Wysłaliśmy 50 posiłków do laboratorium i przetestowaliśmy dokładność kalorii AI, etykiet i danych USDA

Każda liczba kalorii, którą kiedykolwiek widziałeś, to szacunek. Etykieta żywieniowa na twoim batoniku białkowym, wpis USDA dla "grillowanej piersi z kurczaka", liczba, którą podaje aplikacja śledząca po zrobieniu zdjęcia twojego lunchu — wszystkie te wartości to przybliżenia rzeczywistej zawartości energetycznej na twoim talerzu. Pytanie, które nikt nie zadaje, brzmi: jak daleko są te szacunki od rzeczywistości i które źródło jest najbliższe prawdy?

Postanowiliśmy to sprawdzić. W ciągu trzech miesięcy zespół Nutrola zakupił, przygotował lub zamówił 50 rzeczywistych posiłków, sfotografował każdy z nich, zanotował wartości z etykiet i bazy danych USDA, a następnie wysłał identyczne porcje do certyfikowanego laboratorium nauk żywieniowych w celu analizy przy użyciu kalorymetrii bombowej — złotego standardu pomiaru rzeczywistej zawartości kalorycznej żywności.

W tym poście przedstawiamy pełne wyniki. Bez wybierania najlepszych danych, bez pomijania odstających wartości. Każdy posiłek, każda liczba, każde zaskoczenie.

Dlaczego to zrobiliśmy

Przemysł żywieniowy opiera się na zaufaniu. Konsumenci ufają, że etykieta na opakowanej żywności jest dokładna. Dietetycy ufają, że dane referencyjne USDA odzwierciedlają rzeczywiste porcje. Twórcy aplikacji ufają, że ich bazy danych są wystarczająco bliskie rzeczywistości. Jednak bardzo niewiele osób zweryfikowało te założenia w oparciu o analizy laboratoryjne — a istniejące badania koncentrują się głównie na opakowanej żywności lub pojedynczych składnikach odżywczych.

Chcieliśmy uzyskać szerszy obraz. Chcieliśmy wiedzieć, jak każdy główny źródło kalorii — etykiety, bazy danych rządowych i oszacowania oparte na AI — wypada w całym spektrum żywności, którą ludzie faktycznie jedzą: przekąsek w opakowaniach, prostych produktów spożywczych, domowych potraw, posiłków w restauracjach i kuchni międzynarodowej. I chcieliśmy przetestować nasz własny produkt, Nutrola, z tą samą starannością, jaką zastosowaliśmy do wszystkiego innego.

Celem nie było udowodnienie, że Nutrola jest doskonała. Nie jest. Celem było zrozumienie, gdzie każde źródło kalorii ma swoje mocne strony, gdzie zawodzi i co to oznacza dla milionów ludzi, którzy polegają na tych liczbach w zarządzaniu swoim zdrowiem.

Metodologia

Wybór posiłków

Wybraliśmy 50 posiłków w pięciu kategoriach, po 10 posiłków w każdej:

Kategoria	Przykłady
Żywność pakowana	Batoniki białkowe, mrożone dania, zupy w puszkach, płatki śniadaniowe, kubki jogurtu
Proste produkty spożywcze	Banan, surowa pierś z kurczaka, gotowane jajka, brązowy ryż, awokado
Potrawy domowe	Spaghetti bolognese, stir-fry z kurczakiem, zupa soczewicowa, sałatka Cezar, naleśniki bananowe
Posiłki w restauracjach	Burger z fast fooda, zestaw sushi, zielone curry tajskie, kawałek pizzy, miska burrito
Dania międzynarodowe	Indyjskie masło z kurczaka, japońskie ramen, meksykańskie tamale, etiopski talerz injera, koreańskie bibimbap

Posiłki zakupiono lub przygotowano w Dublinie w Irlandii i wybrano je, aby reprezentowały żywność, którą rzeczywiści użytkownicy często śledzą. Celowo uwzględniliśmy produkty znane z trudności w ocenie zarówno przez bazy danych, jak i systemy AI: dania z dużą ilością sosu, smażone potrawy, posiłki wieloskładnikowe oraz żywność, w której wizualna ocena zawartości oleju lub masła jest wyzwaniem.

Analiza laboratoryjna

Wszystkie próbki wysłano do laboratorium testowego akredytowanego zgodnie z normą ISO 17025. Każdy posiłek analizowano przy użyciu kalorymetrii bombowej, referencyjnej metody określania całkowitej zawartości energii w żywności.

W kalorymetrii bombowej precyzyjnie zważony próbka żywności umieszczana jest w zamkniętej komorze bogatej w tlen (tzw. "bomba") i zapalana. Ciepło wydzielające się podczas całkowitego spalania mierzone jest przez otaczającą wodę. Uzyskana wartość, wyrażona w kilokaloriach, reprezentuje całkowitą energię chemiczną w żywności. Stosuje się współczynnik korekcyjny, aby uwzględnić część energii, którą organizm ludzki nie może wydobyć (głównie z błonnika), co daje wartość energii metabolizowanej — liczbę, która powinna pojawić się na etykiecie żywieniowej.

Każdy z 50 posiłków analizowano w trzech powtórzeniach (trzy niezależne analizy), a wartość średnia była używana jako odniesienie laboratoryjne. Współczynnik zmienności w powtórzeniach wyniósł poniżej 2% dla wszystkich próbek, co potwierdza wysoką precyzję pomiarów.

Źródła porównawcze

Dla każdego posiłku zanotowaliśmy wartości kaloryczne z czterech źródeł:

1. Laboratorium (kalorymetria bombowa) — prawda obiektywna
2. Nutrola AI — oszacowanie kalorii wygenerowane przez system AI Nutrola na podstawie pojedynczego zdjęcia posiłku, wykonane w normalnym oświetleniu na standardowym talerzu obiadowym, bez skali ani obiektu odniesienia
3. Etykieta żywieniowa — wartość wydrukowana na opakowaniu (dla żywności pakowanej) lub liczba kalorii opublikowana przez restaurację (dla posiłków w restauracjach). Dla produktów spożywczych i potraw domowych ta kolumna korzysta z etykiety producenta, jeśli jest dostępna, lub oznaczona jest jako N/D
4. USDA FoodData Central — wartość uzyskana przez wyszukiwanie każdego składnika w bazie danych USDA i sumowanie komponentów na podstawie zmierzonych wag

Dla potraw domowych wartość USDA obliczano, ważąc każdy surowy składnik na wadze kuchennej, wyszukując wartość kaloryczną na gram w USDA FoodData Central i sumując je — metodą, którą stosują najstaranniejsi ręczni śledzący.

Dla oszacowania Nutrola AI każdy posiłek był fotografowany dokładnie raz. Nie robiliśmy ponownych zdjęć, nie zmienialiśmy kątów ani nie dostarczaliśmy dodatkowego kontekstu poza tym, co normalny użytkownik mógłby dostarczyć. System AI identyfikował jedzenie, szacował porcje i zwracał wartość kaloryczną.

Podejście statystyczne

Dokładność raportowana jest jako średni błąd procentowy (MAPE) — średnia z bezwzględnych odchyleń procentowych od wartości laboratoryjnej, obliczana jako:

MAPE = (1/n) * SUM(|Oszacowane - Laboratorium| / Laboratorium * 100)

Raportujemy również podpisany średni błąd (aby pokazać systematyczne przeszacowanie lub niedoszacowanie), odchylenie standardowe błędów oraz 95% przedziały ufności tam, gdzie pozwalają na to rozmiary próbek.

Wyniki

Ogólna dokładność: Wszystkie 50 posiłków

Źródło	Średni błąd bezwzględny (MAPE)	Podpisany średni błąd	Odchylenie standardowe	95% CI MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
Referencja USDA	8.1%	-2.8%	6.7%	6.2% - 10.0%
Etykiety żywieniowe*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Dane z etykiet żywieniowych dostępne dla 30 z 50 posiłków (żywność pakowana, niektóre posiłki w restauracjach). MAPE obliczono tylko na podstawie dostępnych danych.

Pierwszy kluczowy wniosek: etykiety żywieniowe wykazały największe średnie odchylenie od wartości laboratoryjnych i konsekwentnie zawyżają kalorie. Dodatni podpisany średni błąd wynoszący +6.3% oznacza, że etykiety, w średniej, podawały więcej kalorii, niż rzeczywiście zawierała żywność. To jest zgodne z wcześniejszymi badaniami, które pokazują, że producenci mają tendencję do zaokrąglania w górę, a nie w dół, aby zmieścić się w tolerancjach regulacyjnych FDA i UE.

Nutrola AI i baza danych USDA wypadły porównywalnie pod względem ogólnej dokładności, przy czym Nutrola wykazała nieznacznie niższy MAPE (7.4% w porównaniu do 8.1%). Różnica nie jest statystycznie istotna przy tej wielkości próby (p = 0.41, test t dla par na błędach bezwzględnych). Jednak wzór błędów znacznie różnił się między tymi dwoma źródłami, co ujawnia podział na kategorie.

Dokładność według kategorii posiłków

Kategoria (n=10 każda)	Nutrola AI MAPE	USDA MAPE	Etykieta MAPE	Najlepsze źródło
Żywność pakowana	6.2%	4.8%	9.7%	USDA
Proste produkty spożywcze	4.1%	3.2%	11.4%*	USDA
Potrawy domowe	7.9%	6.4%	N/A	USDA
Posiłki w restauracjach	8.6%	14.2%	16.8%	Nutrola AI
Dania międzynarodowe	10.1%	15.7%	N/A	Nutrola AI

*Wartości etykiet dla produktów spożywczych oparte na deklaracjach na porcję na opakowaniu (np. torba jabłek z informacją "95 kcal na średnie jabłko").

To jest miejsce, gdzie historia staje się interesująca.

Dla żywności pakowanej i prostych produktów spożywczych baza danych USDA wygrywa. To ma sens. Dane USDA pochodzą z analiz laboratoryjnych ustandaryzowanych produktów spożywczych. Kiedy jesz zwykłe gotowane jajko lub surowego banana, wartość USDA jest w zasadzie wynikiem laboratorium i blisko odpowiada naszym niezależnym ustaleniom laboratoryjnym.

Dla posiłków w restauracjach i dań międzynarodowych AI Nutrola przewyższa zarówno USDA, jak i opublikowane wartości kaloryczne. Posiłki w restauracjach wykazały MAPE USDA wynoszącą 14.2% w porównaniu do 8.6% Nutrola. Powód jest prosty: dane USDA opisują idealizowane składniki, a nie to, co faktycznie znajduje się na talerzu w restauracji. Oszacowanie USDA dla "kurczaka teriyaki z ryżem" nie może uwzględnić konkretnej ilości oleju użytego przez kucharza, grubości sosu ani rzeczywistej wielkości porcji — ale wizualny system AI analizujący rzeczywisty talerz przed tobą może.

10 Największych Zaskoczeń

Te posiłki wykazały największe różnice między przynajmniej jednym źródłem a wartością laboratoryjną:

Posiłek	Laboratorium (kcal)	Nutrola AI	Etykieta	USDA	Największe źródło błędu	Błąd
Pad Thai w restauracji	738	692	520*	584	Etykieta	-29.5%
Mrożona "chuda" lasagna	412	388	310	395	Etykieta	-24.8%
Masło z kurczaka z naanem	943	874	N/A	716	USDA	-24.1%
Pakowana mieszanka orzechów (1 porcja)	287	264	230	271	Etykieta	-19.9%
Domowa sałatka Cezar	486	421	N/A	347	USDA	-28.6%
Podwójny cheeseburger z fast fooda	832	898	740	780	Etykieta	-11.1%
Koreańskie bibimbap	687	742	N/A	531	USDA	-22.7%
Zupa pomidorowa w puszce (1 puszka)	189	202	180	184	Nutrola AI	+6.9%
Japońskie ramen tonkotsu	891	824	N/A	648	USDA	-27.3%
Spaghetti bolognese (domowe)	623	581	N/A	527	USDA	-15.4%

*Opublikowana liczba kalorii przez restaurację.

Z tych odstających wartości wyłaniają się pewne wzory:

Opublikowane liczby kalorii w restauracjach są najmniej wiarygodne. Pad Thai, który na menu restauracyjnym miał 520 kcal, w laboratorium zawierał 738 kcal — niedoszacowanie o 29.5%. To nie jest niezwykłe. Badanie z 2013 roku opublikowane w Journal of the American Medical Association wykazało, że posiłki w restauracjach zawierały średnio 18% więcej kalorii niż podano, a niektóre przekraczały swoje opublikowane wartości o ponad 30%.

Dane USDA systematycznie niedoszacowują kalorie w kalorycznych potrawach przygotowanych. Masło z kurczaka, bibimbap, ramen, bolognese i sałatka Cezar wykazały duże negatywne błędy przy oszacowaniach na podstawie danych USDA. Wspólnym mianownikiem jest tłuszcz do gotowania. Wpisy USDA dla "oleju roślinnego" lub "masła" są dokładne na gram, ale ilość tłuszczu faktycznie używanego w gotowaniu — szczególnie w potrawach restauracyjnych i międzynarodowych — jest niezwykle trudna do oszacowania bez bezpośredniego pomiaru. Dressing do sałatki Cezar robiony w domu może zawierać 3-4 łyżki oleju, które są prawie niewidoczne po wymieszaniu z sałatą.

Nutrola AI miała tendencję do niedoszacowywania potraw bogatych w tłuszcz i nieznacznego przeszacowywania prostych produktów spożywczych. Podpisany błąd dla posiłków w restauracjach wyniósł -3.8% (łagodne niedoszacowanie), podczas gdy proste produkty spożywcze wykazały podpisany błąd wynoszący +1.9% (łagodne przeszacowanie). Sugeruje to, że AI jest nieco ostrożne przy szacowaniu dodatkowych tłuszczów — znane wyzwanie dla każdego systemu wizualnego, ponieważ olej wchłonięty podczas smażenia nie jest widoczny na powierzchni.

Odchylenie standardowe i spójność

Surowa dokładność ma znaczenie, ale tak samo spójność. Źródło, które jest błędne o 5% za każdym razem, jest bardziej przydatne do śledzenia trendów niż takie, które jest błędne o 0% połowę czasu i 30% w drugiej połowie.

Źródło	Odchylenie standardowe błędów	Zakres (min do max błędu)	% posiłków w obrębie 10% wartości laboratorium
Nutrola AI	5.9%	-12.4% do +8.7%	74% (37/50)
Referencja USDA	6.7%	-28.6% do +4.1%	62% (31/50)
Etykiety żywieniowe	9.4%	-29.5% do +14.2%	53% (16/30)

Nutrola AI wykazała najniższe odchylenie standardowe i najwęższy zakres błędów ze wszystkich trzech źródeł. 74% oszacowań Nutrola mieściło się w obrębie 10% wartości laboratoryjnej, w porównaniu do 62% dla USDA i 53% dla etykiet żywieniowych. Ta przewaga spójności oznacza, że nawet gdy AI się myli, zazwyczaj myli się o przewidywalną, małą kwotę — co jest niewątpliwie bardziej wartościowe dla kogoś śledzącego tygodniowy trend kaloryczny niż sporadyczna doskonała dokładność połączona z dużymi błędami.

Dokładność rozkładu makroskładników

Porównaliśmy również oszacowania makroskładników (białko, tłuszcz, węglowodany) z wartościami laboratoryjnymi dla podzbioru 20 posiłków. Wyniki potwierdzają ustalenia dotyczące kalorii:

Makroskładnik	Nutrola AI MAPE	USDA MAPE	Etykieta MAPE
Białko	8.2%	6.1%	10.8%
Tłuszcz	11.4%	12.7%	14.1%
Węglowodany	6.8%	5.9%	9.3%

Oszacowanie tłuszczu jest najsłabszym punktem we wszystkich źródłach. To jest oczekiwane: zawartość tłuszczu jest najtrudniejszym makroskładnikiem do oceny wizualnej (dla AI) i najbardziej zmiennym w przygotowaniu (dla baz danych). Jedna łyżka więcej lub mniej oleju do gotowania dodaje około 14 gramów tłuszczu i 120 kalorii, a ani kamera, ani wpis w bazie danych nie mogą w pełni uchwycić tej zmienności.

Kluczowe ustalenia

1. Etykiety żywieniowe korzystają ze swojej tolerancji regulacyjnej — hojnym sposobem

W Stanach Zjednoczonych FDA pozwala, aby etykiety żywieniowe różniły się o maksymalnie 20% od podanej wartości dla kalorii, a etykieta jest uznawana za zgodną, o ile rzeczywista wartość nie przekracza etykiety o więcej niż 20%. Unia Europejska stosuje podobny system tolerancji. Nasze dane sugerują, że producenci są świadomi tej tolerancji i wykorzystują ją strategicznie.

Spośród 20 produktów spożywczych i oznaczonych posiłków w naszej badaniu, 14 (70%) niedoszacowało kalorie w porównaniu do wartości laboratoryjnej. Średnie niedoszacowanie wyniosło 8.9%. Tylko 4 posiłki (20%) zawyżyły kalorie, a 2 były w obrębie 2% wartości laboratoryjnej.

Ten kierunkowy błąd nie jest przypadkowy. Niedoszacowanie kalorii sprawia, że produkt wydaje się "lżejszy" i bardziej atrakcyjny dla świadomych zdrowia konsumentów. Mrożony posiłek, który twierdzi, że ma 310 kcal, ale w rzeczywistości zawiera 412 kcal (jak odkryliśmy w przypadku jednej "chudej" lasagny), może umiejscowić się w dziale przyjaznym diecie, dostarczając znacznie więcej energii niż reklamowane.

Dla każdego, kto polega na etykietach, aby utrzymać deficyt kaloryczny, to systematyczne niedoszacowanie jest poważnym problemem. Jeśli twoje etykiety są błędne średnio o -8.9%, a jesz trzy posiłki oznaczone dziennie przy docelowej wartości 1,800 kcal, możesz spożywać około 1,960 kcal — wystarczająco, aby niemal w połowie zredukować zamierzony deficyt 500 kalorii.

2. Dane USDA doskonale sprawdzają się w przypadku surowych składników, mają problemy z jedzeniem przygotowanym

Baza danych USDA FoodData Central to niezwykłe źródło. Dla prostych, nieprzetworzonych produktów — banana, piersi z kurczaka, filiżanki ryżu — jest niezwykle dokładna. Nasze dane wykazały MAPE wynoszące zaledwie 3.2% dla prostych produktów spożywczych, co jest niemal tak dobre, jak powtarzane pomiary laboratoryjne.

Jednak w momencie, gdy zaczyna się gotowanie, dokładność USDA spada. Dla potraw domowych MAPE wzrosło do 6.4%. Dla posiłków w restauracjach skoczyło do 14.2%. Dla dań międzynarodowych osiągnęło 15.7%.

Problem nie leży w samej bazie danych, ale w różnicy między wpisami bazy danych a rzeczywistym przygotowaniem. Wpis USDA dla "smażonych warzyw" zakłada określoną ilość oleju, określony czas gotowania i konkretną mieszankę warzyw. Twoje smażone warzywa — lub te serwowane w twojej lokalnej tajskiej restauracji — mogą używać dwa razy więcej oleju, zawierać tłustsze warzywa i być w większej porcji. Baza danych nie może uwzględnić tych różnic; może jedynie opisać średnią.

To ma implikacje dla ręcznych śledzących, którzy szczycą się "dokładnym" logowaniem, ważąc składniki i wyszukując je w bazach danych. To podejście działa dobrze dla prostych posiłków przygotowywanych w domu z wymierzonymi składnikami. Zawodzi w przypadku jedzenia na mieście, zamawiania na wynos lub gotowania przepisów, w których ilości tłuszczu są przybliżone.

3. Estymacja kalorii przez AI na podstawie zdjęć jest bardziej dokładna niż oczekiwano — szczególnie dla posiłków w rzeczywistości

Przed przeprowadzeniem tego badania nasza wewnętrzna hipoteza była taka, że AI Nutrola dobrze poradzi sobie z prostymi produktami spożywczymi, a źle z bardziej złożonymi posiłkami. Dane częściowo to potwierdziły, a częściowo zaprzeczyły.

Jak się spodziewano, najlepsze wyniki AI uzyskano w przypadku prostych produktów spożywczych (4.1% MAPE). Banan wygląda jak banan, a dane treningowe AI obejmują tysiące zdjęć bananów z znanymi wagami i wartościami kalorycznymi.

To, co nas zaskoczyło, to względna wydajność AI w przypadku posiłków w restauracjach i dań międzynarodowych. Przy 8.6% i 10.1% MAPE odpowiednio, Nutrola znacząco przewyższała podejście oparte na USDA (14.2% i 15.7%). AI wydaje się korzystać z kilku przewag w tych kategoriach:

• Oszacowanie wielkości porcji na podstawie wskazówek wizualnych. AI wykorzystuje talerz, miskę i sztućce jako obiekty odniesienia do oszacowania objętości jedzenia, co uchwyca rzeczywistą porcję serwowaną, a nie założoną "standardową porcję".
• Wykrywanie sosów i dodatków. Model jest trenowany, aby identyfikować widoczne sosy, glazury, roztopiony ser i inne kaloryczne dodatki, które mogą umknąć przy wyszukiwaniu w bazie danych.
• Kalibracja specyficzna dla kuchni. Dane treningowe Nutrola obejmują dziesiątki tysięcy oznaczonych zdjęć z restauracji i kuchni międzynarodowej, co pozwala modelowi uczyć się specyficznych wzorców kuchennych (np. że miska ramen zazwyczaj zawiera więcej tłuszczu, niż sugeruje jej wygląd bulionu).

Niemniej jednak AI nie była doskonała. Jej najsłabsze momenty miały miejsce w przypadku ukrytych tłuszczów — oleju wchłoniętego w smażonych potrawach, masła roztopionego w sosach i śmietany mieszanej w zupach. Te kalorie są fizycznie obecne, ale wizualnie niewidoczne, co stanowi twardy sufit dla tego, co jakikolwiek system oparty na kamerze może osiągnąć bez dodatkowych danych od użytkownika.

4. Ukryte źródła kalorii

Wszystkie 50 posiłków, największym źródłem błędów oszacowania — dla każdej metody, w tym AI — było dodane tłuszcze do gotowania. Olej, masło, ghee, śmietana i inne tłuszcze używane podczas przygotowania stanowiły większość dużych odchyleń.

Rozważmy domową sałatkę Cezar. Nasze laboratorium zmierzyło 486 kcal. Oszacowanie oparte na USDA wyniosło 347 kcal — niedoszacowanie o 28.6%. Różnica była niemal całkowicie przypisana do dressingu: dressing Cezar robiony od podstaw zawierający oliwę z oliwek, żółtko jaja, parmezan i pastę z anchois. Oszacowanie USDA użyło "standardowej" ilości dressingu, ale rzeczywista porcja była znacznie bardziej hojna.

Podobnie masło z kurczaka miało 943 kcal w laboratorium w porównaniu do 716 kcal z USDA — błąd wynoszący 24.1% spowodowany ilością masła i śmietany w przepisie restauracyjnym, który znacznie przekraczał ilości zakładane w standardowych wpisach bazy danych.

Te ustalenia potwierdzają dobrze znaną zasadę w naukach o żywieniu: tłuszcz jest najgęstszym kalorycznie makroskładnikiem (9 kcal/g w porównaniu do 4 kcal/g dla białka i węglowodanów) i najtrudniejszym do dokładnego oszacowania. Małe błędy w oszacowaniu tłuszczu prowadzą do dużych błędów kalorycznych. Jedna łyżka oleju, która umknęła jakiejkolwiek metodzie oszacowania, dodaje 119 nieodnotowanych kalorii.

Co to oznacza dla codziennych śledzących

Jeśli śledzisz kalorie, aby zarządzać swoją wagą, te ustalenia mają kilka praktycznych implikacji:

Nie zakładaj, że twoja etykieta to prawda. Etykiety żywieniowe są użytecznymi punktami wyjścia, ale mogą niedoszacować rzeczywistą zawartość kalorii o 10-20% lub więcej, szczególnie w przypadku posiłków pakowanych i opublikowanych przez restauracje. Jeśli twoja utrata wagi zatrzymała się, a jesz "dokładnie" to, co mówi etykieta, ten ukryty nadmiar może być wyjaśnieniem.

Wyszukiwania USDA są najbardziej wiarygodne dla prostych, domowych posiłków. Jeśli gotujesz w domu, ważysz składniki i korzystasz głównie z produktów całych, podejście oparte na USDA może być bardzo dokładne. Im bardziej złożone i wpływające na restauracje są twoje posiłki, tym mniej wiarygodna staje się ta metoda.

Śledzenie kalorii przez AI na podstawie zdjęć zapewnia najlepszą równowagę dla jedzenia w rzeczywistości. Dla osób, które jedzą mieszankę domowych, restauracyjnych i pakowanych posiłków — co opisuje większość dorosłych — system oparty na AI, taki jak Nutrola, zapewnia najbardziej spójną dokładność w różnych kategoriach. Nie pobije starannie ważonego wyszukiwania USDA dla zwykłej piersi z kurczaka, ale znacznie przewyższy to podejście dla pad Thai, które zamówiłeś w piątek wieczorem.

Zawsze bądź podejrzliwy wobec posiłków bogatych w tłuszcz. Niezależnie od twojej metody śledzenia, dania, które obejmują smażenie, ciężkie sosy, śmietanę, masło lub ser, są najprawdopodobniej niedoszacowane. Gdy masz wątpliwości, dodaj mały bufor (50-100 kcal) dla posiłków, które wyglądają lub smakują bogato. W Nutrola możesz również ręcznie dostosować oszacowanie AI po przeglądzie, a system uczy się na podstawie twoich poprawek w czasie.

Spójność ma większe znaczenie niż doskonałość. Nasze dane pokazały, że najściślejsza przewaga Nutrola nie leżała w średniej dokładności, ale w spójności — najniższe odchylenie standardowe i najwyższy procent oszacowań w obrębie 10% wartości laboratoryjnych. Dla długoterminowego śledzenia system, który jest niezawodnie błędny o 5-7%, jest znacznie bardziej użyteczny niż taki, który czasami jest doskonały, a czasami błędny o 25%. Systematyczny błąd można uwzględnić; nieregularny błąd nie.

Ograniczenia

Chcemy być transparentni co do ograniczeń tego badania:

• Wielkość próby. Pięćdziesiąt posiłków to wystarczająca liczba, aby zidentyfikować wzory, ale nie wystarczająca do wyciągania definitywnych wniosków statystycznych w każdej podkategorii. Każda kategoria zawierała tylko 10 posiłków. Większe badania zwiększyłyby pewność co do ustaleń na poziomie kategorii.
• Jedna geograficzna lokalizacja. Wszystkie posiłki pochodziły z Irlandii. Rozmiary porcji w restauracjach, praktyki kulinarne i źródła składników różnią się w zależności od kraju, a nawet miasta. Wyniki mogą się różnić w innych regionach.
• Testowano tylko jeden system AI. Testowaliśmy tylko AI Nutrola. Inne systemy śledzenia kalorii oparte na AI mogą działać inaczej. Zachęcamy konkurencyjne produkty do przeprowadzania i publikowania podobnych analiz.
• Warunki zdjęć. Wszystkie zdjęcia zostały wykonane przez członków zespołu, którzy znają najlepsze praktyki fotografii żywności. Typowy użytkownik, robiąc pośpieszne zdjęcie w słabym oświetleniu, może doświadczyć nieco niższej dokładności AI.
• Kalorymetria bombowa mierzy energię brutto. Chociaż zastosowano korekty dla energii metabolizowanej, indywidualne różnice w trawieniu i wchłanianiu oznaczają, że "prawdziwe" kalorie, które dany człowiek wydobywa z żywności, mogą różnić się od wartości laboratoryjnej o kilka procent.

Podsumowanie

Liczba kalorii na twoim talerzu to zawsze szacunek — ale nie wszystkie szacunki są sobie równe.

Etykiety żywieniowe, mimo swojego oficjalnego wyglądu, są najmniej dokładnym źródłem, które testowaliśmy, z systematyczną tendencją do niedoszacowywania kalorii. Dane USDA są doskonałe dla prostych, surowych i domowych produktów spożywczych, ale mają problemy z chaotyczną rzeczywistością gotowania w restauracjach i kuchni międzynarodowej. Śledzenie kalorii oparte na zdjęciach AI, jak w Nutrola, zapewnia najspójnieszą wydajność w całym zakresie żywności, którą ludzie faktycznie jedzą, z ogólną dokładnością wynoszącą 7.4% średniego bezwzględnego odchylenia od wartości laboratoryjnych.

Żadna metoda śledzenia nie jest doskonała. Żywność, która oszukuje AI, oszukuje również bazy danych i etykiety — dania z dużą ilością sosu, bogate w olej i wieloskładnikowe pozostają najtrudniejsze do oszacowania dla jakiegokolwiek systemu. Ale dla codziennego śledzącego, który chce niezawodnego, niskonakładowego sposobu zrozumienia tego, co je, dane sugerują, że dobrze wytrenowane AI patrzące na twój rzeczywisty talerz zbliża się do prawdy bardziej niż etykieta wydrukowana w fabryce czy wpis w bazie danych napisany dla idealizowanego przepisu.

Nutrola opiera się na zasadzie, że dokładność nie powinna wymagać wysiłku. Robisz zdjęcie, a AI wykonuje pracę. To badanie było naszym sposobem na rozliczenie się z tej obietnicy — i podzielenie się wynikami, w tym naszymi słabościami, z osobami, które ufają nam w kwestii danych żywieniowych.

Jeśli chcesz sam spróbować Nutrola, plany zaczynają się od 2,50 EUR miesięcznie, bez reklam na każdym poziomie. Wolimy zdobyć twoje zaufanie dzięki dokładnym danym niż sprzedawać twoją uwagę reklamodawcom.

Surowe tabele danych z tego badania są dostępne na życzenie dla badaczy, dziennikarzy i dietetyków, którzy chcą przeprowadzić własną analizę. Skontaktuj się z nami pod adresem research@nutrola.com.