Искусственный интеллект в подсчете калорий: честные ограничения и то, что он пока не может

Каждый AI-трекер калорий на рынке сегодня имеет значительные ограничения, о которых не упоминают в рекламных материалах. Это касается и Nutrola. За последние три года технологии значительно улучшились — точность распознавания пищи возросла с примерно 60% до 80-92% для распространенных блюд — но существуют категории продуктов и ситуации, в которых ни одна AI-система не работает надежно.

Признание этих ограничений не является аргументом против AI-подсчета калорий. Это аргумент в пользу понимания того, что AI может и не может делать, чтобы вы могли работать с технологией, а не слепо ей доверять. У каждого инструмента есть пределы. Лучшие инструменты разрабатываются с учетом резервных вариантов на случай, если эти пределы будут достигнуты.

Ограничение 1: Блюда с большим количеством соуса и глазури

Проблема

Когда блюдо покрыто соусом, глазурью или подливкой, AI теряет большую часть визуальной информации. Он может видеть цвет и текстуру соуса, но не может идентифицировать или количественно оценить продукты под ним. Куриная грудка, утопленная в терияки, тарелка пасты в альфредо или овощи, покрытые густым карри — AI работает с внешним видом соуса, а не с самим продуктом.

Калорийность соусов значительна. Анализ 2023 года в Journal of the American Dietetic Association показал, что соусы и приправы добавляют в среднем 200-400 калорий к каждому блюду в ресторане — часто составляя 30-50% от общей калорийности блюда. Ошибка в соусе означает ошибку в оценке всего блюда.

Что делает каждое приложение

Cal AI и SnapCalorie: AI оценивает все блюдо как один элемент. Если он определяет "курицу терияки с рисом", то калорийность отражает средние данные модели для этой категории блюд. Конкретное соотношение соуса и курицы, рецепт соуса и масло для приготовления в вашем конкретном блюде неизвестны и не учитываются.

Foodvisor: Похожая оценка AI с возможностью проконсультироваться с диетологом для исправления — но это происходит задним числом и медленно.

Nutrola: AI определяет категорию блюда и предлагает совпадения из базы данных. Пользователь может скорректировать, выбрав конкретный тип соуса из базы данных ("соус терияки, 3 столовые ложки = 135 калорий") и зарегистрировав его отдельно от белка и углеводов. База данных предоставляет проверенные данные о калориях для десятков типов соусов и способов приготовления. Это не решает основную визуальную проблему, но предоставляет механизм для добавления калорий соуса, чего не могут сделать приложения, работающие только с фотографиями.

Честная оценка

Ни один AI-трекер не справляется с блюдами, покрытыми соусом, хорошо только по фотографиям. Преимущество Nutrola заключается в возможности отдельно регистрировать соус с помощью голосового ввода или поиска по базе данных — но это требует от пользователя знания (или оценки) того, какой соус был использован и примерно сколько. Для домашних блюд это осуществимо. Для ресторанных блюд, где рецепт соуса неизвестен, все трекеры делают лишь приблизительные оценки.

Ограничение 2: Точная оценка порций по фотографиям

Проблема

Это самое стойкое и основное ограничение отслеживания пищи на основе фотографий. 2D-фотография не может надежно передать трехмерный объем и массу пищи.

Рассмотрим две порции пасты: 150 г и 300 г. На одной тарелке, сфотографированной сверху, порция 300 г может выглядеть как слегка более высокая горка, но разница в калориях составляет 195 калорий. Визуальная разница незначительна; разница в калориях значительна.

Исследования по оценке порций AI последовательно показывают средние абсолютные ошибки в 20-40% для оценки объема по 2D-фотографиям. Исследование 2024 года в Nutrients сообщило, что даже самые современные модели оценки порций пищи показывают среднюю ошибку 25-35% для различных типов блюд, с ошибками, превышающими 50% для калорийных продуктов в небольших порциях (орехи, сыр, масла).

Что делает каждое приложение

Cal AI: Оценка по 2D-фотографии с использованием относительных размеров тарелки и изученных приоритетов. Подвержено полному диапазону ошибок 20-40%.

SnapCalorie: 3D-сканирование LiDAR снижает ошибку для гористых продуктов на 30-40% по сравнению с 2D-методами. Это реальное преимущество для риса, овсянки и подобных продуктов, где высота коррелирует с объемом. Однако 3D не помогает для плоских продуктов (пицца, сэндвичи), продуктов в мисках (суп, хлопья) или калорийных мелких предметов (орехи, кубики сыра).

Foodvisor: Оценка по 2D с некоторыми стандартными порциями из базы данных.

Nutrola: Оценка по 2D-фотографии дополняется стандартными порциями из базы данных. Когда AI предлагает "куриный стир-фрай", база данных предоставляет стандартные размеры порций (например, "1 порция = 300 г"). Пользователь может скорректировать, используя варианты порций из базы данных, а не угадывая вес в граммах. Голосовой ввод позволяет напрямую указывать порции: "примерно две чашки риса".

Честная оценка

Оценка порций по фотографиям — это нерешенная проблема в компьютерном зрении. Подход SnapCalorie с 3D является самым технологически продвинутым решением, но его улучшение ограничено определенными типами продуктов и требует оборудования LiDAR. Ссылки на порции из базы данных Nutrola помогают, предоставляя опорные точки, но пользователю все равно нужно оценить, была ли у него "1 порция" или "1.5 порции". Честная рекомендация: для ситуаций, требующих высокой точности, взвешивайте свою пищу. Ни один AI-трекер не заменит кухонные весы для точности.

Ограничение 3: Региональные и незнакомые продукты

Проблема

Модели распознавания пищи AI обучаются на наборах данных, которые отражают кулинарные культуры, наиболее представленные в их обучающих данных — обычно это американская, западноевропейская и восточноазиатская кухни. Продукты из недостаточно представленных кухонь могут быть неправильно идентифицированы или получать низкие оценки уверенности.

Исследование, опубликованное в 2023 году в ACM Computing Surveys, проанализировало наборы данных для распознавания пищи и обнаружило, что 72% изображений в наиболее часто используемых обучающих наборах представляли еду всего из 10 стран. Западноафриканская, центральноазиатская, островная, коренная и многие другие кулинарные традиции значительно недопредставлены.

Это означает, что если вы регулярно едите инжеру с эфиопским рагу, перуанское севиче, филиппинское адобо, грузинское хачапури или сенегальское тьебудьен, AI может неправильно идентифицировать блюдо, перепутать его с визуально похожим блюдом из более представленной кухни или присвоить обобщенную оценку "смешанное блюдо" с низкой точностью.

Что делает каждое приложение

Cal AI: Полностью полагается на обучающие данные модели AI. Если еда недостаточно представлена в обучении, оценка будет плохой без запасного варианта.

SnapCalorie: То же ограничение. 3D-сканирование улучшает оценку порций, но не может помочь с идентификацией еды из недостаточно представленных кухонь.

Foodvisor: Немного лучше охватывает европейские кухни (французская компания), но имеет то же ограничение в обучающих данных для неевропейских продуктов.

Nutrola: AI сталкивается с той же проблемой распознавания, но проверенная база данных из 1.8 миллиона и более записей включает продукты из различных кулинарных традиций. Когда AI не может идентифицировать региональную еду, пользователь может описать ее голосом ("эфиопская инжера, около 200 граммов, с чечевичным рагу, около 150 граммов"), и база данных предоставляет проверенные записи для этих продуктов. Поддержка на 15 языках также означает, что названия продуктов на местных языках могут использоваться для поиска в базе данных.

Честная оценка

Это ограничение всей области распознавания пищи AI, а не только конкретных приложений. Трекеры с поддержкой базы данных имеют преимущество, потому что базы данных могут быть расширены, чтобы включать региональные продукты без повторного обучения модели AI — добавление проверенной записи для "тьебудьен" в базу данных проще, чем обеспечить распознавание AI по фотографиям. Однако в базе данных также есть пробелы. 1.8 миллиона записей Nutrola охватывают больше продуктов, чем словарный запас классификации любой модели, работающей только на AI, но очень местные, домашние или редкие продукты могут все еще требовать ручного ввода. Ни один трекер не охватывает все глобальные кулинарные традиции сегодня.

Ограничение 4: Напитки в непрозрачных контейнерах

Проблема

Фотографирование напитка в непрозрачной чашке, кружке или бутылке дает AI почти никакой полезной информации. Белая кофейная чашка может содержать черный кофе (5 калорий), латте с цельным молоком (190 калорий), мокко со взбитыми сливками (400 калорий) или чашку чая (2 калории). Визуальный сигнал — это чашка, а не содержимое.

Даже для напитков в прозрачных стаканах AI имеет ограниченную информацию. Цвет и непрозрачность жидкости сужают возможности, но не определяют рецепт. Апельсиновый сок, манговый смузи и морковно-имбирный сок могут выглядеть похоже в стакане. Темный кола и темный холодный кофе визуально почти идентичны.

Что делает каждое приложение

Cal AI: AI делает предположение на основе контекста (форма чашки, цвет видимой жидкости). Точность для напитков обычно составляет 40-60% — по сути, уровень подбора монеты.

SnapCalorie: 3D-сканирование измеряет объем стакана/чашки, что помогает оценить количество жидкости. Но калорийность на миллилитр остается неизвестной без идентификации конкретного напитка.

Foodvisor: То же ограничение, что и у Cal AI для идентификации напитков.

Nutrola: Голосовой ввод — основное решение: "большой латте с овсяным молоком и двумя порциями ванили" предоставляет достаточно информации для проверки в базе данных. База данных включает записи для конкретных напитков из кофеен, типов молока, сиропов и методов приготовления. Сканирование штрих-кодов охватывает упакованные напитки. Фотографирование напитков остается ненадежным и, честно говоря, является самым слабым использованием функции AI Nutrola по работе с фотографиями.

Честная оценка

AI-подсчет калорий для напитков — самая слабая категория среди всех приложений. Решение не в лучшем AI — это альтернативные методы ввода. Голосовой ввод и сканирование штрих-кодов полностью обходят визуальное ограничение. Это один из самых сильных аргументов в пользу трекеров с несколькими методами: напитки составляют 10-20% суточного потребления калорий для большинства людей, а трекеры, работающие только с фотографиями, справляются с ними плохо.

Ограничение 5: Многослойные и скрытые компоненты в блюдах

Проблема

Лазанья, буррито, сэндвичи, фаршированные перцы, пироги, спринг-роллы, пельмени и любое блюдо, где внешний слой скрывает внутренний, представляет собой фундаментальную проблему для AI, основанного на фотографиях. Камера видит только верхний слой; калории поступают из всех слоев.

Буррито, сфотографированное снаружи, показывает только тортилью. Внутри могут быть курица, рис, фасоль, сыр, сметана и гуакамоле — или только рис и фасоль. Разница в калориях между этими начинками может составлять 300-500 калорий, и ни одна из них не видна.

Исследование 2023 года в Food Quality and Preference тестировало распознавание пищи AI на многослойных блюдах и обнаружило снижение точности на 25-40% по сравнению с блюдами с одним слоем. Модели последовательно недооценивали калорийность многослойных блюд, потому что они придавали больше веса видимым компонентам, чем скрытым.

Что делает каждое приложение

Cal AI: Оценивает весь элемент как одну запись на основе внешнего вида. Буррито — это "буррито" с оценкой калорий на основе среднего значения, независимо от его конкретного содержания.

SnapCalorie: 3D-сканирование измеряет внешние размеры, предоставляя лучшую оценку объема. Но состав начинки все еще неизвестен. Точно измеренное буррито с неизвестным содержимым — это точно измеренная загадка.

Foodvisor: То же ограничение для многослойных блюд. Обзор диетолога может помочь, но требует ожидания.

Nutrola: AI определяет тип блюда, и пользователь может голосом зарегистрировать конкретные компоненты: "куриный буррито с рисом, черной фасолью, сыром, сметаной и гуакамоле." Каждый компонент извлекается из проверенных записей базы данных. Пользователь фактически разбивает проблему скрытых слоев на идентифицируемые компоненты. Это требует знания (или разумной оценки) того, что внутри, что проще для домашних блюд, чем для ресторанных или на вынос.

Честная оценка

Многослойные блюда — это неотъемлемое ограничение любого подхода, основанного на фотографиях. Вопрос в том, какие запасные варианты предоставляет приложение. Приложения, работающие только с фотографиями, не имеют запасного варианта — оценка AI на основе внешнего вида является окончательным ответом. Приложения с несколькими методами позволяют пользователю предоставить внутреннюю информацию, которую камера не может захватить. Улучшение точности полностью зависит от того, знает ли пользователь, что внутри блюда, и уделяет ли время его описанию.

Ограничение 6: Блюда, которые нельзя сфотографировать

Проблема

Не все блюда можно удобно сфотографировать. Блюда, которые едят на ходу, закуски, быстро схваченные между встречами, еда, разделяемая с общих тарелок, блюда, съеденные в темных ресторанах, и еда, которую вы уже закончили, прежде чем вспомнить о необходимости зарегистрировать. Трекеры, работающие только с фотографиями, имеют бинарную проблему: если вы не сфотографировали это, его нет в вашем журнале.

Что делает каждое приложение

Cal AI: Нет фотографии — нет записи. Вы можете вручную ввести описание, но рабочий процесс приложения построен вокруг камеры. Ретроспективная регистрация возможна, но зависит от текстовой оценки.

SnapCalorie: То же ограничение. 3D-сканирование требует физического присутствия пищи.

Foodvisor: Рабочий процесс, ориентированный на фотографии, с возможностью ручного поиска.

Nutrola: Голосовой ввод работает для любого блюда, сфотографированного или нет. "Я ел индейку с майонезом и гарниром из салата около двух часов назад" можно зарегистрировать задним числом с помощью голоса, при этом каждый компонент сопоставляется с проверенными записями базы данных. Это не требует помнить о необходимости сделать фотографию — нужно помнить, что вы ели, что большинство людей может сделать в течение нескольких часов.

Честная оценка

Это не ограничение AI, а ограничение рабочего процесса. Приложения, работающие только с фотографиями, хрупки — они ломаются, когда фотография не сделана. Приложения с несколькими методами устойчивы — они предлагают альтернативные пути, когда один метод недоступен. Для пользователей, которые часто забывают фотографировать блюда или едят в ситуациях, когда фотографирование невозможно, разница в охвате зарегистрированных блюд может быть значительной.

Что не может сделать ни один AI-трекер сегодня

Некоторые ограничения применимы универсально и не будут решены ни одним текущим приложением.

Точно определить количество масла для приготовления. Независимо от того, жарилась ли курица на одной чайной ложке масла или на двух столовых ложках масла (разница в 200 калорий) — это невидимо на фотографии и невозможно узнать, если пользователь не укажет. Это самая большая систематическая ошибка во всех AI-подсчетах калорий.

Идентифицировать конкретные бренды из немаркированных контейнеров. Греческий йогурт в чашке может быть любого бренда и любой жирности. Разница в калориях между брендами и уровнями жира составляет от 59 до 170 калорий на 100 г.

Определить точные методы приготовления ресторанной еды. Рыба была запечена без масла или с маслом? Овощи были приготовлены на пару или обжарены на масле? Картофельное пюре было сделано со сливками или молоком? Ответы влияют на калории на 100-300 на компонент, и они невидимы для любого AI.

Учитывать индивидуальные вариации порций. Два человека могут налить себе "порцию" одного и того же блюда и отличаться на 50-100%. Ни один AI не может знать, склонен ли вы наливать щедро или скромно.

Отслеживать содержание алкоголя по фотографиям. Бокал вина, коктейль, пиво — AI может оценить тип напитка, но конкретный бренд, размер наливания и содержание алкоголя (что напрямую влияет на калории) часто остаются невидимыми.

Как работать с ограничениями

Понимание этих ограничений не является причиной отказываться от AI-подсчета калорий — это причина использовать его разумно.

Используйте правильный метод для каждой пищи. Штрих-код для упакованных товаров. Голос для сложных или скрытых ингредиентов. Фото для визуально четких блюд. Ручной поиск как последний вариант. Ограничение сканирования фотографий не является ограничением подсчета калорий, если у вас есть альтернативные методы.

Всегда добавляйте кулинарные жиры отдельно. Сделайте это привычкой. После регистрации любого приготовленного блюда добавьте масло или масло как отдельную запись. Эта одна привычка закрывает самый большой разрыв в точности в AI-сканировании пищи.

Взвешивайте, когда важна точность. Если вы находитесь в процессе соревнования, медицинском питании или исследовательском проекте, используйте кухонные весы для ключевых блюд. AI-трекер + весы для пищи более точны, чем каждый из них по отдельности.

Создавайте шаблоны блюд для регулярных приемов пищи. Большинство людей едят 15-20 различных блюд по кругу. Зарегистрируйте каждое из них тщательно один раз, затем повторите запись для будущих случаев. Это превращает ваши самые частые блюда из оценок AI в проверенные, последовательные записи.

Принимайте полезную неточность. Для блюд, где точность затруднена (ресторанная еда, социальные приемы пищи), примите, что оценка AI является приблизительной, и сосредоточьтесь на том, чтобы получить величину правильно, а не точное число. Быть в пределах 20% от ресторанного блюда лучше, чем не зарегистрировать его вообще.

Подход Nutrola к ограничениям

Nutrola не утверждает, что решает все перечисленные выше ограничения. Ни один честный трекер не может. Что предлагает Nutrola, так это наибольшее количество запасных вариантов, когда AI достигает своих пределов.

Не можете сфотографировать блюдо? Запишите голосом. AI неправильно идентифицировал еду? Выберите правильную запись из проверенной базы данных. Скрытые ингредиенты, которые камера не может увидеть? Добавьте их по отдельности с помощью голоса или поиска. Упакованная еда? Сканируйте штрих-код для точных данных. Едите регулярное блюдо? Повторите ранее проверенную запись.

AI — это один инструмент в системе, а не сама система. Когда AI работает — простые, видимые, хорошо освещенные блюда — он обеспечивает быструю и удобную регистрацию. Когда AI не справляется — соусированные блюда, скрытые слои, напитки, региональные продукты — база данных, голос и штрих-коды предоставляют пути к точным данным, которых просто нет у приложений, работающих только с фотографиями.

Это доступно за €2.50 в месяц после бесплатного пробного периода, без рекламы, с более чем 100 питательными веществами, 1.8 миллиона и более проверенными записями и поддержкой на iOS, Android, Apple Watch и Wear OS на 15 языках. Не потому, что у AI нет ограничений, а потому, что честный дизайн означает создание вокруг ограничений, а не притворство, что их не существует.

Лучший AI-трекер калорий — это не тот, у кого меньше всего ограничений. Это тот, у кого лучшие запасные варианты, когда эти ограничения достигаются.