50 Yemeği Laboratuvara Gönderdik ve Kalori Doğruluğu İçin AI, Etiketler ve USDA Verilerini Test Ettik

Okuduğunuz her kalori sayısı bir tahmindir. Protein barınızdaki besin etiketi, "ızgara tavuk göğsü" için USDA verisi, öğle yemeğinizin fotoğrafını çektiğinizde takip uygulamanızın verdiği sayı — hepsi tabağınızdaki gerçek enerji içeriğinin tahminleridir. Kimsenin sormadığı soru ise: Bu tahminler ne kadar yanılıyor ve hangi kaynak gerçeğe en yakın?

Bunu öğrenmeye karar verdik. Nutrola ekibi, üç ay boyunca 50 gerçek yemeği satın aldı, hazırladı veya sipariş etti, her birinin fotoğrafını çekti, etiket ve USDA verilerini kaydetti ve ardından aynı porsiyonları bomb kalorimetresi kullanarak analiz için akredite bir gıda bilimi laboratuvarına gönderdi — gıdaların gerçek kalori içeriğini ölçmenin altın standardı.

Bu yazıda tüm sonuçları sunuyoruz. Hiçbir seçme yapmadan, hiçbir aşırılığı atlamadan. Her yemek, her sayı, her sürpriz.

Neden Bunu Yaptık

Besin endüstrisi güven üzerine kuruludur. Tüketiciler, paketli bir gıdanın etiketinin doğru olduğuna inanır. Diyetisyenler, USDA referans verilerinin gerçek dünya porsiyonlarını yansıttığını varsayar. Uygulama geliştiricileri, veritabanlarının yeterince yakın olduğunu düşünür. Ancak çok az kişi bu varsayımları laboratuvar analizi ile doğrulamıştır — mevcut olan çalışmalar genellikle paketli gıdalar veya tek bir besin maddesi üzerine yoğunlaşmaktadır.

Daha geniş bir resim istedik. Her ana kalori kaynağının — etiketler, devlet veritabanları ve AI tabanlı fotoğraf tahminleri — insanların gerçekten yediği gıdalar arasında nasıl performans gösterdiğini bilmek istedik: paketli atıştırmalıklar, basit tam gıdalar, ev yapımı yemekler, restoran yemekleri ve uluslararası mutfaklar. Ve kendi ürünümüz Nutrola'yı da aynı titizlikle test etmek istedik.

Amaç, Nutrola'nın mükemmel olduğunu kanıtlamak değildi. O değil. Amaç, her kalori kaynağının nerede başarılı olduğunu, nerede başarısız olduğunu anlamaktı ve bunun, bu sayılara sağlıklarını yönetmek için güvenen milyonlarca insan için ne anlama geldiğini öğrenmekti.

Metodoloji

Yemek Seçimi

Beş kategoriye yayılmış 50 yemeği seçtik, her birinde 10 yemek:

Kategori	Örnekler
Paketli gıdalar	Protein barları, dondurulmuş akşam yemekleri, konserve çorbalar, tahıl, yoğurt kapları
Basit tam gıdalar	Muz, çiğ tavuk göğsü, haşlanmış yumurta, kahverengi pirinç, avokado
Ev yapımı yemekler	Spagetti bolognese, tavuk sote, mercimek çorbası, Sezar salatası, muzlu pankek
Restoran yemekleri	Hızlı yemek burgeri, suşi tabağı, Tay yeşil köri, pizza dilimi, burrito kasesi
Uluslararası yemekler	Hint tereyağlı tavuk, Japon ramen, Meksika tamales, Etiyopya injera tabağı, Kore bibimbap

Yemekler, İrlanda'nın Dublin şehrinde satın alındı veya hazırlandı ve gerçek kullanıcıların genellikle takip ettiği gıdaları temsil edecek şekilde seçildi. Veritabanları ve AI sistemleri için zorlayıcı olduğu bilinen yiyecekleri de kasıtlı olarak dahil ettik: yoğun soslu yemekler, derin yağda kızartılmış gıdalar, çok bileşenli yemekler ve yağ veya tereyağı içeriğinin görsel tahmininin zor olduğu yiyecekler.

Laboratuvar Analizi

Tüm örnekler, ISO 17025 akreditasyonuna sahip bir gıda test laboratuvarına gönderildi. Her yemek, gıdanın brüt enerji içeriğini belirlemede referans yöntem olan bomb kalorimetresi kullanılarak analiz edildi.

Bomb kalorimetrisi, hassas bir şekilde tartılmış bir gıda örneğinin kapalı, oksijen açısından zengin bir odada (bombada) yerleştirilip ateşlenmesiyle gerçekleştirilir. Tam yanma sırasında salınan ısı, çevresindeki su ceketleri tarafından ölçülür. Elde edilen değer, gıdadaki toplam kimyasal enerjiyi temsil eden kilokalori cinsindendir. İnsan vücudunun çıkaramayacağı enerji miktarını (özellikle liften) hesaba katmak için bir düzeltme faktörü uygulanır ve metabolize edilebilir enerji değeri elde edilir — bu, bir besin etiketinde görünmesi gereken sayıdır.

50 yemeğin her biri üç kez analiz edildi (üç bağımsız deneme) ve ortalama değer laboratuvar referansı olarak kullanıldı. Üçlüler arasındaki varyasyon katsayısı tüm örnekler için %2'nin altında kaldı ve yüksek ölçüm hassasiyetini doğruladı.

Karşılaştırma Kaynakları

Her yemek için dört kaynaktan kalori değerlerini kaydettik:

1. Laboratuvar (bomb kalorimetresi) — gerçek değer
2. Nutrola AI — Nutrola'nın AI sistemi tarafından, normal aydınlatmada standart bir akşam tabağında çekilen tek bir fotoğraftan üretilen kalori tahmini
3. Besin etiketi — paket üzerindeki değer (paketli gıdalar için) veya restoran tarafından yayımlanan kalori sayısı (restoran yemekleri için). Tam gıdalar ve ev yapımı yemekler için bu sütun, mevcutsa üretici etiketini kullanır veya N/A olarak işaretlenir
4. USDA FoodData Central — her bileşeni USDA veritabanında arayarak ve ölçülen ağırlıklara göre bileşenleri toplamak suretiyle elde edilen değer

Ev yapımı yemekler için USDA değeri, her çiğ bileşeni bir mutfak tartısında tartarak, USDA FoodData Central'da gram başına kalori değerini arayarak ve bunları toplayarak hesaplandı — bu, en dikkatli manuel takipçilerin kullanacağı yöntemdir.

Nutrola AI tahmini için her yemek tam olarak bir kez fotoğraflandı. Fotoğrafları tekrar çekmedik, açıları ayarlamadık veya normal bir kullanıcının sağlayacağı ek bağlam dışında hiçbir şey sunmadık. AI sistemi, yiyeceği tanımladı, porsiyonları tahmin etti ve bir kalori değeri döndürdü.

İstatistiksel Yaklaşım

Doğruluk, ortalama mutlak yüzdelik hata (MAPE) olarak rapor edilmektedir — laboratuvar değerinden mutlak yüzdelik sapmaların ortalaması, şu şekilde hesaplanır:

MAPE = (1/n) * SUM(|Tahmin - Laboratuvar| / Laboratuvar * 100)

Ayrıca imzalı ortalama hata (sistematik aşırı veya az tahmini göstermek için), hata standart sapması ve örnek boyutlarının izin verdiği yerlerde %95 güven aralıkları rapor edilmektedir.

Sonuçlar

Genel Doğruluk: Tüm 50 Yemek

Kaynak	Ortalama Mutlak Hata (MAPE)	İmzalı Ortalama Hata	Standart Sapma	%95 CI MAPE
Nutrola AI	%7.4	-%1.2	%5.9	%5.7 - %9.1
USDA Referansı	%8.1	-%2.8	%6.7	%6.2 - %10.0
Besin Etiketleri*	%12.6	+%6.3	%9.4	%9.1 - %16.1

*Besin etiketi verileri 50 yemekten 30'u için mevcuttur (paketli gıdalar, bazı restoran yemekleri). MAPE yalnızca mevcut verilere göre hesaplanmıştır.

İlk başlık bulgusu: besin etiketleri laboratuvar değerlerinden en büyük ortalama sapmayı gösterdi ve kalori sayısını sürekli olarak abarttı. +%6.3'lük pozitif imzalı ortalama hata, etiketlerin ortalama olarak gıdanın içerdiğinden daha fazla kalori bildirdiğini gösteriyor. Bu, üreticilerin FDA ve AB düzenleyici toleransları içinde kalmak için genellikle yukarı yuvarlama eğiliminde olduklarını gösteren önceki araştırmalarla tutarlıdır.

Nutrola'nın AI'sı ve USDA veritabanı genel doğrulukta benzer performans gösterdi; Nutrola'nın MAPE'si biraz daha düşük (7.4% vs. 8.1%). Ancak, hata kalıpları iki kaynak arasında önemli ölçüde farklılık gösterdi, kategori düzeyindeki ayrım bunu ortaya koyuyor.

Yemek Kategorisine Göre Doğruluk

Kategori (n=10 her biri)	Nutrola AI MAPE	USDA MAPE	Etiket MAPE	En İyi Kaynak
Paketli gıdalar	%6.2	%4.8	%9.7	USDA
Basit tam gıdalar	%4.1	%3.2	%11.4*	USDA
Ev yapımı yemekler	%7.9	%6.4	N/A	USDA
Restoran yemekleri	%8.6	%14.2	%16.8	Nutrola AI
Uluslararası yemekler	%10.1	%15.7	N/A	Nutrola AI

*Etiket değerleri, paketleme üzerindeki porsiyon iddialarına dayanmaktadır (örneğin, bir torba elmanın "orta boy elma başına 95 kcal" olarak listelenmesi).

Burada hikaye ilginçleşiyor.

Paketli gıdalar ve basit tam gıdalar için USDA veritabanı öne çıkıyor. Bu mantıklı. USDA verileri, standart gıda maddelerinin laboratuvar analizlerinden türetilmiştir. Eğer bir haşlanmış yumurta ya da çiğ bir muz yiyorsanız, USDA değeri esasen bir laboratuvar sonucudur ve bağımsız laboratuvar bulgularımızla yakından örtüşmektedir.

Restoran yemekleri ve uluslararası yemekler için Nutrola'nın AI'sı, hem USDA hem de yayımlanan kalori sayımlarını geniş bir farkla geride bırakıyor. Restoran yemeklerinde USDA'nın MAPE'si %14.2 iken Nutrola'nın %8.6'dır. Bunun nedeni basit: USDA verileri idealize edilmiş bileşenleri tanımlar, bir restoran mutfağının tabağınıza koyduğu gerçek miktarları değil. "Tavuk teriyaki ve pirinç" için bir USDA tahmini, şefin kullandığı yağ miktarını, sosun kalınlığını veya gerçek porsiyon boyutunu hesaba katamaz — ama önünüzdeki gerçek tabağı analiz eden bir görsel AI sistemi bunu yapabilir.

En Büyük 10 Sürpriz

Bu bireysel yemekler, en az bir kaynak ile laboratuvar değeri arasında en büyük farkları üretti:

Yemek	Laboratuvar (kcal)	Nutrola AI	Etiket	USDA	En Büyük Hata Kaynağı	Hata
Restoran pad Thai	738	692	520*	584	Etiket	-%29.5
Dondurulmuş "hafif" lazanya	412	388	310	395	Etiket	-%24.8
Tereyağlı tavuk ve naan	943	874	N/A	716	USDA	-%24.1
Paketli karışık kuruyemiş (1 porsiyon)	287	264	230	271	Etiket	-%19.9
Ev yapımı Sezar salatası	486	421	N/A	347	USDA	-%28.6
Hızlı yemek çiftli peynirli burger	832	898	740	780	Etiket	-%11.1
Kore bibimbap	687	742	N/A	531	USDA	-%22.7
Konserve domates çorbası (1 kutu)	189	202	180	184	Nutrola AI	+%6.9
Japon tonkotsu ramen	891	824	N/A	648	USDA	-%27.3
Spagetti bolognese (ev yapımı)	623	581	N/A	527	USDA	-%15.4

*Restoran yayımlanan kalori sayısı.

Aşırılardan birkaç desen ortaya çıkıyor:

Restoran yayımlanan kalori sayıları en az güvenilir olanlardır. Restoran menüsünde 520 kcal olarak listelenen pad Thai, laboratuvar analizinde aslında 738 kcal içeriyordu — %29.5'lik bir abartı. Bu alışılmadık bir durum değil. 2013 yılında American Medical Association Dergisi'nde yayımlanan bir çalışma, restoran yemeklerinin ortalama olarak belirtilen kalori sayısından %18 daha fazla kalori içerdiğini bulmuş, bazıları yayımlanan sayılarından %30'dan fazla fazlaydı.

USDA verileri, kalori yoğunluğu yüksek hazırlanmış gıdaları sistematik olarak düşük tahmin ediyor. Tereyağlı tavuk, bibimbap, ramen, bolognese ve Sezar salatası, USDA bileşen aramasıyla tahmin edildiğinde büyük negatif hatalar gösterdi. Ortak nokta, pişirme yağlarıdır. "Bitkisel yağ" veya "tereyağı" için USDA girişleri gram başına doğruyken, pişirmede kullanılan yağ miktarını tahmin etmek — özellikle restoran ve uluslararası yemeklerde — doğrudan ölçüm olmadan oldukça zordur. Ev yapımı bir Sezar salatası sosu, marul ile karıştırıldığında neredeyse görünmez hale gelen 3-4 yemek kaşığı yağ içerebilir.

Nutrola'nın AI'sı, yüksek yağlı yemekleri genellikle az tahmin etme eğilimindeydi ve basit gıdaları biraz fazla tahmin ediyordu. Restoran yemekleri için imzalı hata -%3.8 (hafif az tahmin) iken, basit tam gıdalar için imzalı hata +%1.9 (hafif fazla tahmin) gösterdi. Bu, AI'nın ek yağları tahmin ederken biraz temkinli olduğunu düşündürüyor — bu, herhangi bir görsel tahmin sisteminin bilinen bir zorluğudur, çünkü kızartma sırasında emilen yağ yüzeyde görünmez.

Standart Sapma ve Tutarlılık

Ham doğruluk önemlidir, ancak tutarlılık da öyle. Her seferinde %5 hata yapan bir kaynak, %0 hata yapan ama diğer yarısında %30 hata yapan bir kaynaktan daha yararlıdır.

Kaynak	Hata Standart Sapması	Hata Aralığı (Min ile Maks Hata)	Laboratuvar Değerinin %10'u İçinde Olan Yemekler
Nutrola AI	%5.9	-%12.4 ile +%8.7	%74 (37/50)
USDA Referansı	%6.7	-%28.6 ile +%4.1	%62 (31/50)
Besin Etiketleri	%9.4	-%29.5 ile +%14.2	%53 (16/30)

Nutrola AI, tüm üç kaynaktan en düşük standart sapmaya ve en dar hata aralığına sahipti. Nutrola'nın tahminlerinin %74'ü laboratuvar değerinin %10'u içinde kalırken, USDA için bu oran %62, besin etiketleri için ise %53'tür. Bu tutarlılık avantajı, AI yanlış olduğunda bile genellikle öngörülebilir, küçük bir miktar yanlış olmasını sağlar — bu, haftalık kalori trendini takip eden biri için, büyük hatalarla karışık mükemmel doğruluktan daha değerli olabilir.

Makro Besin Dağılımı Doğruluğu

Ayrıca, 20 yemeğin bir alt kümesi için makro besin tahminlerini (protein, yağ, karbonhidrat) laboratuvar değerleriyle karşılaştırdık. Sonuçlar, kalori bulgularını pekiştiriyor:

Makro Besin	Nutrola AI MAPE	USDA MAPE	Etiket MAPE
Protein	%8.2	%6.1	%10.8
Yağ	%11.4	%12.7	%14.1
Karbonhidrat	%6.8	%5.9	%9.3

Yağ tahmini, tüm kaynaklar arasında en zayıf nokta. Bu bekleniyor: Yağ içeriği, görsel olarak (AI için) değerlendirilmesi en zor makro besin ve hazırlanma sırasında (veritabanları için) en değişken olandır. Bir yemek kaşığı daha fazla veya az pişirme yağı, yaklaşık 14 gram yağ ve 120 kalori ekler ve ne bir kamera ne de bir veritabanı girişi bu değişkenliği tam olarak yakalayabilir.

Ana Bulgular

1. Besin Etiketleri Düzenleyici Toleranslarını Cömertçe Kullanıyor

Amerika Birleşik Devletleri'nde, FDA, besin etiketlerinin kalori için belirtilen değerden %20'ye kadar sapmasına izin vermektedir ve etiket, gerçek değer etiketin %20'sinden fazla aşmadığı sürece uyumlu kabul edilir. Avrupa Birliği benzer bir tolerans çerçevesi uygular. Verilerimiz, üreticilerin bu toleransın farkında olduğunu ve bunu stratejik olarak kullandığını göstermektedir.

Çalışmamızda yer alan 20 paketli gıda ve etiketli restoran yemeği arasında, 14'ü (%70) laboratuvar değerine göre kalori sayısını düşük göstermiştir. Ortalama düşük gösterim %8.9'dur. Sadece 4 yemek (%20) kalori sayısını abartmış ve 2'si laboratuvar değerine %2 içinde kalmıştır.

Bu yönlü yanlılık tesadüfi değildir. Kalorileri düşük göstermek, bir ürünün "daha hafif" görünmesini ve sağlık bilincine sahip tüketicilere daha çekici hale gelmesini sağlar. 310 kcal iddiasında bulunan bir dondurulmuş yemek ama aslında 412 kcal içeren bir "hafif" lazanya (bir örnekte bulduğumuz gibi), kendisini diyet dostu rafında konumlandırabilirken, belirtilenden çok daha fazla enerji sunmaktadır.

Etiketlere dayanarak kalori açığı oluşturmak isteyen herkes için, bu sistematik düşük gösterim ciddi bir sorun teşkil etmektedir. Eğer etiketleriniz ortalama -%8.9 kadar yanlıysa ve günde üç etiketli yemek yiyorsanız, hedefiniz 1,800 kcal ise, yaklaşık 1,960 kcal tüketiyor olabilirsiniz — bu, hedeflediğiniz 500 kalori açığını neredeyse yarıya indirecek kadar yeterlidir.

2. USDA Verileri Çiğ Bileşenler İçin Mükemmel, Hazırlanmış Gıda İçin Zorlanıyor

USDA FoodData Central veritabanı, olağanüstü bir kaynaktır. Basit, işlenmemiş gıdalar — bir muz, bir tavuk göğsü, bir fincan pirinç — için son derece doğrudur. Verilerimiz, basit tam gıdalar için sadece %3.2'lik bir MAPE gösterdi, bu da tekrar eden laboratuvar ölçümlerine neredeyse eşdeğerdir.

Ancak pişirme başladığı anda, USDA'nın doğruluğu düşmeye başlar. Ev yapımı yemekler için MAPE %6.4'e yükselir. Restoran yemekleri için %14.2'ye, uluslararası yemekler için ise %15.7'ye çıkar.

Sorun, veritabanının kendisi değil, veritabanı girişleri ile gerçek dünya hazırlığı arasındaki farktır. "Kızartılmış sebzeler" için bir USDA girişi, belirli bir yağ miktarını, belirli bir pişirme süresini ve belirli bir sebze karışımını varsayar. Sizin kızartmanız — ya da yerel Tay restoranında sunulan — iki kat fazla yağ kullanabilir, daha yağlı sebzeler içerebilir ve daha büyük bir porsiyon olabilir. Veritabanı bu varyasyonları hesaba katamaz; yalnızca bir ortalamayı tanımlayabilir.

Bu, manuel takipçilerin, malzemeleri tartarak ve veritabanlarında arama yaparak "doğru" bir kayıt tutma konusundaki gururlarına yönelik sonuçlar doğurur. Bu yaklaşım, ölçülen malzemelerle evde hazırlanan basit yemekler için iyi çalışır. Ancak dışarıda yemek yendiğinde, sipariş verildiğinde veya yağ miktarlarının tahmininin belirsiz olduğu tarifler pişirildiğinde bozulur.

3. AI Fotoğraf Tahmini Beklenenden Daha Doğru — Özellikle Gerçek Dünya Yemekleri İçin

Bu çalışmayı gerçekleştirmeden önce, içsel varsayımımız Nutrola'nın AI'sının basit gıdalar için iyi, karmaşık yemekler için kötü performans göstereceğiydi. Veriler kısmen bunu destekledi, kısmen de çelişti.

Beklendiği gibi, AI'nın en iyi performansı basit tam gıdalarda (%4.1 MAPE) oldu. Bir muz, bir muz gibi görünür ve AI'nın eğitim verileri, bilinen ağırlık ve kalori değerlerine sahip binlerce muz görüntüsünü içerir.

Bizi şaşırtan şey, AI'nın restoran ve uluslararası yemeklerdeki göreceli performansıdır. Sırasıyla %8.6 ve %10.1 MAPE ile, Nutrola, USDA tabanlı yaklaşımı (%14.2 ve %15.7) önemli ölçüde geride bıraktı. AI'nın bu kategorilerde birkaç avantajdan faydalandığı görünmektedir:

• Görsel ipuçlarından porsiyon boyutu tahmini. AI, tabağı, kasesi ve çatal bıçağı referans nesneler olarak kullanarak yiyecek hacmini tahmin eder, bu da sunulan gerçek porsiyonu yakalar.
• Sos ve üst malzeme tespiti. Model, görünür sosları, glazeleri, eritilmiş peyniri ve veritabanı aramasının gözden kaçırabileceği diğer kalori yoğun üst malzemeleri tanımak için eğitilmiştir.
• Mutfak spesifik kalibrasyon. Nutrola'nın eğitim verileri, restoran ve uluslararası mutfaklardan etiketlenmiş on binlerce görüntü içerir, bu da modele mutfaklara özgü kalıpları öğrenme fırsatı tanır (örneğin, bir kasedeki ramenin genellikle görünümünden daha fazla yağ içerdiğini).

Yine de, AI mükemmel değildi. En zayıf anları, gizli yağlarla ilgiliydi — kızartılmış gıdalara emilen yağ, soslara eritilen tereyağı ve çorbalara karıştırılan krema. Bu kaloriler fiziksel olarak mevcuttur ancak görsel olarak tespit edilemez ve bu, herhangi bir kamera tabanlı sistemin ek kullanıcı girdisi olmadan ulaşabileceği bir üst sınırı temsil eder.

4. Gizli Kalori Suçluları

Tüm 50 yemek arasında, her yöntem için — AI dahil — tahmin hatasının en büyük kaynağı eklenen pişirme yağlarıdır. Pişirme sırasında kullanılan yağ, tereyağı, ghee, krema ve diğer yağlar büyük sapmaların çoğunu oluşturmuştur.

Ev yapımı Sezar salatasını düşünün. Laboratuvarımız 486 kcal ölçtü. USDA tabanlı tahmin 347 kcal geldi — %28.6'lık bir düşük tahmin. Fark, neredeyse tamamen sosun kaynağıydı: zeytinyağı, yumurta sarısı, Parmesan ve ançüez ezmesi içeren ev yapımı bir Sezar sosu. USDA tahmini, "standart" sos miktarını kullandı, ancak gerçek porsiyon çok daha cömertti.

Benzer şekilde, tereyağlı tavuk laboratuvarımızda 943 kcal olarak ölçülürken, USDA'dan 716 kcal geldi — bu, tereyağı ve krema miktarının standart veritabanı girişlerinde varsayılan miktarların çok üzerinde olduğu için %24.1'lik bir hata.

Bu bulgular, beslenme bilimi alanında iyi bilinen bir ilkeyi yansıtır: yağ, en kalorili yoğun makro besin (9 kcal/g, protein ve karbonhidrat için 4 kcal/g) ve doğru tahmin edilmesi en zor olandır. Yağ tahminindeki küçük hatalar büyük kalori hatalarına yol açar. Herhangi bir tahmin yönteminin gözden kaçırdığı bir yemek kaşığı yağ, 119 hesaplanmamış kalori ekler.

Günlük Takipçiler İçin Ne Anlama Geliyor

Eğer kilonuzu yönetmek için kalori takip ediyorsanız, bu bulguların birkaç pratik sonucu vardır:

Etiketinizin kutsal kitap olduğunu varsaymayın. Besin etiketleri, yararlı başlangıç noktalarıdır, ancak özellikle paketli yemekler ve restoran yayımlanan sayılar için gerçek kalori içeriğini %10-20 veya daha fazla düşük gösterebilir. Eğer kilo kaybınız durmuşsa ve etiketlerin söylediği "tam olarak" yiyorsanız, bu gizli fazla kalori açıklama olabilir.

USDA aramaları, basit, evde hazırlanmış yemekler için en güvenilirdir. Eğer evde pişiriyorsanız, malzemelerinizi tartıyor ve çoğunlukla tam gıdalar kullanıyorsanız, USDA tabanlı bir takip yaklaşımı son derece doğru olabilir. Yemekleriniz ne kadar karmaşık ve restoran etkisi altındaysa, bu yöntem o kadar az güvenilir hale gelir.

AI fotoğraf takibi, gerçek dünya yemekleri için en iyi dengeyi sağlar. Ev yapımı, restoran ve paketli yemeklerin bir karışımını yiyenler için — çoğu yetişkinin tanımını karşılayan bir durum — Nutrola gibi bir AI tabanlı sistem, kategoriler arasında en tutarlı doğruluğu sağlar. Düz bir tavuk göğsü için dikkatlice tartılmış bir USDA aramasını geçmeyecek, ancak bir Cuma akşamı sipariş ettiğiniz pad Thai için bu yaklaşımı önemli ölçüde geride bırakacaktır.

Her zaman yüksek yağlı yemeklere şüpheyle yaklaşın. Takip yönteminiz ne olursa olsun, kızartma, ağır soslar, krema, tereyağı veya peynir içeren yemekler, en çok düşük tahmin edilme olasılığı olanlardır. Şüphe durumunda, zengin görünen veya tatlı olan yemekler için küçük bir tampon (50-100 kcal) eklemeyi düşünebilirsiniz. Nutrola'da, ayrıca inceleme sonrası AI'nın tahminini manuel olarak ayarlayabilir ve sistem zamanla düzeltmelerinizden öğrenir.

Tutarlılık, mükemmeliyetten daha önemlidir. Verilerimiz, Nutrola'nın en büyük avantajının ortalama doğrulukta değil, tutarlılıkta olduğunu gösterdi — en düşük standart sapma ve laboratuvar değerlerinin %10'u içinde en yüksek tahmin yüzdesi. Uzun vadeli takip için, her seferinde %5-7 oranında güvenilir bir şekilde yanlış olan bir sistem, bazen mükemmel ve bazen %25 oranında yanlış olan bir sistemden çok daha yararlıdır. Tutarlı bir yanlılık hesaba katılabilir; düzensiz hata hesaplanamaz.

Sınırlamalar

Bu çalışmanın sınırlamaları hakkında şeffaf olmak istiyoruz:

• Örnek boyutu. Elli yemek, kalıpları belirlemek için yeterlidir, ancak her alt kategoride kesin istatistiksel sonuçlar için yeterli değildir. Her kategori yalnızca 10 yemek içermektedir. Daha büyük çalışmalar, kategori düzeyindeki bulgulara güveni artırır.
• Tek coğrafi bölge. Tüm yemekler İrlanda'da temin edilmiştir. Restoran porsiyon boyutları, pişirme uygulamaları ve malzeme temini ülkeye ve hatta şehre göre değişiklik gösterir. Sonuçlar diğer bölgelerde farklılık gösterebilir.
• Tek AI sistemi test edildi. Sadece Nutrola'nın AI'sını test ettik. Diğer AI tabanlı kalori takip sistemleri farklı performans gösterebilir. Rakip ürünlerin benzer analizler yapmasını ve yayımlamasını teşvik ediyoruz.
• Fotoğraf koşulları. Tüm fotoğraflar, gıda fotoğrafçılığı en iyi uygulamalarına aşina olan ekip üyeleri tarafından çekilmiştir. Tipik bir kullanıcının aceleyle çektiği bir fotoğraf, daha düşük AI doğruluğu ile sonuçlanabilir.
• Bomb kalorimetresi brüt enerjiyi ölçer. Metabolize edilebilir enerji için düzeltmeler uygulanmış olsa da, bireysel sindirim ve emilim farklılıkları, belirli bir kişinin bir gıdadan çıkardığı "gerçek" kalorilerin laboratuvar değerinden birkaç yüzde farklı olabileceği anlamına gelir.

Sonuç

Tabağınızdaki kalori sayısı her zaman bir tahmindir — ancak tüm tahminler eşit yaratılmamıştır.

Besin etiketleri, resmi görünümüne rağmen, test ettiğimiz en az doğru kaynaktır ve kalori sayısını sistematik olarak düşük gösterme eğilimindedir. USDA verileri, basit, çiğ ve evde hazırlanmış gıdalar için mükemmeldir, ancak restoran yemeklerinin ve uluslararası mutfakların karmaşık gerçeğiyle başa çıkmakta zorlanır. Nutrola'da uygulanan AI tabanlı fotoğraf takibi, insanların gerçekten yediği gıdalar arasında en tutarlı performansı sağlar ve laboratuvar değerlerinden %7.4 ortalama mutlak sapma ile genel doğruluğa sahiptir.

Hiçbir takip yöntemi mükemmel değildir. AI'yi yanıltan gıdalar, veritabanlarını ve etiketleri de yanıltır — yoğun soslu, yağ açısından zengin ve çok bileşenli yemekler, herhangi bir sistem için tahmin edilmesi en zor olanlardır. Ancak, ne yediğini anlamak için güvenilir, düşük çaba gerektiren bir yol arayan günlük takipçiler için veriler, gerçek tabağınıza bakan iyi eğitilmiş bir AI'nın, bir fabrikada basılan etiket veya idealize edilmiş bir tarif için yazılan bir veritabanı girişine göre gerçeğe daha yakın olduğunu göstermektedir.

Nutrola, doğruluğun çaba gerektirmemesi gerektiği ilkesine dayanarak inşa edilmiştir. Siz bir fotoğraf çekersiniz ve AI işi yapar. Bu çalışma, bu vaadi yerine getirmek için kendimizi sorumlu tutmanın bir yolu ve sonuçları, zayıflıklarımız dahil, beslenme verilerini bize emanet eden insanlarla paylaşmanın bir yoludur.

Nutrola'yı kendiniz denemek isterseniz, planlar aylık 2.50 EUR'dan başlıyor ve her kademede hiç reklam yok. Doğru verilerle güveninizi kazanmayı, reklamverenlere dikkatlerinizi satmaktan daha çok önemsiyoruz.

Bu çalışmanın ham veri tabloları, kendi analizlerini yapmak isteyen araştırmacılar, gazeteciler ve diyetisyenler için talep üzerine mevcuttur. Bize research@nutrola.com adresinden ulaşabilirsiniz.