Почему Foodvisor не распознает неевропейскую еду?

Вы направляете Foodvisor на свою тарелку с фо, а он считает это овощным супом. Вы сканируете свою порцию жолофа, и приложение выдает "рис с томатным соусом". Бирьяни вашей мамы становится "желтым рисом". А ваши тамалес вообще не распознаются. Если вы едите что-то, кроме стандартной западноевропейской кухни, распознавание еды в Foodvisor быстро теряет свою эффективность.

Это не просто мелкая неприятность. Если приложение не может точно определить вашу еду, оно не сможет корректно отслеживать ваше питание. А если вы один из миллиардов людей, которые ежедневно едят азиатскую, латиноамериканскую, ближневосточную, африканскую, южноазиатскую или юго-восточноазиатскую еду, Foodvisor не справляется со своей основной задачей.

Почему Foodvisor испытывает трудности с неевропейскими блюдами?

Причина кроется в истоках компании и в том, как обучаются модели ИИ.

Foodvisor — французская компания с французскими данными для обучения

Foodvisor была основана в Париже, Франция. Первоначальная модель ИИ компании была обучена в основном на французской и более широкой европейской кухне: багеты, круассаны, салат ницца, кук о вэн, паста, пицца, шницель, тапас. Данные для обучения отражали те блюда, которые команда основателей и их первые пользователи ели ежедневно.

Модели распознавания еды на основе ИИ обучаются, изучая тысячи размеченных изображений каждого блюда. Если в обучающем наборе данных содержится 10 000 изображений багета и 50 изображений досы, модель будет безошибочно определять багеты и ошибочно распознавать досу как блин, оладью или вообще ничего. Точность любой модели ИИ прямо пропорциональна разнообразию и объему ее обучающих данных.

Проблема с базой данных, ориентированной на ЕС

Даже когда ИИ Foodvisor правильно идентифицирует неевропейское блюдо, данные о его питательной ценности могут отсутствовать в базе данных. Французский луковый суп имеет подробную запись с проверенными макро- и микроэлементами. Но есть ли в базе данных записи о лаксе, моле поблано, ренданге, инжере с доро ват или кхире? Часто — нет. Или если есть, запись общая и неточная, без учета региональных вариаций, которые значительно влияют на питательную ценность.

Ограниченная международная база пользователей на этапе критического развития

Модели ИИ улучшаются за счет обратной связи от пользователей. Когда пользователи исправляют неправильно идентифицированные блюда, эти исправления становятся обучающими данными, которые повышают точность в будущем. Первоначальная база пользователей Foodvisor в основном состояла из французов и европейцев. Цикл обратной связи, способствующий улучшению, был сосредоточен на исправлениях европейских блюд. Неправильно идентифицированные неевропейские блюда получали меньше исправлений, что означало, что модель медленно улучшалась для этих категорий, что приводило к худшему опыту для неевропейских пользователей и меньшему количеству пользователей, готовых предоставлять исправления. Это замкнутый круг.

Проблема визуального сходства между кухнями

Многие блюда из разных кухонь выглядят похоже на фотографиях, но имеют совершенно разные питательные профили. Карри из Индии, карри из Таиланда и карри из Японии могут выглядеть схоже на фото, но их калорийность, содержание жира и состав ингредиентов могут значительно отличаться. Модель ИИ, обученная в основном на одной версии блюда, применит питательный профиль этой кухни, когда столкнется с визуальным шаблоном, что приведет к ошибкам, которые могут отличаться на сотни калорий.

Как предвзятость в обучении ИИ влияет на реальных пользователей?

Последствия выходят за рамки случайных ошибок идентификации.

Систематическая ошибка в подсчете калорий для неевропейских диет

Если вы в основном едите азиатскую, латиноамериканскую или ближневосточную еду и Foodvisor постоянно неправильно определяет ваши блюда, ваши данные о калориях и питательных веществах систематически неверны. Это не случайная ошибка, которая усредняется. Это постоянный перекос в одну сторону, как правило, в сторону европейских питательных профилей для визуально схожих блюд.

Чаша рамена, неправильно идентифицированная как минестроне, может показывать 200 калорий, когда фактическое количество ближе к 500. Жареные плантаны, ошибочно определенные как картофельные дольки, могут показывать другое содержание жира из-за различий в способах приготовления. Это не случайные ошибки — это систематические предвзятости, которые со временем искажают ваши данные.

Исключение целых кулинарных традиций

Для пользователей, чья ежедневная диета состоит из блюд, которые ИИ просто не распознает, приложение становится бесполезным для своей основной функции. Если вы ежедневно едите угали, фуфу, чапати, конджи или арепас, и ИИ не может идентифицировать ни одно из этих блюд, вам придется вручную искать в базе данных — где этих блюд также может не оказаться. Приложение фактически исключает вашу целую кулинарную культуру.

Разочарование от постоянных исправлений

Когда каждое второе блюдо требует ручного исправления из-за ошибок ИИ, экономия времени на сканировании фотографий исчезает. Пользователи, которые тратят больше времени на исправление ошибок ИИ, чем на ручной поиск, отказываются от этой функции, а затем и от самого приложения. ИИ, который должен был уменьшить трение, создает его больше для неевропейской еды.

Культурная нечувствительность в неверной идентификации

Существует дополнительный уровень разочарования, когда блюдо, представляющее ваше культурное наследие, неверно идентифицируется как что-то общее. Видеть, как тщательно приготовленное вашей бабушкой бирьяни сводится к "желтому рису", или как семейный моле определяется как "шоколадный соус", кажется пренебрежительным. Технический сбой несет в себе культурный вес.

Является ли это проблемой Foodvisor или это общая проблема отрасли?

Предвзятость в обучающих данных затрагивает все системы распознавания еды на основе ИИ, но степень различается значительно.

Спектр разнообразия обучающих данных

Приложения, разработанные более крупными, международно разнообразными командами или те, которые специально инвестировали в глобальные данные о еде, показывают лучшие результаты по всем кухням. Ключевые факторы:

Происхождение обучающих данных: Откуда были собраны обучающие данные? Модель, обученная на данных из 50 стран, будет лучше, чем та, что обучена на данных из 5 европейских стран.

Широта базы данных: Включает ли база данных записи о международных блюдах с региональной точностью? Глобальная база данных с более чем 1.8 миллиона проверенных продуктов охватывает гораздо больше кулинарной территории, чем база данных, сосредоточенная на одном регионе.

Язык и локализация: Поддерживает ли приложение несколько языков? Поддержка нескольких языков обычно коррелирует с инвестициями в международные базы данных, поскольку обслуживание пользователей на 15 языках требует наличия продуктов, актуальных для 9 языковых рынков.

Активная международная обратная связь от пользователей: Приложения с большой и разнообразной базой пользователей получают данные об исправлениях из множества кухонь, создавая положительный цикл для улучшения точности.

Позиция Foodvisor на этом спектре

Foodvisor находится ближе к европейскому концу этого спектра. Его французское происхождение, европейские данные для обучения и преимущественно европейская база пользователей создали модель, которая отлично справляется с европейской кухней и испытывает трудности с остальными. Некоторые конкуренты более активно инвестировали в глобальное покрытие еды, в то время как другие имеют схожие ограничения.

На что обратить внимание при выборе глобально точного трекера еды?

Если ваша диета включает неевропейские блюда, обратите внимание на следующие функции.

Большая международная проверенная база данных

Размер базы данных имеет значение, но также важна ее географическая разнообразие. База данных с более чем 1.8 миллиона проверенных продуктов, охватывающая несколько континентов и кухонь, будет иметь записи для блюд, которых нет в регионально ориентированной базе данных.

Поддержка нескольких языков как индикатор глобальных инвестиций

Приложение, поддерживающее 15 языков, почти наверняка инвестировало в базы данных о продуктах, актуальные для каждого из этих языковых рынков. Поддержка языков является сильным сигналом о международном охвате еды, поскольку невозможно обслуживать пользователей на японском, хинди или португальском, не имея тех продуктов, которые едят эти пользователи.

Несколько методов ввода как резервный вариант

Даже лучший ИИ делает ошибки. Когда ИИ не распознает вашу еду, вам нужны надежные резервные варианты: сканирование штрих-кодов для упакованных продуктов, голосовая запись для быстрого описания и текстовый поиск по обширной базе данных. Приложение, предлагающее все эти функции, гарантирует, что вы всегда сможете зарегистрировать свою еду, даже когда ИИ ошибается.

Разнообразные обучающие данные ИИ

Ищите приложения, которые явно упоминают обучение своего ИИ на международной кухне или имеют разнообразные базы пользователей, предоставляющие постоянную обратную связь. Приложения, работающие в нескольких странах с локализованными базами данных, с большей вероятностью точно распознают вашу еду.

Как Foodvisor сравнивается с глобально ориентированными альтернативами?

Функция	Foodvisor	Nutrola	MyFitnessPal	Cronometer
Сканирование фото ИИ	Да (ориентировано на ЕС)	Да (обучено на международных данных)	Ограничено	Нет
Голосовая запись	Нет	Да	Нет	Нет
Сканирование штрих-кодов	Да	Да	Да	Да
Размер базы данных	Региональный фокус	1.8M+ проверенных глобальных	Самая большая (пользовательские данные)	Лабораторно проверенная (ограниченный объем)
Охват международной еды	Слабый вне ЕС	Сильный (9 языковых рынков)	Умеренный (пользовательские данные)	Ограниченный
Поддерживаемые языки	Французский, английский, ограниченное количество других	15 языков	Множество	Множество
Точность азиатской еды	Плохая	Сильная	Умеренная	Ограниченные записи
Точность латиноамериканской еды	Плохая	Сильная	Умеренная	Ограниченные записи
Точность ближневосточной еды	Плохая	Сильная	Умеренная	Ограниченные записи
Точность африканской еды	Плохая	Умеренно-сильная	Слабая	Очень ограниченная
Отслеживаемые питательные вещества	~60	100+	~20	80+
Импорт рецептов	Нет	Да (любой URL)	Вручную	Вручную
Поддержка смарт-часов	Нет	Apple Watch + Wear OS	Apple Watch	Нет
Месячная цена	~$7.99/мес	€2.50/мес	Бесплатно / $19.99 премиум	Бесплатно / $5.99 Gold
Реклама	Нет	Нет	Да (бесплатный уровень)	Нет

Более широкая картина: предвзятость ИИ в здравоохранении

Ограничения обучающих данных Foodvisor являются частью более широкой проблемы в области здравоохранения.

Важность представительства в обучающих данных

Системы ИИ отражают данные, на которых они обучены. Если обучающие данные в основном представляют одну культуру, географию или демографию, система будет хорошо работать для этой группы и плохо для всех остальных. В приложениях для питания это означает, что люди из недостаточно представленных кулинарных культур получают худшую точность отслеживания, что приводит к худшим результатам в области здоровья от инструментов, предназначенных для их улучшения.

Ответственность за глобальное покрытие

Любое приложение, которое позиционирует себя на международном уровне, обязано эффективно обслуживать международных пользователей. Выпуск сканера еды на основе ИИ, который хорошо работает в Париже, но не справляется в Токио, Мехико или Лагосе — при этом маркетинг в трех городах — создает вводящий в заблуждение опыт использования продукта.

Пользователи могут голосовать своими выборами

Самый эффективный способ стимулировать улучшение разнообразия в распознавании еды на основе ИИ — это выбирать приложения, которые инвестировали в глобальную точность. Когда пользователи переходят от регионально ограниченных приложений к глобально полным, рыночный стимул для инвестиций в разнообразные обучающие данные возрастает.

Часто задаваемые вопросы

Почему Foodvisor неправильно определяет азиатскую еду?

Искусственный интеллект Foodvisor был обучен в основном на французской и европейской кухне. Обучающий набор данных содержит ограниченное количество примеров азиатских блюд, что означает, что модель не научилась различать визуально схожие, но питательно разные азиатские продукты. Чаша том ям, фо и рамен могут выглядеть как "суп" для модели, которая не была обучена на каждом конкретном блюде.

Может ли Foodvisor улучшить распознавание международной еды?

Да, при значительных инвестициях в разнообразные обучающие данные, расширении международной базы данных и активных циклах обратной связи от неевропейских пользователей. Однако это требует стратегического решения компании о приоритете глобального охвата, что означало бы перенаправление ресурсов с их европейского основного рынка.

Какой самый точный сканер еды на основе ИИ для международной кухни?

Точность для международной кухни зависит от разнообразия обучающих данных ИИ и широты питательной базы данных. Nutrola, обученная на разнообразной международной кухне и поддерживаемая базой данных с более чем 1.8 миллиона проверенных продуктов по 9 языковым рынкам, предлагает высокую точность для азиатских, латиноамериканских, ближневосточных и европейских блюд.

Узнает ли MyFitnessPal международные продукты лучше, чем Foodvisor?

База данных MyFitnessPal, основанная на пользовательских данных, включает записи о многих международных продуктах благодаря большой глобальной базе пользователей. Однако точность этих записей варьируется, так как они предоставляются пользователями, а не проверяются. Функции фото ИИ в MyFitnessPal ограничены. Для проверки международных данных о еде с помощью ИИ Nutrola является более сильным вариантом.

Насколько важна поддержка языков для качества базы данных о еде?

Поддержка языков является сильным индикатором инвестиций в международные базы данных о еде. Приложение, поддерживающее 15 языков, почти наверняка создало или получило базы данных о продуктах, актуальные для каждого языкового рынка. Поддержка 9 языков Nutrola отражает его инвестиции в локализованные базы данных о продуктах, охватывающие разнообразные международные кухни.

Что делать, если мое приложение для питания не может идентифицировать мою еду?

Если ИИ не справляется, используйте сканирование штрих-кодов для упакованных продуктов, голосовую запись для описания блюда своими словами или ручной текстовый поиск. Если еда вообще отсутствует в базе данных, подумайте о переходе на приложение с более крупной и международно полной базой данных. Nutrola с более чем 1.8 миллиона проверенных продуктов и поддержкой 9 языков охватывает самый широкий спектр международных кухонь среди трекеров на основе ИИ.