تطور الذكاء الاصطناعي في التعرف على الطعام: من التسجيل اليدوي إلى تتبع الصور الفوري

لقد تغيرت طريقة تتبع الناس لما يأكلونه بشكل كبير في العقد الماضي مقارنة بالقرن السابق. فقد بدأت القصة بدفاتر الطعام المكتوبة باليد، ثم تطورت عبر ماسحات الباركود وقواعد بيانات البحث عن الكلمات، لتصل إلى التعرف على الصور المدعوم بالذكاء الاصطناعي اليوم. كل جيل من هذه التكنولوجيا قد خفف من العقبات وزاد من الدقة، مما يقربنا أكثر من هدف تتبع التغذية بدقة وسهولة.

تتبع هذه المقالة مسار هذا التطور بالكامل، وتستعرض الإنجازات الرئيسية التي مكنت كل قفزة للأمام، وتلقي نظرة على مستقبل تكنولوجيا تتبع الطعام.

عصر دفاتر الطعام اليدوية (1900 إلى 1990)

قبل أن توجد التطبيقات، كان تتبع التغذية مخصصًا للاختصاصيين الغذائيين والباحثين وعشاق الصحة الأكثر تفانيًا. كانت الأدوات بسيطة: دفتر ملاحظات، قلم، وكتاب مرجعي لتكوين الأغذية.

كيف كان يعمل التسجيل اليدوي

كان الشخص يكتب كل ما تناوله خلال اليوم، مقدرًا الحصص بمقاييس منزلية مثل الأكواب، ملاعق الطعام، و"القطع". في نهاية اليوم أو الأسبوع، كان هو (أو اختصاصي التغذية) يبحث عن كل عنصر غذائي في كتاب مرجعي مثل دليل USDA لتكوين الأغذية ويحسب السعرات الحرارية والمواد الغذائية يدويًا.

كانت هذه الطريقة تستغرق وقتًا طويلاً، ومعرضة للأخطاء، وغير مستدامة لمعظم الناس. أظهرت الأبحاث من تلك الفترة باستمرار أن السجلات اليدوية للطعام كانت تعاني من عدة تحيزات منهجية:

• تحت الإبلاغ: كان الناس يبالغون في تقدير السعرات الحرارية بمعدل يتراوح بين 20 إلى 50 في المئة.
• تحيز الرغبة الاجتماعية: كان الناس أقل احتمالًا لتسجيل الأطعمة غير الصحية.
• أخطاء تقدير الحصص: بدون أدوات قياس، كانت تقديرات الحصص غالبًا غير دقيقة.
• فشل في الاسترجاع: إذا لم يتم تسجيل الوجبات على الفور، كانت تُنسى جزئيًا أو كليًا.
• إرهاق التسجيل: حتى المشاركون المتحمسون نادرًا ما حافظوا على السجلات لأكثر من بضعة أسابيع.

القيمة رغم القيود

على الرغم من هذه القيود، أسس عصر التسجيل اليدوي اكتشافًا حاسمًا لا يزال قائمًا حتى اليوم: إن فعل مراقبة المدخول الغذائي، مهما كان غير مثالي، يؤدي إلى تغيير السلوك. أظهرت الدراسات أن الأشخاص الذين احتفظوا بدفاتر الطعام، حتى لو كانت غير دقيقة، فقدوا وزنًا أكبر وحافظوا على عادات غذائية أفضل من أولئك الذين لم يتتبعوا على الإطلاق.

هذه الرؤية، بأن الوعي يحفز تغيير السلوك، كانت الدافع الأساسي وراء كل تكنولوجيا تتبع الطعام التي تلتها.

عصر البحث في قواعد البيانات (2005 إلى 2015)

أحدثت ثورة الهواتف الذكية وإطلاق متاجر التطبيقات في عام 2008 تحولًا في تتبع الطعام من ممارسة سريرية إلى منتج استهلاكي. قامت تطبيقات مثل MyFitnessPal (تأسست عام 2005، وأُطلقت التطبيق في 2009) وLoseIt (2008) برقمنة دفتر الطعام وجعلته متاحًا للملايين.

الابتكارات الرئيسية في هذا العصر

قواعد بيانات الطعام القابلة للبحث: بدلاً من تقليب الصفحات في الكتب المرجعية، كان بإمكان المستخدمين كتابة اسم الطعام والبحث في قاعدة بيانات تحتوي على مئات الآلاف من العناصر. هذا خفض الوقت المستغرق لكل إدخال من دقائق إلى ثوانٍ.

ماسحات الباركود: كانت القدرة على مسح باركود الطعام المعبأ واسترجاع معلوماته الغذائية على الفور تحولًا كبيرًا للأطعمة المعالجة والمعبأة. لقد ألغت الحاجة للبحث أو تقدير الحقائق الغذائية لأي عنصر يحمل باركود.

بيانات مساهمة المجتمع: سمحت قواعد البيانات المجمعة من قبل المستخدمين بإضافة الأطعمة المفقودة، مما وسع نطاق التغطية بسرعة. نمت قاعدة بيانات MyFitnessPal لتشمل أكثر من 11 مليون طعام، بشكل كبير من خلال مساهمات المستخدمين.

حفظ الوجبات والوصفات: كان بإمكان المستخدمين حفظ الوجبات والوصفات التي يتناولونها بشكل متكرر، مما قلل من جهد إعادة تسجيل الأطعمة الشائعة إلى نقرة واحدة.

مشكلة الاحتكاك لا تزال قائمة

على الرغم من أن تطبيقات البحث في قواعد البيانات كانت تمثل تحسنًا كبيرًا مقارنة بدفاتر الطعام، إلا أنها كانت لا تزال تعاني من احتكاك كبير:

نقطة الألم	التأثير
البحث واختيار الإدخال الصحيح	30 إلى 60 ثانية لكل عنصر غذائي
تطابقات قاعدة البيانات الغامضة	"سلطة دجاج" تعيد مئات الإدخالات مع اختلافات شاسعة في السعرات الحرارية
عدم وجود ذكاء في الحصص	كان على المستخدمين تقدير الجرامات أو الحصص يدويًا
الوجبات متعددة المكونات	كان تسجيل طبق محلي يتطلب تسجيل كل مكون بشكل منفصل
الطعام من المطاعم والأطعمة المنزلية	تم تمثيلها بشكل ضعيف في قواعد البيانات
إرهاق التسجيل	متوسط المستخدمين تخلى عن التتبع خلال أسبوعين

أظهرت الأبحاث المنشورة في JMIR mHealth وuHealth أن حتى مع تتبع التطبيقات، سجل المستخدمون المتوسطون الوجبات لمدة 10 إلى 14 يومًا فقط قبل التوقف. كان الاحتكاك الناتج عن البحث، الاختيار، والتقدير لا يزال مرتفعًا جدًا للاستخدام المستدام.

الجيل الأول من تتبع الصور (2015 إلى 2020)

أدى تلاقي إنجازات التعلم العميق، وتحسينات كاميرات الهواتف الذكية، والحوسبة السحابية إلى جعل التعرف على الطعام بالصور ممكنًا كميزة استهلاكية حوالي عام 2015. ظهرت الجيل الأول من أنظمة تتبع الصور خلال هذه الفترة.

الأساليب المبكرة والقيود

كانت أنظمة التعرف على الطعام التجارية الأولى أدوات تصنيف ذات نطاق محدود. كانت قادرة على التعرف على عنصر غذائي واحد في صورة مضاءة جيدًا ومركبة بشكل نظيف. كانت سيرتها الذاتية النموذجية كالتالي:

1. يأخذ المستخدم صورة لعنصر غذائي واحد
2. تعيد النظام قائمة بأفضل 5 خيارات من الأطعمة المحتملة
3. يختار المستخدم الطعام الصحيح
4. لا يزال المستخدم يدخل حجم الحصة يدويًا

قللت هذه الأنظمة من خطوة البحث لكنها لم تلغها تمامًا، ولم تعالج تقدير الحصص على الإطلاق. كانت الدقة متواضعة، عادة ما تتراوح بين 60 إلى 75 في المئة في دقة أعلى مستوى على المعايير القياسية، وتدهورت الأداء بشكل كبير مع الوجبات المعقدة التي تحتوي على عناصر متعددة.

التحديات التقنية الرئيسية للجيل الأول

بيانات التدريب المحدودة: تم تدريب النماذج المبكرة على مجموعات بيانات صغيرة نسبيًا (10,000 إلى 100,000 صورة) لم تمثل التنوع الكامل للوجبات في العالم الحقيقي.

تصنيف بتسمية واحدة: كانت معظم الأنظمة قادرة على تعيين تسمية واحدة فقط لصورة كاملة، مما جعلها غير فعالة للأطباق التي تحتوي على عناصر غذائية متعددة.

عدم وجود تقدير للحصص: لم يكن تقدير الحصص البصرية موثوقًا بما يكفي للاستخدام الإنتاجي، لذا كان على المستخدمين إدخال الكميات يدويًا.

زمن استجابة مرتفع: كانت المعالجة تتطلب خوادم سحابية، وكانت أوقات الاستجابة من 5 إلى 10 ثوانٍ شائعة، مما خلق فترة توقف غير مريحة في سير عمل التسجيل.

الإنجازات البحثية التي غيرت كل شيء

وضعت عدة إنجازات بحثية بين عامي 2015 و2020 الأساس للجيل التالي من التعرف على الطعام:

التعلم بالنقل: اكتشاف أن نماذج التعرف على الصور المدربة على مجموعات بيانات عامة كبيرة (مثل ImageNet) يمكن تحسينها لتعرف الطعام باستخدام مجموعات بيانات صغيرة مخصصة للطعام. هذا قلل بشكل كبير من كمية بيانات التدريب الخاصة بالطعام المطلوبة.

تقدم في كشف الكائنات: مكنت تقنيات مثل YOLO (You Only Look Once) والهياكل المماثلة من الكشف في الوقت الحقيقي عن عدة كائنات في صورة واحدة، مما حل مشكلة الأطباق متعددة الأطعمة.

هياكل الشبكات العصبية المحمولة: جعلت هياكل مثل MobileNet وEfficientNet من الممكن تشغيل الشبكات العصبية مباشرة على الهواتف الذكية، مما قلل من زمن الاستجابة وألغى الحاجة إلى الاتصال المستمر بالسحابة.

تقدير العمق من الصور الفردية: حققت نماذج تقدير العمق الأحادي دقة كافية لتمكين تقدير الحصص البصرية، وهو العنصر المفقود الذي سيمكن في النهاية من تتبع السعرات الحرارية من الصورة إلى النهاية.

عصر تتبع الطعام الذكي بالذكاء الاصطناعي (2020 إلى الحاضر)

يمثل الجيل الحالي من تطبيقات تتبع الطعام ذروة أكثر من عقد من البحث في الذكاء الاصطناعي. يمكن للأنظمة الحديثة التعرف على عدة عناصر غذائية في صورة، وتقدير أحجام الحصص، وحساب التحليل الغذائي الكامل في أقل من ثانيتين.

ما يمكن أن تفعله الأنظمة الحديثة

يقدم الذكاء الاصطناعي في التعرف على الطعام اليوم، كما يتضح من ميزة Snap & Track في Nutrola، قدرات كانت ستبدو مستحيلة قبل عقد من الزمن:

• كشف متعدد العناصر: التعرف وتحليل 5 أو أكثر من العناصر الغذائية على طبق واحد بشكل منفصل
• تقدير الحصص: تقدير وزن الطعام بدقة تتراوح بين 15 إلى 25 في المئة باستخدام الإشارات البصرية فقط
• تغطية المأكولات العالمية: التعرف على الأطباق من جميع أنحاء العالم، مع التحسين المستمر مع جمع المزيد من البيانات
• معالجة في الوقت الحقيقي: إعادة النتائج في أقل من ثانيتين، مما يجعل تسجيل الصور أسرع من الكتابة
• تعلم سياقي: تحسين الدقة بمرور الوقت بناءً على أنماط المستخدم الفردية
• تحليل غذائي كامل: حساب ليس فقط السعرات الحرارية ولكن أيضًا ملفات تعريف المغذيات الكلية والجزئية الكاملة

تأثير بيانات الطيران

ربما تكون الميزة الأكثر أهمية في أنظمة تتبع الطعام الحديثة هي تأثير بيانات الطيران. مع وجود ملايين المستخدمين النشطين، تعالج تطبيقات مثل Nutrola ملايين الصور الغذائية يوميًا. كل صورة، جنبًا إلى جنب مع تأكيد أو تصحيح المستخدم، تصبح نقطة بيانات تدريب.

هذا يخلق حلقة تغذية إيجابية:

1. المزيد من المستخدمين يولدون المزيد من الصور الغذائية المتنوعة
2. المزيد من الصور تحسن دقة النموذج عبر المزيد من الأطعمة والمأكولات
3. دقة أفضل تجذب المزيد من المستخدمين
4. المزيد من المستخدمين يولدون المزيد من الصور

لقد تسارع هذا الدورة بشكل كبير. لقد تحسنت دقة التعرف في Nutrola بشكل ملحوظ كل ربع سنة، مدفوعةً بمجموعة البيانات المتزايدة من أكثر من 2 مليون مستخدم في أكثر من 50 دولة.

مساعد النظام الغذائي الذكي

بعيدًا عن التعرف على الصور، قدمت التطبيقات الحديثة واجهات ذكاء اصطناعي محادثة تكمل التعرف البصري. يتيح مساعد النظام الغذائي في Nutrola للمستخدمين وصف الوجبات بلغة طبيعية ("تناولت شريحتين من بيتزا البيبروني ومشروب دايت") والحصول على تسجيل غذائي فوري.

تغطي هذه الطريقة متعددة الأنماط، التي تجمع بين التعرف على الصور ومعالجة اللغة الطبيعية، مجموعة كاملة من سيناريوهات التسجيل. تعمل الصور بشكل أفضل للوجبات المرئية، بينما يتعامل الإدخال النصي مع الحالات التي يكون فيها التقاط صورة غير عملي (مثل تذكر وجبة تم تناولها سابقًا) أو عندما يرغب المستخدم في تحديد تفاصيل لا تستطيع الكاميرا رؤيتها (مثل الزيت المستخدم في الطهي).

مقارنة الأجيال: جدول زمني للتقدم

الميزة	دفتر اليد	البحث في قاعدة البيانات	الذكاء الاصطناعي للصور الجيل الأول	الذكاء الاصطناعي الحديث (Nutrola)
الوقت لكل وجبة مسجلة	5-10 دقائق	2-5 دقائق	1-3 دقائق	أقل من 10 ثوانٍ
تقدير الحصص	تخمين المستخدم	إدخال المستخدم	إدخال المستخدم	تقدير الذكاء الاصطناعي
الوجبات متعددة العناصر	يدوي لكل عنصر	يدوي لكل عنصر	عنصر واحد فقط	تلقائي
الدقة	50-80%	70-90%	60-75%	85-95%
معدل الاستخدام المستدام	أيام إلى أسابيع	متوسط 10-14 يومًا	2-3 أسابيع	شهور إلى سنوات
تغطية المأكولات	محدودة بالكتب المرجعية	تعتمد على قاعدة البيانات	تركز على المأكولات الغربية	عالمية
متاحة لـ	المرضى السريريين	مالكي الهواتف الذكية	مالكي الهواتف الذكية	مالكي الهواتف الذكية

إلى أين تتجه تكنولوجيا تتبع الطعام

لا تظهر وتيرة الابتكار في الذكاء الاصطناعي للتعرف على الطعام أي علامات على التباطؤ. هناك العديد من التقنيات الناشئة التي من المتوقع أن تحول كيفية تتبعنا للتغذية.

تتبع قابل للارتداء والبيئة

تعمل مختبرات البحث على تطوير أجهزة قابلة للارتداء يمكنها تتبع تناول الطعام دون أي تسجيل نشط على الإطلاق. تشمل هذه الأجهزة:

• أجهزة استشعار صوتية تُرتدى على الفك تكشف أنماط المضغ ويمكنها تمييز بين قوام الأطعمة المختلفة
• أجهزة استشعار تُرتدى على المعصم تكشف عن حركات الأكل وتفعيل التقاط الصور تلقائيًا
• موازين مطبخ ذكية تحدد الأطعمة من خلال تغيرات الوزن والتعرف البصري في آن واحد
• أدوات ذكية تقيس حجم اللقمة وسرعة الأكل

بينما لا يزال معظم هذه الأجهزة في مراحل البحث، فإنها تشير إلى مستقبل حيث يحدث تتبع الطعام بشكل غير نشط، دون أي جهد واعٍ من المستخدم.

التغذية التنبؤية

تخبرك الأنظمة الحالية بما تناولته بالفعل. ستقوم الأنظمة المستقبلية بالتنبؤ بما من المحتمل أن تتناوله وتقدم إرشادات بشكل استباقي. من خلال تحليل الأنماط في توقيت الوجبات، اختيارات الطعام، بيانات الموقع، وحتى الطقس، يمكن للذكاء الاصطناعي اقتراح وجبات تسد الفجوات الغذائية قبل حدوثها.

تخيل فتح تطبيق التغذية الخاص بك في وقت الغداء ورؤية اقتراح مثل "أنت تعاني من نقص في الحديد والألياف اليوم. إليك ثلاثة خيارات غداء قريبة منك ستساعدك." يمثل هذا التحول من التتبع التفاعلي إلى الإرشاد الاستباقي الحدود التالية.

التكامل مع بيانات الصحة

بينما تتكامل تطبيقات تتبع الطعام مع أجهزة الصحة القابلة للارتداء، ستصبح حلقة التغذية والنتائج الصحية أكثر تماسكًا. يمكن لمراقبي الجلوكوز المستمرين أن يظهروا التأثير الجلايسيمي لوجبات معينة. يمكن أن تكشف بيانات تقلب معدل ضربات القلب كيف تؤثر الأطعمة المختلفة على التعافي والنوم. يمكن لموازين تكوين الجسم تتبع الآثار طويلة الأمد للتغييرات الغذائية.

سيمكن هذا التكامل من توصيات غذائية مخصصة حقًا بناءً على كيفية استجابة جسمك للأطعمة المختلفة، وليس فقط المتوسطات على مستوى السكان.

تناول الطعام بالواقع المعزز

يمكن أن تضيف نظارات الواقع المعزز وميزات الواقع المعزز في الهواتف الذكية معلومات غذائية على الطعام في الوقت الحقيقي. وجه هاتفك نحو قائمة مطعم وشاهد تقديرات السعرات الحرارية لكل عنصر. انظر إلى رف البقالة وشاهد كيف يتناسب كل منتج مع أهدافك الغذائية اليومية. تجول في بوفيه وشاهد إجمالي ما هو موجود على طبقك.

تحسين الدقة من خلال الذكاء الاصطناعي متعدد الأنماط

يؤدي تلاقي نماذج اللغة الكبيرة، ونماذج الرؤية، والبيانات الغذائية الهيكلية إلى إنتاج أنظمة ذكاء اصطناعي متعددة الأنماط يمكنها التفكير في الطعام بطرق لم تستطع الأجيال السابقة القيام بها. يمكن لهذه الأنظمة أن تأخذ في الاعتبار صورة الطعام، والسياق (وقت اليوم، الموقع، تاريخ المستخدم)، والأوصاف بلغة طبيعية في آن واحد لإنتاج تقييمات غذائية أكثر دقة وفائدة.

التأثير الأوسع على الصحة العامة

يمتد تطور تكنولوجيا تتبع الطعام إلى ما هو أبعد من المستخدمين الأفراد. مع سهولة انتشار التتبع، يمكن أن تُفيد البيانات المجمعة الأبحاث الصحية العامة، والسياسات الغذائية، والإرشادات الغذائية.

يمكن أن تكشف البيانات الغذائية المجهولة والمجمعة من ملايين المستخدمين عن أنماط غذائية على مستوى السكان، ونقص التغذية الإقليمي، والأثر الواقعي لتغييرات السياسات الغذائية. يمثل هذا تحسينًا كبيرًا مقارنة بالدراسات الغذائية الصغيرة قصيرة الأجل التي كانت تقليديًا تُعلم علم التغذية.

تقدم قاعدة مستخدمي Nutrola العالمية عبر أكثر من 50 دولة نافذة فريدة على أنماط التغذية الواقعية التي لا يمكن لأساليب البحث التقليدية التقاطها بسهولة. مع استمرار تطور التكنولوجيا، يصبح من الممكن تحسين التغذية الفردية وصحة السكان بشكل متزايد.

الأسئلة الشائعة

متى أصبح التعرف على الطعام بالذكاء الاصطناعي دقيقًا بما يكفي للاستخدام العملي؟

عبر التعرف على الطعام بالذكاء الاصطناعي عتبة الفائدة العملية حوالي عام 2019 إلى 2020، عندما تجاوزت دقة أعلى مستوى على المعايير الغذائية 85 في المئة وأصبح الكشف عن العناصر المتعددة موثوقًا. منذ ذلك الحين، استمرت الدقة في التحسن بشكل مستمر، حيث حققت الأنظمة الحديثة أكثر من 90 في المئة من الدقة على الأطعمة الشائعة.

كيف تطورت ماسحات الباركود جنبًا إلى جنب مع التعرف على الذكاء الاصطناعي؟

تظل ماسحات الباركود دقيقة للغاية للأطعمة المعبأة وتستمر في كونها ميزة أساسية في تطبيقات التغذية بما في ذلك Nutrola. ومع ذلك، فهي محدودة بطبيعتها بالأصناف المعبأة التي تحمل باركود. يكمل التعرف على الصور المدعوم بالذكاء الاصطناعي ماسحات الباركود من خلال تغطية الأطعمة الطازجة، ووجبات المطاعم، والأطباق المنزلية، وأي طعام لا يأتي في عبوة. تعمل التقنيتان معًا لتغطية مجموعة كاملة من الأطعمة التي يتناولها الناس.

هل سيصبح تتبع الطعام بالذكاء الاصطناعي دقيقًا بنسبة 100 في المئة؟

من غير المحتمل تحقيق دقة مثالية بسبب القيود الجوهرية في التقدير البصري. تؤدي المكونات المخفية، وطرق التحضير المتغيرة، والتباين الطبيعي في تكوين الطعام إلى إدخال عدم اليقين الذي لا يمكن لأي نظام بصري حله بالكامل. ومع ذلك، فإن الهدف ليس الكمال بل "دقة جيدة بما فيه الكفاية" مع احتكاك منخفض بما يكفي يجعل الناس يتتبعون باستمرار. إن تقديرًا يتراوح بين 10 إلى 15 في المئة ويستغرق ثانيتين هو أكثر قيمة للصحة على المدى الطويل من قياس مثالي يستغرق 5 دقائق ويؤدي إلى إرهاق التتبع.

كيف تتعامل تطبيقات تتبع الطعام الحديثة مع الخصوصية؟

تعالج التطبيقات الحديثة صور الطعام باستخدام مزيج من الحوسبة على الجهاز والسحابة. تقلل التطبيقات التي تركز على الخصوصية مثل Nutrola من الاحتفاظ بالبيانات، وتعالج الصور بشكل آمن، ولا تشارك صور الطعام الفردية مع أطراف ثالثة. يجب على المستخدمين مراجعة سياسة الخصوصية لأي تطبيق تغذية يستخدمونه لفهم كيفية التعامل مع بياناتهم.

ما هو أكبر تحدٍ متبقي في تكنولوجيا تتبع الطعام؟

أكبر تحدٍ متبقي هو تقدير الحصص بدقة للأطعمة المعقدة والمختلطة والمخفية. بينما وصلت دقة التعرف على الطعام إلى مستويات مثيرة للإعجاب، لا يزال تقدير الوزن الدقيق للمكونات في بوريتو أو كمية الزيت المستخدمة في الطهي يمثل تحديًا. تستمر الأبحاث في استشعار العمق، والتقاط زوايا متعددة، ونماذج التركيب المتعلمة في إحراز تقدم في هذا المجال.

هل يمكن أن يحل تتبع الطعام بالذكاء الاصطناعي محل العمل مع اختصاصي تغذية؟

يعد تتبع الطعام بالذكاء الاصطناعي أداة قوية لمراقبة النظام الغذائي الذاتي، لكنه لا يحل محل الحكم السريري، والتوجيه السلوكي، والإرشادات الشخصية التي يقدمها اختصاصي التغذية المعتمد. النهج المثالي للعديد من الأشخاص هو استخدام تتبع الذكاء الاصطناعي للحفاظ على الوعي اليومي ومشاركة البيانات الناتجة مع اختصاصي التغذية للمراجعة الدورية والإرشاد. تجعل البيانات الشاملة التي ينتجها تتبع الذكاء الاصطناعي استشارات اختصاصي التغذية أكثر إنتاجية من خلال توفير بيانات غذائية موضوعية بدلاً من الاعتماد على الاسترجاع فقط.