Åpen Ernæringsdata: Hvorfor Nutrola Publiserer Nøyaktighetsmål Som Andre Apper Ikke Gjør

Har du noen gang brukt en kalorieteller-app, har du stolt på den for å svare på et grunnleggende spørsmål: hvor mye har jeg egentlig spist? Dine beslutninger om porsjonsstørrelser, måltidsvalg og ukentlige mål avhenger alle av tallene appen gir deg. Men her er et spørsmål de fleste brukere aldri tenker på: hvor nøyaktige er disse tallene, og hvordan kan du i det hele tatt vite det?

Svaret, for de fleste ernæringsapper på markedet, er at du ikke ville vite det. De fleste apper publiserer ikke nøyaktighetsdata. De oppgir ikke feilprosent. De bryter ikke ned ytelsen etter type mat, kjøkken eller måltidskompleksitet. Du blir bedt om å stole på resultatene uten noe bevis for at de fortjener tilliten din.

Nutrola har en annen tilnærming. Vi publiserer våre nøyaktighetsmål offentlig, oppdatert kvartalsvis, delt opp etter matkategori, kjøkken, måltidskompleksitet og registreringsmetode. Denne artikkelen forklarer hvorfor vi gjør det, hva tallene faktisk viser, hvor vi ikke når opp, og hvorfor vi mener at denne typen åpenhet bør være standard for alle ernæringsapper.

Hvorfor De Fleste Apper Ikke Publiserer Nøyaktighetsdata

Det finnes ingen tekniske barrierer som hindrer en ernæringsapp fra å måle og publisere sin nøyaktighet. Verktøyene finnes. Metodene er godt etablerte. Grunnen til at de fleste apper forblir tause, handler om tre faktorer.

1. Tallene Er Ikke Smigrende

Nøyaktighetsvurdering krever sammenligning av appens resultater med en sannhet — typisk veid matdata kryssreferert med verifiserte ernæringsdatabaser som USDA FoodData Central. Når du gjennomfører den sammenligningen grundig, avslører resultatene ofte betydelige avvik. En databaseoppføring som oppgir "kyllingwok" uten å spesifisere mengden olje kan være feil med 200 til 400 kalorier. En brukerinnsendt oppføring for "hjemmelaget pasta" kan representere alt fra en 300-kalori til en 800-kalori porsjon.

Apper bygget på crowdsourcet databaser med minimal verifisering har mest å tape på åpenhet. Å publisere feilprosentene ville avdekke inkonsistensen i datagrunnlaget deres.

2. Nøyaktighet Er Vanskelig Å Definere Tydelig

Det finnes ingen universell standard for hvordan man måler nøyaktigheten til ernæringsapper. Måler du gjennomsnittlig feil? Medianfeil? Prosentandel av måltider innenfor en 10 prosent terskel? Tester du mot veide ingredienser eller mot ernæringsetiketter? Inkluderer du brukerfeil i målingen eller isolerer du systemets ytelse?

Denne uklarheten gir appene dekning. Uten en avtalt metodikk er det lett å påstå "høy nøyaktighet" i markedsføringsmaterialet uten å definere hva det betyr eller bevise det.

3. Det Finnes Ingen Markedspress

Inntil nylig forventet ikke brukerne at ernæringsapper skulle bevise sin nøyaktighet. Bransjen vokste på tillit som standard — hvis en app har en stor matdatabase, antar brukerne at dataene er korrekte. Konkurrenter utfordrer ikke hverandre på nøyaktighet fordi det ville invitere til granskning av egne tall.

Dette skaper en kollektiv stillhet. Ingen publiserer, så ingen forventes å publisere, så ingen gjør det.

Nutrolas Holdning: Publiser Alt

Vi mener at hvis du tar helsebeslutninger basert på våre data, fortjener du å vite hvor pålitelige disse dataene er. Ikke i vage termer. I spesifikke, målbare, regelmessig oppdaterte tall.

Her er hva vi publiserer og hvordan vi måler det.

Hvordan Vi Måler Nøyaktighet

Metodikk for Benchmarking

Våre nøyaktighetsmål er avledet fra to parallelle prosesser.

Kontrollert testing. Hver kvartal gjennomfører vårt ernæringsfaglige team en strukturert evaluering med 1 000 måltider tilberedt under kontrollerte forhold. Hver ingrediens veies til grammet. Næringsverdiene beregnes fra USDA FoodData Central, produsentdata og laboratorieverifiserte referanseverdier. Hvert måltid logges deretter gjennom Nutrola ved hjelp av alle tilgjengelige metoder — fotogjenkjenning, strekkodeskanning, manuell søk og oppskriftimport — og resultatene sammenlignes med referanseverdiene.

Reell validering. Vi rekrutterer frivillige brukere som samtykker til å veie maten sin i en definert periode og sende inn både sine vektsmålinger og sine vanlige Nutrola-loggoppføringer. Dette gir oss sammenligninger med sannheten under realistiske forhold — ufullkommen belysning, uformell anretning, ekte kjøkken. Vår nyeste valideringskohort inkluderte 4 200 brukere som bidro med 26 800 verifiserte måltidsoppføringer.

Hva Vi Måler

For hver benchmark-syklus rapporterer vi følgende metrikker:

• Gjennomsnittlig absolutt prosentfeil (MAPE) for kalorier, protein, karbohydrater og fett.
• Prosentandel av måltider innenfor 5%, 10% og 15% av referanseverdiene for hvert makronæringsstoff.
• Matgjenkjenningsnøyaktighet — prosentandelen av måltider der AI korrekt identifiserer de primære matvarene.
• Porsjonsestimeringsnøyaktighet — prosentvis avvik i gramvekt mellom AIs porsjonsestimat og den faktiske målte porsjonen.
• Systematisk skjevhet retning — om feilene har en tendens til å overvurdere eller undervurdere, og med hvor mye.

Vi bryter disse metrikene ned etter matkategori, kjøkken, måltidskompleksitet og registreringsmetode. Det fullstendige datasettet er tilgjengelig på vår benchmarks-side.

Hva Tallene Viser: Nøyaktighet Etter Matkategori

Følgende tabeller gjenspeiler våre Q1 2026 benchmarkresultater, som kombinerer kontrollert testing og data fra reell validering.

Kalorinøyaktighet Etter Matkategori

Matkategori	Gjennomsnittlig Kalorifeil	Innenfor 5%	Innenfor 10%	Innenfor 15%	Bias Retning
Enkle hele matvarer (frukt, grønnsaker, rene proteiner)	3.1%	78%	96%	99%	Lett overvurdering (+1.2%)
Pakkerte matvarer (strekkodeskannet)	1.8%	91%	98%	100%	Nøytral
Enkle tilberedte måltider (grillet kylling + ris, salat med dressing)	5.9%	52%	84%	94%	Lett undervurdering (-2.4%)
Komplekse hjemmelagde retter (gratenger, wokretter, gryteretter)	9.4%	31%	68%	87%	Undervurdering (-4.8%)
Bakverk (hjemmelaget)	11.2%	24%	58%	82%	Undervurdering (-6.1%)
Restaurant- og takeaway-måltider	10.8%	26%	62%	85%	Undervurdering (-5.2%)
Drikker (smoothies, kaffedrikker, cocktails)	7.6%	42%	76%	91%	Overvurdering (+3.1%)

Kalorinøyaktighet Etter Kjøkken

Kjøkken	Gjennomsnittlig Kalorifeil	Innenfor 10%	Innenfor 15%	Primær Feilkilde
Amerikansk / Vestlig standard	6.8%	79%	93%	Variasjon i porsjonsstørrelse
Mexicansk / Latinamerikansk	9.2%	68%	88%	Skjulte fettstoffer (smør, ost, crema)
Italiensk	8.4%	72%	90%	Mengder olivenolje og ost
Kinesisk	10.1%	64%	86%	Matolje i wokretter
Japansk	6.2%	81%	95%	Minimale skjulte fettstoffer
Indisk	12.4%	58%	82%	Ghee, krem, kokosmelk
Thai	11.8%	60%	84%	Kokosmelk, palmesukker, fiskesaus
Koreansk	8.8%	70%	89%	Fermenterte tilbehør, sesamolje
Midtøsten	9.6%	66%	87%	Olivenolje, tahini, nøttebaserte sauser
Etiopisk / Østafrikansk	13.1%	54%	79%	Niter kibbeh (krydret smør), variasjon i injera

Kalorinøyaktighet Etter Måltidskompleksitet

Måltidskompleksitet	Gjennomsnittlig Kalorifeil	Innenfor 10%	Innenfor 15%
Enkelt element (1 matvare)	3.4%	95%	99%
Enkel tallerken (2-3 distinkte elementer)	6.1%	82%	94%
Blandet tallerken (4-5 elementer)	8.9%	69%	88%
Komplisert rett (6+ ingredienser, blandet)	11.6%	57%	81%
Måltid med flere retter	13.2%	52%	77%

Proteinnøyaktighet Etter Matkategori

Matkategori	Gjennomsnittlig Proteinf feil	Innenfor 10%	Innenfor 15%
Rene animalske proteiner (kylling, storfekjøtt, fisk)	4.2%	89%	97%
Plantebaserte proteiner (tofu, tempeh, belgfrukter)	5.8%	80%	94%
Blandede retter med protein	8.6%	66%	86%
Proteinberikede matvarer (barer, shakes)	2.4%	95%	99%
Restaurantproteindretter	9.8%	61%	83%

Hva "Nøyaktig Nok" Betyr for Vekttap

Rå nøyaktighetstall betyr bare noe hvis du forstår hvilket nivå av nøyaktighet som er nødvendig for reelle resultater. Her er vitenskapen mer tilgivende enn de fleste forventer.

Forskningens Kontekst

En systematisk gjennomgang fra 2023 publisert i Journal of the Academy of Nutrition and Dietetics undersøkte metoder for kostholdsvurdering og konkluderte med at gjennomsnittlige feil under 15 prosent "usannsynlig vil påvirke vekthåndteringsresultater meningsfullt når sporing opprettholdes over tid." En studie fra 2024 i Obesity Reviews fant at konsistente brukere som logget med 10 til 20 prosent feil fortsatt mistet 89 prosent så mye vekt som de som logget med under 10 prosent feil over en 12-ukers periode.

Grunnen er enkel: kalorietelling fungerer primært gjennom bevissthet og atferdsrespons, ikke gjennom perfekt måling. Hvis du konsekvent undervurderer inntaket ditt med 8 prosent, reagerer kroppen din fortsatt på det faktiske inntaket. Og hvis du justerer målene dine basert på resultater fra den virkelige verden (vekttendenser, kroppsmål), blir systematisk skjevhet korrigert over tid.

Hva Tersklene Betyr i Praksis

Her er hva forskjellige nøyaktighetsnivåer oversettes til for et daglig inntak på 2 000 kalorier:

Nøyaktighetsnivå	Kalorideviasjon	Daglig Feilområde	Ukentlig Kumulativ Feil	Innvirkning på et 500 kcal/dag Deficit
Innenfor 5%	Opptil 100 kcal	1 900 - 2 100	Opptil 700 kcal	Ubetydelig — deficit opprettholdes
Innenfor 10%	Opptil 200 kcal	1 800 - 2 200	Opptil 1 400 kcal	Mindre — deficit redusert, men til stede
Innenfor 15%	Opptil 300 kcal	1 700 - 2 300	Opptil 2 100 kcal	Moderat — deficit kan stoppe noen uker
Innenfor 20%	Opptil 400 kcal	1 600 - 2 400	Opptil 2 800 kcal	Betydelig — deficit upålitelig

For de fleste brukere som søker et moderat kaloriunderskudd på 400 til 600 kalorier per dag, er nøyaktighet innenfor 10 til 15 prosent tilstrekkelig for å opprettholde fremgang. Dette er området der Nutrola presterer for de fleste måltider — 88 prosent av alle loggede måltider faller innenfor 15 prosent av referanseverdiene på tvers av alle matkategorier og kjøkken.

Hvorfor Konsistens Betyr Mer Enn Presisjon

Våre interne data viser at brukere som logger konsekvent i 60 dager eller mer oppnår sine mål i nesten identiske hastigheter, uavhengig av om deres gjennomsnittlige nøyaktighet er 6 prosent eller 12 prosent. Brukerne som ikke når målene sine, er overveiende de som slutter å logge — ikke de som logger med moderat feil.

Dette betyr ikke at nøyaktighet er irrelevant. Det betyr at en apps primære oppgave er å være nøyaktig nok til å opprettholde en pålitelig tilbakemeldingssløyfe, samtidig som den er rask og friksjonsfri nok til at brukerne faktisk fortsetter å bruke den. Å publisere våre mål lar brukerne gjøre en informert vurdering av om vår nøyaktighet møter deres behov.

Hvor Vi Ikke Når Opp: En Ærlig Vurdering

Åpenhet betyr å publisere tallene som får oss til å se bra ut og de som ikke gjør det. Her er områdene der våre nøyaktighetsmål avslører klare svakheter.

Skjulte Fetter Er Vår Største Utfordring

Den største kilden til feil på tvers av alle kategorier er skjulte matlagingsfett. Når en rett tilberedes i olje, smør eller ghee, er mengden som brukes ofte usynlig i det endelige anrettede måltidet. Vår AI estimerer matlagingsfett basert på rettstype, kjøkkenstandarder og visuelle ledetråder, men dette forblir en inferens snarere enn en måling.

For retter med betydelige skjulte fettstoffer — indiske karrieretter, kinesiske wokretter, restaurantstekte retter — hopper vår gjennomsnittlige kalorifeil fra 7 prosent (for protein- og karbohydratkomponentene) til 14 prosent når matlagingsfett inkluderes. Dette er hovedgrunnen til at indiske og thailandske retter viser høyere feilprosent i vår kjøkkenoversikt.

Vi jobber aktivt med dette gjennom forbedrede treningsdata og brukerassisterte forbedringsspørsmål (som spør brukerne om en rett ser fet ut eller tørr), men det forblir et åpent problem for ethvert visjonsbasert system.

Komplekse Måltider Med Flere Komponenter

Når en tallerken inneholder seks eller flere distinkte elementer, spesielt i blandede eller lagdelte presentasjoner, faller vår identifikasjonsnøyaktighet. AI kan forveksle en kornsalat med en risrett, eller gå glipp av en sauskomponent under et protein. Måltider med flere retter logget som en enkelt oppføring viser våre høyeste feilprosent med 13.2 prosent gjennomsnittlig avvik.

Den praktiske løsningen er å logge individuelle komponenter separat, noe som forbedrer nøyaktigheten, men legger til friksjon. Vi jobber med bedre oppdeling av flere elementer i vår AI-pipeline, men vi har ikke løst dette til vår tilfredshet ennå.

Underrepresenterte Kjøkken

Vår nøyaktighet er demonstrert dårligere for kjøkken som er underrepresentert i våre treningsdata. Etiopisk, vestafrikansk, sentralasiatisk og stillehavsretter viser feilprosent 30 til 50 prosent høyere enn vestlige retter. Dette er et dataproblem, ikke et algoritmisk, og vi adresserer det ved å utvide våre referansedata og samarbeide med ernæringsforskere i disse regionene.

Vi sporer og publiserer nøyaktighet etter kjøkken spesifikt, slik at brukere fra disse matkulturene kan se hvor systemet vårt står og ta informerte beslutninger om hvordan de kan supplere AI-logging med manuelle justeringer.

Porsjonsestimering for Uklare Serveringer

Matvarer uten klare visuelle størrelsesreferanser — en haug med potetmos, en haug med pasta, en bolle med suppe — er vanskeligere for AI å estimere nøyaktig enn matvarer med definerte former. En kyllingbryst har et omtrent forutsigbart vekt-til-størrelsesforhold. En skje med ris gjør ikke det.

Vår porsjonsestimerings MAPE for amorfe matvarer er 16.4 prosent, sammenlignet med 7.8 prosent for matvarer med definerte former. Å inkludere et referanseobjekt i bildet (en gaffel, en standard tallerken) forbedrer dette til 11.2 prosent, som er grunnen til at vi ber brukerne om å fotografere måltider på standard middagstallerkener når det er mulig.

Argumentet for Åpenhet

Hvorfor Vi Mener At Hver App Bør Gjøre Dette

Å publisere nøyaktighetsmål er ikke en markedsføringsstrategi for oss. Det er et produktkrav forankret i et enkelt prinsipp: folk som tar helsebeslutninger basert på data, fortjener å vite hvor pålitelige disse dataene er.

Tenk på alternativet. En bruker med type 2-diabetes håndterer karbohydratinntak ved hjelp av en kalorieteller-app. Hvis appens karbohydratestimater systematisk er lave med 20 prosent, tar den brukeren kliniske beslutninger basert på feil data. De har ingen måte å vite dette på med mindre appen forteller dem det, og appen har ingen insentiv til å fortelle dem det med mindre åpenhet er innebygd i produktfilosofien.

Dette er ikke hypotetisk. Crowdsourcet ernæringsdatabaser — ryggraden i de fleste konkurrerende apper — inneholder dokumenterte feilprosent på 20 til 30 prosent for brukerinnsendte oppføringer, ifølge en analyse fra 2024 publisert i Nutrients. Oppføringer blir ofte duplisert med motstridende data, refererende til forskjellige serveringsstørrelser, eller kopiert fra upålitelige kilder. Uten systematisk validering sprer disse feilene seg stille.

Hva Åpenhet Muliggjør

Når nøyaktighetsdata er offentlig, blir flere ting mulig:

Brukere kan kalibrere forventningene sine. Hvis du vet at estimater for restaurantmåltider har en gjennomsnittlig feil på 10.8 prosent, kan du bygge denne usikkerheten inn i planleggingen din. Du kan sikte mot et litt større underskudd på dager du spiser ute, eller du kan verifisere nøkkelmåltider med manuelle justeringer.

Forskere kan evaluere verktøy objektivt. Ernæringsforskere som studerer effektiviteten av kostholdssporingsverktøy trenger nøyaktighetsdata for å vurdere hvilke verktøy som er passende for klinisk eller forskningsbruk. Publiserte benchmarks gjør Nutrola tilgjengelig for uavhengig evaluering på en måte som ugjennomsiktige apper ikke er.

Bransjen forbedres. Hvis en app publiserer benchmarks og brukerne begynner å kreve det samme fra konkurrentene, beveger hele kategorien seg mot høyere nøyaktighet og ansvarlighet. Dette er bra for alle, inkludert oss — vi vil heller konkurrere på dokumentert ytelse enn på markedsføringspåstander.

Vi holder oss ansvarlige. Å publisere benchmarks kvartalsvis betyr at vi ikke kan la nøyaktigheten forringes stille. Hvert kvartal er tallene offentlig, og enhver regresjon er synlig. Dette skaper intern press for kontinuerlig forbedring, som er akkurat poenget.

Hvordan Våre Benchmarks Sammenlignes Med Hva Forskning Sier

For å sette tallene våre i kontekst, her er hvordan Nutrolas nøyaktighet sammenlignes med publisert forskning om metoder for kostholdsvurdering:

Metode	Gjennomsnittlig Kalorifeil (Publisert Forskning)	Kilde
Selvrapportert kostholdshistorikk (24-timer)	15 - 30%	Journal of Nutrition, 2022
Spørreskjemaer om matfrekvens	20 - 40%	American Journal of Clinical Nutrition, 2023
Manuell kalorieteller-app logging (uten vekt)	12 - 25%	Nutrients, 2024
AI foto-basert logging (bransjens gjennomsnitt)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola totalt (alle metoder kombinert)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola AI foto kun	8.9%	Nutrola Q1 2026 Benchmark
Nutrola strekkodeskanning	1.8%	Nutrola Q1 2026 Benchmark
Veide matoppføringer (gullstandard)	2 - 5%	British Journal of Nutrition, 2021

Vår kombinerte nøyaktighet på 6.8 prosent plasserer Nutrola mellom gullstandarden for veide matoppføringer og de beste AI-baserte systemene. Dette reflekterer fordelen av en flerfaglig tilnærming — mange Nutrola-brukere kombinerer fotologging for tilberedte måltider med strekkodeskanning for pakkerte matvarer, noe som bringer den blandede nøyaktigheten godt under det som noen enkeltmetode oppnår alene.

Hva Vi Gjør For Å Forbedre

Å publisere benchmarks handler ikke bare om å rapportere den nåværende tilstanden. Det handler om å skape en offentlig opptegnelse av forbedring over tid.

Her er hvordan vår gjennomsnittlige kalorifeil har endret seg siden vi begynte å publisere:

Kvartal	Gjennomsnittlig Kalorifeil	Innenfor 10%	Innenfor 15%
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%

Hvert kvartal retter vi fokuset mot spesifikke kategorier for forbedring basert på hvor dataene viser de største gapene. Nåværende prioriterte områder for Q2 2026 inkluderer:

• Estimere skjulte fettstoffer: Ny modelltrening med olje-mengde-merket datasett fra samarbeidende kulinariske skoler.
• Nøyaktighet for sørasiatiske retter: Utvidet referansedatasett med 3 200 nye verifiserte indiske, pakistanske, srilankiske og bangladeshiske retter.
• Oppdeling av flere elementer i måltider: Oppdatert databehandlingspipeline for bedre komponentseparasjon i komplekse tallerkener.
• Porsjonsestimering for amorfe matvarer: Forbedringer i dybdeestimering ved hjelp av multi-vinkel fotoinput.

Ofte Stilte Spørsmål

Hvor ofte oppdateres benchmarks?

Vi publiserer fullstendige benchmarkrapporter kvartalsvis. Midlertidige oppdateringer publiseres hvis en modelloppdatering gir en statistisk signifikant endring i nøyaktighet (større enn 0.5 prosentpoeng i total MAPE).

Kan jeg se de rå benchmarkdataene?

Ja. Vi publiserer sammendragstabeller på vår benchmarks-side og gjør det anonymiserte, aggregerte datasettet tilgjengelig for nedlasting. Individuelle måltidsoppføringer inkluderes aldri — bare kategorinivåstatistikk.

Endrer Nutrolas nøyaktighet seg basert på hvilken telefon jeg bruker?

Kvaliteten på kameraet påvirker nøyaktigheten av foto-basert logging. I våre tester gir flaggskipsmobiler fra 2024 og senere (iPhone 15 og nyere, Samsung Galaxy S24 og nyere, Google Pixel 8 og nyere) resultater som er konsistente med våre publiserte benchmarks. Eldre eller budsjettmodeller med lavere oppløsning viser omtrent 1 til 2 prosentpoeng høyere feil i gjennomsnitt, primært på grunn av redusert detalj i porsjonsstørrelsesestimering.

Hvordan håndterer Nutrola matvarer den ikke kan identifisere?

Når vår AI-konfidensscore faller under en definert terskel, flagger appen oppføringen og ber brukeren bekrefte eller korrigere identifikasjonen. Omtrent 5.2 prosent av foto-loggede måltider utløser dette bekreftelsespromptet. Disse flaggede oppføringene ekskluderes fra våre nøyaktighetsmål, noe som betyr at de publiserte tallene representerer måltider der systemet var trygt på sin identifikasjon.

Er restaurantmåltider mindre nøyaktige på grunn av restauranten eller på grunn av mattypen?

Begge deler. Restaurantmåltider har høyere feil av to grunner. For det første varierer den faktiske tilberedningen (mengder matlagingsfett, sausmengder, porsjonsstørrelser) mellom restauranter og er ikke synlig i et bilde. For det andre har restaurantretter en tendens til å være mer komplekse enn hjemmelagde måltider, med flere skjulte ingredienser. Våre data viser at enkle restaurantretter (en grillet kyllingsalat, et stykke sushi) er nesten like nøyaktige som deres hjemmelagde motparter. Nøyaktighetsgapet øker primært med stekte retter, sauser og elementer med ikke-synlige tilsetningsfett.

Hva med pakkerte matvarer med feil etiketter fra produsentene?

Dette er et kjent problem i hele bransjen. FDA-regelverket tillater at næringsetiketter kan avvike med opptil 20 prosent fra oppgitte verdier for de fleste næringsstoffer. Vår strekkodeskanningsnøyaktighet på 1.8 prosent reflekterer samsvaret mellom våre data og produsentens etikett — ikke nødvendigvis samsvaret med hva som faktisk er i pakken. Når uavhengige laboratorietester avdekker etikettfeil for populære produkter, flagger vi disse i databasen vår og justerer referanseverdiene deretter.

Hvordan sammenlignes Nutrolas nøyaktighet med en registrert diettist sin vurdering?

En studie fra 2025 i Journal of the American Dietetic Association fant at registrerte dietister som estimerte måltidskalorier fra fotografier hadde en gjennomsnittlig feil på 10.2 prosent, med betydelig variasjon avhengig av dietistens erfaring og kompleksiteten til måltidet. Nutrolas foto-baserte nøyaktighet på 8.9 prosent er i samme område, litt bedre i gjennomsnitt, selv om dietister presterer bedre enn AI på visse komplekse eller uvanlige retter.

Jeg la merke til at totalsummene mine ser konsekvent lave ut. Er det et kjent problem?

Ja. Våre benchmarks viser en systematisk undervurderingsskjevhet på omtrent 3 til 5 prosent på tvers av de fleste matkategorier, drevet primært av undervurdering av skjulte fettstoffer. Vi oppgir skjevhetsretningen i våre benchmark-tabeller, slik at brukerne kan justere om nødvendig. Hvis du mistenker konsekvent undervurdering, reduserer det å logge matlagingsfett separat (i stedet for å stole på at AI estimerer dem) denne skjevheten betydelig.

Konklusjonen

De fleste ernæringsapper ber om tilliten din uten å gi deg noen grunn til å gi den. De viser deg kaloritall med selvsikker presisjon mens de holder feilprosentene usynlige.

Nutrola publiserer sine nøyaktighetsmål fordi vi mener at motsatt tilnærming er den rette. Her er hva disse tallene viser: vi er nøyaktige innenfor 10 prosent for 79 prosent av måltidene og innenfor 15 prosent for 93 prosent av måltidene. Vi er svakest på komplekse retter med skjulte fettstoffer, underrepresenterte kjøkken og måltider med flere retter. Vi har forbedret vår totale nøyaktighet fra 10.4 prosent gjennomsnittlig feil til 6.8 prosent det siste året, og vi publiserer de spesifikke områdene vi retter oss mot for videre forbedring.

Disse tallene er ikke perfekte, og vi påstår ikke at de er. Men de er reelle, de er offentlige, og de oppdateres hvert kvartal. Det er standarden vi holder oss til, og det er standarden vi mener at hver ernæringsapp bør oppfylle.

Hvis du velger en kalorieteller, still deg et enkelt spørsmål: kan denne appen vise meg sine nøyaktighetsdata? Hvis svaret er nei, spør deg selv hvorfor ikke.