Hoe de Voedingsdatabase van Nutrola Is Gebouwd: Van USDA-gegevens tot 12 Miljoen Geverifieerde Invoeren

Wanneer je in een calorie-tracking app zoekt naar "gegrilde kipfilet" en je ziet "165 calorieën per 100 gram", dan is dat getal niet zomaar uit de lucht komen vallen. Iemand heeft het gemeten. Iemand heeft het geverifieerd. Iemand heeft besloten dat het nauwkeurig genoeg is om aan miljoenen gebruikers te tonen die op basis van die gegevens gezondheidsbeslissingen nemen.

De kwaliteit van een voedingsdatabase is de onzichtbare basis onder elke calorie-tracking app. Als de database onjuist is, dan is alles wat daarop is gebouwd ook onjuist: je dagelijkse calorie totaal, je macroverdeling, je wekelijkse trend, de aanbevelingen van je coach en uiteindelijk je resultaten. Toch denkt de meeste gebruikers nooit na over waar die cijfers vandaan komen, en de meeste apps leggen het nooit uit.

Dit artikel beschrijft precies hoe de voedingsdatabase van Nutrola is opgebouwd, van de overheidsgegevens tot de 12 miljoen geverifieerde invoeren die het vandaag de dag bevat. Het legt ook uit waarom de kwaliteit van databases zo dramatisch kan verschillen tussen apps en wat dat betekent voor de nauwkeurigheid van jouw tracking.

De Basis: USDA FoodData Central

Elke serieuze voedingsdatabase begint met het Amerikaanse Ministerie van Landbouw (USDA). De USDA meet al sinds de jaren '90 van de 19e eeuw de voedingswaarde van voedingsmiddelen, en hun moderne database, FoodData Central, vertegenwoordigt de meest uitgebreide en rigoureus gevalideerde verzameling van voedselcompositiegegevens ter wereld.

FoodData Central bevat meerdere datasets. SR Legacy biedt gedetailleerde voedingsprofielen voor ongeveer 7.600 gangbare voedingsmiddelen, elk het resultaat van laboratoriumanalyses, niet van schattingen. Voedingsmiddelen worden fysiek aangeschaft, bereid volgens gestandaardiseerde protocollen en geanalyseerd met gevalideerde analytische chemische methoden. Foundation Foods is de nieuwere, meer gedetailleerde opvolger, die variabiliteitsmetingen, steekproefgroottes en metadata over cultivar, ras, oorsprong en oogstseizoen biedt. FNDDS behandelt gemengde gerechten en recepten zoals deze gewoonlijk worden geconsumeerd, met portiegroottegegevens gekoppeld aan huishoudelijke maten. Branded Foods bevat gegevens over verpakte voedingsmiddelen die zijn verkregen via een samenwerking met Label Insight (nu NielsenIQ).

Nutrola neemt alle vier datasets op, normaliseert ze naar een consistent schema en vergelijkt invoeren om discrepanties op te lossen. Wanneer zowel SR Legacy als Foundation Foods gegevens voor hetzelfde item bevatten, hebben de waarden van Foundation Foods voorrang omdat ze zijn gebaseerd op recentere analyses.

Deze USDA-basis biedt ongeveer 400.000 unieke voedselinvoeren. Dat is een sterke start, maar niet voldoende voor een moderne calorie-tracking app. De meeste mensen eten geen "Kip, broiler, borst, vlees alleen, gekookt, geroosterd." Ze eten een Chick-fil-A sandwich, of een bevroren maaltijd van Trader Joe's, of een zelfgemaakt gerecht uit een recept dat hun grootmoeder uit een ander land heeft meegenomen. Het volledige scala van wat echte mensen daadwerkelijk eten, vereist veel meer dan alleen overheidsgegevens.

Toevoegen van Gegevens over Verpakte Voeding

De laag met gegevens over verpakte voeding zorgt voor de grootste uitbreiding van de database. Verpakte voedingsmiddelen met Nutrition Facts-labels vormen een aanzienlijk deel van het typische dieet in de Verenigde Staten en andere ontwikkelde landen, en gebruikers verwachten hun specifieke producten te vinden wanneer ze zoeken.

Nutrola haalt gegevens over verpakte voeding uit meerdere kanalen.

Directe samenwerkingen met fabrikanten bieden de hoogste kwaliteit van merkdata. Wanneer een fabrikant voedingsgegevens rechtstreeks deelt, komen deze uit dezelfde laboratoriumanalyses die zijn gebruikt om het Nutrition Facts-paneel te genereren. Nutrola onderhoudt gegevensuitwisselingsovereenkomsten met honderden voedingsfabrikanten.

Integratie van barcode-databases vangt de lange staart van producten via open-source barcode-databases, overheidsregisters van voedsellabels en commerciële gegevensleveranciers. Wanneer een gebruiker een niet-herkenbare barcode scant, start het systeem een verificatieworkflow voordat de invoer beschikbaar wordt voor alle gebruikers.

Labelscanning en OCR bouwt invoeren op uit fysieke Nutrition Facts-panelen. Elke invoer die via OCR is verkregen, doorloopt een validatieproces dat controleert op veelvoorkomende extractiefouten: verkeerd gelezen decimalen, omgedraaide cijfers en waarden buiten plausibele bereiken.

Periodieke vernieuwingcycli zorgen ervoor dat gegevens over verpakte voeding actueel blijven. Fabrikanten herformuleren regelmatig producten. Nutrola voert kwartaalvernieuwingen uit voor producten met een hoog volume en jaarlijkse vernieuwingen voor de bredere catalogus, waarbij invoeren worden gemarkeerd waar waarden zijn veranderd.

Deze laag met gegevens over verpakte voeding voegt ongeveer 1,5 miljoen invoeren toe aan de database, elk gekoppeld aan specifieke UPC/EAN-barcodes en productidentificaties.

Door Gebruikers Bijgedragen Invoeren en het Nauwkeurigheidsprobleem

De meeste grote calorie-tracking databases zijn sterk afhankelijk van crowdsourced data, invoeren die door gebruikers handmatig zijn ingevoerd op basis van voedingsinformatie van labels, recepten of hun eigen schattingen. Deze aanpak schaalt snel. Het is ook de grootste bron van databasefouten in de voedingstrackingindustrie.

De problemen met crowdsourced voedseldata zijn goed gedocumenteerd. Een review uit 2020, gepubliceerd in Nutrients door Evenepoel et al., vond foutpercentages van 15 tot 25 procent in macronutriëntenwaarden in crowdsourced voedingsdatabases. De soorten fouten omvatten het volgende.

Fouten bij gegevensinvoer. Een gebruiker typt 52 gram eiwit in plaats van 5,2 gram. Een fout met een decimaal die ervoor zorgt dat een portie yoghurt lijkt te bevatten wat een hele kipfilet zou bevatten. Deze fouten komen vaak voor omdat handmatige gegevensinvoer inherent foutgevoelig is, en de meeste crowdsourced systemen hebben geen mechanisme om ze te vangen voordat de invoer live gaat.

Dubbele en conflicterende invoeren. Zoek naar "banaan" in een grote crowdsourced database en je vindt misschien dertig invoeren met verschillende caloriewaarden. Sommige geven een kleine banaan, sommige een gemiddelde, sommige een grote. Sommige omvatten het gewicht van de schil, andere niet. Sommige zijn nauwkeurig, sommige zijn totaal verkeerd. De gebruiker moet raden welke invoer correct is, en heeft geen betrouwbare manier om dat te bepalen.

Verouderde productinformatie. Een gebruiker dient gegevens in voor een granola-reep in 2022. De fabrikant herformuleert het product in 2024, vermindert suiker en verhoogt vezels. De oude invoer blijft voor onbepaalde tijd in de database staan, waardoor onjuiste waarden terugkomen voor iedereen die deze selecteert.

Schatting in plaats van meting. Sommige door gebruikers ingediende invoeren zijn helemaal niet gebaseerd op labelgegevens, maar op de persoonlijke schatting van een gebruiker van de voedingswaarde van een voedsel. Deze invoeren kunnen meer dan 50 procent afwijken van de werkelijke waarden.

Inconsistente portiegroottes. Eén invoer voor "rijst, gekookt" gebruikt een portie van 100 gram. Een andere gebruikt één kop. Weer een andere gebruikt "één portie" zonder te definiëren wat dat betekent. Gebruikers die tussen deze invoeren kiezen, merken mogelijk de discrepantie in portiegrootte niet op, wat leidt tot fouten die zich over maaltijden opstapelen.

Nutrola accepteert door gebruikers bijgedragen invoeren omdat ze essentieel zijn voor het vastleggen van de volledige diversiteit aan voedingsmiddelen die mensen eten, inclusief regionale gerechten, restaurant-specifieke items en zelfgemaakte recepten die niet in enige officiële database bestaan. Elke door gebruikers bijgedragen invoer doorloopt echter een verificatiepipeline voordat deze breed beschikbaar wordt. De invoer is onmiddellijk bruikbaar voor de persoon die deze heeft gemaakt, maar wordt niet aan andere gebruikers getoond totdat deze is gevalideerd.

De Verificatiepipeline

Elke voedselinvoer in Nutrola, ongeacht de bron, doorloopt een meerfasen verificatieproces voordat deze in de algemene database terechtkomt.

Fase 1: Geautomatiseerde plausibiliteitscontroles. Een algoritme onderzoekt de ingediende voedingswaarden aan de hand van bekende beperkingen. Calorieën moeten consistent zijn met de aangegeven macronutriënten (eiwit, koolhydraten, vet) binnen een gedefinieerde tolerantie. Het Atwater-systeem biedt de conversiefactoren: 4 calorieën per gram eiwit, 4 calorieën per gram koolhydraat, 9 calorieën per gram vet, en 7 calorieën per gram alcohol. Als een gebruiker een invoer indient die 200 calorieën, 30 gram eiwit, 20 gram koolhydraten en 15 gram vet claimt, is de berekende caloriewaarde 335, niet 200. De invoer wordt gemarkeerd voor beoordeling.

Deze fase controleert ook op onwaarschijnlijke waarden binnen voedselcategorieën. Een fruitinvoer die 40 gram vet per portie claimt, een groente-invoer die 60 gram eiwit per 100 gram claimt, of enige invoer waarbij een enkele macronutriënt het totale gewicht van de portie overschrijdt, worden automatisch gemarkeerd. Deze controles vangen de meeste fouten bij gegevensinvoer, inclusief fouten met decimalen en verwarring over eenheden.

Fase 2: Cross-referentie matching. Het systeem vergelijkt de ingediende invoer met bestaande invoeren voor dezelfde of vergelijkbare voedingsmiddelen. Als de USDA-database een referentie-invoer voor "cheddar kaas" bevat en een gebruiker een merk-invoer voor cheddar kaas indient met caloriewaarden die 40 procent lager zijn dan de USDA-referentie, wordt de invoer gemarkeerd voor handmatige beoordeling. Kleine afwijkingen zijn te verwachten omdat merkproducten variëren. Grote afwijkingen duiden op waarschijnlijk fouten.

Fase 3: Beoordeling door voedingsdeskundige. Invoeren die de geautomatiseerde controles doorstaan maar in belangrijke categorieën vallen, zoals basisvoedsel, veelgezochte items of invoeren met borderline plausibiliteitscores, worden naar de beoordelingswachtrij van voedingsdeskundigen gestuurd. Het team van geregistreerde diëtisten en voedingswetenschappers van Nutrola onderzoekt deze invoeren aan de hand van gezaghebbende bronnen, waarbij waarden worden gecontroleerd tegen de websites van fabrikanten, overheidsdatabases uit meerdere landen en gepubliceerde voedselcompositietabellen.

Fase 4: Gemeenschapsconsensus. Voor invoeren die al enige tijd in de database staan, bieden gebruikspatronen een extra kwaliteitsindicator. Als veel gebruikers een invoer selecteren en niemand deze als onjuist meldt, is dat een positief signaal. Als gebruikers vaak een invoer selecteren en vervolgens onmiddellijk de waarden bewerken, suggereert dat patroon dat de oorspronkelijke invoer fouten kan bevatten. Deze gedragsindicatoren worden teruggekoppeld naar de beoordelingspipeline, waardoor mogelijk problematische invoeren opnieuw worden onderzocht.

Het Beoordelingsproces door Voedingsdeskundigen

De menselijke beoordelingslaag is wat een geverifieerde database scheidt van een crowdsourced database. Geautomatiseerde controles vangen de voor de hand liggende fouten, maar subtiele onnauwkeurigheden vereisen menselijke beoordeling.

Het beoordelings-team van Nutrola werkt op basis van prioriteit. Voedingsmiddelen worden geprioriteerd voor beoordeling op basis van zoekvolume, foutkans en voedingssignificantie. Een fout in de calorie telling van water (dat nul zou moeten zijn) heeft geen praktische gevolgen. Een fout in de calorie telling van olijfolie, een van de meest calorie-dense gangbare voedingsmiddelen, kan de dagelijkse totaal van een gebruiker met honderden calorieën verstoren.

Het beoordelingsproces voor een enkele invoer omvat het identificeren van de meest gezaghebbende bron (USDA-laboratoriumgegevens voor rauwe grondstoffen, fabrikantgegevens voor merkproducten, gepubliceerde voedingsinformatie voor restaurantgerechten), het vergelijken van alle gerapporteerde voedingsstoffen met die bron, het evalueren van de nauwkeurigheid van de portiegrootte en het controleren van zoekmetadata, zodat gebruikers de invoer daadwerkelijk kunnen vinden.

Een complexe invoer zoals een traditioneel regionaal gerecht zonder gestandaardiseerd recept kan 30 minuten of meer onderzoek vereisen. Eenvoudige verificaties van merkproducten duren minder dan een minuut. Het team prioriteert invoeren met een grote impact, waarbij de beoordelingstijd wordt gefocust waar het de grootste verbetering in de algehele nauwkeurigheid van de database oplevert.

Hoe Fouten Worden Opgevangen en Gecorrigeerd

Geen database met 12 miljoen invoeren is foutloos. Het doel is niet perfectie, maar systematische foutreductie in de loop van de tijd, gecombineerd met snelle correctie van fouten wanneer deze worden geïdentificeerd.

Nutrola maakt gebruik van meerdere mechanismen voor foutdetectie die parallel werken.

Gebruikersrapportage. Elke voedselinvoer in de app bevat een optie "Rapporteer een probleem". Gebruikers kunnen invoeren markeren als onjuist wat betreft calorieën, verkeerde macro's, verouderde informatie, onjuiste portiegroottes of andere problemen. Rapporten worden gesorteerd op volume en ernst. Een enkel rapport over een invoer met een laag volume komt in de standaard beoordelingswachtrij. Meerdere rapporten over een invoer met een hoog volume activeren een onmiddellijke beoordeling.

Geautomatiseerde anomaliedetectie. Statistische modellen monitoren de database op invoeren die significant afwijken van de normen binnen hun voedselcategorie. Als de gemiddelde calorie-dichtheid van alle kaas-invoeren in de database 350 calorieën per 100 gram is, wordt een invoer voor een kaasproduct dat 35 calorieën per 100 gram claimt automatisch gemarkeerd. Deze modellen draaien continu en vangen fouten op die individuele gebruikers mogelijk niet opmerken of rapporteren.

Verificatie van barcode-scans. Wanneer gebruikers een productbarcode scannen, worden de teruggegeven gegevens vergeleken met de meest recente beschikbare fabrikantgegevens. Als de fabrikant hun voedingsinformatie heeft bijgewerkt en de database-invoer nog niet is ververst, activeert de discrepantie een updateworkflow.

Cross-database reconciliatie. Nutrola vergelijkt periodiek zijn invoeren met bijgewerkte versies van de USDA-database, internationale voedselcompositiedatabases en gegevensfeeds van partners. Invoeren die zijn afgeweken van hun referentiebronnen worden gemarkeerd voor beoordeling en correctie.

Audits van voedingsconsistentie. Periodieke audits onderzoeken willekeurige monsters binnen elke voedselcategorie, waarbij wordt gecontroleerd op interne consistentie. Deze audits hebben foutclusters geïdentificeerd, zoals batches van geïmporteerde invoeren waarbij vezelwaarden verward werden met suikerwaarden door fouten in kolommapping.

Wanneer een fout is bevestigd, wordt de correctie onmiddellijk toegepast en doorgegeven aan alle gebruikers. Gebruikers die recent het betreffende voedsel hebben geregistreerd, ontvangen een melding, zodat ze hun logboeken kunnen bekijken en aanpassen.

Regionale Voedingsdatabases voor Internationale Keuken

Een voedingsdatabase die uitsluitend is gebaseerd op Amerikaanse gegevens is onvoldoende voor een wereldwijde gebruikersbasis. Een gebruiker in Japan die zoekt naar "onigiri" heeft nauwkeurige resultaten nodig. Een gebruiker in India die zoekt naar "dal makhani" heeft een invoer nodig die de werkelijke bereidingsmethoden en ingrediënten weerspiegelt die in Indiase keukens worden gebruikt, en niet een Amerikaanse restaurantadaptatie.

Nutrola integreert voedselcompositiegegevens uit overheidsdatabases in meer dan 30 landen en regio's.

Europa: Het EuroFIR-netwerk coördineert gegevens tussen Europese landen. Nationale databases uit het VK (McCance en Widdowson's), Duitsland (Bundeslebensmittelschluessel) en Frankrijk (CIQUAL) bieden invoeren voor regionale voedingsmiddelen en lokale merkproducten.

Oost-Azië: De Standaardtabellen van Voedselcompositie van Japan, de Nationale Standaard Voedselcompositie Database van Zuid-Korea en de Voedselcompositietabellen van China dragen duizenden invoeren bij voor regio-specifieke voedingsmiddelen, inclusief bereidingsspecifieke varianten. Het verschil tussen gestoomde rijst en gebakken rijst, tussen rauwe tofu en gefrituurde tofu, is niet triviaal, en deze databases vangen die onderscheidingen.

Zuid-Azië: Het Nationaal Instituut voor Voeding van India biedt gegevens voor voedingsmiddelen die uniek zijn voor het subcontinent, waaronder regionale granen, peulvruchtenbereidingen en zuivelproducten zoals paneer en ghee met voedingsprofielen die verschillen van hun westerse tegenhangers.

Latijns-Amerika en het Midden-Oosten/Afrika: Voedselcompositietabellen uit Brazilië (TACO), Mexico (BDCA) en regionale databases in het Midden-Oosten en Afrika dragen gegevens bij voor basisvoedingsmiddelen zoals teff, injera, tahini-gerechten en regionale bereidingen die ontbreken in Noord-Amerikaanse databases.

Het integreren van deze bronnen is geen eenvoudige gegevensimport. Verschillende landen gebruiken verschillende analytische methoden, voedingsdefinities en portieconventies. Een "kop" is 240 ml in de Verenigde Staten, 200 ml in Japan en 250 ml in Australië. Het data-engineeringteam van Nutrola onderhoudt een normalisatielaag die alle binnenkomende internationale gegevens converteert naar een consistente standaard: metrische eenheden, gestandaardiseerde voedingsdefinities en uniforme voedselclassificatiecodes.

Vergelijking van Databasebronnen

De volgende tabel geeft een samenvatting van de kenmerken van elke belangrijke gegevensbron die bijdraagt aan de voedingsdatabase van Nutrola.

Bron	Invoeren	Nauwkeurigheid	Dekking	Frequentie van updates	Beperkingen
USDA FoodData Central	~400.000	Zeer hoog (laboratorium-geanalyseerd)	Sterk voor rauwe grondstoffen en Amerikaanse merkproducten	Jaarlijkse grote releases, doorlopende updates	Beperkte internationale voedingsmiddelen, beperkte restaurantitems
Fabrikantenlabels	~1.500.000	Hoog (gereguleerd, FDA-geaudit)	Uitstekend voor verpakte goederen	V verschilt per fabrikant; kwartaalvernieuwing bij Nutrola	Dekt alleen verpakte producten, 20% FDA-variant toegestaan
Internationale Overheidsdatabases	~2.000.000	Hoog (laboratorium-geanalyseerd, varieert per land)	Uitstekend voor regionale voedingsmiddelen	Jaarlijks of minder frequent	Inconsistente normen tussen landen, sommige verouderd
Crowdsourced (Door Gebruikers Bijgedragen)	~6.000.000	Variabel (15-25% foutpercentage vóór verificatie)	Breedste dekking inclusief niche-items	Continue	Vereist verificatiepipeline; ruwe gegevens onbetrouwbaar
Voedingsdeskundige-geverifieerd	~2.100.000	Zeer hoog (cross-referentie, menselijke beoordeling)	Geprioriteerd op zoekvolume	Doorlopende prioritaire beoordeling	Resource-intensief, kan niet elke invoer dekken

Deze bronnen zijn niet onderling exclusief. Een enkel voedingsitem kan gegevens van meerdere bronnen hebben. Wanneer er conflicten bestaan, is de resolutiehiërarchie: USDA of gelijkwaardige overheidslaboratoriumgegevens eerst, fabrikantgegevens tweede, voedingsdeskundige-geverifieerde gegevens derde, en geverifieerde crowdsourced gegevens vierde. Deze hiërarchie zorgt ervoor dat de meest rigoureus gevalideerde gegevens altijd voorrang krijgen.

Waarom Nauwkeurigheid Belangrijker Is Dan Grootte

Sommige concurrerende apps adverteren met databases van 15, 20 of zelfs 30 miljoen invoeren. Grootte zonder kwaliteit is zinloos en kan zelfs schadelijk zijn.

Een database met 30 miljoen invoeren en een foutpercentage van 20 procent bevat 6 miljoen verkeerde invoeren. Een gebruiker die een van die invoeren registreert, volgt nu onjuiste gegevens met volledige zekerheid over de correctheid ervan. De fout stapelt zich op: als een standaard ontbijt-invoer het eiwit met 10 gram overschat en je eet het vijf keer per week, geloof je dat je 200 gram meer eiwit per maand hebt geconsumeerd dan je daadwerkelijk hebt. Als je elders eiwit vermindert op basis van die gegevens, zijn de downstream-effecten reëel.

Dit is waarom Nutrola de geverifieerde invoerhoeveelheid boven de ruwe invoerhoeveelheid prioriteert. Een invoer die niet bestaat is neutraal. Een invoer die bestaat maar verkeerd is, is actief schadelijk.

Hoe de Database Groeit

De database is niet statisch. Deze groeit continu via meerdere kanalen. Geautomatiseerde systemen monitoren barcode-scanverzoeken, identificeren producten waar gebruikers naar zoeken maar die nog niet bestaan, en prioriteren veelgevraagde items voor toevoeging. Gebruikersinzendingen voegen regionale gerechten, restaurantitems en zelfgemaakte recepten toe die in geen enkele officiële database zijn opgenomen. Samenwerkingen met fabrikanten zorgen ervoor dat wanneer een grote keten een nieuw menu-item lanceert, de voedingsgegevens op de lanceringsdag beschikbaar zijn. En periodieke releases van de USDA en internationale databases worden opgenomen zodra ze beschikbaar komen.

Veelgestelde Vragen

Hoe nauwkeurig is de voedingsdatabase van Nutrola vergeleken met andere apps?

De geverifieerde invoeren van Nutrola hebben een gemiddelde nauwkeurigheid binnen 5 procent van laboratoriumgemeten waarden voor macronutriënten, gebaseerd op interne audits die invoeren vergelijken met onafhankelijke analytische gegevens. Onggeverifieerde crowdsourced databases tonen doorgaans foutpercentages van 15 tot 25 procent. Het verschil komt van de verificatiepipeline die elke invoer moet doorlopen voordat deze breed beschikbaar wordt.

Wat gebeurt er als ik een barcode scan en het product niet wordt gevonden?

De app vraagt je om de voedingsinformatie van het label in te voeren. Je invoer is onmiddellijk beschikbaar voor je eigen gebruik en komt vervolgens in de verificatiepipeline voordat deze aan andere gebruikers wordt getoond. Veelgevraagde producten worden geprioriteerd voor snelle verificatie.

Hoe vaak wordt de database bijgewerkt?

Continu. Door gebruikers bijgedragen invoeren worden dagelijks verwerkt. Gegevens over merkproducten worden elk kwartaal vernieuwd voor producten met een hoog volume. USDA- en internationale releases worden binnen twee weken na publicatie opgenomen. Foutcorrecties worden doorgaans binnen 24 tot 48 uur na bevestiging toegepast.

Kan ik de calorieën voor restaurantmaaltijden vertrouwen?

Voor grote ketens die officiële voedingsgegevens publiceren, worden invoeren rechtstreeks verkregen en zijn ze net zo nauwkeurig als de eigen metingen van de keten. Voor onafhankelijke restaurants zijn invoeren gebaseerd op schattingen van recepten met een bredere marge van onzekerheid. Nutrola markeert restaurantinvoeren met een vertrouwensindicator, zodat je kunt zien of de gegevens afkomstig zijn van een officiële bron of een schatting.

Waarom toont Nutrola soms andere waarden dan het label op mijn voedsel?

Drie veelvoorkomende redenen: de fabrikant kan het product hebben herformuleerd, de definities van portiegroottes kunnen verschillen, of de afrondingsregels van Nutrition Facts creëren kleine discrepanties (typisch binnen 5 tot 10 calorieën). Het rapporteren van een discrepantie via de app activeert een update.

Hoe gaat Nutrola om met zelfgemaakte recepten?

Je bouwt aangepaste receptinvoeren door individuele ingrediënteninvoeren uit de geverifieerde database te combineren, aangepast voor porties. Omdat de ingrediënteninvoeren zijn geverifieerd, is de belangrijkste bron van fouten de portiemeting in plaats van slechte gegevens.

Wat maakt de database van Nutrola anders dan open-source alternatieven?

Open-source databases zoals Open Food Facts bieden waardevolle gegevens, maar werken zonder systematische verificatie. Invoeren worden ingediend door vrijwilligers en gepubliceerd zonder plausibiliteitscontroles of beoordeling door voedingsdeskundigen. Nutrola gebruikt open-source gegevens als een input onder vele, waarbij alle geïmporteerde invoeren aan dezelfde verificatiepipeline worden onderworpen als elke andere bron.

Het Voortdurende Werk

Het bouwen van een voedingsdatabase is geen project met een finishlijn. Voedingsmiddelen veranderen. Nieuwe producten worden gelanceerd. Oude producten worden herformuleerd of stopgezet. Analytische methoden verbeteren.

De 12 miljoen invoeren in de database van Nutrola vandaag zullen niet dezelfde 12 miljoen invoeren zijn over een jaar. Sommige zullen worden bijgewerkt, sommige verwijderd, en honderden duizenden nieuwe invoeren zullen worden toegevoegd. De verificatiepipeline zal fouten opvangen die door eerdere iteraties zijn geslopen. Het team van voedingsdeskundigen zal gestaag het aandeel van invoeren verhogen die menselijke verificatie met vertrouwen dragen.

Niemand downloadt een calorie-tracking app omdat ze enthousiast zijn over de normalisatie van voedselcompositiegegevens. Maar elke nauwkeurige calorie telling, elke betrouwbare macroverdeling, elke betrouwbare dagelijkse totaal hangt af van deze infrastructuur die correct, onzichtbaar, achter elk zoekresultaat werkt. Wanneer je je lunch registreert en de cijfers kloppen, is dat geen toeval. Het is het resultaat van een systeem dat specifiek is gebouwd om ervoor te zorgen dat ze juist zijn.