Czy AI liczy kalorie lepiej niż Ty? Przetestowaliśmy 1 000 posiłków z Nutrola

Każdy, kto kiedykolwiek liczył kalorie, zna to uczucie: patrzenie na talerz makaronu i zastanawianie się, czy ma 500 kalorii, czy 800. Ludzkie oszacowanie kalorii jest notorycznie niewiarygodne, a opublikowane badania wykazały marginesy błędów sięgające od 20% do ponad 50%, w zależności od populacji i rodzaju żywności. Pytanie, które chcieliśmy odpowiedzieć wewnętrznie, było proste: czy rozpoznawanie zdjęć przez AI Nutrola może być znacząco lepsze od ludzkiego zgadywania, a jak wypada w porównaniu do bardziej pracochłonnej metody ręcznego logowania w tradycyjnej aplikacji do liczenia kalorii?

Przeprowadziliśmy strukturalny test wewnętrzny na 1 000 posiłków w ciągu 12 tygodni. W tym artykule przedstawiamy pełną metodologię, tabele wyników, przypadki niepowodzeń oraz praktyczne implikacje dla każdego, kto stara się dokładnie zarządzać swoim spożyciem kalorii.

Metodologia badania

Przegląd projektu

Zebraliśmy dane na temat 1 000 posiłków przygotowanych lub zakupionych przez rotującą grupę 14 testerów w trzech miastach. Każdy posiłek przeszedł przez ustandaryzowany czterostopniowy proces:

1. Zważenie i zapisanie rzeczywistej wartości. Każdy składnik był ważony na skalibrowanej wadze (dokładność ±1 g) przed podaniem. W przypadku posiłków z restauracji i na wynos ważono całe danie, a następnie identyfikowano składniki, korzystając z danych żywieniowych dostarczonych przez lokal lub bazę danych USDA FoodData Central. Rzeczywiste wartości kaloryczne były obliczane na podstawie zweryfikowanych baz danych żywieniowych, porównywanych z co najmniej dwoma źródłami.

2. Ludzkie zgadywanie. Tester, który nie brał udziału w przygotowywaniu jedzenia, patrzył na podany posiłek i w ciągu 15 sekund podawał oszacowanie kalorii. Bez narzędzi, bez odniesień, bez etykiet. Tylko wizualne zgadywanie — tak, jak większość ludzi oszacowuje, gdy pomija logowanie.

3. Ręczne logowanie w aplikacji. Drugi tester logował posiłek, korzystając z konwencjonalnej aplikacji do liczenia kalorii, wyszukując każdy składnik z osobna, wybierając najbliższe dopasowanie w bazie danych i wprowadzając oszacowane wielkości porcji wizualnie (bez użycia danych z wagi). To odzwierciedla, jak pilny manualny tracker logowałby posiłek w praktyce.

4. Rozpoznawanie zdjęć przez AI Nutrola. Trzeci tester fotografował posiłek, korzystając z wbudowanej funkcji kamery Nutrola, i akceptował oszacowanie kaloryczne wygenerowane przez AI. Nie wprowadzano żadnych ręcznych poprawek do wyników AI. Chcieliśmy przetestować surowy, nieedytowany wynik AI.

Kontrole i uwagi

• Testerzy rotowali role, aby żadna osoba nie była zawsze "zgadującym człowiekiem".
• Posiłki obejmowały szeroki zakres: domowe, restauracyjne, fast food, przygotowane posiłki, przekąski i napoje.
• Wykluczyliśmy produkty tylko płynne (czysta woda, czarna kawa), ponieważ mają zerowe lub bliskie zeru kalorie i sztucznie zawyżałyby wyniki dokładności.
• Wszystkie porównania kaloryczne używały procentowego błędu bezwzględnego: |oszacowane - rzeczywiste| / rzeczywiste × 100.
• Badanie przeprowadzono między grudniem 2025 a lutym 2026.

Ogólne wyniki

Główne liczby jasno pokazują sytuację. Rozpoznawanie zdjęć przez AI wygenerowało znacznie niższe wskaźniki błędów niż zarówno ludzkie zgadywanie, jak i ręczne logowanie, chociaż wszystkie trzy metody wykazały znaczną przestrzeń do poprawy.

Wskaźnik	Ludzkie zgadywanie	Ręczne logowanie w aplikacji	Nutrola AI Photo
Średni błąd bezwzględny	34,2%	17,8%	10,4%
Mediana błędu bezwzględnego	29,5%	14,1%	7,9%
Wskaźnik przeszacowania	23,7% posiłków	38,4% posiłków	41,2% posiłków
Wskaźnik niedoszacowania	76,3% posiłków	61,6% posiłków	58,8% posiłków
Posiłki w ±10% od rzeczywistej wartości	18,3%	41,7%	62,4%
Posiłki w ±20% od rzeczywistej wartości	39,1%	68,5%	84,6%

Dwa wzorce wyróżniają się. Po pierwsze, ludzkie zgadywania były błędne o ponad 30% w jednej trzeciej wszystkich testowanych posiłków. Po drugie, wszystkie trzy metody wykazały systematyczny błąd w kierunku niedoszacowania, ale błąd ten był znacznie poważniejszy w przypadku niepomocnego ludzkiego zgadywania. Ludzie mają tendencję do niedoszacowywania kalorii, i to w dużym stopniu. AI Nutrola również częściej niedoszacowywało niż przeszacowywało, ale skala niedoszacowania była znacznie mniejsza.

Wyniki według typu posiłku

Nie wszystkie posiłki są równie łatwe do oszacowania. Śniadanie zazwyczaj obejmuje prostsze, bardziej ustandaryzowane składniki. Obiad często wiąże się z bardziej skomplikowanym przygotowaniem, większymi porcjami i ukrytymi źródłami kalorii, takimi jak oleje do gotowania i sosy. Przekąski są zwodnicze, ponieważ ludzie mają tendencję do lekceważenia ich jako niskokalorycznych, niezależnie od rzeczywistej zawartości.

Typ posiłku	Testowane posiłki	Średni błąd ludzkiego zgadywania	Średni błąd ręcznego logowania	Średni błąd Nutrola AI	Najlepsza metoda
Śniadanie	241	27,1%	13,2%	7,8%	Nutrola AI
Obiad	289	33,8%	18,4%	10,1%	Nutrola AI
Kolacja	312	40,6%	21,3%	13,2%	Nutrola AI
Przekąski	158	35,4%	16,9%	9,7%	Nutrola AI

Nutrola AI wygrała w każdej kategorii. Jednak różnica między AI a ręcznym logowaniem znacznie się zmniejszyła w przypadku posiłków śniadaniowych (różnica 5,4 punktów procentowych) w porównaniu do kolacji (różnica 8,1 punktów procentowych). To ma sens intuicyjnie: miska owsianki z jagodami jest łatwiejsza do ręcznego logowania niż stir-fry z wieloma sosami, białkami i warzywami wymieszanymi razem.

Ludzkie zgadywanie wypadło najgorzej podczas kolacji, z przeciętnym błędem przekraczającym 40%. To zgadza się z istniejącymi badaniami, które pokazują, że dokładność oszacowania kalorii maleje w miarę wzrostu złożoności posiłku.

Wyniki według złożoności żywności

Każdy posiłek zaklasyfikowaliśmy do jednej z trzech kategorii złożoności, aby zbadać, jak każda metoda radzi sobie z coraz trudniejszymi zadaniami oszacowania.

Poziom złożoności	Opis	Posiłki	Błąd ludzki	Błąd ręczny	Błąd Nutrola AI
Prosty	Pojedynczy składnik lub bardzo niewiele komponentów (np. banan, miska ryżu, grillowana pierś z kurczaka)	287	22,4%	9,7%	5,3%
Umiarkowany	Wiele rozpoznawalnych składników na talerzu (np. kurczak z ryżem i warzywami, kanapka z widocznymi warstwami)	438	33,9%	17,2%	9,8%
Skomplikowany	Mieszane dania z sosami, ukrytymi składnikami lub warstwowym przygotowaniem (np. lasagne, curry, burrito z wieloma dodatkami)	275	47,8%	27,4%	17,1%

Efekt złożoności był dramatyczny we wszystkich metodach. Dokładność ludzkiego zgadywania niemal się zmniejszyła o połowę z prostych do skomplikowanych posiłków. Błąd ręcznego logowania niemal potroił się. Błąd Nutrola AI również wzrósł trzykrotnie, z 5,3% do 17,1%, ale błąd bezwzględny pozostawał znacznie poniżej innych metod na każdym poziomie.

Wniosek jest taki, że skomplikowane, mieszane dania pozostają trudnym problemem dla wszystkich — zarówno dla ludzi, jak i algorytmów. Ale AI wciąż ma znaczną przewagę, nawet w najgorszym przypadku.

Gdzie AI miało trudności: szczere przypadki niepowodzeń

Przejrzystość jest ważniejsza niż marketing. Rozpoznawanie zdjęć przez AI Nutrola nie jest doskonałe i były kategorie, w których jego wydajność wyraźnie spadła. Zidentyfikowaliśmy trzy stałe obszary problemowe.

Zupy i gulasze

Zupy były najtrudniejszą kategorią dla AI. Gdy kaloryczne składniki (mięso, fasola, śmietana, olej) są zanurzone pod powierzchnią cieczy, zdjęcie po prostu nie zawiera wystarczającej ilości informacji wizualnych, aby dokonać dokładnego oszacowania. W przypadku 47 posiłków z zupami i gulaszami w naszym zbiorze danych, średni błąd AI wyniósł 22,8%, w porównaniu do 19,1% dla ręcznego logowania. To była jedna z nielicznych kategorii, w której ręczne logowanie rzeczywiście przewyższyło AI, ponieważ ludzki logger może wymienić znane składniki, niezależnie od tego, czy są widoczne.

Dania z dużą ilością sosu

Dania zanurzone w sosach — glazury teriyaki, sosy na bazie śmietany, sosy i gęste curry — stanowiły podobny problem z occlusion. AI mogło zidentyfikować rodzaj dania, ale konsekwentnie niedoszacowywało wkładu kalorycznego samego sosu. W przypadku 63 posiłków z dużą ilością sosu średni błąd AI wyniósł 19,4%. Dla kontekstu, ludzkie zgadywania na tych samych posiłkach miały średni błąd 44,1%, więc AI wciąż było znacznie lepsze, ale działało znacznie powyżej swojej ogólnej średniej.

Bardzo małe porcje i przyprawy

Gdy talerz zawierał bardzo małą ilość kalorycznego jedzenia (łyżka masła orzechowego, mała garść orzechów, cienki plaster sera), AI czasami myliło się w oszacowaniu wielkości porcji. W przypadku 31 posiłków, gdzie całkowite kalorie wyniosły poniżej 150, średni błąd AI wyniósł 24,3%. Małe liczby bezwzględne oznaczały, że nawet 30-kaloryczny błąd przekładał się na wysoki procent błędu.

Gdzie AI osiągnęło sukces

Mocne strony AI były równie wyraźne i obejmowały większość typowych posiłków, które ludzie jedzą na co dzień.

Standardowe posiłki na talerzu

Talerz z wyraźnymi, widocznymi komponentami — kawałek białka, węglowodan, warzywo — był idealnym miejscem dla AI. W przypadku 312 posiłków, które pasowały do tego opisu, średni błąd wyniósł zaledwie 6,4%. AI było szczególnie silne w oszacowywaniu wielkości porcji popularnych białek, takich jak pierś z kurczaka, filety z łososia i kotlety mielone, prawdopodobnie dlatego, że te produkty często pojawiają się w danych treningowych i mają stosunkowo jednolitą gęstość kaloryczną.

Rozpoznawalne dania z restauracji i opakowanych produktów

W przypadku posiłków z dobrze znanych sieci restauracyjnych lub popularnych produktów pakowanych, AI korzystało z weryfikowanej bazy danych Nutrola. Gdy AI rozpoznało danie jako konkretny element menu, pobierało dane kaloryczne bezpośrednio z bazy danych, a nie oszacowywało wyłącznie na podstawie obrazu. To skutkowało średnimi błędami poniżej 4% dla 89 posiłków zidentyfikowanych jako znane dania restauracyjne.

Oszacowanie porcji zbóż i węglowodanów

Jednym z obszarów, w którym AI konsekwentnie przewyższało ręczne logowanie, było oszacowanie porcji ryżu, makaronu, chleba i ziemniaków. Ręczni loggerzy często wprowadzali ogólne wartości "1 szklanka" lub "1 porcja", które nie odpowiadały rzeczywistej ilości na talerzu. AI, pracując na podstawie wizualnego rozmiaru w stosunku do talerza i innych przedmiotów, osiągnęło średni błąd 6,1% w przypadku węglowodanów w porównaniu do 15,8% dla ręcznego logowania.

Porównanie czasu

Dokładność to tylko część równania. Jeśli metoda zajmuje zbyt dużo czasu, ludzie nie będą jej używać regularnie, a konsekwencja jest ważniejsza niż precyzja w długoterminowym zarządzaniu kaloriami.

Metoda	Średni czas na posiłek	Uwagi
Ludzkie zgadywanie	5 sekund	Szybkie, ale niedokładne; brak zapisu
Ręczne logowanie w aplikacji	3 minuty 42 sekundy	Wymaga przeszukiwania bazy danych, wybierania składników, oszacowania porcji dla każdego komponentu
Nutrola AI Photo	12 sekund	Zrób zdjęcie, przejrzyj oszacowanie, potwierdź

Różnica czasu między ręcznym logowaniem a rozpoznawaniem zdjęć AI była znaczna: 3 minuty i 30 sekund oszczędności na posiłek. Przy trzech posiłkach i dwóch przekąskach dziennie przekłada się to na około 17 minut oszczędności dziennie, czyli prawie dwie godziny tygodniowo. Opublikowane badania dotyczące przestrzegania diety konsekwentnie pokazują, że zmniejszenie trudności logowania żywności zwiększa długoterminową spójność, co z kolei przewiduje lepsze wyniki w zarządzaniu wagą.

Konkretne przykłady dużych błędów oszacowania

Abstrakcyjne procenty mogą zaciemniać, jak te błędy wyglądają w praktyce. Oto pięć rzeczywistych przykładów z naszego zbioru danych, które ilustrują, jak niepowodzenia w oszacowaniu przekładają się na rzeczywiste talerze.

Posiłek	Rzeczywiste kalorie	Ludzkie zgadywanie	Ręczne logowanie	Nutrola AI
Kurczak alfredo z czosnkowym chlebem	1 140 kcal	620 kcal (−45,6%)	840 kcal (−26,3%)	1 020 kcal (−10,5%)
Miska açaí z granolą i masłem orzechowym	750 kcal	400 kcal (−46,7%)	580 kcal (−22,7%)	690 kcal (−8,0%)
Sałatka cezar z grzankami i sosem	680 kcal	310 kcal (−54,4%)	470 kcal (−30,9%)	590 kcal (−13,2%)
Dwie plastry pizzy pepperoni	570 kcal	500 kcal (−12,3%)	540 kcal (−5,3%)	555 kcal (−2,6%)
Pad Thai z krewetkami (porcja z restauracji)	920 kcal	550 kcal (−40,2%)	710 kcal (−22,8%)	830 kcal (−9,8%)

Przykład kurczaka alfredo jest wymowny. Zgadywacz ludzki zobaczył makaron i oszacował umiarkowaną porcję. Co przegapił, to zawartość śmietany i masła w sosie alfredo oraz olej użyty do chleba czosnkowego. Ręczny logger niedoszacował ilości sosu. AI Nutrola, mając doświadczenie z tysiącami podobnych dań, rozpoznało rodzaj dania i oszacowało bliżej rzeczywistej gęstości kalorycznej makaronu na bazie śmietany.

Sałatka cezar to kolejna powszechna pułapka. Ludzie zakładają, że sałatki są niskokaloryczne, ale sos, grzanki i parmezan w restauracyjnej sałatce cezar szybko się sumują. Oszacowanie zgadującego ludzkiego było błędne o ponad 50%.

Efekt kumulacyjny: dlaczego małe błędy mają znaczenie

Średni błąd na poziomie 10% może brzmieć akceptowalnie w przypadku pojedynczego posiłku, ale liczenie kalorii to ćwiczenie kumulacyjne. Błędy kumulują się w każdym posiłku, każdego dnia, każdego tygodnia.

Rozważmy osobę jedzącą 2 200 kalorii dziennie, która stara się utrzymać 500-kaloryczny dzienny deficyt na potrzeby odchudzania:

Metoda śledzenia	Codzienny błąd kaloryczny (średnio)	Tygodniowy błąd kaloryczny	Wpływ na deficyt
Ludzkie zgadywanie	±752 kcal/dzień	±5 264 kcal/tydzień	Deficyt efektywnie zniwelowany w większości dni
Ręczne logowanie	±392 kcal/dzień	±2 744 kcal/tydzień	Deficyt zmniejszony o ~56% w średniej
Nutrola AI	±229 kcal/dzień	±1 603 kcal/tydzień	Deficyt zmniejszony o ~33% w średniej

Gdy uwzględni się systematyczny błąd w kierunku niedoszacowania, sytuacja dla ludzkiego zgadywania staje się jeszcze gorsza. Jeśli konsekwentnie uważasz, że jesz 1 700 kalorii, gdy w rzeczywistości jesz 2 300, nie schudniesz i nie zrozumiesz dlaczego. To jedna z najczęstszych przyczyn, dla których ludzie zgłaszają, że liczenie kalorii "nie działa dla nich". Problem nie leży w samym śledzeniu — to dokładność jest kluczowa.

AI Nutrola nie jest wolne od błędów, ale jego błędy są na tyle małe, że zamierzony deficyt kaloryczny pozostaje w dużej mierze nienaruszony w typowym tygodniu.

Ograniczenia tego badania

Chcemy być bezpośredni co do granic tej analizy. To był test wewnętrzny, a nie recenzowane badanie kliniczne. Próbka 14 testerów, mimo że wygenerowała 1 000 punktów danych o posiłkach, nie odzwierciedla pełnej różnorodności światowych kuchni, kulturowych wzorców żywieniowych ani indywidualnych stylów podawania. Zgadywacze ludzcy byli pracownikami firmy zajmującej się technologią żywieniową i mogą mieć lepszą podstawową wiedzę o żywności niż przeciętna osoba, co oznacza, że nasze wskaźniki błędów w zgadywaniu ludzkim mogą być rzeczywiście konserwatywne w porównaniu do ogólnej populacji.

Dodatkowo zasada "bez poprawek" dla testu AI jest bardziej restrykcyjna niż w rzeczywistym użytkowaniu. W praktyce Nutrola pozwala użytkownikom dostosowywać oszacowania AI — korygując wielkości porcji, dodając brakujące składniki lub zmieniając wpisy w bazie danych. Użytkownik, który przegląda i dostosowuje wyniki AI, prawdopodobnie osiągnie dokładność lepszą niż średni błąd 10,4% zgłoszony tutaj.

Co to oznacza dla Twojego śledzenia

Dane wskazują na praktyczny wniosek. Dla zdecydowanej większości posiłków rozpoznawanie zdjęć przez AI zapewnia znacząco lepsze oszacowania kalorii niż zarówno niepomocne ludzkie zgadywanie, jak i ręczne logowanie w aplikacji, a robi to w ułamku czasu. Połączenie wyższej dokładności i mniejszej trudności sprawia, że konsekwentne śledzenie staje się znacznie bardziej osiągalne.

W przypadku posiłków, w których AI ma znane trudności — zup, dań z dużą ilością sosu i bardzo małych porcji — najlepszą strategią jest wykorzystanie AI jako punktu wyjścia, a następnie ręczne dostosowanie. Nutrola wspiera ten proces: AI dostarcza wstępne oszacowanie dla ponad 100 składników odżywczych, a użytkownik może doprecyzować każdą wartość, przeszukując zweryfikowaną bazę danych żywności lub dostosowując wielkości porcji.

Liczenie kalorii nie musi być doskonałe, aby było użyteczne. Ale różnica między 34% średniego błędu a 10% średniego błędu to różnica między systemem śledzenia, który podważa Twoje cele, a takim, który je wspiera.

FAQ

Jak dokładne jest liczenie kalorii przez AI w porównaniu do ludzkiego oszacowania?

Na podstawie naszych testów 1 000 posiłków, rozpoznawanie zdjęć przez AI Nutrola osiągnęło średni błąd bezwzględny na poziomie 10,4%, w porównaniu do 34,2% dla niepomocnego ludzkiego zgadywania i 17,8% dla ręcznego logowania w aplikacji. AI umieściło 62,4% wszystkich oszacowań posiłków w odległości 10% od rzeczywistej wartości kalorycznej, podczas gdy ludzkie zgadywania mieściły się w tym zakresie tylko w 18,3% przypadków. Wyniki te są zgodne z opublikowanymi badaniami, które pokazują, że osoby nieprzeszkolone niedoszacowują spożycie kalorii o 20-50%.

Czy aplikacje do liczenia kalorii AI mogą całkowicie zastąpić wagi żywności?

Nie całkowicie. Wagi żywności pozostają złotym standardem precyzji, a nasze badanie wykorzystało wartości mierzone wagą jako rzeczywiste. Jednak rozpoznawanie zdjęć przez AI zbliża się do wystarczającej dokładności do praktycznego zarządzania kaloriami. Przy średnim błędzie 10,4% Nutrola AI dostarcza oszacowania wystarczające do utrzymania znaczącego deficytu lub nadwyżki kalorycznej w czasie. Dla użytkowników, którzy potrzebują precyzji na poziomie klinicznym — takich jak sportowcy konkurencyjni w sportach wagowych lub osoby z określonymi wymaganiami dietetycznymi — połączenie oszacowań AI z okresową weryfikacją wagową jest najbardziej praktycznym podejściem.

Z jakimi rodzajami posiłków AI ma największe trudności w oszacowaniach?

W naszych testach rozpoznawanie zdjęć przez AI wypadło najgorzej w trzech kategoriach: zupy i gulasze (średni błąd 22,8%), dania z dużą ilością sosu (średni błąd 19,4%) oraz bardzo małe porcje poniżej 150 kalorii (średni błąd 24,3%). Wspólnym czynnikiem jest wizualna occlusion — gdy kaloryczne składniki są ukryte pod cieczą, sosem lub gdy porcja jest zbyt mała, aby AI mogło dokładnie ocenić rozmiar. W przypadku tych posiłków ręczne przeglądanie i dostosowywanie oszacowania AI przynosi lepsze wyniki.

Ile czasu oszczędza śledzenie kalorii przez AI w porównaniu do ręcznego logowania?

W naszym badaniu rozpoznawanie zdjęć przez AI Nutrola zajmowało średnio 12 sekund na posiłek, w porównaniu do 3 minut i 42 sekund dla ręcznego logowania w aplikacji. To oszczędność około 3,5 minuty na posiłek. Dla kogoś logującego trzy posiłki i dwie przekąski dziennie, przekłada się to na około 17 minut oszczędności dziennie lub blisko dwóch godzin tygodniowo. Badania dotyczące samodzielnego monitorowania diety konsekwentnie pokazują, że zmniejszenie czasu logowania poprawia długoterminowe przestrzeganie diety, co jest najsilniejszym predyktorem skutecznego zarządzania wagą.

Czy Nutrola śledzi tylko kalorie, czy także inne składniki odżywcze?

Nutrola śledzi ponad 100 składników odżywczych z jednego zdjęcia jedzenia, w tym makroskładników (białko, węglowodany, tłuszcz, błonnik), mikroskładników (witaminy, minerały) i innych wskaźników dietetycznych. Oszacowanie AI w tym badaniu koncentrowało się na dokładności całkowitych kalorii, ale ta sama analiza zdjęć generuje pełny profil żywieniowy. Użytkownicy mogą przeglądać szczegółowe zestawienia dla każdego zarejestrowanego posiłku i śledzić cele dotyczące składników odżywczych w czasie. Podstawowe funkcje śledzenia, w tym rozpoznawanie zdjęć AI i zweryfikowana baza danych żywności, są dostępne za darmo.

Czy liczenie kalorii przez AI jest wystarczająco dokładne do odchudzania?

Tak, dla zdecydowanej większości użytkowników. Nasze dane pokazują, że AI Nutrola utrzymuje oszacowania kalorii wystarczająco dokładne, aby zachować znaczący codzienny deficyt. Przy średnim błędzie 10,4% w przypadku 2 200 kalorii dziennie, średnia dzienna różnica wynosi około 229 kalorii. Choć nie zerowa, ten poziom błędu utrzymuje deficyt 500 kalorii w dużej mierze nienaruszony. Dla porównania, ludzkie zgadywanie generuje średnie dzienne błędy przekraczające 750 kalorii, co może całkowicie zniwelować zamierzony deficyt. Konsekwentne śledzenie z pomocą AI z okazjonalnymi ręcznymi poprawkami dla skomplikowanych posiłków zapewnia najlepszą równowagę między dokładnością, szybkością a długoterminowym przestrzeganiem diety.