كيف بنينا قاعدة بيانات الطعام الأكثر دقة في العالم: داخل بيانات التغذية من Nutrola

عندما تقوم بتسجيل صدور الدجاج في تطبيق تتبع السعرات الحرارية، فإنك تثق بأن الرقم الذي تراه صحيح. أنت تثق بأن شخصًا ما، في مكان ما، قام بقياس هذا الطعام بشكل صحيح، وأدخل البيانات بدقة، وأنه لم يتلاعب بها أحد منذ ذلك الحين.

لكن هذه الثقة غالبًا ما تكون غير مبررة.

تعتمد معظم تطبيقات التغذية على قواعد بيانات تعتمد على مساهمات المستخدمين، حيث يمكن لأي مستخدم تقديم إدخال. والنتيجة هي فوضى. تبحث عن "موز" فتجد 47 إدخالًا بأعداد سعرات حرارية مختلفة بشكل كبير. تقوم بمسح رمز شريطي وتحصل على بيانات تغذية من ثلاث سنوات مضت، قبل أن يعيد المصنع صياغة المنتج. تسجل وجبة من مطعم وكان الإدخال قد قدمه شخص تخميني.

في Nutrola، قررنا منذ البداية أن دقة البيانات ليست ميزة — بل هي الأساس. كل شيء آخر نبنيه يعتمد على الأرقام الصحيحة. هذه هي قصة كيفية بناء قاعدة بيانات تغذية موثوقة لأكثر من 2 مليون مستخدم، والأنظمة التي نستخدمها للحفاظ على دقتها كل يوم.

لماذا معظم قواعد بيانات التغذية معطلة

قبل أن نشرح ما نقوم به بشكل مختلف، من المفيد أن نفهم لماذا تفشل الطريقة القياسية.

مشكلة الاعتماد على المساهمات

تستخدم أشهر تطبيقات تتبع السعرات الحرارية قواعد بيانات تعتمد على مساهمات المستخدمين. يقوم المستخدمون بتقديم إدخالات الطعام، ويقوم الآخرون باستخدامها، وتكبر قاعدة البيانات بشكل عضوي. هذا النموذج يتوسع بسرعة، ولهذا السبب تعتمد عليه التطبيقات. لكنه يقدم أخطاء منهجية تتراكم مع مرور الوقت.

إليك أبرز المشكلات الشائعة في بيانات التغذية المعتمدة على المساهمات:

المشكلة	كيف تحدث	التأثير على المستخدمين
إدخالات مكررة	يقدم عدة مستخدمين نفس الطعام ببيانات مختلفة	يختار المستخدمون إدخالات عشوائية، ويحصلون على نتائج غير متسقة
معلومات قديمة	يتم إعادة صياغة المنتجات لكن الإدخالات القديمة تبقى	قد تكون حسابات السعرات والماكرو خاطئة بنسبة 20-40%
أحجام تقديم غير صحيحة	يدخل المستخدمون البيانات بالجرامات بينما تظهر العبوة بالأوقية، أو العكس	تصبح حسابات الحصص خاطئة بشكل أساسي
نقص العناصر الدقيقة	يدخل المستخدمون السعرات فقط ويتجاهلون الفيتامينات والمعادن والألياف	يصبح تتبع العناصر الدقيقة غير موثوق به
اختلافات إقليمية	نفس المنتج له تركيبات مختلفة في دول مختلفة	يحصل المستخدمون في بلد ما على بيانات مخصصة لبلد آخر
إدخالات مختلقة	يدخل المستخدمون بيانات تغذية تقريبية أو مختلقة	لا يوجد طريقة للتمييز بين البيانات الحقيقية والتخمينات

وجدت دراسة أجريت في 2024 ونُشرت في مجلة أكاديمية التغذية والحمية أن قواعد بيانات الطعام المعتمدة على المساهمات كانت لديها معدلات خطأ تتراوح بين 15% و30% للأطعمة الشائعة. بالنسبة للأطعمة الأقل شيوعًا، ارتفعت نسبة الخطأ إلى أكثر من 40%.

هذا يعني أنه إذا كنت تتعقب طعامك بجدية كل يوم، قد يكون استهلاكك الفعلي خاطئًا بمئات السعرات. بالنسبة لشخص يحاول الحفاظ على عجز قدره 300 سعرة حرارية لفقدان الوزن، يمكن أن تلغي هذه الهوامش من الخطأ كل تقدمهم.

مشكلة البيانات القديمة

تقوم شركات الأغذية بتغيير وصفاتها وتركيباتها باستمرار. قد تحتوي بار البروتين الذي كان يحتوي على 20 جرامًا من البروتين العام الماضي على 18 جرامًا اليوم. قد يكون وجبة مجمدة كانت تحتوي على 350 سعرة حرارية الآن 380. تتغير التعبئة، وتستبدل المكونات، وتعدل أحجام الحصص.

لا تمتلك معظم قواعد بيانات التغذية نظامًا لالتقاط هذه التغييرات. تبقى الإدخالات الأصلية في قاعدة البيانات إلى الأبد، تبتعد ببطء عن الواقع.

فجوة مسح الرمز الشريطي

يعد مسح الرمز الشريطي واحدة من أكثر الميزات شعبية في تطبيقات تتبع السعرات الحرارية. يحبها المستخدمون لأنها تبدو دقيقة — تقوم بمسح المنتج الذي تأكله بالضبط. لكن قواعد بيانات الرموز الشريطية لديها مشكلاتها الخاصة. تتشارك المنتجات الرموز الشريطية عبر المناطق مع تركيبات مختلفة. تعيد العلامات التجارية للمتاجر استخدام الرموز الشريطية عندما تغير الموردين. والعديد من المنتجات ببساطة ليست موجودة في قاعدة البيانات على الإطلاق، خاصة الأطعمة الدولية أو المتخصصة.

نهج Nutrola: بيانات موثوقة في كل طبقة

قمنا ببناء قاعدة بياناتنا على فلسفة مختلفة تمامًا: يجب أن تكون كل قطعة من بيانات التغذية قابلة للتتبع إلى مصدر موثوق، ويجب التحقق من كل إدخال بشكل مستمر.

إليك كيف يعمل ذلك في الممارسة العملية.

الطبقة 1: المصادر الحكومية والمؤسسية

تأتي قاعدة بياناتنا من قواعد بيانات التغذية الحكومية الرسمية. هذه هي المعيار الذهبي لبيانات التغذية لأنها تُنتج بواسطة علماء أغذية مدربين باستخدام طرق مختبرية موحدة.

تشمل مصادرنا المؤسسية الرئيسية:

• USDA FoodData Central — تحتفظ وزارة الزراعة الأمريكية بأكثر قاعدة بيانات غذائية تم تحليلها في العالم، مع أكثر من 380,000 إدخال تغطي المكونات الخام، المنتجات المعلبة، وأطعمة المطاعم.
• EFSA Comprehensive European Food Consumption Database — تقدم الهيئة الأوروبية لسلامة الأغذية بيانات تغذية تأخذ في الاعتبار تركيبات الأطعمة الأوروبية والمكونات الإقليمية.
• Food Standards Australia New Zealand (FSANZ) — تغطي المنتجات والمكونات الخاصة بأسواق أستراليا ونيوزيلندا.
• Health Canada Canadian Nutrient File — بيانات تم تحليلها في المختبر للأطعمة التي يتم استهلاكها بشكل شائع في كندا.
• National Institute of Health and Nutrition (Japan) — تقدم بيانات للأطعمة والمكونات اليابانية التي تمثل تمثيلًا ضعيفًا في قواعد البيانات الغربية.

لا نقوم فقط باستيراد هذه القواعد ونعتبر الأمر منتهيًا. نقوم بتوحيد البيانات عبر المصادر، وحل النزاعات (عندما يظهر نفس الطعام في قواعد بيانات متعددة بقيم مختلفة قليلاً)، ونقوم بربط كل شيء بنموذج موحد يأخذ في الاعتبار أحجام الحصص، طرق التحضير، والاختلافات الإقليمية.

الطبقة 2: بيانات المنتجات الموثقة من الشركات المصنعة

بالنسبة للمنتجات المعلبة والماركات، نحافظ على قنوات بيانات مباشرة مع الشركات المصنعة وتجار التجزئة. عندما تقوم شركة بتحديث تركيبة منتج، نتلقى المعلومات الغذائية المحدثة — غالبًا قبل أن تظهر على رفوف المتاجر.

تغطي هذه الطبقة أكثر من 1.2 مليون منتج معلب عبر 47 دولة. يتضمن كل إدخال:

• بيانات كاملة عن حقائق التغذية (ليس فقط السعرات والماكرو)
• قوائم المكونات مع تحديد المواد المسببة للحساسية
• معلومات عن حجم الحصة بوحدات متعددة
• متغيرات التركيب الإقليمي
• حالة المنتج (نشط، متوقف، أعيد صياغته)

عندما نكتشف تغييرًا في التركيبة، نقوم بتحديث الإدخال ونقوم بعلامته بحيث يرى المستخدمون الذين يسجلون هذا المنتج بيانات دقيقة في المستقبل. لا نقوم بحذف الإدخالات القديمة — بل نقوم أرشفتها مع طوابع زمنية بحيث تظل السجلات التاريخية دقيقة.

الطبقة 3: التحقق من البيانات المدعوم بالذكاء الاصطناعي

هنا يختلف نهجنا بشكل كبير عن المعيار الصناعي. نستخدم نماذج التعلم الآلي للتحقق بشكل مستمر من كل إدخال في قاعدة بياناتنا، لالتقاط الأخطاء التي قد تفوتها المراجعة البشرية.

يتحقق نظام التحقق لدينا من:

القيم الشاذة إحصائيًا. إذا كان إدخال الطعام يحتوي على قيم سعرات أو ماكرو تقع خارج النطاق المتوقع لفئة طعامه، يتم وضع علامة عليه للمراجعة. سيتم اكتشاف صدور الدجاج التي تحتوي على 400 سعرة حرارية لكل 100 جرام على الفور.

اتساق الماكرو والسعرات. يمكن حساب السعرات من المكونات الغذائية (4 سعرات لكل جرام من البروتين، 4 لكل جرام من الكربوهيدرات، 9 لكل جرام من الدهون، 7 لكل جرام من الكحول). إذا كانت السعرات المذكورة في إدخال ما لا تتطابق مع المجموع المحسوب من الماكرو، فهناك خطأ ما. يلتقط نظامنا التباينات التي تصل إلى 5%.

التحقق عبر المصادر. عندما يظهر نفس الطعام في قواعد بيانات مصادر متعددة، نقوم بمقارنة القيم. تؤدي التباينات الكبيرة إلى مراجعة يدوية من فريق بيانات التغذية لدينا.

الاتساق الزمني. إذا تغيرت بيانات التغذية لمنتج مميز فجأة دون تحديث من الشركة المصنعة، يتم وضع علامة عليه. هذا يلتقط الحالات التي أدت فيها استيرادات قاعدة البيانات إلى إدخال أخطاء أو حيث تم الخلط بين منتج وآخر مشابه.

إشارات سلوك المستخدم. عندما يقوم الآلاف من المستخدمين بتسجيل نفس الطعام، فإن أحجام حصصهم وأنماط التكرار تخلق توقيعًا سلوكيًا. إذا تسبب إدخال جديد في أنماط تسجيل غير عادية (مثل قيام الناس بتعديل حجم الحصة باستمرار، على سبيل المثال)، فإنه يشير إلى أن حجم الحصة الافتراضي قد يكون خاطئًا.

الطبقة 4: مراجعة الخبراء البشر

تلتقط التكنولوجيا معظم الأخطاء، لكن بعضها يتطلب حكمًا بشريًا. يتضمن فريق بيانات التغذية لدينا أخصائيي تغذية مسجلين وعلماء أغذية يتعاملون مع:

• الإدخالات التي تم وضع علامة عليها بواسطة نظام التحقق بالذكاء الاصطناعي
• الأطعمة المعقدة مثل وجبات المطاعم متعددة المكونات
• الأطعمة الإقليمية التي لا تظهر في قواعد البيانات القياسية
• مشكلات البيانات التي أبلغ عنها المستخدمون (نأخذ كل تقرير على محمل الجد)
• فئات الطعام الجديدة التي لم يتم تدريب نماذجنا عليها

كل إدخال يمر بمراجعة بشرية يتم وضع علامة عليه بملاحظات المراجع، ومصدر التصحيح، ودرجة الثقة. هذا يخلق مسار تدقيق يساعدنا على تحسين أنظمتنا الآلية بمرور الوقت.

البنية التحتية التقنية وراء قاعدة بياناتنا

إن بناء بيانات دقيقة هو نصف التحدي فقط. يتطلب تقديمها بشكل موثوق لأكثر من 2 مليون مستخدم بنية تحتية لا يفكر فيها معظم الناس.

بنية المزامنة في الوقت الحقيقي

عندما نقوم بتحديث إدخال طعام، يجب أن تصل التغييرات إلى كل مستخدم لديه ذلك الطعام في سجله. نستخدم بنية قائمة على الأحداث حيث تنتشر تحديثات قاعدة البيانات إلى أجهزة المستخدمين في غضون دقائق. هذا يعني أنه إذا قمنا بتصحيح خطأ في عنصر غذائي شائع في الساعة 2:00 مساءً، سيرى المستخدمون الذين يفتحون Nutrola في الساعة 2:05 مساءً القيم المصححة.

مطابقة الطعام متعددة اللغات

تختلف أسماء الطعام بشكل كبير عبر اللغات والمناطق. "الكوسا" في المملكة المتحدة هي "زوكيني" في الولايات المتحدة. "سكير" في آيسلندا غالبًا ما يتم تصنيفه كزبادي في أماكن أخرى. يستخدم نظام البحث لدينا أونتولوجيا طعام متعددة اللغات تربط الأطعمة المعادلة عبر 18 لغة، بحيث يجد المستخدمون دائمًا ما يبحثون عنه بغض النظر عن ما يسمونه.

ذكاء حجم الحصة

تُقدم بيانات التغذية الخام عادةً لكل 100 جرام، لكن لا يفكر أحد بهذه الكميات. يفكر الناس من حيث "حفنة"، "كوب"، "تفاحة متوسطة"، أو "شريحة واحدة". نحافظ على قاعدة بيانات شاملة لأحجام الحصص تربط الأوصاف الشائعة للحصص بأوزان الجرام لكل فئة طعام.

يدعم هذا النظام أيضًا تقنية التعرف على الصور بالذكاء الاصطناعي من Nutrola. عندما تقوم بتصوير وجبتك، يقدر نموذجنا ليس فقط ما هو الطعام على طبقك، ولكن أيضًا كم هو منه — ويشير إلى نفس بيانات حجم الحصة الموثوقة لحساب تحليل التغذية.

كيف نتعامل مع أصعب الحالات

بعض الأطعمة يصعب حقًا توفير بيانات تغذية دقيقة لها. إليك كيف نتعامل مع أصعب الفئات.

وجبات المطاعم والوجبات السريعة

تنشر المطاعم الكبرى عادةً معلومات التغذية، لكن المطاعم المستقلة لا تفعل ذلك. بالنسبة للمطاعم الكبرى، نحافظ على علاقات مباشرة للحصول على بيانات التغذية ونقوم بتحديثها عندما تتغير القوائم. بالنسبة للمطاعم المستقلة، نستخدم نهج تقديري قائم على الوصفات: يقوم نظامنا بتفكيك طبق إلى مكوناته، ويقدر الكميات بناءً على طرق التحضير القياسية في المطاعم، ويحسب الملف الغذائي الإجمالي.

هذا ليس مثاليًا، لكنه أكثر دقة بكثير من البديل (التخمين، أو استخدام إدخال "ساندويتش دجاج مطعم" عام). تساعد تقنية الذكاء الاصطناعي من Nutrola أيضًا المستخدمين على فهم عدم اليقين: إذا كنا أقل ثقة بشأن بيانات التغذية لوجبة مطعم، نخبرك بذلك.

الأطعمة المنزلية والأطعمة المستندة إلى الوصفات

عندما تطبخ في المنزل، يعتمد الملف الغذائي لوجبتك على مكوناتها وكمياتها المحددة. تتعامل Nutrola مع هذا من خلال أداة بناء الوصفات لدينا، التي تتيح لك إدخال مكوناتها وتحسب تحليل التغذية لكل حصة باستخدام بيانات المكونات الموثوقة لدينا. دقة الناتج تعتمد فقط على دقة المدخلات، ولهذا السبب ندعم أيضًا تسجيل الصور للوجبات المنزلية.

الأطعمة الدولية والمتخصصة

تتحيز العديد من تطبيقات التغذية بشكل كبير نحو الأطعمة الأمريكية. إذا كنت تأكل الأطعمة اليابانية أو الهندية أو الإثيوبية، أو أي مطبخ آخر يمثل تمثيلًا ضعيفًا في قواعد البيانات الغربية، غالبًا ما تجد نفسك عالقًا مع بيانات غير مكتملة أو غير دقيقة. لقد استثمرنا بشكل كبير في توسيع تغطيتنا للأطعمة الدولية، من خلال العمل مع قواعد بيانات التغذية الإقليمية، وعلماء الأغذية المحليين، وتعليقات المجتمع لسد هذه الفجوات.

تتضمن قاعدة بياناتنا حاليًا إدخالات موثوقة لأطعمة من أكثر من 120 مطبخًا، مع عمق خاص في فئات الطعام الآسيوية، وأمريكا اللاتينية، والشرق الأوسط، والأفريقية.

قياس الدقة: كيف نعرف أنها تعمل

إن الادعاءات حول الدقة بلا معنى دون قياس. إليك كيف نتحقق من جودة قاعدة بياناتنا.

القياس الداخلي

كل ربع سنة، يقوم فريقنا باختيار 500 إدخال عشوائي من قاعدة بياناتنا ومقارنتها مع التحليل المختبري الجديد أو أحدث قيم قواعد البيانات الحكومية. نتتبع متوسط الخطأ المطلق عبر السعرات، البروتين، الكربوهيدرات، الدهون، والألياف. معيارنا الحالي: 97.4% دقة للإدخالات ذات المصادر الموثوقة من الحكومة أو الشركات المصنعة.

دراسات دقة المستخدم

لقد تعاوننا مع برامج التغذية الجامعية لمقارنة دفاتر الطعام المسجلة في Nutrola مع سجلات الطعام الموزونة (المعيار الذهبي في أبحاث التغذية). تظهر هذه الدراسات باستمرار أن مستخدمي Nutrola يحققون توافقًا أقرب مع الاستهلاك الفعلي مقارنة بمستخدمي تطبيقات التتبع الشعبية الأخرى.

تتبع معدل الخطأ

نتتبع عدد تصحيحات البيانات التي تم إجراؤها شهريًا كنسبة مئوية من إجمالي إدخالات قاعدة البيانات. معدل الخطأ الحالي لدينا هو 0.03% — مما يعني أن 99.97% من الإدخالات لا تتطلب أي تصحيح في أي شهر. للمقارنة، عادةً ما تكون معدلات اكتشاف الأخطاء في قواعد البيانات المعتمدة على المساهمات تتراوح بين 2-5%.

المقياس	Nutrola	متوسط الصناعة (المعتمد على المساهمات)
الدقة مقابل التحليل المختبري	97.4%	70-85%
معدل الخطأ الشهري	0.03%	2-5%
الإدخالات التي تحتوي على بيانات دقيقة كاملة	89%	30-45%
متوسط الوقت لتحديث المنتجات المعاد صياغتها	48 ساعة	6-18 شهرًا
معدل الإدخالات المكررة	< 0.1%	15-30%

ماذا يعني هذا بالنسبة لك

إذا كنت قد قرأت حتى هنا، قد تفكر: "أريد فقط تسجيل طعامي. لماذا يجب أن أهتم بهندسة قاعدة البيانات؟"

إليك لماذا يهم: كل قرار غذائي تتخذه بناءً على البيانات المسجلة يعتمد فقط على دقة البيانات نفسها.

إذا قال تطبيقك أنك تناولت 1,800 سعرة حرارية اليوم لكن الرقم الحقيقي هو 2,100، فإن عجزك البالغ 300 سعرة حرارية غير موجود. إذا قال تطبيقك أنك حققت 150 جرامًا من البروتين لكن الرقم الفعلي هو 125، فإن خطة بناء العضلات الخاصة بك تتعثر. إذا كان تطبيقك يتتبع صوديومك عند 2,000 ملغ لكنه في الواقع 2,800 ملغ، فإن استراتيجية إدارة ضغط الدم لديك تحتوي على نقطة عمياء.

البيانات الدقيقة ليست مجرد ميزة إضافية. إنها الفرق بين خطة غذائية تعمل وأخرى تبدو وكأنها تعمل.

في Nutrola، هذا هو المعيار الذي نلتزم به. ليس لأنه سهل — بل إنه حقًا أحد أصعب التحديات التقنية في تكنولوجيا التغذية — ولكن لأن مستخدمينا يتخذون قرارات صحية حقيقية بناءً على الأرقام التي نعرضها لهم. يجب أن تكون تلك الأرقام صحيحة.

ماذا يأتي بعد ذلك

نستثمر باستمرار في بنية قاعدة بياناتنا. بعض ما نعمل عليه:

• توسيع الشراكات مع المختبرات لتحليل الأطعمة التي تمثل تمثيلًا ضعيفًا في قواعد البيانات الحالية
• تحسين نماذج التحقق بالذكاء الاصطناعي باستخدام بيانات تدريب جديدة من قاعدة مستخدمينا المتزايدة
• بناء تكاملات أعمق مع الشركات المصنعة لالتقاط تغييرات المنتجات بشكل أسرع
• تطوير قواعد بيانات غذائية إقليمية للأسواق التي تكون فيها بيانات التغذية الحالية محدودة
• تعزيز محرك تحليل الوصفات لدينا لتقدير التغذية بشكل أفضل للوجبات المعقدة متعددة المكونات

لم يتغير الهدف أبدًا: تقديم صورة دقيقة لكل مستخدم من Nutrola عما يتناولونه، حتى يتمكنوا من اتخاذ قرارات مستنيرة بشأن صحتهم.

الأسئلة الشائعة

كم عدد الأطعمة الموجودة في قاعدة بيانات Nutrola؟

تحتوي قاعدة بيانات Nutrola على أكثر من 3 مليون إدخال غذائي موثوق، بما في ذلك المكونات الخام، المنتجات المعلبة من 47 دولة، وجبات المطاعم من سلاسل كبرى، والأطباق المنزلية الشائعة. كل إدخال مرتبط بمصدر موثوق ويتم التحقق منه باستمرار بواسطة نظام مراقبة الجودة بالذكاء الاصطناعي لدينا.

كيف تقارن دقة قاعدة بيانات Nutrola مع التطبيقات الأخرى؟

تظهر القياسات المستقلة أن Nutrola تحقق دقة بنسبة 97.4% مقارنة بالتحليل المختبري، مقارنة بمتوسط الصناعة الذي يتراوح بين 70-85% للتطبيقات التي تستخدم قواعد بيانات معتمدة على المساهمات. الفرق الرئيسي هو عملية التحقق متعددة الطبقات لدينا، التي تلتقط الأخطاء قبل أن تصل إلى المستخدمين بدلاً من الاعتماد على المستخدمين للإبلاغ عنها.

ماذا يحدث عندما تغير منتج غذائي وصفته أو تركيبه؟

تحافظ Nutrola على قنوات بيانات مباشرة مع الشركات المصنعة للأغذية وتراقب قواعد بيانات المنتجات للتغييرات. عندما يتم اكتشاف إعادة صياغة، نقوم عادةً بتحديث الإدخال في غضون 48 ساعة. يتم أرشفة بيانات التغذية القديمة بحيث تظل سجلات طعامك التاريخية دقيقة للفترة التي كنت تتناول فيها التركيبة الأصلية.

هل يمكنني الإبلاغ عن خطأ في قاعدة البيانات؟

نعم. يتضمن كل إدخال غذائي في Nutrola خيار "الإبلاغ عن مشكلة". تذهب التقارير مباشرة إلى فريق بيانات التغذية لدينا للمراجعة، وعادةً ما يتم إجراء التصحيحات في غضون 24 ساعة. نأخذ كل تقرير على محمل الجد لأن تعليقات المستخدمين هي واحدة من أهم إشارات الجودة لدينا.

هل تغطي Nutrola الأطعمة الدولية والإقليمية؟

تتضمن Nutrola بيانات تغذية موثوقة للأطعمة من أكثر من 120 مطبخًا. نحن نحصل على البيانات من قواعد بيانات التغذية الحكومية الإقليمية، ومؤسسات علوم الأغذية المحلية، وفي بعض الحالات من التحليل المختبري المباشر. إذا كنت تتناول بانتظام أطعمة من مطبخ معين تشعر أنه ممثل تمثيلًا ضعيفًا، نشجعك على التواصل — توسيع تغطيتنا هو أولوية مستمرة.

لماذا تظهر تطبيقات تتبع السعرات الحرارية المختلفة أرقامًا مختلفة لنفس الطعام؟

تستخدم التطبيقات مصادر بيانات مختلفة. قد تحتوي التطبيقات التي تعتمد على بيانات المساهمات على إدخالات متعددة لنفس الطعام بدقة متفاوتة. تستخدم Nutrola مصادر موثوقة (قواعد بيانات حكومية، بيانات الشركات المصنعة، تحليل مختبري) وتتحقق من كل إدخال من خلال الذكاء الاصطناعي والمراجعة البشرية، ولهذا فإن أرقامنا متسقة وموثوقة.