Hvorfor jeg byttet fra SnapCalorie til Nutrola (Foto-AI alene er ikke nok)

SnapCalorie solgte meg en drøm: ta et bilde av maten din, og AI forteller deg nøyaktig hva du har spist. Ingen skriving, ingen søking, ingen strekkodeskanning. Bare pek, ta bilde, og la maskinen gjøre jobben. Etter måneder med tidkrevende manuell matlogging på andre apper, virket dette som fremtiden. Jeg meldte meg på umiddelbart.

I omtrent tre uker var jeg virkelig imponert. Så begynte jeg å sammenligne SnapCalorie sine estimater med faktiske næringsinnhold og målte porsjoner. Inkonsekvensene var ikke små. De var store nok til å undergrave hele formålet med sporing.

Dette er historien om hvordan jeg lærte at AI-fotogjenkjenning uten en verifisert matdatabase er et vakkert konsept med et alvorlig nøyaktighetsproblem — og hvordan Nutrola sin kombinasjon av AI pluss en database med 1,8 millioner matvarer ga meg det SnapCalorie ikke kunne.

Appellen av foto-basert sporing

Jeg forstår hvorfor SnapCalorie tiltrakk seg så mange brukere, inkludert meg selv. Den tradisjonelle matloggingopplevelsen — skriv inn et matnavn, bla gjennom resultater, velg den riktige, juster porsjonsstørrelsen, gjenta for hver gjenstand på tallerkenen — er kjedelig. Det er den viktigste grunnen til at folk slutter å spore maten sin.

SnapCalorie lovet å eliminere denne friksjonen helt. Ta et bilde, AI estimerer matvarene og mengdene, og du får en kalori- og makrooversikt på sekunder. Grensesnittet var rent, opplevelsen var rask, og for enkle måltider føltes det som magi.

Jeg tok et bilde av en tallerken med kyllingbryst, ris og brokkoli. SnapCalorie identifiserte alle tre elementene og estimerte kaloriene på noen sekunder. Jeg var solgt.

Der nøyaktigheten sviktet

Problemet med SnapCalorie dukket gradvis opp, og så alt på en gang.

Porsjonsestimering var inkonsekvent

AI kan identifisere at noe er kyllingbryst. Det den sliter med, er å estimere om det kyllingbrystet veier 120 gram eller 200 gram — en forskjell på omtrent 100 kalorier og 20 gram protein. Fra et flatt bilde kan en tykk og en tynn kyllingbit se bemerkelsesverdig like ut.

Jeg testet dette bevisst en kveld. Jeg la opp to porsjoner pasta: den ene var 80 gram (tørrvekt) og den andre var 150 gram. Begge var lagt på lignende tallerkener med samme saus. SnapCalorie estimerte den mindre porsjonen til 420 kalorier og den større til 480 kalorier. Den faktiske forskjellen var omtrent 250 kalorier.

AI-en så to like tallerkener og ga lignende estimater, fordi den gjorde visuelle gjetninger, uten å referere til verifisert næringsdata knyttet til målte vekter.

Blandede retter var et gjettespill

SnapCalorie fungerte rimelig bra på enkle, separerte måltider — et stykke fisk ved siden av en haug med grønnsaker ved siden av en skje med ris. Alt var visuelt distinkt og estimert.

Men virkeligheten inkluderer gryteretter, karrier, gratenger, smoothie-boller, burritos, smørbrød og kornskåler der ingrediensene overlapper, skjuler seg under sauser, eller blander seg sammen visuelt. For disse måltidene var estimatene fra SnapCalorie alt fra omtrent riktige til helt feil.

Jeg fotograferte en burrito-bolle fra en restaurant. SnapCalorie identifiserte ris, bønner, kylling og salsa. Den overså rømme som var skjult under salaten, osten som var blandet inn i risen, og guacamoleen på siden av bollen som delvis var skjult av en chipkurv. Kaloriestimatet var omtrent 530 kalorier. Da jeg manuelt beregnet måltidet ved hjelp av restaurantens publiserte næringsdata, var det nærmere 840 kalorier. En forskjell på 310 kalorier fra et enkelt måltid.

Ingen strekkodeskanning, ingen manuell backup

Hele identiteten til SnapCalorie var bygget rundt fotogjenkjenning. Den hadde ikke en tradisjonell matdatabase du kunne søke i manuelt. Den hadde ikke strekkodeskanning. Hvis foto-AI-en ikke kunne identifisere noe — eller identifiserte det feil — var du fastlåst.

Pakkede matvarer som jeg enkelt kunne ha skannet med en strekkodeskanner måtte fotograferes i stedet, og AI-en ville forsøke å estimere innholdet visuelt i stedet for å hente den eksakte verifiserte næringsdataen fra etiketten. Dette var absurd for pakkede matvarer der produsenten allerede har gitt presis næringsinformasjon.

Ingen mikronæringsdata

Selv når SnapCalorie sine kalori- og makroestimeringer var i riktig område, stoppet de der. Kalorier, protein, karbohydrater, fett — det var omfanget av dataene. Ingen vitaminer, ingen mineraler, ingen sporstoffer. Hvis jeg ville vite hvor mye jern eller kalsium det var i måltidet mitt, hadde ikke SnapCalorie noe svar.

AI-en estimerte makroer ut fra visuell fremtoning. Å estimere mikronæringsstoffer fra et bilde ville vært enda mindre pålitelig, så de prøvde rett og slett ikke. Men resultatet var at jeg fløy blindt på alt utover de fire store tallene.

Erkjennelsen: AI trenger en database

Etter tre uker med sporing på SnapCalorie og sammenligning av estimater med kjente verdier, kom jeg til en konklusjon som virker åpenbar i ettertid: AI-fotogjenkjenning er en strålende inndata-metode, men den er bare så god som dataene den kobles til.

SnapCalorie sin AI prøvde å estimere næring utelukkende fra visuell analyse. Den tilnærmingen har et fundamentalt nøyaktighetsloft. Uansett hvor god bildegjenkjenningen blir, kan et bilde ikke fortelle deg den eksakte merkevaren av yoghurt, den presise mengden olje brukt i matlaging, eller de skjulte ingrediensene i en restaurantsaus.

Det jeg trengte, var en app som brukte AI som en rask inndata-metode, men som koblet disse inndataene til en verifisert næringsdatabase — slik at AI-en identifiserer "kyllingbryst" fra et bilde, men kalori- og næringsdataene kommer fra en faktisk verifisert kilde, og jeg kan justere vekten for å matche porsjonen min.

Det er akkurat det Nutrola gjør.

Bytte til Nutrola: AI pluss database

Nutrola bruker AI-fotogjenkjenning, men annerledes enn SnapCalorie. Når du tar et bilde av måltidet ditt, identifiserer Nutrola sin AI matvarene. Deretter matcher den disse elementene mot sin database med over 1,8 millioner verifiserte matvarer. Du ser de matchede elementene med deres næringsdata og kan justere porsjoner etter vekt eller vanlige serveringsstørrelser.

Resultatet er at du får hastigheten av AI-drevet logging (ingen skriving, ingen søking) med nøyaktigheten til en verifisert database (ekte næringsnumre, ikke visuelle estimater).

Nøyaktighetsforskjellen var umiddelbar

Jeg kjørte de samme testene med Nutrola som jeg hadde kjørt med SnapCalorie.

De to pastaporsjonene. Nutrola identifiserte pastaen fra bildet og matchet den med en databaseoppføring. Jeg justerte vekten for hver tallerken. Den mindre porsjonen kom tilbake på 340 kalorier og den større på 590 kalorier — begge innen 15 kalorier av min manuelle beregning. SnapCalorie hadde estimert begge til rundt 450 kalorier med en spredning på 60 kalorier.

Burrito-bollen. Nutrola sin AI identifiserte hovedkomponentene, og jeg kunne legge til rømme, ost og guacamole som bildet delvis skjulte. Hver gjenstand hentet verifisert data fra databasen. Totalt estimat: 810 kalorier, innen 30 kalorier av restaurantens publiserte data. SnapCalorie hadde oversett 310 kalorier.

En smoothie. SnapCalorie hadde problemer med smoothies fordi du ikke kan se ingrediensene. Den ville estimere "en grønn smoothie" med grove kalorinummer. Nutrola lot meg logge de faktiske ingrediensene med stemmen — "spinat, banan, peanøttsmør, proteinpulver, mandelmelk" — og hver ingrediens hentet eksakte data fra databasen. Forskjellen handlet ikke om AI-kapasitet. Det handlet om å ha et system som kunne akseptere flere inndatametoder og koble dem til verifiserte data.

Strekkodeskanning for pakkede matvarer

For omtrent 30 prosent av kostholdet mitt som kommer fra pakkede matvarer — proteinbarer, yoghurt, frokostblandinger, sauser, drikkevarer — var Nutrola sin strekkodeskanner transformativ sammenlignet med SnapCalorie sin foto-basert tilnærming.

Jeg skannet en proteinbar. Nutrola returnerte de eksakte kaloriene (210), proteinet (20g) og hele mikronæringsprofilen fra den verifiserte databasen. SnapCalorie ville ha analysert et bilde av en innpakket bar og returnert et visuelt estimat. Det finnes ikke noe univers der et bilde av en emballasje er mer nøyaktig enn de faktiske næringsdataene fra etiketten på den emballasjen.

Stemmelogging for det som er vanskelig å fotografere

Noen matvarer er vanskelige å fotografere. En håndfull mandler fra en pose. En skvett olivenolje mens jeg lager mat. Et glass melk. SnapCalorie krevde at jeg fotograferte disse, noe som både var upraktisk og unøyaktig (hvordan fotograferer du en spiseskje olivenolje i en panne?).

Nutrola sin stemmelogging håndterte disse perfekt. "Spiseskje olivenolje, håndfull mandler, omtrent 20 gram" — sagt på tre sekunder, matchet med verifiserte databaseoppføringer, logget nøyaktig.

Resultatene etter 30 dager

Etter en måned med Nutrola var forbedringene sammenlignet med SnapCalorie målbare.

Kalorinøyaktigheten forbedret seg betydelig. Jeg sammenlignet mine Nutrola-logger med veide og målte verdier i en hel uke. Nutrola sine daglige kaloritall var konsekvent innen 5 til 8 prosent av mine manuelle beregninger. SnapCalorie hadde avveket med 15 til 25 prosent på de samme typene måltider.

Jeg fikk mikronæringssynlighet. Fra null mikronæringsdata på SnapCalorie, gikk jeg til å spore over 100 næringsstoffer på Nutrola. Innen to uker identifiserte jeg at inntaket av selen var lavt (jeg spiser sjelden paranøtter eller sjømat) og at folat var inkonsekvent.

Logginghastigheten forble rask. Dette var min bekymring om å bytte. SnapCalorie var rask, og jeg var redd for at en app med mer nøyaktighet også ville være tregere. Nutrola sin AI-fotogjenkjenning var like rask som SnapCalorie sin, og det ekstra steget med å bekrefte databasematchene la bare 10 til 15 sekunder per måltid. Stemmelogging og strekkodeskanning for matvarer som er vanskelige å fotografere var faktisk raskere enn å prøve å ta bilder av dem.

Total daglig loggetid. SnapCalorie: omtrent 4 minutter per dag (rask, men unøyaktig). Nutrola: omtrent 6 minutter per dag (rask og nøyaktig). De ekstra to minuttene ga meg dramatisk bedre data.

Kostnad. SnapCalorie sin premiumplan kostet rundt 10 dollar per måned. Nutrola koster 2,50 euro per måned. Mindre penger for flere funksjoner, bedre data og sammenlignbar hastighet.

Hva SnapCalorie gjorde bra

Ren hastighet for enkle måltider. Hvis kostholdet ditt består utelukkende av enkle måltider på klare tallerkener, er SnapCalorie sin foto-og-ferdig-tilnærming faktisk den raskeste loggingopplevelsen tilgjengelig. For de spesifikke scenarioene var det imponerende.

Lav kognitiv belastning. Å ikke måtte tenke på porsjoner eller databasematcher betydde at loggingopplevelsen var nesten uten anstrengelse. Jeg kan forstå hvorfor det appellerer til uformelle sporere.

Ny opplevelse. Det er noe tilfredsstillende med arbeidsflyten fra bilde til data. Det føles futuristisk, og det fjernet den psykologiske barrieren med "jeg vil ikke logge fordi det er kjedelig."

Men hastighet uten nøyaktighet er ikke sporing. Det er gjetting med ekstra steg.

Hvem bør vurdere å bytte

Hvis du bruker SnapCalorie og resultatene dine har stagnert — hvis kalori-målene dine ikke gir de forventede resultatene — kan inkonsekvent AI-estimering være grunnen. Når sporingsverktøyet ditt regelmessig overser 200 pluss kalorier per måltid, kan det daglige kaloritallet ditt være feil med 500 til 800 kalorier. Det gapet er stort nok til å fullstendig negere et kaloriunderskudd.

Hvis du ønsker bekvemmeligheten av AI-drevet logging, men også trenger påliteligheten av verifiserte næringsdata, gir Nutrola deg begge deler. Fotogjenkjenning for hastighet. En database med 1,8 millioner matvarer for nøyaktighet. Stemmelogging og strekkodeskanning for matvarer som bilder ikke kan fange godt. Over 100 sporede næringsstoffer for hele bildet. Og null annonser for to euro og femti cent per måned.

Fremtiden for matlogging er ikke bare AI. Det er AI koblet til verifiserte data. Det var det jeg fant da jeg byttet fra SnapCalorie til Nutrola, og nøyaktighetsforskjellen endret resultatene mine innen en måned.