كيف تستخدم Nutrola رؤية الكمبيوتر والذكاء الاصطناعي للتعرف على أكثر من 130,000 نوع من الأطعمة

المشكلة: لماذا يعد التعرف على الطعام أحد أصعب تحديات الذكاء الاصطناعي

يبدو أن التعرف على الطعام من الصور أمر بسيط. البشر يقومون بذلك بسهولة. لكن بالنسبة لأنظمة رؤية الكمبيوتر، فإن التعرف على الطعام يعد من أكثر مهام التصنيف البصري تعقيدًا، وهو أصعب بكثير من التعرف على الوجوه أو السيارات أو النصوص المكتوبة بخط اليد.

الأسباب توضح ذلك:

• تباين داخلي شديد. يمكن أن يبدو "السلطة" كألف شيء مختلف. سلطة سيزر، سلطة يونانية، سلطة فواكه، وسلطة نيكواز المفككة تشترك في اسم الفئة ولكن لا تشترك في أي تشابه بصري تقريبًا.
• تشابه خارجي عالي. يمكن أن تبدو البطاطس المهروسة والحمص متشابهتين تقريبًا في صورة واحدة. وكذلك بعض الحساء وأطباق السموذي. الأرز الأبيض وأرز القرنبيط قد يكونان غير قابلين للتفريق من زوايا معينة.
• التشويه والخلط. على عكس الأجسام الصلبة، يتم قطع الطعام وطهيه وخلطه وترتيبه بطرق لا حصر لها. قد تحتوي البوريتو، واللفائف، والانشيلادا على مكونات متطابقة ولكن بتكوينات هيكلية مختلفة.
• اعتماد السياق الثقافي. يمكن أن يمثل نفس المظهر البصري أطعمة مختلفة في مطابخ مختلفة. قد يكون الخبز المسطح الدائري تورتيلا، روتي، بيتا، كريب، أو تونبرود سويدي، وكل منها له ملف غذائي مختلف.
• الاحتجاب الجزئي. تتداخل الأطعمة على الطبق، وتغطي الصلصات المكونات، وتخفي الزينة ما هو تحتها.

توضح هذه التحديات لماذا تأخر التعرف على الطعام عن تطبيقات رؤية الكمبيوتر الأخرى لسنوات. كما تفسر لماذا تطلب حلها نهجًا مختلفًا تمامًا عن التصنيف التقليدي للصور.

الأساس: الشبكات العصبية التلافيفية

كيف تعالج الشبكات العصبية التلافيفية صور الطعام

في قلب التعرف الحديث على الطعام توجد الشبكة العصبية التلافيفية (CNN)، وهي فئة من بنية التعلم العميق مصممة خصيصًا لمعالجة البيانات البصرية. تقوم الشبكة العصبية التلافيفية بتحليل الصورة من خلال سلسلة من طبقات استخراج الميزات الهرمية:

الطبقات 1-3 (ميزات منخفضة المستوى): تحدد الشبكة الحواف والألوان والملمس البسيط. في هذه المرحلة، قد تكتشف الحافة الدائرية للطبق، اللون البني للحوم المطبوخة، أو الملمس الحبيبي للأرز.

الطبقات 4-8 (ميزات متوسطة المستوى): تجمع هذه الطبقات الميزات منخفضة المستوى في أنماط أكثر تعقيدًا: نمط التعرق في شريحة اللحم المشوي، الهيكل الطبقي للسندويش، السطح اللامع للصلصة، أو الملمس الليفي للدجاج المبشور.

الطبقات 9-15+ (ميزات عالية المستوى): تجمع الطبقات الأعمق الأنماط المتوسطة في تمثيلات خاصة بالطعام. تتعلم الشبكة أن مجموعة معينة من الملمس والألوان والأشكال والترتيبات المكانية تتوافق مع "باد تاي" أو "بيتزا مارغريتا" أو "دجاج تيكا ماسالا".

تطور البنية

تطورت الهياكل المستخدمة في التعرف على الطعام بشكل كبير على مدار العقد الماضي:

البنية	السنة	الابتكار الرئيسي	الدقة في التعرف على الطعام
AlexNet	2012	أثبتت أن الشبكات العصبية العميقة قابلة للتطبيق	~55% أفضل دقة على Food-101
VGGNet	2014	شبكات أعمق مع فلاتر صغيرة	~72% أفضل دقة على Food-101
GoogLeNet/Inception	2014	استخراج ميزات متعددة المقاييس	~78% أفضل دقة على Food-101
ResNet	2015	وصلات تخطي تسمح بشبكات أعمق بكثير	~85% أفضل دقة على Food-101
EfficientNet	2019	توسيع مركب للعمق/العرض/الدقة	~91% أفضل دقة على Food-101
Vision Transformers (ViT)	2020	آليات الانتباه للسياق العالمي	~93% أفضل دقة على Food-101
الهياكل الهجينة الحديثة	2023-2025	دمج CNN-Transformer مع انتباه واعٍ للمناطق	~96%+ أفضل دقة على مجموعات بيانات موسعة

كان معيار Food-101 (101 فئة طعام، 101,000 صورة) هو مجموعة البيانات القياسية للتقييم لسنوات. تعمل الأنظمة الحديثة مثل Nutrola على نطاق أكبر بكثير، مع أكثر من 130,000 عنصر غذائي قابل للتعرف عليه، مما يتطلب أنماط تدريب تتجاوز المعايير الأكاديمية بكثير.

اكتشاف العناصر المتعددة: رؤية كل شيء على الطبق

ما وراء تصنيف الطعام الفردي

كانت أنظمة التعرف على الطعام المبكرة قادرة على التعرف على طعام واحد فقط في كل صورة. قد يتم تصنيف صورة لطبق يحتوي على الأرز والكاري وخبز النان كواحد من هذه العناصر الثلاثة، مما يفوت العناصر الأخرى تمامًا. الوجبات الحقيقية ليست بهذه البساطة.

يتطلب اكتشاف العناصر المتعددة نهجًا معماريًا مختلفًا. بدلاً من تصنيف الصورة بالكامل كفئة واحدة، يجب على النظام:

1. الكشف عن مناطق الاهتمام (أين توجد العناصر الغذائية المتميزة في الصورة؟)
2. تجزئة تلك المناطق (أين ينتهي الأرز ويبدأ الكاري؟)
3. تصنيف كل منطقة بشكل مستقل (هذه المنطقة هي أرز، وهذه دجاج كاري، وهذه نان)
4. التعامل مع العناصر المتداخلة (صلصة الكاري فوق الأرز هي جزء من الكاري، وليست عنصرًا منفصلًا)

أطر اكتشاف الكائنات للطعام

يبني اكتشاف الطعام المتعدد العناصر الحديث على أطر اكتشاف الكائنات التي تم تطويرها في الأصل لمهام رؤية الكمبيوتر العامة:

• النهج القائم على المنطقة (المشتقة من Faster R-CNN) تولد مناطق مرشحة وتصنف كل واحدة. هذه دقيقة ولكنها مكلفة حسابيًا.
• النهج الأحادي (المشتقة من YOLO وSSD) تتنبأ بصناديق الحدود والتصنيفات في تمريرة واحدة، مما يمكّن من الكشف في الوقت الحقيقي على الأجهزة المحمولة.
• النهج القائم على التجزئة الدلالية (المشتقة من U-Net وMask R-CNN) تولد خرائط غذائية على مستوى البكسل، مما يوفر حدودًا دقيقة بين العناصر.

تستخدم نظام Snap & Track من Nutrola نهجًا هجينًا مُحسَّنًا للتقدير على الأجهزة المحمولة. يعمل خط الأنابيب بكفاءة على الجهاز للكشف الأولي، مع معالجة على الخادم للمشاهد المعقدة أو العناصر الغامضة. هذا يحافظ على تجربة المستخدم سريعة، عادةً في أقل من ثانيتين من التقاط الصورة إلى تحليل التغذية، مع الحفاظ على دقة عالية.

التعامل مع هياكل الوجبات المعقدة

تقدم بعض الوجبات تحديات هيكلية لا يمكن للكشف البسيط حلها:

• الأطعمة الطبقية (لازانيا، سندويشات، بوريتو): يجب على النظام استنتاج المكونات الداخلية من الإشارات الخارجية المرئية والمعرفة السياقية.
• الأطباق المختلطة (قلي، يخنة، كسرولة): يتم دمج المكونات الفردية في كتلة بصرية واحدة. يستخدم النظام تحليل الملمس، توزيع الألوان، والمعايير السياقية لتقدير التركيب.
• العروض المفككة (وجبات في وعاء، صناديق بنتو، تاباس): تتطلب العناصر الصغيرة المتعددة في أقسام منفصلة اكتشاف وتصنيف فردي.
• المشروبات بجانب الطعام: يتطلب التمييز بين كوب من عصير البرتقال، سموذي المانجو، وشاي مثلج تايلاندي تحليل اللون، والعتامة، ونوع الحاوية، والسياق.

بيانات التدريب: أساس جودة التعرف

متطلبات الحجم والتنوع

نظام التعرف على الطعام جيد بقدر ما تم تدريبه على البيانات. يتطلب بناء نموذج يتعرف على أكثر من 130,000 نوع من الأطعمة من أكثر من 50 دولة مجموعة بيانات تدريبية ذات حجم وتنوع استثنائيين.

الأبعاد الرئيسية لجودة بيانات التدريب:

الحجم: تتطلب نماذج التعرف على الطعام الحديثة ملايين الصور الغذائية المعلّمة. يحتاج كل فئة غذائية إلى مئات إلى آلاف من الأمثلة التي تظهر تحضيرات وعروض وظروف إضاءة وزوايا وأحجام حصص مختلفة.

التنوع: يبدو "صدر الدجاج" المصور في مطبخ ياباني مختلفًا عن واحد في مطبخ برازيلي، والذي يبدو مختلفًا عن واحد في مطبخ نيجيري. يجب أن تمثل بيانات التدريب هذا التنوع، أو سيفشل النموذج في المطابخ التي لم يرها.

دقة التسمية: يجب أن تكون كل صورة مُعلمة بشكل صحيح مع العنصر الغذائي المحدد، وليس فقط الفئة العامة. "سمك السلمون المشوي مع صلصة الترياكي" مختلف غذائيًا عن "سمك السلمون المشوي مع زبدة الليمون"، ويجب أن تلتقط تسميات التدريب هذا التمييز.

تباين الحصص: يجب أن يتم تمثيل نفس الطعام المصور في حصة 100 جرام وحصة 300 جرام في بيانات التدريب حتى يتمكن النموذج من تعلم تقدير الكمية، وليس فقط الهوية.

استراتيجيات زيادة البيانات

لا يمكن أن تغطي جمع البيانات الخام كل عرض ممكن لكل طعام. تقنيات زيادة البيانات توسع مجموعة التدريب الفعالة:

• التحولات الهندسية: تدوير، قلب، وتغيير حجم الصور حتى يتعرف النموذج على الطعام بغض النظر عن اتجاه الطبق.
• تغيير اللون والإضاءة: ضبط السطوع والتباين وتوازن اللون الأبيض لمحاكاة ظروف إضاءة مختلفة (إضاءة المطاعم، أضواء المطبخ الفلورية، الضوء الطبيعي الخارجي، تصوير الفلاش).
• الاحتجاب الاصطناعي: إخفاء أجزاء عشوائية من صور الطعام لتدريب النموذج على التعرف على العناصر حتى عند إخفائها جزئيًا.
• نقل الأسلوب: توليد صور اصطناعية تحافظ على هوية الطعام بينما تتنوع الخلفية، ونمط التقديم، والأواني.

التعلم المستمر من بيانات المستخدم

مع وجود أكثر من 2 مليون مستخدم نشط يسجلون الوجبات يوميًا، يستفيد نظام Nutrola من حلقة تغذية راجعة مستمرة. عندما يصحح المستخدم عنصرًا غذائيًا تم التعرف عليه بشكل خاطئ، تصبح تلك التصحيح إشارة تدريب. مع مرور الوقت، يعالج هذا التحسين المدفوع من المستخدم الحالات الشاذة وتنوعات الطعام الإقليمية التي لا يمكن لمجموعة بيانات التدريب الأولية توقعها بالكامل.

هذا ذو قيمة خاصة لـ:

• الأطباق الإقليمية التي قد لا تظهر في مجموعات بيانات الطعام الأكاديمية
• الاتجاهات الغذائية الناشئة (منتجات جديدة، مطابخ مدمجة، وصفات فيروسية)
• المنتجات الخاصة بالعلامة التجارية حيث يتغير التعبئة والتقديم مع الأسواق الإقليمية
• الوجبات المطبوخة في المنزل التي تبدو مختلفة عن تقديمات المطاعم

تقدير الحصص: المشكلة الأكثر تعقيدًا

لماذا يعد تقدير الحصص أكثر أهمية من التعرف

التعرف الصحيح على عنصر غذائي هو نصف المشكلة فقط. الفرق الغذائي بين حصة 100 جرام و250 جرام من المعكرونة هو 230 سعرة حرارية، وهو ما يكفي لتحديد نظام غذائي. تقدير الحصص من صورة واحدة هو، في كثير من النواحي، التحدي الأكثر تعقيدًا من الناحية التقنية.

تقدير العمق والحجم

تفتقر الصورة ثنائية الأبعاد إلى معلومات العمق اللازمة لقياس حجم الطعام مباشرة. يجب على النظام استنتاج الخصائص ثلاثية الأبعاد من الإشارات ثنائية الأبعاد:

• الأشياء المرجعية: توفر الأطباق والأوعية والأدوات والأيدي في الإطار مراجع للحجم. يثبت طبق العشاء القياسي (بقطر حوالي 26 سم) حجم التقدير لكل ما هو عليه.
• الهندسة المنظورية: يؤثر الزاوية التي تم التقاط الصورة بها على الحجم الظاهر. يبدو الطبق المصور من فوق مباشرة مختلفًا عن واحد مصور بزاوية 45 درجة. يقدر النظام زاوية الكاميرا ويصحح التشويه المنظوري.
• نماذج الكثافة الخاصة بالطعام: نفس حجم الخس واللحم البقري لهما أوزان ومحتويات سعرات حرارية مختلفة تمامًا. يطبق النظام افتراضات كثافة خاصة بالطعام لتحويل الحجم المقدر إلى الوزن المقدر.
• توزيعات الحصص المتعلمة: توفر الافتراضات الإحصائية من ملايين الوجبات المسجلة معلومات عن أحجام الحصص المتوقعة. إذا اكتشف النموذج "وعاء من الشوفان"، يعرف أن الحصة المتوسطة هي حوالي 250 جرام ويستخدم هذا الافتراض لتقييد تقديره.

معايير الدقة

ما مدى دقة تقدير الحصص بالذكاء الاصطناعي؟ توفر معايير البحث سياقًا:

الطريقة	متوسط الخطأ (% من الوزن الحقيقي)
تقدير بصري بشري (غير مدرب)	40-60%
تقدير بصري بشري (مدرب أخصائي تغذية)	15-25%
تقدير AI بصورة واحدة (عصر 2020)	20-30%
تقدير AI بصورة واحدة (الحالة الحالية، 2025)	10-20%
تقدير AI مع كائن مرجعي	8-15%
قياس الطعام بالوزن (المعيار الذهبي)	<1%

لا تتطابق الأنظمة الحالية مع ميزان الطعام، لكنها تتفوق باستمرار على تقديرات البشر غير المدربين وتقترب من دقة أخصائيي التغذية المدربين. بالنسبة لأغلب حالات تتبع النظام الغذائي، فإن هذا المستوى من الدقة كافٍ لدعم رؤى غذائية ذات مغزى.

طبقة رسم الخرائط الغذائية

من التعرف البصري إلى البيانات الغذائية

التعرف على "صدر دجاج مشوي" في صورة مفيد فقط إذا كان هذا التعرف مرتبطًا ببيانات غذائية دقيقة. هنا تصبح قاعدة بيانات Nutrola المعتمدة من أخصائيي التغذية ضرورية.

تربط طبقة الرسم كل تصنيف بصري بمدخل محدد في قاعدة البيانات تحتوي على:

• تحليل المغذيات الكبيرة (السعرات الحرارية، البروتين، الكربوهيدرات، الدهون)
• ملف المغذيات الدقيقة (الفيتامينات، المعادن)
• تغييرات حجم الحصة
• تعديلات طريقة التحضير (صدر دجاج مشوي مقابل صدر دجاج مقلي لهما محتوى دهون مختلف تمامًا)
• تغييرات إقليمية وخاصة بالعلامة التجارية

هذه الرسم ليست مجرد جدول بحث بسيط. يأخذ النظام في الاعتبار:

• الكشف عن طريقة الطهي: تساعد الإشارات البصرية (التحمير، لمعان الزيت، علامات الشواء) في تحديد ما إذا كان الطعام مشويًا أو مقليًا أو مخبوزًا أو مطبوخًا على البخار، وكل منها يغير الملف الغذائي.
• تقدير الصلصات والتوابل: يتم التعرف على الصلصات والخلطات والجبن والتوابل المرئية وتضاف مساهماتها الغذائية إلى العنصر الغذائي الأساسي.
• تقدير الوجبات المركبة: بالنسبة للأطباق المختلطة حيث تكون الوصفات الدقيقة غير معروفة، يستخدم النظام نماذج إحصائية للتركيبات النموذجية لتقدير محتوى المغذيات الكبيرة والمغذيات الدقيقة.

فرق التحقق

تربط العديد من أنظمة التعرف على الطعام ببيانات غذائية غير موثوقة تم إنشاؤها بواسطة المستخدمين. هذا يقدم خطأ متزايدًا: حتى لو كان التعرف البصري صحيحًا، قد تكون البيانات الغذائية التي يرتبط بها خاطئة. يقضي نهج Nutrola في الحفاظ على قاعدة بيانات موثوقة من أخصائيي التغذية على هذا المصدر الثاني من الخطأ، مما يضمن أن يؤدي التعرف الصحيح إلى معلومات غذائية صحيحة.

الحالات الشاذة والتحديات المستمرة

حيث تكافح الأنظمة الحالية

تعد الشفافية حول القيود بنفس أهمية تسليط الضوء على القدرات. تواجه أنظمة التعرف على الطعام الحالية، بما في ذلك نظام Nutrola، تحديات مستمرة مع:

• المكونات المخفية: يعتمد محتوى سموذي على ما هو مخلوط داخله، وهو غير مرئي في الصورة. يعتمد النظام على نماذج الوصفات الشائعة ويمكن أن يطلب من المستخدمين معلومات إضافية.
• الأطعمة المتشابهة جدًا: قد يتطلب التمييز بين الأطعمة المتطابقة بصريًا (مثل البطاطس المهروسة العادية مقابل هريس القرنبيط) تأكيدًا من المستخدم.
• العروض غير المعتادة: يمكن أن تربك الأطعمة المقدمة بطرق غير مألوفة، مثل فن الطهي الجزيئي أو التقديم الفني للغاية، أنظمة الكشف.
• ظروف الإضاءة المتطرفة: تؤدي المطاعم المظلمة جدًا أو التصوير الفوتوغرافي القاسي إلى تدهور جودة الصورة وتقليل دقة التعرف.
• الأطعمة المعبأة بدون ملصقات مرئية: يوفر السندويش المغلف أو الحاوية المغلقة معلومات بصرية محدودة.

كيف تتعامل Nutrola مع عدم اليقين

عندما لا يكون الذكاء الاصطناعي واثقًا من تحديده، يستخدم النظام عدة استراتيجيات:

1. اقتراحات Top-N: بدلاً من الالتزام بتحديد واحد، يقدم النظام الخيارات الأكثر احتمالًا ويسمح للمستخدم باختيار الصحيح.
2. أسئلة توضيحية: قد يسأل مساعد النظام الغذائي الذكي أسئلة متابعة: "هل هذا أرز أبيض أم أرز قرنبيط؟" أو "هل يحتوي على صلصة كريمية أم صلصة طماطم؟"
3. الإضافات الصوتية: يمكن للمستخدمين إضافة سياق صوتي إلى الصورة: التقاط صورة وقول "هذا حساء العدس المنزلي الخاص بوالدتي مع حليب جوز الهند." يوضح الإدخال الصوتي الصورة.
4. التعلم من التصحيحات: كل تصحيح من المستخدم يحسن الدقة المستقبلية للعناصر المماثلة.

خط أنابيب المعالجة: من الصورة إلى التغذية في أقل من ثانيتين

إليك نظرة مبسطة على ما يحدث عندما يلتقط مستخدم Nutrola صورة لطعام:

الخطوة 1 (0-200 مللي ثانية): معالجة الصورة. يتم تطبيع الصورة من حيث الحجم، والاتجاه، وتوازن اللون. تضمن الفحوصات الأساسية للجودة أن الصورة قابلة للاستخدام.

الخطوة 2 (200-600 مللي ثانية): اكتشاف العناصر المتعددة. يحدد نموذج الكشف المناطق التي تحتوي على عناصر غذائية متميزة ويرسم مناطق حدودية حول كل منها.

الخطوة 3 (600-1000 مللي ثانية): تصنيف كل منطقة. يتم تصنيف كل منطقة تم اكتشافها ضد تصنيف أكثر من 130,000 نوع من الطعام. يتم تعيين درجات الثقة لكل تصنيف.

الخطوة 4 (1000-1400 مللي ثانية): تقدير الحصص. يتم تقدير الحجم والوزن لكل عنصر تم اكتشافه باستخدام استنتاج العمق، وتقدير حجم الكائن المرجعي، ونماذج كثافة خاصة بالطعام.

الخطوة 5 (1400-1800 مللي ثانية): رسم الخرائط الغذائية. يتم مطابقة كل عنصر مصنف ومقدّر مع مدخل قاعدة بيانات موثوقة من أخصائيي التغذية. يتم تطبيق تعديلات طريقة التحضير.

الخطوة 6 (1800-2000 مللي ثانية): تجميع النتائج. يتم تجميع التحليل الغذائي الكامل وعرضه على المستخدم، مع سرد العناصر الفردية وتقديم ملخص إجمالي للوجبة.

يكتمل خط الأنابيب بالكامل عادةً في أقل من ثانيتين على الهواتف الذكية الحديثة، حيث يتم تشغيل الكشف والتصنيف الأولي على الجهاز، بينما تتصل رسم الخرائط الغذائية بقاعدة بيانات Nutrola السحابية.

ما هو القادم: مستقبل الذكاء الاصطناعي في التعرف على الطعام

القدرات الناشئة

يستمر مجال الذكاء الاصطناعي في التعرف على الطعام في التقدم بسرعة:

• تتبع قائم على الفيديو يحلل جلسات تناول الطعام بدلاً من الصور الفردية، مما يحسن تقدير الحصص من وجهات نظر متعددة
• التعرف على مستوى المكونات الذي يحدد المكونات الفردية داخل الأطباق المختلطة بدلاً من اعتبارها إدخالات واحدة
• تحليل عملية الطهي التي يمكن أن تقدر التغييرات الغذائية من الحالة الخام إلى المطبوخة بناءً على الأدلة المرئية لطريقة الطهي والمدة
• قياس الحصص بمساعدة AR الذي يستخدم مستشعرات العمق في الهواتف الذكية (LiDAR) لتقدير الحجم بدقة أكبر
• التعلم عبر الأنماط الذي يجمع بين المعلومات البصرية والنصية (القوائم، الملصقات) والسياقية (الموقع، الوقت من اليوم) لتحقيق تحديد أكثر دقة

ميزة الحجم

مع وجود أكثر من 2 مليون مستخدم عبر أكثر من 50 دولة يسجلون ملايين الوجبات، يتحسن نظام التعرف الخاص بـ Nutrola بسرعة لا يمكن أن تتطابق معها الأبحاث الأكاديمية. كل وجبة مسجلة هي نقطة بيانات. كل تصحيح هو إشارة تدريب. كل مطبخ جديد يتم مواجهته هو توسيع لمعرف النموذج. تعني هذه الديناميكية أن النظام يصبح أكثر دقة بشكل ملحوظ كل شهر، خاصةً بالنسبة لذيل طويل من الأطعمة الإقليمية والثقافية التي لا يمكن للأنظمة الأصغر تعلمها.

الخلاصة

يعد الذكاء الاصطناعي في التعرف على الطعام من أكثر التطبيقات التقنية تحديًا في رؤية الكمبيوتر، حيث يتطلب حلولاً لمشكلات لا تواجهها معظم أنظمة التصنيف البصري: التباين البصري الشديد داخل الفئات، واكتشاف العناصر المتعددة على الأطباق المزدحمة، وتقدير الحصص ثلاثية الأبعاد من الصور ثنائية الأبعاد، ورسم الخرائط إلى بيانات غذائية موثوقة عبر أكثر من 130,000 عنصر من عشرات المطابخ.

تمثل التكنولوجيا وراء ميزة Snap & Track من Nutrola تقاطع الشبكات العصبية التلافيفية العميقة، والهياكل المتقدمة لاكتشاف الكائنات، ونماذج تقدير الحصص الإحصائية، وقاعدة بيانات موثوقة من أخصائيي التغذية. النتيجة هي نظام يمكنه تحويل صورة عادية لوجبتك إلى تحليل غذائي مفصل في أقل من ثانيتين.

ليس مثاليًا. لا يوجد نظام حالي مثالي. لكنه دقيق بما يكفي لجعل تتبع التغذية عمليًا لملايين الأشخاص الذين لن يزنوا طعامهم أو يبحثوا يدويًا في قاعدة بيانات. وهو يتحسن كل يوم، متعلمًا من كل وجبة يشاركها مستخدموه. تلك المجموعة من القدرات الحالية والتحسين المستمر هي ما يجعل التعرف على الطعام المدعوم بالذكاء الاصطناعي ليس مجرد إنجاز تقني، بل أداة عملية لتحسين التغذية.