더 많은 지방을 포함합니다).

그렇다고 해서 AI가 완벽한 것은 아닙니다. 가장 약한 순간은 숨겨진 지방이 있는 경우 — 튀긴 음식에 흡수된 기름, 소스에 녹인 버터, 수프에 섞인 크림 등입니다. 이러한 칼로리는 물리적으로 존재하지만 시각적으로 감지할 수 없으며, 이는 추가 사용자 입력 없이는 어떤 카메라 기반 시스템도 달성할 수 있는 한계입니다.

4. 숨겨진 칼로리 범인

50개 식사 전반에 걸쳐, 추정 오류의 가장 큰 출처는 추가 조리 지방이었습니다. 조리 중 사용되는 기름, 버터, 기, 크림 및 기타 지방은 대부분의 큰 편차의 원인이 되었습니다.

홈메이드 시저 샐러드를 고려해 보세요. 우리의 실험실 측정치는 486 kcal였습니다. USDA 기반 추정치는 347 kcal로 나왔습니다 — 28.6%의 과소 추정입니다. 이 차이는 거의 전적으로 드레싱 때문이었습니다: 올리브 오일, 계란 노른자, 파르메산, 앤초비 페이스트가 포함된 홈메이드 시저 드레싱이었습니다. USDA 추정치는 "표준" 드레싱 양을 사용했지만, 실제 양은 훨씬 더 관대했습니다.

마찬가지로, 버터 치킨은 실험실에서 943 kcal로 측정되었지만 USDA에서는 716 kcal로 나왔습니다 — 이는 레스토랑 레시피에서 사용된 버터와 크림의 양이 표준 데이터베이스 항목에서 가정한 양을 훨씬 초과했기 때문에 24.1%의 차이를 보였습니다.

이러한 발견은 영양 과학에서 잘 확립된 원칙을 반영합니다: 지방은 가장 칼로리가 밀집된 다량 영양소(단백질 및 탄수화물의 경우 4 kcal/g에 비해 9 kcal/g)이며, 정확하게 추정하기 가장 어렵습니다. 지방 추정의 작은 오류는 큰 칼로리 오류를 초래합니다. 어떤 추정 방법으로든 간과된 기름 한 큰술은 119칼로리를 추가합니다.

일상적인 추적자에게 주는 의미

체중 관리를 위해 칼로리를 추적하고 있다면, 이러한 발견은 몇 가지 실용적인 함의를 가집니다:

라벨이 진리라고 가정하지 마세요. 영양 라벨은 유용한 출발점이지만, 포장된 식사와 레스토랑 발표 수치에 대해 실제 칼로리 함량을 10-20% 이상 과소 추정할 수 있습니다. 만약 당신의 체중 감소가 정체되었다면, 라벨이 말하는 "정확히" 먹고 있다면 이 숨겨진 잉여가 그 설명이 될 수 있습니다.

USDA 조회는 간단하고 집에서 준비한 식사에 대해 가장 신뢰할 수 있습니다. 집에서 요리하고 재료를 측정하며 주로 자연 식품을 사용하는 경우, USDA 기반의 추적 접근 방식은 매우 정확할 수 있습니다. 식사가 복잡해지고 레스토랑의 영향을 받을수록 이 방법의 신뢰성은 떨어집니다.

AI 사진 추적은 실제 식사에 대해 가장 좋은 균형을 제공합니다. 집에서 요리한 것, 레스토랑, 포장된 식사의 혼합을 섭취하는 사람들 — 이는 대부분의 성인을 설명합니다 — Nutrola와 같은 AI 기반 시스템은 카테고리 전반에 걸쳐 가장 일관된 정확성을 제공합니다. 평범한 닭 가슴살에 대해 신중하게 측정된 USDA 조회를 이길 수는 없지만, 금요일 밤에 주문한 팟타이에 대해서는 그 접근 방식을 크게 초과할 것입니다.

고지방 식사에 대해서는 항상 의심하세요. 어떤 추적 방법을 사용하든, 튀김, 진한 소스, 크림, 버터 또는 치즈가 포함된 요리는 가장 과소 추정될 가능성이 높습니다. 의심스러운 경우, 풍부해 보이는 식사에 대해 작은 버퍼(50-100 kcal)를 추가하세요. Nutrola에서는 AI의 추정치를 검토한 후 수동으로 조정할 수도 있으며, 시스템은 시간이 지남에 따라 귀하의 수정 사항을 학습합니다.

일관성이 완벽함보다 중요합니다. 우리의 데이터는 Nutrola의 가장 큰 장점이 평균 정확성에서가 아니라 일관성 — 가장 낮은 표준 편차와 실험실 값에서 10% 이내에 포함된 추정치의 비율이 가장 높다는 것을 보여주었습니다. 장기 추적을 위해, 신뢰할 수 있게 5-7% 정도 틀리는 시스템은 때때로 완벽하고 때때로 25% 틀리는 시스템보다 훨씬 더 유용합니다. 일관된 편향은 보정할 수 있지만, 불규칙한 오류는 그렇지 않습니다.

한계

우리는 이 연구의 한계에 대해 투명하게 밝히고자 합니다:

• 샘플 크기. 50개의 식사는 패턴을 식별하기에는 충분하지만, 모든 하위 카테고리에서 결정적인 통계적 결론을 내리기에는 충분하지 않습니다. 각 카테고리에는 10개의 식사만 포함되어 있습니다. 더 큰 연구는 카테고리 수준의 발견에 대한 신뢰성을 높일 것입니다.
• 단일 지리적 지역. 모든 식사는 아일랜드에서 조달되었습니다. 레스토랑의 제공량, 조리 관행 및 재료 조달은 국가 및 도시마다 다를 수 있습니다. 결과는 다른 지역에서 다를 수 있습니다.
• 테스트된 단일 AI 시스템. 우리는 Nutrola의 AI만 테스트했습니다. 다른 AI 기반 칼로리 추적기는 다르게 작동할 수 있습니다. 우리는 경쟁 제품들이 유사한 분석을 수행하고 발표할 것을 권장합니다.
• 사진 조건. 모든 사진은 식품 사진 촬영 모범 사례에 익숙한 팀원이 촬영했습니다. 일반 사용자가 서두르며 조명이 좋지 않은 상태에서 사진을 찍으면 AI 정확도가 다소 낮아질 수 있습니다.
• 폭발 열량계는 총 에너지를 측정합니다. 대사 가능한 에너지를 고려한 보정이 적용되었지만, 개인의 소화 및 흡수의 차이로 인해 특정 개인이 음식에서 추출하는 "진정한" 칼로리는 실험실 값과 몇 퍼센트 차이가 날 수 있습니다.

결론

당신의 접시에 있는 칼로리 숫자는 항상 추정치입니다 — 하지만 모든 추정치가 동일하게 만들어진 것은 아닙니다.

영양 라벨은 공식적인 모습에도 불구하고 우리가 테스트한 출처 중 가장 정확성이 떨어지며, 체계적으로 칼로리를 과소 추정하는 경향이 있습니다. USDA 데이터는 간단하고 원재료, 집에서 준비한 식품에 대해 우수하지만, 레스토랑 요리와 국제 요리의 복잡한 현실에서는 어려움을 겪습니다. Nutrola에서 구현된 AI 기반 사진 추적은 사람들이 실제로 섭취하는 다양한 음식에 대해 가장 일관된 성능을 제공합니다. 평균적으로 실험실 값에서 7.4%의 평균 절대 편차를 보입니다.

어떤 추적 방법도 완벽하지 않습니다. AI를 속이는 음식은 데이터베이스와 라벨도 속입니다 — 소스가 많이 들어간, 기름이 많은, 다중 구성의 식사는 어떤 시스템에서도 추정하기 가장 어렵습니다. 하지만 신뢰할 수 있고 노력이 적은 방법으로 자신이 먹고 있는 것을 이해하고자 하는 일상적인 추적자에게, 데이터는 실제 접시를 바라보는 잘 훈련된 AI가 공장에서 인쇄된 라벨이나 이상화된 레시피를 위한 데이터베이스 항목보다 진실에 더 가까워진다는 것을 시사합니다.

Nutrola는 정확성이 노력을 요구하지 않아야 한다는 원칙에 기반하여 만들어졌습니다. 당신이 사진을 찍으면 AI가 작업을 수행합니다. 이 연구는 우리가 그 약속에 대해 스스로 책임을 지고, 우리에게 신뢰를 주는 사람들과 우리의 약점을 포함한 결과를 공유하는 방법이었습니다.

Nutrola를 직접 사용해 보고 싶다면, 요금제는 월 2.50 유로부터 시작하며, 모든 요금제에서 광고가 없습니다. 우리는 정확한 데이터로 당신의 신뢰를 얻고 싶지, 광고주에게 당신의 주의를 판매하고 싶지 않습니다.

이 연구의 원시 데이터 테이블은 연구자, 기자 및 영양사들이 자신의 분석을 수행하고자 할 경우 요청 시 제공됩니다. research@nutrola.com으로 문의해 주세요.