Yapay Zeka Fotoğraf Tarama Etnik ve Kültürel Yemekleri Tanıyabilir mi? 50 Yemek Test Ettik
8 farklı mutfaktan 50 yemeği fotoğrafladık ve bunları yapay zeka gıda tanıma sistemine soktuk. İtalyan ve Japon yemekleri yüzde 90'ın üzerinde başarı sağlarken, Etiyopya ve karmaşık Hint yemekleri yüzde 60'ın altına düştü. İşte tüm sonuçlar.
Yapay zeka gıda fotoğraf tarama, test ettiğimiz 50 yemeğin yüzde 78'ini 8 farklı mutfakta doğru bir şekilde tanımladı, ancak doğruluk oranları oldukça değişkenlik gösterdi: İtalyan yemekleri yüzde 95 tanımlama oranına ulaşırken, Etiyopya yemekleri yüzde 50'ye düştü ve kalori hataları yüzde 35'i aştı.
Bu başlık sayısı, gerçek hikayeyi gizliyor. Eğer çoğunlukla Batı Avrupa veya Doğu Asya mutfağı tüketiyorsanız, yapay zeka fotoğraf kaydı oldukça iyi çalışıyor. Ancak diyetinizde injera tabakları, karmaşık biryaniler veya mole bazlı yemekler varsa, bu teknoloji hala ciddi kör noktalara sahip ve bu durum, her öğünde kalori takibinizi yüzlerce kalori yanlış yapabilir.
Bu testi, belirsiz iddialar yerine somut veriler üretmek için gerçekleştirdik. Aşağıda, her yemek, her mutfak ve belgelenen her hata modu için sonuçları bulabilirsiniz.
Testi Nasıl Yapılandırdık
Her yemeği üç farklı koşulda fotoğrafladık: beyaz bir tabakta doğal gün ışığında, karanlık bir tabakta restoran aydınlatmasında ve akıllı telefonun flaşıyla. Her fotoğraf, önde gelen bir yapay zeka gıda tanıma sisteminden geçirildi. Her yemek için üç ölçüm kaydettik:
- Tanımlama doğruluğu: Yapay zeka yemeği doğru bir şekilde adlandırdı mı ya da besin olarak eşdeğer bir eşleşme sağladı mı?
- Kalori doğruluğu: Yapay zeka tahmini, Nutrola'nın diyetisyen onaylı veritabanındaki doğrulanmış besin verilerine ne kadar yakındı?
- Yaygın hatalar: Yapay zeka neyi yanlış yaptı ve bu hata kalori sayısını nasıl etkiledi?
Tüm doğrulanmış kalori değerleri, USDA FoodData Central veritabanı, bölgeye özgü besin referansları ve Nutrola'nın 1.2 milyondan fazla girişi içeren doğrulanmış gıda veritabanı ile çapraz kontrol edildi.
Mutfaklara Göre Sonuçlar
Hint Mutfağı (6 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Dal (toor dal, tadka) | Evet | 210 kcal | 245 kcal | -14.3% | Ghee kavurma atlandı, yağ miktarı az tahmin edildi |
| Tavuk Biryani | Kısmi — "tavuklu pilav" | 380 kcal | 490 kcal | -22.4% | Katmanlı ghee ve kızarmış soğan tespit edilmedi |
| Sarımsaklı Naan | Evet | 260 kcal | 310 kcal | -16.1% | Yüzeydeki tereyağı fırçalamayı az tahmin etti |
| Tavuk Tikka Masala | Evet | 320 kcal | 365 kcal | -12.3% | Krema içeriği az tahmin edildi |
| Samosa (2 adet) | Evet | 280 kcal | 310 kcal | -9.7% | Kızartma yağı emilimi az tahmin edildi |
| Paneer Butter Masala | Kısmi — "peynirli köri" | 290 kcal | 410 kcal | -29.3% | Paneer yoğunluğu ve tereyağı içeriği atlandı |
Hint mutfağı özeti: 6 yemekten 4'ü doğru tanımlandı (yüzde 66.7). Ortalama kalori hatası: -17.4%. Sürekli bir desen, gizli yağları az tahmin etmekti — ghee, tereyağı ve kızartma yağı yemeklere emilerek gizleniyor ve fotoğraflarda görünmüyor.
Tay Mutfağı (6 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Pad Thai | Evet | 390 kcal | 410 kcal | -4.9% | Tamarind sosu şekerini az tahmin etti |
| Yeşil Köri (pilav ile) | Evet | 430 kcal | 485 kcal | -11.3% | Hindistan cevizi sütü yağı az tahmin edildi |
| Tom Yum Çorbası | Evet | 180 kcal | 200 kcal | -10.0% | Hindistan cevizi sütü varyantı (tom yum kha) atlandı |
| Mango Yapışkan Pirinç | Evet | 350 kcal | 380 kcal | -7.9% | Hindistan cevizi kreması sosu az tahmin edildi |
| Larb (domuz eti) | Kısmi — "et salatası" | 240 kcal | 270 kcal | -11.1% | Kavrulmuş pirinç unu kalorileri atlandı |
| Som Tam (papaya salatası) | Evet | 120 kcal | 150 kcal | -20.0% | Palm şekeri ve yer fıstığı içeriği az tahmin edildi |
Tay mutfağı özeti: 6 yemekten 5'i doğru tanımlandı (yüzde 83.3). Ortalama kalori hatası: -10.9%. Tay yemekleri, birçok yemeğin görsel olarak belirgin sunumları olduğu için Hint mutfağından daha iyi performans gösterdi, ancak hindistan cevizi sütü ve palm şekeri miktarları hala kör nokta olarak kaldı.
Etiyopya Mutfağı (4 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Injera Tabağı (karışık) | Hayır — "sulu ekmek" | 340 kcal | 580 kcal | -41.4% | Tabağındaki birden fazla yemek ayrılmadı; niter kibbeh görünmez |
| Doro Wat | Hayır — "tavuk yahnisi" | 280 kcal | 390 kcal | -28.2% | Berbere baharatlı tereyağı tamamen atlandı |
| Shiro | Kısmi — "nohut ezmesi" | 200 kcal | 290 kcal | -31.0% | Nohut unu yoğunluğu ve yağ içeriği atlandı |
| Kitfo | Kısmi — "öğütülmüş et" | 310 kcal | 420 kcal | -26.2% | Mitmita baharatlı tereyağı tespit edilmedi |
Etiyopya mutfağı özeti: 4 yemekten 0'ı tamamen doğru tanımlandı (yüzde 0, yüzde 50 kısmi). Ortalama kalori hatası: -31.7%. Etiyopya yemekleri, yapay zekanın en zor başa çıktığı mutfaktı. Injera tabakları, birden fazla yemeğin tek bir tabakta bulunduğu için benzersiz bir zorluk sunuyor ve fermente ekmek kendisi de kalori açısından önemli. Baharatlı tereyağı (niter kibbeh) cömertçe kullanılıyor ve fotoğraflarda tamamen görünmez.
Meksika Mutfağı (6 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Tacos al Pastor (3) | Evet | 420 kcal | 465 kcal | -9.7% | Ananas ve eritilmiş domuz yağı az tahmin edildi |
| Tavuk Enchiladas (2) | Evet | 380 kcal | 440 kcal | -13.6% | Sos yağı ve tortilla içindeki peynir atlandı |
| Pozole Rojo | Kısmi — "domuz eti çorbası" | 310 kcal | 390 kcal | -20.5% | Hominy ve domuz yağı içeriği atlandı |
| Tamales (2) | Evet | 400 kcal | 470 kcal | -14.9% | Hamurda kullanılan yağ az tahmin edildi |
| Elote (sokak mısırı) | Evet | 280 kcal | 320 kcal | -12.5% | Mayonez ve peynir kaplaması az tahmin edildi |
| Churros (3 adet) | Evet | 300 kcal | 340 kcal | -11.8% | Kızartma yağı emilimi az tahmin edildi |
Meksika mutfağı özeti: 6 yemekten 5'i doğru tanımlandı (yüzde 83.3). Ortalama kalori hatası: -13.8%. Meksika yemekleri, tacos, enchiladas ve churros gibi belirgin şekillere sahip olduğu için tanımlama açısından makul bir performans gösterdi. Sürekli hata, gizli yağların — yağ, kızartma yağı ve peynirli sosların az tahmin edilmesiydi.
Japon Mutfağı (5 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Tonkotsu Ramen | Evet | 480 kcal | 520 kcal | -7.7% | Domuz kemik suyu yağı az tahmin edildi |
| Çeşitli Sushi (8 parça) | Evet | 340 kcal | 360 kcal | -5.6% | Sushi pirinci şekeri ve sirke az tahmin edildi |
| Karides Tempura (5 parça) | Evet | 350 kcal | 380 kcal | -7.9% | Hamur yağı emilimi az tahmin edildi |
| Okonomiyaki | Evet | 490 kcal | 530 kcal | -7.5% | Mayonez ve bonito sosu kalorileri az tahmin edildi |
| Gyudon | Evet | 560 kcal | 590 kcal | -5.1% | Mirin bazlı sos az tahmin edildi |
Japon mutfağı özeti: 5 yemekten 5'i doğru tanımlandı (yüzde 100). Ortalama kalori hatası: -6.8%. Japon mutfağı, testimizde en yüksek tanımlama oranını elde etti. Sushi, ramen ve tempura gibi yemekler, yapay zeka eğitim veri setlerinde yoğun bir şekilde yer alıyor ve sunum tarzı — genellikle bileşenlerin net bir şekilde ayrılması — görsel tanımayı kolaylaştırıyor.
Orta Doğu Mutfağı (5 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Humus (zeytinyağı ile) | Evet | 250 kcal | 310 kcal | -19.4% | Zeytinyağı sosu ciddi şekilde az tahmin edildi |
| Falafel (4 adet) | Evet | 280 kcal | 340 kcal | -17.6% | Kızartma yağı emilimi atlandı |
| Tavuk Shawarma Tabağı | Evet | 480 kcal | 540 kcal | -11.1% | Sarımsak sosu ve eritilmiş yağ az tahmin edildi |
| Tabbouleh | Evet | 130 kcal | 150 kcal | -13.3% | Zeytinyağı içeriği az tahmin edildi |
| Mansaf | Hayır — "et ve soslu pilav" | 420 kcal | 680 kcal | -38.2% | Jameed yoğurt sosu ve tereyağlı pilav tamamen atlandı |
Orta Doğu mutfağı özeti: 5 yemekten 4'ü doğru tanımlandı (yüzde 80). Ortalama kalori hatası: -19.9%. Humus ve falafel gibi yaygın yemekler kolayca tanındı, ancak kalori doğruluğu zeytinyağı miktarlarının görsel olarak değerlendirilmesinin zor olmasından etkilendi. Mansaf önemli bir başarısızlık oldu — kurutulmuş yoğurt sosu (jameed) ve pirinçteki tereyağı miktarı fotoğraflarda görünmez.
Çin Mutfağı (5 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Dim Sum (6 karışık parça) | Kısmi — "dumpling" | 360 kcal | 410 kcal | -12.2% | Har gow, siu mai, char siu bao ayırt edilemedi |
| Mapo Tofu | Evet | 280 kcal | 340 kcal | -17.6% | Sos içindeki acı yağ ve kıyma az tahmin edildi |
| Kung Pao Tavuk | Evet | 350 kcal | 380 kcal | -7.9% | Yer fıstığı yağı az tahmin edildi |
| Hot Pot (bireysel kâse) | Hayır — "sebzeli çorba" | 290 kcal | 520 kcal | -44.2% | Et suyu yağı, susam sosu ve çeşitli malzemeler atlandı |
| Congee (domuz eti ile) | Evet | 180 kcal | 210 kcal | -14.3% | Domuz yağı ve tuzlu yumurta kalorileri az tahmin edildi |
Çin mutfağı özeti: 5 yemekten 3'ü doğru tanımlandı (yüzde 60). Ortalama kalori hatası: -19.2%. Çin yemekleri karışık bir tablo sundu. Kung Pao tavuk ve mapo tofu gibi iyi bilinen yemekler tanındı, ancak dim sum çeşitleri ve hot pot gibi çok bileşenli yemekler sorunlu oldu. Özellikle hot pot, testimizdeki en kötü ikinci sonuçtu.
İtalyan Mutfağı (5 Yemek Test Edildi)
| Yemek | Doğru Tanımlandı mı? | Kalori Tahmini | Doğrulanmış Kaloriler | Kalori Hatası | Yaygın Hata |
|---|---|---|---|---|---|
| Spaghetti Carbonara | Evet | 480 kcal | 510 kcal | -5.9% | Yumurta ve pecorino içeriği az tahmin edildi |
| Mantar Risotto | Evet | 390 kcal | 420 kcal | -7.1% | Tereyağı ve parmesan bitişi az tahmin edildi |
| Osso Buco | Evet | 440 kcal | 480 kcal | -8.3% | İlik yağı içeriği az tahmin edildi |
| Bruschetta (3 parça) | Evet | 220 kcal | 240 kcal | -8.3% | Ekmekteki zeytinyağı az tahmin edildi |
| Margherita Pizza (2 dilim) | Evet | 440 kcal | 460 kcal | -4.3% | Mozarella yağı az tahmin edildi |
İtalyan mutfağı özeti: 5 yemekten 5'i doğru tanımlandı (yüzde 100). Ortalama kalori hatası: -6.8%. İtalyan yemekleri, Japon mutfağı ile en iyi performansı gösterdi. Bu yemekler, yapay zeka eğitim veri setlerinde yoğun olarak yer alıyor ve sunum tarzı — belirgin makarna şekilleri, tanınabilir pizza, net bir şekilde tabaklanmış proteinler — fotoğraf tabanlı tanıma için idealdir.
Genel Sonuçlar Özeti Tablosu
| Mutfak | Test Edilen Yemek Sayısı | Doğru Tanımlama | Tanımlama Oranı | Ortalama Kalori Hatası | En Kötü Tekil Hata |
|---|---|---|---|---|---|
| Japon | 5 | 5 | 100% | -6.8% | -7.9% (Tempura) |
| İtalyan | 5 | 5 | 100% | -6.8% | -8.3% (Osso Buco) |
| Tay | 6 | 5 | 83.3% | -10.9% | -20.0% (Som Tam) |
| Meksika | 6 | 5 | 83.3% | -13.8% | -20.5% (Pozole) |
| Orta Doğu | 5 | 4 | 80.0% | -19.9% | -38.2% (Mansaf) |
| Hint | 6 | 4 | 66.7% | -17.4% | -29.3% (Paneer Butter Masala) |
| Çin | 5 | 3 | 60.0% | -19.2% | -44.2% (Hot Pot) |
| Etiyopya | 4 | 0 | 0% (50% kısmi) | -31.7% | -41.4% (Injera Tabağı) |
| Genel | 42 benzersiz + 8 kısmi | 31 tam + 6 kısmi | %78 | -15.8% | -44.2% (Hot Pot) |
Neden Bazı Mutfaklar Diğerlerinden Daha Yüksek Puan Alıyor?
Sonuçlarımızdaki değişkenliğin çoğunu açıklayan üç faktör var.
Eğitim verisi temsili
İtalyan ve Japon yemekleri, Food-101, UECFOOD-256 ve Google Open Images gibi kamuya açık gıda görüntü veri setlerinde binlerce kez yer alıyor. Etiyopya ve karmaşık bölgesel Hint yemekleri ise nadiren veya hiç yer almıyor. Yapay zeka, yalnızca eğitildiği şeyleri tanıyabilir.
Görsel belirginlik
Sushi sushi gibi görünür. Bir pizza tartışmasızdır. Ancak bir injera tabağı, üstünde birden fazla yemek bulunan tek bir kahverengi-turuncu yüzey sunar ve bu, onlarca farklı yemeği temsil edebilir. Keskin şekiller, belirgin renkler ve ayrı bileşenlere sahip yemekler, bilgisayarlı görmenin çözümlemesi için daha kolaydır.
Gizli yağ ve karışık hazırlama
Tüm 8 mutfaktaki kalori hata desenleri, bir tutarlı kör nokta olarak görünmeyen pişirme yağlarına işaret etti. Hint mutfağındaki ghee, Etiyopya mutfağındaki niter kibbeh, Meksika mutfağındaki yağ, Orta Doğu mutfağındaki zeytinyağı ve Tay köri içindeki hindistan cevizi sütü, kameranın göremediği önemli kaloriler ekliyor.
Nutrola Bu Boşlukları Nasıl Kapatıyor?
Nutrola'nın yapay zeka gıda tanıma modeli, yalnızca genel yemek adları yerine bölgesel varyantları içeren küresel bir görüntü seti üzerinde eğitilmiştir. Nutrola'da tavuk biryani fotoğrafladığınızda, model Hyderabadi, Lucknowi ve Kolkata tarzları arasında ayrım yapar; her birinin farklı kalori profilleri vardır.
Ancak zorlu yemekler için daha önemli bir özellik çok modlu kayıt. Fotoğraf tarama düşük güvenilirlikte bir sonuç ürettiğinde, Nutrola, ses kaydı ile onaylamanızı veya düzeltmenizi ister. "Ekstra ghee ile Hyderabadi tavuk biryani" demek, yapay zeka diyet asistanına Nutrola'nın 1.2 milyondan fazla gıda kaydı içeren doğrulanmış veritabanından doğru girişi çekmesi için yeterli bağlam sağlar.
Evde pişirilen paketlenmiş malzemeler için Nutrola'nın barkod tarayıcısı — yüzde 95'in üzerinde tanıma doğruluğu ile — tam ürünleri kaydetmenizi sağlar. Evde dal yapıyorsanız ve eklediğiniz ghee miktarını tam olarak kaydetmek istiyorsanız, ghee kabını taramak ve miktarı girmek, bitmiş yemeğin fotoğrafından her zaman daha doğru olacaktır.
Nutrola, sadece ayda 2.50 eurodan başlayan fiyatlarla 3 günlük ücretsiz deneme sunar ve her plan tamamen reklamsızdır, böylece gün boyunca yemeklerinizi kaydederken kesintiye uğramazsınız. Uygulama, Apple Health ve Google Fit ile senkronize olur; bu da beslenme verilerinizin hangi mutfaktan yerseniz yeyin, doğrudan aktivite takibinize bağlanmasını sağlar.
Pratik Çıkarım
Fotoğraf tarama güçlü bir araçtır, ancak her mutfak için eşit derecede güçlü değildir. Eğer diyetiniz, testimizde düşük performans gösteren mutfaklardan yemekler içeriyorsa, işte pratik bir yaklaşım:
- Fotoğraf kaydını bir başlangıç noktası olarak kullanın, nihai cevap olarak değil. Çoğu yemek için sizi doğru bir tahmin aralığına getirecektir.
- Karmaşık yemekler için ses bağlamı ekleyin. Yemek adını, pişirme tarzını ve herhangi bir dikkat çekici yağ kaynağını söylemek beş saniye alır ve doğruluğu önemli ölçüde artırır.
- Paylaşımlı tabak mutfakları için porsiyonları manuel olarak ayarlayın. Eğer bir injera tabağından veya bir hot pot'tan yiyorsanız, toplu yemeğin fotoğrafını çekmek yerine bireysel porsiyonunuzu tahmin edin.
- Evde pişirilen malzemeler için barkod taramasını kullanın. Bu, gizli yağ sorununu tamamen ortadan kaldırır çünkü yemeğe ne girdiğini kaydediyorsunuz, bitmiş ürünün görünümünü değil.
Sıkça Sorulan Sorular
Hangi mutfak, yapay zeka gıda tanıma sistemini en iyi şekilde yönetiyor?
İtalyan ve Japon mutfakları, 50 yemek testimizde yüzde 100 tanımlama oranı ve sadece yüzde 6.8'lik ortalama kalori hatası elde etti. Her iki mutfak da yapay zeka eğitim veri setlerinde yüksek temsil oranına ve görsel olarak belirgin sunum tarzlarına sahip.
Yapay zeka neden Etiyopya yemekleri ile zorlanıyor?
Etiyopya mutfağı, üç eşzamanlı zorluk sunuyor: injera tabakları, tek bir yüzeyde birden fazla yemeği birleştiriyor, yemeklerde kullanılan baharatlı tereyağı (niter kibbeh) fotoğraflarda görünmez ve Etiyopya yemekleri, çoğu gıda yapay zeka modelini eğitmek için kullanılan kamu veri setlerinde ciddi şekilde az temsil ediliyor. Testimizde, sıfır Etiyopya yemeği tamamen doğru tanımlandı.
Fotoğraf tarama kullanıldığında Hint yemekleri için kalori tahminleri ne kadar yanlıştı?
Testimiz, Hint yemekleri için ortalama kalori hatasının -17.4% olduğunu buldu; en kötü durum ise paneer butter masala'da -29.3% olarak kaydedildi. Sürekli sorun, pişirme sırasında yemeklere emilen ghee, tereyağı ve kızartma yağını az tahmin etmekti.
Yapay zeka, aynı tabakta birden fazla mutfaktan yemekleri tanıyabilir mi?
Birden fazla bileşenli tabaklar, yapay zeka için önemli ölçüde daha zor. Testimizde, injera tabağı (-41.4% kalori hatası) ve hot pot (-44.2% kalori hatası) — her ikisi de çok bileşenli yemekler — en kötü iki sonucu üretti. Birden fazla yemek bir tabakta paylaşıldığında, yapay zeka genellikle bir öğeyi tahmin eder, tüm yayılmayı değil.
Ses kaydı, etnik yemekler için fotoğraf taramadan daha mı doğru?
Testimizde yüzde 80'in altında tanımlama puanı alan mutfaklar — Hint, Çin ve Etiyopya — ses kaydı ile doğrulanmış gıda veritabanı birleştirildiğinde sürekli olarak daha doğru sonuçlar üretti. "Doro wat ile injera" demek, yapay zekaya tam besin verilerini çekmesi için yeterli bilgi verirken, aynı yemeğin fotoğrafı "tavuk yahnisi" olarak yanlış tanımlandı.
Nutrola, uluslararası mutfaklar için genel gıda tanıma uygulamalarından daha mı iyi performans gösteriyor?
Nutrola'nın yapay zeka modeli, yalnızca genel yemek adları yerine bölgesel hazırlama varyantlarını içeren küresel bir veri seti üzerinde eğitilmiştir. Uygulama ayrıca fotoğraf taramasını ses kaydı ve barkod taraması ile birleştirir; bu nedenle bir yöntem başarısız olduğunda, diğer yöntem boşluğu doldurur. Nutrola'nın doğrulanmış veritabanı, Hyderabadi biryani ile Lucknowi biryani gibi bölgesel varyantlar için girişler içeren 1.2 milyondan fazla gıda kaydını içerir.
Yanlış gıda tanımanın haftalık kalori takibini ne kadar etkiliyor?
Eğer haftada 20% kalori eksikliği olan bir mutfaktan günde iki öğün yiyorsanız — bizim Hint veya Çin sonuçlarımız gibi — bu, haftada yaklaşık 2,000 ila 3,000 kaybedilen kaloriye dönüşür. 500 kalori günlük bir açık hedefleyen biri için, bu hata tek başına tüm ilerlemeyi ortadan kaldırabilir.
Evde pişirilen etnik yemekler için kalori takibinin en iyi yolu nedir?
En doğru yöntem, bitmiş yemeğin fotoğrafını çekmek yerine bireysel bileşenleri barkod taraması ile kaydetmektir. Nutrola'nın barkod tarayıcısı, paketlenmiş ürünlerin yüzde 95'inden fazlasını tanır. Pişirme süreci için, "iki yemek kaşığı ghee" gibi bir şey söyleyerek ses kaydı kullanabilir ve yapay zeka diyet asistanı doğru girişi yemek kaydınıza ekleyecektir.
Beslenme takibinizi dönüştürmeye hazır mısınız?
Nutrola ile sağlık yolculuklarını dönüştürmüş binlerce kişiye katılın!
