Yapay Zeka Kalori Takibi: Dürüst Sınırlamalar ve Henüz Yapamadıkları

Piyasada bulunan her yapay zeka kalori takip aracının, pazarlama materyallerinde bahsedilmeyen önemli sınırlamaları vardır. Bu, Nutrola'yı da kapsar. Son üç yılda teknoloji büyük bir gelişim gösterdi — gıda tanıma doğruluğu, yaygın yemekler için yaklaşık %60'tan %80-92'ye yükseldi — ancak hala güvenilir bir şekilde performans gösteremeyen gıda kategorileri ve yeme durumları bulunmaktadır.

Bu sınırlamaları kabul etmek, yapay zeka kalori takibine karşı bir argüman değildir. Aksine, yapay zekanın ne yapabileceğini ve ne yapamayacağını anlamak için bir argümandır; böylece teknolojiyi kullanırken körü körüne güvenmek yerine onunla birlikte çalışabilirsiniz. Her aracın bir sınırı vardır. En iyi araçlar, bu sınırların aşıldığı durumlar için yedekleme seçenekleri ile tasarlanmıştır.

Sınırlama 1: Yoğun Soslu ve Glazürlü Yemekler

Sorun

Bir yemek sos, glazür veya gravy ile kaplandığında, yapay zeka çoğu görsel bilgiyi kaybeder. Sosun rengini ve dokusunu görebilir, ancak altındaki yiyeceği tanımlayıp miktarını belirleyemez. Teriyaki sosuyla kaplanmış bir tavuk göğsü, Alfredo sosuna batırılmış bir tabak makarna veya kalın bir köri ile kaplanmış sebzeler — yapay zeka, yiyeceğin değil sosun görünümüne dayanarak çalışır.

Sosların kalori etkisi oldukça büyüktür. 2023 yılında Journal of the American Dietetic Association'da yapılan bir analiz, restoran yemeklerinde sos ve baharatların ortalama 200-400 kalori katkı sağladığını bulmuştur — bu genellikle yemeğin toplam kalori içeriğinin %30-50'sini temsil eder. Sosu yanlış tahmin etmek, yemeği yanlış tahmin etmek demektir.

Her Uygulamanın Yaptığı

Cal AI ve SnapCalorie: Yapay zeka, tüm yemeği tek bir öğe olarak tahmin eder. Eğer "teriyaki tavuklu pilav" olarak tanımlıyorsa, kalori sayısı modelin o yemek kategorisi için ortalama eğitim verisini yansıtır. Özel sos-tavuk oranı, sos tarifi ve yemeğinizdeki pişirme yağı bilinmemekte ve hesaba katılmamaktadır.

Foodvisor: Benzer yapay zeka tahmini, düzeltme için bir diyetisyenle danışma seçeneği sunar — ancak bu geriye dönük ve yavaştır.

Nutrola: Yapay zeka, yemek kategorisini tanımlar ve veritabanındaki eşleşmeleri önerir. Kullanıcı, veritabanından belirli bir sos türünü seçerek ayarlama yapabilir ("teriyaki sosu, 3 yemek kaşığı = 135 kalori") ve bunu protein ve nişastadan ayrı olarak kaydedebilir. Veritabanı, onlarca sos türü ve hazırlama tarzı için doğrulanmış kalori verileri sunar. Bu, temel görsel sorunu çözmez, ancak fotoğrafla çalışan uygulamaların yapamadığı sos kalori ekleme mekanizması sağlar.

Dürüst Değerlendirme

Hiçbir yapay zeka takip aracı, yoğun soslu yemekleri yalnızca fotoğraflardan iyi bir şekilde yönetemez. Nutrola'nın avantajı, sosu sesli komut veya veritabanı araması ile ayrı olarak kaydetme yeteneğidir — ancak bu, kullanıcının hangi sosun kullanıldığını bilmesini (veya tahmin etmesini) gerektirir. Evde pişirilen yemekler için bu mümkündür. Sos tarifinin bilinmediği restoran yemekleri için ise tüm takipçiler tahmin yapmaktadır.

Sınırlama 2: Fotoğraflardan Doğru Porsiyon Tahmini

Sorun

Bu, fotoğraf tabanlı gıda takibinin en kalıcı ve temel sınırlamasıdır. 2D bir fotoğraf, yiyeceklerin üç boyutlu hacmini ve kütlesini güvenilir bir şekilde iletemez.

İki porsiyon makarna düşünün: 150g ve 300g. Aynı tabakta, üstten çekilmiş bir fotoğrafta, 300g'lık porsiyon hafifçe daha yüksek bir tepe gibi görünebilir, ancak kalori farkı 195 kaloridir. Görsel fark ince; kalori farkı ise büyüktür.

Yapay zeka porsiyon tahmini üzerine yapılan araştırmalar, 2D fotoğraflardan hacim tahmininde %20-40 arasında ortalama hatalar bulmaktadır. 2024 yılında Nutrients dergisinde yayınlanan bir çalışma, en son teknoloji gıda porsiyon tahmin modellerinin bile çeşitli yemek türlerinde %25-35 ortalama hata gösterdiğini bildirmiştir; hatalar, küçük porsiyonlardaki kalori yoğun gıdalarda (kuruyemiş, peynir, yağlar) %50'yi aşmaktadır.

Her Uygulamanın Yaptığı

Cal AI: 2D fotoğraf tahmini, tabakla ilgili boyutlandırma ve öğrenilmiş önceliklere dayanır. %20-40 hata aralığına tabidir.

SnapCalorie: 3D LiDAR taraması, hacim tahminini 2D yöntemlere göre %30-40 oranında azaltır. Bu, yükseklik ile hacmin ilişkili olduğu pirinç, yulaf ezmesi gibi yiyecekler için gerçek bir avantajdır. Ancak, düz yiyecekler (pizza, sandviç), kaselerdeki yiyecekler (çorba, tahıl) veya kalori yoğun küçük öğeler (kuruyemiş, peynir küpleri) için yardımcı olmaz.

Foodvisor: 2D tahmin ile bazı veritabanı referanslı standart porsiyonlar sunar.

Nutrola: 2D fotoğraf tahminini veritabanı standart porsiyonları ile destekler. Yapay zeka "tavuk sote" önerdiğinde, veritabanı standart porsiyon boyutları sunar (örneğin, "1 porsiyon = 300g"). Kullanıcı, gram ağırlığını tahmin etmek yerine veritabanının porsiyon seçeneklerini kullanarak ayarlama yapabilir. Sesli kayıt, doğrudan porsiyonları belirtmeyi sağlar: "yaklaşık iki fincan pirinç."

Dürüst Değerlendirme

Fotoğraflardan porsiyon tahmini, bilgisayarla görme alanında çözülmemiş bir problemdir. SnapCalorie'nin 3D yaklaşımı en gelişmiş teknolojik çözümdür, ancak iyileştirmesi belirli gıda türleri ile sınırlıdır ve LiDAR donanımı gerektirir. Nutrola'nın veritabanı porsiyon referansları, sabit noktalar sağlayarak yardımcı olur, ancak kullanıcı hala "1 porsiyon" mu yoksa "1.5 porsiyon" mu aldığını tahmin etmek zorundadır. Dürüst öneri: yüksek doğruluk gerektiren durumlar için yiyeceklerinizi tartın. Hiçbir yapay zeka takip aracı, hassasiyet için bir mutfak tartısını değiştiremez.

Sınırlama 3: Yerel ve Bilinmeyen Yiyecekler

Sorun

Yapay zeka gıda tanıma modelleri, eğitim verilerinde en çok temsil edilen gıda kültürlerine göre eğitilmiştir — genellikle Amerikan, Batı Avrupa ve Doğu Asya mutfakları. Temsil edilmeyen mutfaklardan gelen yiyecekler yanlış tanımlanabilir veya düşük güvenle tahmin edilebilir.

2023 yılında ACM Computing Surveys'de yayınlanan bir çalışma, gıda tanıma veri setlerini analiz etmiş ve en yaygın kullanılan eğitim setlerinde yer alan görüntülerin %72'sinin sadece 10 ülkeden gelen yiyecekleri temsil ettiğini bulmuştur. Batı Afrika, Orta Asya, Pasifik Adası, yerli ve birçok diğer gıda geleneği önemli ölçüde temsil edilmemektedir.

Bu, eğer düzenli olarak Etiyopya yahnisinin yanında injera, Peru ceviche, Filipin adobo, Gürcü khachapuri veya Senegal thieboudienne yiyorsanız, yapay zekanın yemeği yanlış tanımlayabileceği, daha iyi temsil edilen bir mutfaktan görsel olarak benzer bir yemekle karıştırabileceği veya kötü bir doğrulukla genel bir "karışık yemek" tahmini verebileceği anlamına gelir.

Her Uygulamanın Yaptığı

Cal AI: Tamamen yapay zeka modelinin eğitim verilerine dayanır. Eğer yiyecek eğitimde iyi temsil edilmemişse, tahmin kötü olacaktır ve geri dönüş seçeneği yoktur.

SnapCalorie: Aynı sınırlama. 3D tarama, porsiyon tahminini iyileştirir ancak temsil edilmeyen mutfaklar için gıda tanımlamada yardımcı olamaz.

Foodvisor: Avrupa mutfakları (Fransız şirketi) için biraz daha iyi kapsama sahiptir, ancak Avrupa dışındaki yiyecekler için aynı eğitim verisi sınırlamasını paylaşır.

Nutrola: Yapay zeka aynı tanıma sınırlamasıyla karşılaşır, ancak 1.8 milyondan fazla gıda kaydını içeren doğrulanmış veritabanı, çeşitli mutfak geleneklerinden yiyecekleri kapsar. Yapay zeka bir yerel yiyeceği tanımlamakta başarısız olduğunda, kullanıcı bunu sesli tarif edebilir ("Etiyopya injera, yaklaşık 200 gram, mercimek yahni ile, yaklaşık 150 gram") ve veritabanı bu yiyecekler için doğrulanmış kayıtlar sunar. 15 dil desteği, yerel dillerdeki yiyecek adlarının veritabanı aramasında kullanılmasına da olanak tanır.

Dürüst Değerlendirme

Bu, yalnızca belirli uygulamaların değil, tüm yapay zeka gıda tanıma alanının bir sınırlamasıdır. Veritabanı destekli takipçiler, veritabanlarının yerel yiyecekleri içerecek şekilde genişletilebilmesi nedeniyle bir avantaja sahiptir; "thieboudienne" için doğrulanmış bir kayıt eklemek, yapay zekanın fotoğraflardan tanımasını sağlamaktan daha kolaydır. Ancak veritabanı kapsaması da boşluklar içermektedir. Nutrola'nın 1.8 milyon kaydı, herhangi bir yapay zeka modelinin sınıflandırma kelime dağarcığından daha fazla yiyeceği kapsar, ancak son derece yerel, ev yapımı veya nadir yiyecekler hala manuel girişi gerektirebilir. Bugün hiçbir takipçi tüm küresel gıda geleneklerini mükemmel bir şekilde kapsamaz.

Sınırlama 4: Şeffaf Olmayan Kaplarda İçecekler

Sorun

Şeffaf olmayan bir fincan, kupa veya şişede bir içeceği fotoğraflamak, yapay zekaya neredeyse hiç kullanılabilir bilgi vermez. Beyaz bir kahve fincanı, siyah kahve (5 kalori), tam sütlü bir latte (190 kalori), krema ile bir mocha (400 kalori) veya bir fincan çay (2 kalori) içerebilir. Görsel sinyal fincan, içindekiler değil.

Şeffaf bardaklardaki içecekler için bile, yapay zekanın bilgisi sınırlıdır. Bir sıvının rengi ve opaklığı olasılıkları daraltır, ancak tarifi belirlemez. Portakal suyu, mango smoothie ve havuç-zencefil suyu bir bardakta benzer görünebilir. Koyu bir kola ve koyu bir soğuk kahve görsel olarak neredeyse özdeş görünmektedir.

Her Uygulamanın Yaptığı

Cal AI: Yapay zeka, bağlama (fincan şekli, görünen sıvının rengi) dayanarak tahmin yapar. İçecekler için doğruluk genellikle %40-60'tır — temelde bir para atma seviyesindedir.

SnapCalorie: 3D tarama, bardak/fincan hacmini ölçerek sıvı miktarını tahmin etmeye yardımcı olur. Ancak, belirli içeceği tanımlamadan dolayı mililitre başına kalori içeriği bilinmemektedir.

Foodvisor: İçecek tanımlama konusunda Cal AI ile aynı sınırlamaya sahiptir.

Nutrola: Sesli kayıt, ana çözüm olarak kullanılır: "iki pompa vanilyalı büyük yulaf sütlü latte" yeterli bilgi sağlar ve doğrulanmış veritabanı eşleşmesi yapılır. Veritabanı, belirli kahve dükkanı içecekleri, süt türleri, şuruplar ve hazırlama yöntemleri için kayıtlar içerir. Barkod tarama, paketlenmiş içecekler için kesin veriler sağlar. İçeceklerin fotoğraf taraması güvenilir değildir ve Nutrola'nın yapay zeka fotoğraf özelliği için en zayıf kullanım durumudur.

Dürüst Değerlendirme

Yapay zeka kalori takibi, içecekler için tüm uygulamalar arasında en zayıf kategoridir. Çözüm, daha iyi yapay zeka değil — alternatif giriş yöntemleridir. Sesli kayıt ve barkod tarama, görsel sınırlamayı tamamen aşar. Bu, çok yöntemli takipçilerin en güçlü argümanlarından biridir: içecekler, çoğu insan için günlük kalori alımının %10-20'sini temsil eder ve yalnızca fotoğrafla çalışan takipçiler bunları kötü yönetir.

Sınırlama 5: Çok Katmanlı ve Gizli Bileşenli Yemekler

Sorun

Lazanya, burrito, sandviç, dolma biber, börek, bahar ruloları, mantı ve dış katmanın iç kısmı gizlediği herhangi bir yemek, fotoğraf tabanlı yapay zeka için temel bir zorluk sunar. Kamera üst katmanı görür; kaloriler tüm katmanlardan gelir.

Dışarıdan fotoğraflanan bir burrito, bir tortilla gösterir. İçinde tavuk, pirinç, fasulye, peynir, ekşi krema ve guacamole olabilir — ya da sadece pirinç ve fasulye. Bu malzemeler arasındaki kalori farkı 300-500 kalori olabilir ve bunların hiçbiri görünmez.

2023 yılında Food Quality and Preference dergisinde yapılan bir çalışma, katmanlı yemekler üzerinde yapay zeka gıda tanıma testleri yapmış ve görünür tek katmanlı yemeklere göre doğruluğun %25-40 oranında düştüğünü bulmuştur. Modeller, görünür bileşenleri daha fazla ağırlıklandırdıkları için çok katmanlı yemeklerin kalori içeriğini sürekli olarak düşük tahmin etmiştir.

Her Uygulamanın Yaptığı

Cal AI: Dış görünüşe dayalı olarak tüm öğeyi tek bir giriş olarak tahmin eder. Bir burrito, "bir burrito" olarak ortalama bazlı kalori tahmini ile değerlendirilir; içeriği hakkında bilgi yoktur.

SnapCalorie: 3D tarama, dış boyutları ölçerek daha iyi bir hacim tahmini sağlar. Ancak, iç dolgu bileşimi hala bilinmemektedir. İçeriği bilinmeyen bir burrito, tam olarak ölçülmüş bir gizemdir.

Foodvisor: Katmanlı yemekler için aynı sınırlama. Diyetisyen incelemesi yardımcı olabilir, ancak beklemeyi gerektirir.

Nutrola: Yapay zeka yemek türünü tanımlar ve kullanıcı, belirli bileşenleri sesli kaydedebilir: "tavuk burrito, pirinç, siyah fasulye, peynir, ekşi krema ve guacamole." Her bileşen, doğrulanmış veritabanı kayıtlarından çekilir. Kullanıcı, gizli katman sorununu tanımlanabilir bileşenlere ayırır. Bu, neyin içinde olduğunu bilmek (veya makul bir şekilde tahmin etmek) gerektirir; bu, evde pişirilen yiyecekler için daha kolaydır, restoran veya paket servis ürünleri için ise daha zordur.

Dürüst Değerlendirme

Çok katmanlı yemekler, fotoğraf tabanlı herhangi bir yaklaşımın doğal bir sınırlamasıdır. Soru, uygulamanın sağladığı yedekleme seçenekleridir. Sadece fotoğrafla çalışan uygulamaların yedekleme seçeneği yoktur — yapay zekanın dış görünüşe dayalı tahmini nihai cevaptır. Çok yöntemli uygulamalar, kullanıcının kameranın yakalayamadığı iç bilgileri sağlamasına olanak tanır. Doğruluk artışı, tamamen kullanıcının yemeğin içinde ne olduğunu bilmesine ve bunu tanımlamak için zaman ayırmasına bağlıdır.

Sınırlama 6: Fotoğraflayamayacağınız Yemekler

Sorun

Tüm yemekler pratik bir şekilde fotoğraflanamaz. Hareket halindeki yemekler, toplantılar arasında hızlıca alınan atıştırmalıklar, ortak tabaklardan paylaşılan yiyecekler, karanlık restoranlarda yenilen yemekler ve kaydetmeyi unuttuğunuz yemekler. Sadece fotoğrafla çalışan takipçilerin ikili bir sorunu vardır: eğer onu fotoğraflamadıysanız, kaydınızda yoktur.

Her Uygulamanın Yaptığı

Cal AI: Fotoğraf yoksa, giriş yok. Bir açıklama manuel olarak yazabilirsiniz, ancak uygulamanın iş akışı kameraya dayanmaktadır. Geriye dönük kayıt mümkündür, ancak metin tahminine dayanır.

SnapCalorie: Aynı sınırlama. 3D tarama, yiyeceğin fiziksel olarak mevcut olmasını gerektirir.

Foodvisor: Fotoğraf merkezli bir iş akışı ile manuel arama mümkündür.

Nutrola: Sesli kayıt, fotoğraflanmış veya fotoğraflanmamış herhangi bir yemek için çalışır. "İki saat önce mayonezli bir hindi sandviçim ve bir yan salatam vardı" gibi bir açıklama sesli olarak kaydedilebilir ve her bileşen doğrulanmış veritabanı kayıtları ile eşleştirilir. Bu, fotoğraf çekmeyi hatırlamayı gerektirmez — sadece ne yediğinizi hatırlamayı gerektirir, ki çoğu insan bunu birkaç saat içinde yapabilir.

Dürüst Değerlendirme

Bu, bir yapay zeka sınırlaması değil, bir iş akışı sınırlamasıdır. Sadece fotoğrafla çalışan uygulamalar kırılgandır — fotoğraf çekilmediğinde işler bozulur. Çok yöntemli uygulamalar dayanıklıdır — bir yöntem mevcut olmadığında alternatif yollar sunar. Yemekleri fotoğraflamayı sıkça unutan veya fotoğraflamanın pratik olmadığı durumlarda yiyen kullanıcılar için, kaydedilen yemek kapsamındaki fark önemli olabilir.

Bugün Hiçbir Yapay Zeka Takipçisi Ne Yapamaz

Bazı sınırlamalar evrenseldir ve mevcut herhangi bir uygulama tarafından çözülemez.

Pişirme yağı miktarını doğru bir şekilde belirlemek. Tavuk bir tatlı kaşığı yağda mı yoksa iki yemek kaşığı yağda mı kızartıldı (200 kalori farkı) fotoğrafta görünmez ve kullanıcı belirtmedikçe bilinemez. Bu, tüm yapay zeka kalori takibindeki en büyük sistematik hatadır.

Belirli markaları tanımlamak. Bir kasedeki Yunan yoğurdu, herhangi bir marka veya yağ yüzdesi olabilir. Markalar ve yağ seviyeleri arasındaki kalori aralığı 100g başına 59-170 kaloridir.

Restoran yemeklerinin kesin hazırlama yöntemlerini belirlemek. Balık kuru mu ızgara yapıldı yoksa tereyağı ile mi pişirildi? Sebzeler buharda mı pişirildi yoksa yağda mı sotelenmişti? Patates püresi krema mı yoksa sütle mi yapıldı? Bu sorular, her bileşen için 100-300 kalori etkiler ve yapay zekaya görünmez.

Bireysel porsiyon varyasyonlarını hesaba katmak. İki kişi aynı yemekten "bir porsiyon" alabilir ve %50-100 oranında farklılık gösterebilir. Hiçbir yapay zeka, sizin cömert veya mütevazı bir şekilde servis yapma eğiliminizi bilemez.

Fotoğraflardan alkol içeriğini takip etmek. Bir kadeh şarap, bir kokteyl, bir bira — yapay zeka içecek türünü tahmin edebilir, ancak belirli marka, dökme boyutu ve alkol içeriği (bu da kalorileri doğrudan etkiler) genellikle görünmez.

Sınırlamalarla Nasıl Çalışılır

Bu sınırlamaları anlamak, yapay zeka kalori takibini terk etme nedeni değildir — bunu akıllıca kullanma nedenidir.

Her yiyecek için doğru yöntemi kullanın. Paketlenmiş ürünler için barkod. Karmaşık veya gizli bileşenli yemekler için ses. Görsel olarak net tabaklanmış yiyecekler için fotoğraf. Manuel arama son çare olarak. Fotoğraf taramanın sınırlaması, alternatif yöntemleriniz olduğunda kalori takibinin sınırlaması değildir.

Her zaman pişirme yağlarını ayrı ekleyin. Bu bir alışkanlık haline getirin. Her pişirilmiş yemeği kaydettikten sonra, pişirme yağı veya tereyağını ayrı bir giriş olarak ekleyin. Bu tek alışkanlık, yapay zeka gıda taramasındaki en büyük doğruluk farkını kapatır.

Hassasiyet gerektiğinde tartın. Eğer bir rekabet kesimindeyseniz, tıbbi bir beslenme protokolündeyseniz veya bir araştırma çalışmasındaysanız, ana yemekler için bir mutfak tartısı kullanın. Yapay zeka takibi + bir gıda tartısı, ikisinden daha doğrudur.

Düzenli yemekler için yemek şablonları oluşturun. Çoğu insan, döngüde 15-20 farklı yemek yer. Her birini bir kez dikkatlice kaydedin, ardından gelecekteki örnekler için girişi tekrarlayın. Bu, en sık yediğiniz yemekleri yapay zeka tahminlerinden doğrulanmış, tutarlı kayıtlara dönüştürür.

Faydalı belirsizliği kabul edin. Doğruluğun zor olduğu yemeklerde (restoran yemekleri, sosyal yemekler), yapay zeka tahmininin yaklaşık olduğunu kabul edin ve tam sayı yerine büyüklüğü doğru almak üzerine odaklanın. Bir restoran yemeğinde %20 içinde olmak, hiç kaydetmemekten iyidir.

Nutrola'nın Sınırlamalara Yaklaşımı

Nutrola, yukarıda listelenen tüm sınırlamaları çözme iddiasında değildir. Dürüst bir takipçi bunu yapamaz. Nutrola'nın sunduğu, yapay zeka sınırlarına ulaştığında en fazla yedekleme seçeneğidir.

Yemeği fotoğraflayamadınız mı? Sesli kaydedin. Yapay zeka yiyeceği yanlış tanımladı mı? Doğru girişi doğrulanmış veritabanından seçin. Kameranın göremediği gizli bileşenler mi var? Bunları sesli veya arama ile ayrı ayrı ekleyin. Paketlenmiş gıda mı? Kesin veriler için barkod tarayın. Düzenli bir yemek mi yiyorsunuz? Daha önce doğrulanmış bir girişi tekrar edin.

Yapay zeka, bir sistemdeki tek bir araçtır, sistemin kendisi değildir. Yapay zeka çalıştığında — basit, görünür, iyi aydınlatılmış yemekler — hızlı ve pratik bir kayıt sağlar. Yapay zeka başarısız olduğunda — soslu yemekler, gizli katmanlar, içecekler, yerel yiyecekler — veritabanı, ses ve barkod, yalnızca fotoğrafla çalışan uygulamaların sahip olmadığı doğru verilere ulaşma yolları sunar.

Bu, €2.50/ay karşılığında, ücretsiz deneme süresi ile birlikte, reklamsız, 100'den fazla besin, 1.8 milyon veya daha fazla doğrulanmış kayıt ve 15 dilde iOS, Android, Apple Watch ve Wear OS desteği ile mevcuttur. Yapay zekanın sınırlamaları olmadığı için değil, dürüst tasarımın sınırlamalar etrafında inşa edilmesi gerektiği için.

En iyi yapay zeka kalori takipçisi, en az sınırlamaya sahip olan değil, o sınırlamalara ulaşıldığında en iyi yedekleme seçeneklerine sahip olanıdır.