Что происходит, когда AI в сканировании еды ошибается

Вы фотографируете свой обед, AI возвращает число калорий, и вы продолжаете свой день. Но что, если это число ошибочно на 200 калорий? Вы бы не узнали. Нет ни сигнала, ни предупреждения, ни визуального индикатора. Неправильное число просто остается в вашем ежедневном журнале, выглядя так же уверенно, как и правильное. И это происходит гораздо чаще, чем предполагает большинство людей.

Исследование 2023 года, опубликованное в Journal of the Academy of Nutrition and Dietetics, проверило коммерческие системы распознавания еды AI на основе оценок, подтвержденных диетологами, и обнаружило средние абсолютные ошибки в 25-40% для смешанных блюд. Не иногда — в среднем. Для простых продуктов с одним ингредиентом ошибки снижались до 5-15%. Но большинство реальных блюд — это не просто банан на белой тарелке.

Важный вопрос не в том, делает ли AI ошибки в сканировании еды. Он делает. Вопрос в том, что происходит дальше. И ответ полностью зависит от того, какое приложение вы используете.

7 самых распространенных ошибок AI в сканировании еды

Перед тем как рассмотреть, как каждое приложение справляется с ошибками, вот реальные сценарии неудач, которые приводят к самым большим расхождениям в калориях.

1. Ошибка с злаками: киноа ошибочно идентифицирована как кус-кус

Киноа и кус-кус выглядят почти идентично на фотографиях — маленькие, светлые, гранулированные. Но вареная киноа содержит примерно 120 калорий на 100 г с 4,4 г белка, в то время как вареный кус-кус содержит примерно 176 калорий на 100 г с 6 г белка. Это разница в 56 калорий на 100 г, а типичная порция составляет 150-200 г.

Влияние на калории: 84-112 калорий на порцию зарегистрированы неправильно.

Это категория ошибок, с которой AI-системы постоянно сталкиваются: визуально похожие продукты с существенно различающимися питательными профилями. Другие примеры включают белый рис и цветную капусту (разница в 100 калорий на порцию), обычную пасту и протеиновую пасту, а также греческий йогурт и обычный йогурт.

2. Проблема невидимого масла

Это, пожалуй, самая большая систематическая ошибка в AI-сканировании еды. Когда вы фотографируете жаркое, салат или запеченные овощи, AI видит продукты, но не видит масло для готовки. Две столовые ложки оливкового масла добавляют 239 калорий и 27 г жира — и они совершенно невидимы на фотографии.

Влияние на калории: 100-300+ калорий на прием пищи, в зависимости от метода приготовления.

Анализ 2022 года, опубликованный в European Journal of Clinical Nutrition, показал, что масла для готовки и добавленные жиры составляют крупнейший источник незарегистрированных калорий в фото-базированном учете еды, способствуя среднему недоучету в 250-400 калорий среди участников исследования, использующих AI-фотоотслеживание.

3. Проблема скрытых слоев

Вы фотографируете смузи. AI видит топпинги — гранолу, нарезанный банан, ягоды. Он делает оценку на основе видимого. Но на дне этой чаши находятся 2 столовые ложки миндального масла (190 калорий) и порция протеинового порошка (120 калорий), которые полностью скрыты.

Влияние на калории: 190-310 калорий от невидимых ингредиентов.

Это касается любого блюда с скрытыми слоями: сэндвичи (AI не может увидеть, сколько майонеза внутри), буррито (невидимые количества риса, фасоли и сметаны), пицца (количество сыра под начинкой) и многослойные десерты.

4. Ошибка в расчете соуса и заправки

На фотографии салата с курицей сверху видны листья, помидоры, огурцы, жареная курица и немного блеска. Этот блеск может быть легким винегретом (30 калорий) или щедрой порцией соуса ранч (290 калорий). AI должен угадать.

Влияние на калории: 50-260 калорий в зависимости от типа и количества заправки.

5. Ошибка в оценке размера порции

AI обычно использует один из трех методов для оценки порции: сравнение с размером тарелки (предполагая стандартные размеры), изученные данные о средних порциях или (в случае SnapCalorie) 3D-сканирование LiDAR на поддерживаемых устройствах. Все три метода имеют значительные погрешности.

Порция пасты в 200 г и порция пасты в 350 г на одной тарелке могут выглядеть довольно схоже на фотографии сверху. Эта разница составляет примерно 195 калорий.

Влияние на калории: 50-250+ калорий в зависимости от калорийности продукта и ошибки в порции.

6. Слепота к методу приготовления

Куриная бедро может быть жареным (209 кал/100 г), обжаренным в масле (245 кал/100 г) или жареным во фритюре с панировкой (260 кал/100 г). Визуальная разница на фотографии незначительна — слегка разные узоры подрумянивания и текстура поверхности. Разница в калориях значительна.

Влияние на калории: 50-150 калорий на порцию белка.

7. Проблема оценки напитков

Фотографируя стакан апельсинового сока, смузи или латте, AI почти ничего не может использовать для анализа. Цвет напитка — это основной визуальный сигнал. Латте объемом 16 унций с цельным молоком (190 кал), латте объемом 16 унций с овсяным молоком (220 кал) и латте объемом 16 унций с обезжиренным молоком (100 кал) выглядят почти идентично.

Влияние на калории: 50-120 калорий на напиток, и большинство людей употребляют 2-4 напитка в день.

Что делает каждое приложение, когда AI ошибается

Здесь различия в архитектуре AI-трекеров становятся практически важными. Каждый сценарий ошибки разворачивается по-разному в зависимости от дизайна приложения.

Cal AI: Ошибка остается

Cal AI использует архитектуру только на основе AI. Когда вы фотографируете блюдо, AI генерирует оценку и отображает ее. Если эта оценка неверна, приложение не имеет механизма для обнаружения ошибки. Нет базы данных для сравнения, нет шага проверки и нет запроса на подтверждение пользователем идентификации продукта.

Вы можете вручную отредактировать запись, введя другие значения, но для этого вам нужно уже знать правильные значения — что противоречит самой идее использования AI-сканирования. На практике большинство пользователей принимают вывод AI и продолжают.

Для ошибки киноа как кус-кус: Cal AI регистрирует калории кус-куса. Вы видите правдоподобное число. Ошибка сохраняется.

Для ошибки невидимого масла: Cal AI не учитывает масла для готовки, которые он не может увидеть. 239 калорий от двух столовых ложек оливкового масла просто не существуют в вашем журнале.

SnapCalorie: Ошибка остается (с лучшими порциями)

Отличительная черта SnapCalorie — это 3D-оценка порций с использованием датчиков LiDAR на совместимых iPhone. Это действительно улучшает точность порции — он может более надежно оценивать объем, чем 2D-фотоанализ. Однако он разделяет ту же основную ограниченность, что и Cal AI: данные о питательных веществах поступают от модели AI, а не из проверенной базы данных.

Если AI ошибается в идентификации еды, 3D-сканирование не помогает. Вы получаете более точную оценку порции неправильной еды.

Для ошибки киноа как кус-кус: SnapCalorie может более точно оценить размер порции, но все равно регистрирует данные о питательных веществах кус-куса. Точно измеренный неправильный ответ все равно остается неправильным.

Для проблемы скрытого слоя: 3D-сканирование захватывает поверхность, но не может видеть сквозь слои. Миндальное масло под гранолой остается невидимым.

Foodvisor: Медленный путь к исправлению

Foodvisor предлагает гибридный подход. Он использует AI для первоначальной идентификации, но имеет некоторую поддержку базы данных. Также доступна помощь диетологов, которые могут просмотреть ваши записи — но это не мгновенно. Обратная связь от диетолога обычно занимает часы или дни, что означает, что ваш дневной итог калорий будет неточным в реальном времени и исправится только ретроспективно, если вы используете функцию диетолога.

Для ошибки в оценке соуса: AI Foodvisor сталкивается с теми же визуальными ограничениями, что и все системы на основе фото. Функция проверки диетологом может в конечном итоге поймать ошибку, но не до того, как вы уже примете решения о еде на остаток дня на основе неточных данных.

Nutrola: База данных ловит ошибку

Архитектура Nutrola вставляет проверенную базу данных между предложением AI и окончательной зарегистрированной записью. Когда вы фотографируете блюдо, AI идентифицирует продукты и предлагает совпадения из более чем 1,8 миллиона проверенных записей базы данных. Вы видите предложения AI наряду с альтернативными совпадениями из базы данных.

Для ошибки киноа как кус-кус: AI может изначально предложить кус-кус, но база данных представляет как кус-кус, так и киноа в качестве вариантов с их проверенными питательными профилями. Вы распознаете свою киноа и выбираете правильную запись. Зарегистрированные данные поступают из проверенного источника.

Для ошибки невидимого масла: После фотографирования жаркого вы можете добавить "оливковое масло, 2 столовые ложки" через голосовой ввод или поиск по базе данных. Запись поступает из проверенных данных — 239 калорий, 27 г жира. Многофункциональный дизайн Nutrola (фото плюс голос плюс штрих-код плюс ручной поиск) означает, что всегда есть резервный метод для того, что камера не может увидеть.

Для проблемы скрытого слоя: AI идентифицирует видимые топпинги смузи. Вы голосом вводите "добавить две столовые ложки миндального масла и одну порцию сывороточного протеина" — обе записи извлекаются из проверенных записей базы данных с полными питательными профилями.

Таблица сравнения неудач

Сценарий ошибки	Cal AI	SnapCalorie	Foodvisor	Nutrola
Замена визуально похожих продуктов	Неправильные данные зарегистрированы молчаливо	Неправильные данные зарегистрированы молчаливо	Может поймать с помощью проверки диетолога (с задержкой)	База данных показывает альтернативы, пользователь выбирает правильное совпадение
Невидимое масло для готовки	Не обнаружено, 100-300 калорий пропущено	Не обнаружено, 100-300 калорий пропущено	Не обнаружено без ввода диетолога	Голосовой ввод или поиск добавляет проверенную запись масла
Скрытые ингредиенты	Не обнаружено	3D-сканирование захватывает только поверхность	Не обнаружено без ввода диетолога	Дополнительные ингредиенты добавлены через голос/поиск
Количество соуса/заправки	AI угадывает тип и количество	AI угадывает тип и количество	AI угадывает, диетолог может исправить позже	Выбирается запись базы данных для конкретного типа заправки
Ошибка в размере порции	Только 2D-оценка	3D LiDAR помогает (если доступно)	2D-оценка	Стандартные порции базы данных плюс корректировка пользователем
Неизвестный метод приготовления	AI угадывает метод приготовления	AI угадывает метод приготовления	AI угадывает метод приготовления	Пользователь выбирает конкретное приготовление из базы данных (жареное против жареного во фритюре)
Оценка напитка	Угадывание на основе цвета	Угадывание на основе цвета	Угадывание на основе цвета	Голосовой ввод конкретного напитка, база данных предоставляет проверенные данные

Как небольшие ошибки накапливаются в большие проблемы

Индивидуальные ошибки, перечисленные выше, могут показаться управляемыми. 100 калорий здесь, 80 калорий там. Но накопительный эффект за полный день питания делает это серьезной проблемой отслеживания.

Реалистичный день ошибок AI-сканирования

Рассмотрим типичный день, отслеживаемый с помощью сканера только на основе AI.

Прием пищи	Оценка AI	Фактические калории	Ошибка	Источник ошибки
Завтрак: Овсянка с медом и миндалем	310 кал	420 кал	-110 кал	Количество меда и миндаля недооценено
Утренний кофе: Латте с овсяным молоком	90 кал	220 кал	-130 кал	Неправильный тип и размер молока
Обед: Куриное жаркое с рисом	480 кал	680 кал	-200 кал	Масло для готовки не обнаружено, порция недооценена
Полдник: Протеиновый батончик (фотографирован)	180 кал	210 кал	-30 кал	Тип батончика слегка ошибочно идентифицирован
Ужин: Паста с мясным соусом и пармезаном	550 кал	740 кал	-190 кал	Масло в соусе, количество сыра, размер порции
Итог за день	1,610 кал	2,270 кал	-660 кал

Этот пользователь думает, что он съел 1,610 калорий. На самом деле он съел 2,270. Если его целевой дефицит составляет 1,800 калорий в день, он считает, что он на 190 калорий ниже своей цели. На самом деле он на 470 калорий выше. За неделю это составляет 3,290 калорий разницы от того, что он думает — примерно один фунт веса, который должен быть потерян, но не будет.

Систематическая ошибка недоучета, выявленная в исследованиях, здесь явно видна. AI постоянно недооценяет калорийные компоненты (масла, орехи, сыр, соусы), потому что эти элементы самые трудные для визуальной оценки.

Важность рабочего процесса исправления

Даже когда пользователь подозревает ошибку, рабочий процесс исправления сильно различается между приложениями.

Исправление в приложении только на основе AI

1. Пользователь подозревает, что число выглядит неправильно
2. Пользователь удаляет запись AI
3. Пользователь вручную вводит описание еды и оценку калорий
4. Новая запись — это предположение пользователя — все еще непроверенная
5. Одна непроверенная оценка заменяет другую

Исправление в Nutrola

1. Пользователь подозревает, что число выглядит неправильно
2. Пользователь нажимает на запись и видит альтернативы из базы данных
3. Пользователь выбирает правильную еду из проверенных записей
4. Или пользователь голосом описывает правильную еду и выбирает из результатов базы данных
5. Или пользователь сканирует штрих-код упакованного компонента для точных данных производителя
6. Исправленная запись поступает из проверенного источника с более чем 100 полями питательных веществ

Разница заключается не только в скорости. Исправление само по себе проверено. В приложении только на основе AI исправление неправильного предположения AI с помощью ручной оценки — это замена одного непроверенного числа на другое. В приложении с поддержкой базы данных исправление извлекается из того же проверенного источника данных, который используют диетологи и исследователи питания.

Какие ошибки приемлемы?

Не все ошибки в отслеживании калорий одинаково проблематичны. Степень серьезности зависит от целей пользователя.

Для общей осведомленности: Ошибки в 10-20% на прием пищи допустимы. Отслеживание только на основе AI вполне приемлемо. Вы все равно получаете полезное представление о своих пищевых привычках, даже если отдельные числа приблизительны.

Для умеренного контроля веса: Ошибки должны оставаться ниже 10% в день. Это требует выявления основных режимов ошибок (масла для готовки, скрытые ингредиенты), даже если отдельные позиции имеют небольшие неточности. Поддержка базы данных становится ценной.

Для точных целей дефицита или избытка: Ежедневная точность должна быть в пределах 5%. Это означает проверенные данные для как можно большего количества продуктов, с использованием AI для удобства, а не как единственного источника данных. Проверенная база данных по сути необходима.

Для медицинской диетотерапии: Требования к точности самые высокие. Отслеживание конкретных питательных веществ (натрий, калий, фосфор, специфические аминокислоты) требует комплексных проверенных данных, которые оценка AI просто не может предоставить. Только трекеры с поддержкой базы данных с обширными профилями питательных веществ могут удовлетворить эту потребность.

Что хорошо в AI-сканировании еды

Несмотря на описанные выше режимы ошибок, AI-сканирование еды предоставляет подлинную ценность, которую не следует недооценивать.

Это быстро. Фотографирование блюда занимает 2-3 секунды. Ручной поиск в базе данных для каждого компонента сложного блюда может занять 1-3 минуты. Для занятых людей эта разница в скорости определяет, будут ли они вообще отслеживать.

Это захватывает блюда, которые трудно зарегистрировать вручную. Сложная тарелка в ресторане с семью компонентами утомительна для разбивки на отдельные поиски в базе данных. AI-сканирование предоставляет разумную отправную точку, которую можно уточнить.

Это снижает барьер для отслеживания. Наиболее значимый предсказатель успешного отслеживания калорий — это последовательность. Если AI-сканирование позволяет кому-то отслеживать 95% своих приемов пищи вместо 60%, то стоимость 5-10% точности может быть оправдана для улучшения охвата данных.

Оптимальная система — это не только AI или только база данных. Это AI для скорости и удобства, поддерживаемый проверенной базой данных для точности и исправления. Именно такую архитектуру реализует Nutrola — AI-фото и голосовое распознавание для быстрого начального ввода, с более чем 1,8 миллиона проверенных записей базы данных, предоставляющих фактические данные о питательных веществах, сканирование штрих-кодов для упакованных продуктов и возможность уточнять любую запись на основе проверенных источников.

Как защитить себя от ошибок AI-сканирования

Независимо от того, какое приложение вы используете, эти практики снижают влияние ошибок AI в сканировании еды.

Отдельно регистрируйте кулинарные жиры. Всегда добавляйте масла для готовки, масло или спрей как отдельные записи. Ни один AI не может увидеть их на фотографии, и они являются крупнейшим источником незарегистрированных калорий.

Используйте сканирование штрих-кодов для упакованных продуктов. Когда штрих-код доступен, он всегда более точен, чем фото-сканирование. Данные о питательных веществах поступают непосредственно с этикетки продукта.

Перепроверяйте необычные оценки. Если оценка AI кажется удивительно низкой или высокой, этот инстинкт стоит проверить. Блюдо, которое "кажется" 600 калориями, но сканируется на 350, вероятно, имеет невидимые компоненты, которые AI пропустил.

Используйте голосовой ввод для сложных блюд. Описание "жареный филе лосося около 6 унций с двумя чашками запеченного брокколи и одной столовой ложкой оливкового масла" дает системе с поддержкой базы данных гораздо больше информации, чем может предоставить фотография.

Выбирайте трекер с уровнем проверки. Самая простая защита от ошибок AI — это использование приложения, где AI предлагает, а проверенная база данных подтверждает. Архитектура Nutrola — AI-ввод плюс более 1,8 миллиона проверенных записей за €2.50 в месяц после бесплатного пробного периода — существует именно потому, что AI сам по себе недостаточно надежен для серьезного отслеживания питания. База данных не является премиум-дополнением. Это основа, которая делает AI полезным, а не просто быстрым.

Когда AI в сканировании еды ошибается — а это будет происходить регулярно — единственное, что имеет значение, это то, есть ли у вашего трекера система для обнаружения этой ошибки. Эта система — проверенная база данных. Без нее вы строите свою стратегию питания на предположениях, которые выглядят как данные.