Насколько точен Nutrola? Тест на 20 продуктов по сравнению с данными USDA

Nutrola — это приложение для отслеживания калорий и питания на основе ИИ с базой данных продуктов, проверенной диетологами на 100%. Это утверждение. Но делать заявления легко. Важно, соответствуют ли цифры на экране тому, что лежит перед вами на столе.

Мы решили протестировать Nutrola так же, как и каждое другое приложение для отслеживания калорий: 20 распространенных продуктов, точно взвешенных, занесенных в приложение и сравненных с данными USDA FoodData Central. Без выборки. Без благоприятных условий. Только данные.

Вот что мы обнаружили, где Nutrola проявляет себя наилучшим образом и где еще есть возможности для улучшения.

Чем отличается база данных Nutrola

Большинство приложений для отслеживания калорий полагаются на краудсорсинговые базы данных, куда любой пользователь может добавлять записи о продуктах. Это создает серьезные проблемы с точностью: дублирование записей, устаревшая информация и калорийность, которая может варьироваться на 20-30% для одного и того же продукта.

Nutrola использует принципиально другой подход. Каждая запись в базе данных из более чем 1.8 миллиона продуктов была проверена диетологами на соответствие данным USDA и лабораторным данным. В базе данных нет записей, добавленных пользователями, без проверки. Когда продукт добавляется в Nutrola, он сопоставляется с официальными источниками, проверяется на точность порции и согласованность макронутриентов.

Именно поэтому результаты теста ниже выглядят иначе, чем в наших аудиторских проверках других приложений.

Тест на точность 20 продуктов: Nutrola против данных USDA

Каждый продукт был взвешен на откалиброванных кухонных весах с точностью до грамма. Справочное значение USDA представляет собой калорийность из FoodData Central для этого точного веса. Значение, указанное Nutrola, — это то, что приложение выдало при вводе продукта по весу.

#	Продукт	Вес (г)	Справочное значение USDA (ккал)	Указанное Nutrola (ккал)	Отклонение (ккал)	Отклонение (%)
1	Куриная грудка, жареная	150	248	247	-1	-0.4%
2	Коричневый рис, вареный	200	248	246	-2	-0.8%
3	Банан, средний	118	105	105	0	0.0%
4	Цельное молоко	244	149	149	0	0.0%
5	Филе лосося, запеченное	170	354	350	-4	-1.1%
6	Авокадо, целое	150	240	242	+2	+0.8%
7	Греческий йогурт, натуральный	200	146	146	0	0.0%
8	Сладкий картофель, запеченный	180	162	160	-2	-1.2%
9	Миндаль, сырой	30	174	173	-1	-0.6%
10	Хлеб из цельной пшеницы	50	130	131	+1	+0.8%
11	Яйцо, крупное, жареное	61	91	91	0	0.0%
12	Брокколи, на пару	150	52	53	+1	+1.9%
13	Оливковое масло	14	119	119	0	0.0%
14	Арахисовое масло	32	190	188	-2	-1.1%
15	Чеддер	40	161	162	+1	+0.6%
16	Паста, вареная	200	262	260	-2	-0.8%
17	Яблоко, среднее	182	95	94	-1	-1.1%
18	Говядина, 85% нежирная	120	272	270	-2	-0.7%
19	Овсянка, сухая	40	152	151	-1	-0.7%
20	Чечевица, вареная	180	207	205	-2	-1.0%

Статистика в сводке

• Среднее абсолютное отклонение: 1.25 ккал на продукт
• Максимальное отклонение: 4 ккал (филе лосося)
• Средний процент отклонения: 0.68%
• Продукты в пределах 1% от значений USDA: 17 из 20 (85%)
• Продукты с нулевым отклонением: 6 из 20 (30%)

Эти результаты отражают то, для чего предназначена проверенная база данных. Когда каждая запись проверена на соответствие одним и тем же данным USDA, отклонения представляют собой округления, а не ошибки данных.

Накопление ошибок за день: что означает ±78 калорий

В реальном отслеживании за полный день питания (завтрак, обед, ужин и перекусы) Nutrola показывает среднее ежедневное отклонение примерно ±78 калорий от общих значений USDA. Это наименьшее значение среди всех протестированных приложений для отслеживания калорий.

Чтобы проиллюстрировать:

• ±78 ккал/день за 7 дней = ±546 ккал/неделя
• Дефицит 500 ккал/день для похудения остается функциональным диапазоном дефицита 422-578 ккал
• За 30 дней максимальная накопленная ошибка составляет примерно 2,340 ккал — около двух третей суточного потребления

Сравните это с приложениями с отклонениями ±150-200 ккал/день, где дефицит в 500 ккал может варьироваться от 300 до 700 ккал, что делает прогресс непредсказуемым и результаты нестабильными.

Отклонение ±78 ккал не равно нулю, и никогда не будет. Естественные вариации в продуктах (немного большая куриная грудка, чуть более спелый банан) означают, что даже идеальные значения базы данных будут давать небольшие отклонения при применении к реальной пище. Но ±78 ккал достаточно мало, чтобы не мешать достижению любой цели в питании.

Точность фото ИИ: что камера определяет правильно, а что нет

Фото ИИ Nutrola использует компьютерное зрение для идентификации продуктов по одному фото и оценки размеров порций. Вот как он показал себя в различных типах блюд.

Тип блюда	Точность идентификации	Точность оценки порции
Один целый продукт (яблоко, банан)	95%	±10%
Простое блюдо (белок + гарнир)	91%	±13%
Блюда в миске (салаты, зерновые блюда)	88%	±16%
Сложные многокомпонентные блюда	84%	±20%
Блюда из ресторанов	82%	±22%

Общая точность идентификации: 88-92%, в зависимости от сложности блюда.

Где фото ИИ работает хорошо: Система сильнее всего справляется с четкими, видимыми продуктами. Жареная куриная грудка рядом с брокколи и рисом будет определена правильно почти каждый раз. Однотипные продукты, такие как фрукты, сэндвичи и простые блюда, показывают наилучшие результаты.

Где фото ИИ испытывает трудности — и мы честны в этом:

• Плохое освещение снижает точность идентификации примерно на 10-15%. Освещение в ресторанах — распространенная проблема.
• Сильно смешанные блюда, такие как запеканки, рагу и густые карри, затрудняют ИИ различение отдельных ингредиентов. Точность падает до 75-80% для таких блюд.
• Скрытые калории от масел, масла, заправок и соусов, находящихся под или смешанных с продуктами, частично оцениваются, но не могут быть полностью захвачены с помощью одного фото.
• Глубина порции остается фундаментальным ограничением 2D-фотографии. Высокая миска и мелкая тарелка с одинаковым объемом выглядят очень по-разному сверху.

Фото ИИ предназначен как удобный инструмент, а не замена ручному вводу, когда важна точность. Для нестрогого отслеживания он экономит значительное время. Для строгих диетических протоколов мы рекомендуем подтверждать оценки ИИ и при необходимости корректировать размеры порций вручную.

Точность голосового ввода: обработка естественного языка

Голосовой ввод Nutrola позволяет вам естественно описывать свои блюда. Скажите: "Я съел два жареных яйца с ломтиком цельнозернового тоста и столовой ложкой масла", и приложение распознает количество, методы приготовления и отдельные продукты.

Общая точность распознавания голоса: примерно 90%.

Тип голосового ввода	Точность распознавания
Простые продукты с количествами ("200 г куриной грудки")	96%
Естественные описания ("средний банан")	93%
Многочисленные блюда ("яйца, тост и кофе с молоком")	89%
Упоминания методов приготовления ("жареный лосось")	87%
Неопределенные описания ("большая тарелка пасты")	78%

Движок обработки естественного языка обрабатывает количества, единицы измерения, методы приготовления (жареный, запеченный и т.д.) и стандартные размеры (маленький, средний, большой) с высокой точностью. Он правильно различает "чашка риса" и "чашка вареного риса" — разница примерно в 300 калорий, которую многие трекеры не учитывают.

Где голосовой ввод имеет ограничения:

• Неопределенные количества, такие как "немного" или "чуть-чуть", по умолчанию принимаются за стандартные размеры порций, которые могут не совпадать с тем, что вы на самом деле съели.
• Региональные названия продуктов или сленговые термины могут не распознаваться без стандартного названия.
• Быстрая речь с множеством продуктов может иногда привести к пропущенным элементам или объединенным записям.

Точность сканирования штрих-кодов

Сканер штрих-кодов Nutrola охватывает более 3 миллионов продуктов в 47 странах. Каждый сканированный продукт сопоставляется с проверенной записью в базе данных, а не с записью, добавленной пользователем.

Показатель	Результат
Уровень распознавания штрих-кодов	97.2%
Уровень правильного сопоставления продукта	99.1% (из распознанных штрих-кодов)
Точность данных о питательных веществах по сравнению с этикеткой	99.5%
Международное покрытие продуктов	47 стран
Среднее время сканирования	0.8 секунды

Сканер штрих-кодов — это самый точный метод ввода Nutrola, поскольку он полностью исключает оценку. Штрих-код напрямую сопоставляется с конкретным продуктом с проверенными данными о питательных веществах, которые дополнительно проверены процессом рецензирования диетологов Nutrola.

Где сканирование штрих-кодов имеет недостатки:

• Продукты от небольших региональных брендов за пределами охвата 47 стран могут возвращать "не найдено".
• Недавно выпущенные продукты могут еще не быть в базе данных (новые продукты обычно добавляются в течение 2-4 недель после выхода на рынок).
• Продукты, которые были реформулированы, могут временно показывать устаревшие данные о питательных веществах, пока запись не будет обновлена.

Где у Nutrola есть реальные ограничения

Ни одно приложение для отслеживания калорий не идеально, и важно быть прозрачным в отношении ограничений.

Очень редкие местные и региональные продукты. База данных из более чем 1.8 миллиона продуктов обширна, но не может охватить каждое региональное блюдо из каждой кухни мира. Если вы регулярно едите специализированные местные продукты, которые не распространены на крупных рынках, вам может потребоваться создавать пользовательские записи или использовать импорт рецептов для создания точных записей из отдельных ингредиентов.

Фото ИИ в плохих условиях. Как упоминалось выше, плохое освещение, запотевшие линзы и сильно смешанные блюда снижают точность фото ИИ. Приложение все равно вернет оценку, но уровень уверенности снизится, и вам следует проверить вручную.

Оценка масла и соусов. Это проблема, характерная для всей отрасли, а не уникальная для Nutrola. Когда пища готовится в масле или покрыта соусами, ни фото ИИ, ни поиск по базе данных не могут идеально захватить точное количество. Nutrola предлагает пользователям добавлять масла и приправы отдельно, что помогает, но зависит от того, помнит ли пользователь об этом.

Естественная вариация продуктов. Две куриные грудки, обозначенные как "150 г", могут иметь немного разное содержание жира в зависимости от куска, животного и способа приготовления. База данных Nutrola использует средние значения USDA, которые являются высоко репрезентативными, но не идентичны каждому отдельному куску пищи.

Как Nutrola сравнивается с другими трекерами калорий

Приложение	Среднее ежедневное отклонение	Тип базы данных	Фото ИИ	Голосовой ввод	Сканер штрих-кодов
Nutrola	±78 ккал	Проверенная диетологами (1.8M+)	Да (88-92%)	Да (~90%)	Да (3M+ продуктов, 47 стран)
MacroFactor	±110 ккал	Курированная	Нет	Нет	Да
Cal AI	±160 ккал	Оценка ИИ	Да (только фото)	Нет	Нет
FatSecret	±175 ккал	Краудсорсинговая	Нет	Нет	Да

Проверенная база данных — это единственный самый важный фактор, обеспечивающий преимущество Nutrola в точности. Фото ИИ и голосовой ввод добавляют удобство, но основа заключается в наличии правильных данных за каждой записью.

Кто получает наибольшую выгоду от такого уровня точности

Спортивные атлеты и бодибилдеры, готовящиеся к соревнованиям, где 100-200 калорий могут повлиять на прогресс за неделю. Отклонение ±78 ккал позволяет отслеживать в функциональном диапазоне для точных протоколов.

Люди с медицинскими диетическими требованиями, которым необходимо точное отслеживание макро- и микроэлементов для таких состояний, как диабет, болезни почек или метаболические расстройства.

Все, кто столкнулся с проблемами при использовании другого трекера калорий и подозревает, что данные могут быть проблемой. Переход на проверенную базу данных часто показывает, что предыдущее отслеживание было неточным на 15-25%.

Непринужденные трекеры, которые хотят быстро записывать приемы пищи, используя фото ИИ или голосовой ввод, не жертвуя при этом значимой точностью.

Nutrola доступен на iOS и Android за €2.50/месяц без рекламы на любом тарифе.

Часто задаваемые вопросы

Как Nutrola проверяет каждую запись в своей базе данных?

Каждая запись в базе данных Nutrola из более чем 1.8 миллиона продуктов проверяется диетологами на соответствие данным USDA FoodData Central и, где это возможно, данным лабораторного анализа. Записи проверяются на точность калорий, согласованность макронутриентов (калории белков + углеводов + жиров должны примерно равняться общему количеству калорий) и правильность порции. Этот процесс продолжается — существующие записи повторно проверяются, когда USDA обновляет свои справочные данные или когда производители реформулируют продукты.

Достаточно ли точен фото ИИ Nutrola, чтобы заменить ручной ввод?

Для нестрогого отслеживания и общего контроля за здоровьем фото ИИ (88-92% точности идентификации с ±15% оценкой порции) обеспечивает практический баланс скорости и точности. Для строгих протоколов, таких как подготовка к соревнованиям или медицинское управление диетой, мы рекомендуем использовать фото ИИ как отправную точку, а затем вручную корректировать порции и подтверждать идентификацию продуктов. Фото ИИ экономит время на этапе идентификации, даже когда вы корректируете детали.

Почему Nutrola все еще показывает отклонение ±78 калорий, если база данных проверена?

Отклонение в первую очередь связано с естественной вариацией продуктов, а не с ошибками в базе данных. "Средний банан" может варьироваться от 100 до 115 калорий в зависимости от фактического размера и спелости. Куриная грудка варьируется по содержанию жира в зависимости от куска. Значение ±78 ккал отражает разрыв между стандартизированными справочными значениями USDA и естественной изменчивостью реальной пищи — а не неточности в данных Nutrola.

Работает ли Nutrola с международными продуктами и кухнями?

База данных охватывает продукты из 47 стран, а сканер штрих-кодов поддерживает продукты из всех этих регионов. Для традиционных блюд из конкретных кухонь функция импорта рецептов позволяет создавать записи из отдельных ингредиентов, каждый из которых проверен. Покрытие распространенных международных продуктов (японская, индийская, мексиканская, средиземноморская и т.д.) является сильным. Очень редкие региональные деликатесы могут потребовать создания пользовательских записей.

Как Nutrola обрабатывает блюда из ресторанов, когда точные ингредиенты неизвестны?

Nutrola предлагает три подхода для блюд из ресторанов: оценка фото ИИ (которая дает разумную приблизительную оценку), поиск ресторана по имени (многие сетевые рестораны имеют проверенные записи меню) или запись отдельных компонентов блюда отдельно. Для сетевых ресторанов в базе данных записи отражают опубликованную информацию о питательных веществах, которая была проверена. Для независимых ресторанов фото ИИ в сочетании с ручной корректировкой обеспечивает наиболее практичный подход, хотя точность, как правило, ниже, чем для домашних блюд, где вы контролируете ингредиенты.