مختبر أبحاث Nutrola: كيف نتحقق من دقة التعرف على الطعام بواسطة الذكاء الاصطناعي مقابل التحليل المخبري

تعتمد الثقة في نظام تتبع التغذية بالذكاء الاصطناعي على سؤال واحد: ما مدى قرب الأرقام التي يقدمها لك من الواقع؟ نظام يعلن عن 450 سعرة حرارية بينما العدد الفعلي هو 620 ليس فقط غير دقيق؛ بل يقوض كل قرار غذائي مبني على تلك البيانات. في Nutrola، نؤمن أن الادعاءات المتعلقة بالدقة دون منهجية شفافة لا تعني شيئًا.

توضح هذه المقالة كيف يتحقق مختبر أبحاث Nutrola من دقة التعرف على الطعام. نصف بروتوكولات الاختبار لدينا، والمعايير المرجعية التي نقيس ضدها، وكيف نصنف ونقلل الأخطاء، والمقاييس التي ننشرها. هدفنا هو تقديم فهم واضح للمستخدمين، وأخصائيي التغذية، والمطورين، والباحثين حول ما تعنيه "الدقة" في سياقنا وكيف نعمل على تحسينها.

لماذا تعتبر عملية التحقق مهمة

تقوم معظم تطبيقات التغذية بالإبلاغ عن الدقة باستخدام معايير داخلية تم تحسينها للحصول على نتائج إيجابية. من الممارسات الشائعة اختبار جزء محجوز من نفس مجموعة البيانات المستخدمة للتدريب، مما يؤدي إلى أرقام دقة مبالغ فيها لا تعكس الأداء في العالم الحقيقي. قد يحقق نموذج ما دقة تصل إلى 95 بالمئة على مجموعة اختباره الخاصة بينما يواجه صعوبة مع الأطعمة التي يتناولها مستخدموه فعليًا.

يتطلب التحقق الصحيح اختبارًا مقابل حقيقة مستقلة باستخدام بروتوكولات تقلل من التحيز. في السياقات الطبية والعلمية، يُطلق على هذا اسم التحقق التحليلي، ويتضمن مقارنة مخرجات النظام بمعيار مرجعي معروف باستخدام بروتوكول مسجل مسبقًا. يطبق مختبر أبحاث Nutrola هذا المبدأ على التعرف على الطعام.

معيارنا المرجعي: الوجبات التي تم تحليلها في المختبر

كيف نخلق الوجبات المرجعية

أساس عملية التحقق لدينا هو مكتبة من الوجبات المرجعية ذات التركيب الغذائي المعتمد في المختبر. إليك كيف نقوم بإنشائها:

1. اختيار الوجبات: نختار وجبات تمثل تنوع الأطعمة التي يتتبعها مستخدمو Nutrola. يشمل ذلك الوجبات الشائعة (دجاج مشوي مع أرز، مكرونة مع صلصة الطماطم)، والأطباق المعقدة متعددة المكونات (بيبيمباب، أطباق ثالي مختلطة)، والحالات الصعبة (الحساء، العصائر، الأطباق ذات الصلصات الكثيرة)، والعناصر من المطابخ غير الممثلة.

2. التحضير والوزن: يتم تحضير كل وجبة في مطبخ الاختبار الخاص بنا أو الحصول عليها من المطاعم. يتم وزن كل مكون على ميزان مختبري معاير (بدقة 0.1 جرام) قبل وأثناء التحضير. يتم قياس الزيوت، والصلصات، والتوابل، والزينة بدقة.

3. التصوير: يتم تصوير الوجبة المحضرة تحت ظروف متعددة:

   • إضاءة مسيطرة (5500K ضوء نهاري، مفلتر)
   • ضوء النهار الطبيعي (ظروف متغيرة)
   • إضاءة صناعية داخلية (فلوريسنت، متوهجة، LED دافئ)
   • زوايا متعددة (من الأعلى، 45 درجة، مستوى العين)
   • أجهزة متعددة (آيفون حديث، سامسونج جالكسي، بيكسل، أندرويد متوسط)
   • مسافات وتركيبات متغيرة

   كل وجبة تنتج من 15 إلى 30 صورة عبر هذه الظروف، مما ينتج مجموعة اختبار تعكس التباين الفوتوغرافي في العالم الحقيقي.

4. التحليل في المختبر: بالنسبة لمجموعة من الوجبات التي تتطلب أعلى دقة مرجعية، نرسل عينات محضرة إلى مختبر تحليل غذائي معتمد (باستخدام طرق AOAC International). يقوم المختبر بقياس:

   • الطاقة الكلية (تحليل القنبلة الحرارية)
   • البروتين (طريقة كيدل أو طريقة احتراق دوماس)
   • الدهون الكلية (تحليل حمضي يتبعه استخراج سوكسلت)
   • الكربوهيدرات (عن طريق الفرق: الوزن الكلي ناقص البروتين، والدهون، والرطوبة، والرماد)
   • الألياف الغذائية (طريقة إنزيمية-وزنية)
   • محتوى الرطوبة والرماد

5. قيم مرجعية محسوبة: بالنسبة للوجبات التي لم يتم إجراء تحليل مختبري لها، نحسب القيم الغذائية المرجعية من أوزان المكونات باستخدام قاعدة بيانات USDA FoodData Central (SR Legacy وFNDDS) وبيانات الشركات المصنعة المعتمدة للمنتجات ذات العلامات التجارية. تعتبر هذه القيم المحسوبة معايير مرجعية ثانوية.

حجم مكتبة الوجبات المرجعية

اعتبارًا من الربع الأول من عام 2026، تحتوي مكتبة مختبر أبحاث Nutrola المرجعية على:

الفئة	العدد
وجبات فريدة ذات قيم مرجعية محسوبة	4,200+
وجبات فريدة ذات قيم مرجعية تم تحليلها في المختبر	680+
إجمالي الصور المرجعية	78,000+
المطابخ الممثلة	42
الأنماط الغذائية المغطاة (كيتو، نباتي، حلال، إلخ)	18

نضيف حوالي 50 وجبة مرجعية جديدة شهريًا ونعيد اختبار الوجبات الحالية ضد النماذج المحدثة كل ثلاثة أشهر.

بروتوكول الاختبار العمي

ماذا يعني "عمي" في هذا السياق

تم تصميم بروتوكول الاختبار لدينا لمنع النموذج من الحصول على أي ميزة غير عادلة على الوجبات المختبرة. نفرض ثلاث مستويات من الفصل:

1. فصل البيانات: لم تظهر أي صورة لوجبة مرجعية في أي مجموعة بيانات تدريبية. نحافظ على فجوة صارمة بين مكتبة الاختبار وبيانات التدريب، مفروضة من خلال إزالة التكرار المعتمدة على التجزئة ونظام تخزين منفصل مع ضوابط وصول.

2. تعمية المقيم: الأعضاء في الفريق الذين يقومون بتحضير وتصوير الوجبات المرجعية مختلفون عن الأعضاء الذين يطورون ويدربون النماذج. لا يرى مطورو النماذج مكتبة الاختبار حتى يتم نشر النتائج.

3. التقييم الآلي: بمجرد التقاط الصور وتسجيل القيم المرجعية، يتم تشغيل خط أنابيب التقييم تلقائيًا. تُرسل الصور إلى واجهة برمجة التطبيقات الإنتاجية (نفس نقطة النهاية التي تخدم المستخدمين الحقيقيين) دون أي علامات خاصة، أو رؤوس، أو معالجة مسبقة. تتم مقارنة النتائج بالقيم المرجعية برمجيًا، مما يلغي الحكم الذاتي.

وتيرة الاختبار

نجري ثلاثة أنواع من اختبارات التحقق:

اختبار الانحدار المستمر: يتم تقييم كل تحديث للنموذج ضد المكتبة المرجعية الكاملة قبل النشر. لا يتم نشر نموذج يتراجع في أي فئة غذائية رئيسية حتى يتم حل الانحدار. يحدث هذا مع كل إصدار للنموذج، عادةً كل أسبوع إلى أسبوعين.

تقييم شامل ربع سنوي: كل ربع سنة، نجري تقييمًا كاملًا يتضمن الوجبات المرجعية الجديدة المضافة، ومقاييس الدقة المحدثة عبر جميع الفئات، ومقارنة بالأرباع السابقة، وتحليل أنماط الأخطاء.

تدقيق خارجي سنوي: مرة واحدة في السنة، نتعاون مع مقيم مستقل (قسم علوم الأغذية في جامعة أو مختبر اختبار مستقل) لتشغيل مجموعة فرعية من بروتوكولنا باستخدام وجبات يقومون بتحضيرها وتصويرها بشكل مستقل. هذا يحمي من التحيزات النظامية في ممارسات تحضير الوجبات أو التصوير الخاصة بنا.

كيف نقيس الدقة

مقاييس تحديد الطعام

دقة أعلى تصنيف (Top-1): النسبة المئوية للصور الاختبارية حيث يتطابق أعلى توقع للنموذج مع تسمية الطعام المرجعية. نقوم بالإبلاغ عن ذلك على ثلاثة مستويات:

• بشكل عام (جميع فئات الطعام)
• لكل مطبخ (مثل الياباني، المكسيكي، الهندي، الإيطالي)
• لكل مستوى صعوبة (عنصر بسيط، طبق متعدد المكونات، طبق مختلط)

دقة أعلى ثلاثة تصنيفات (Top-3): النسبة المئوية للصور الاختبارية حيث تظهر التسمية الصحيحة للطعام في أعلى ثلاثة توقعات للنموذج. هذا مهم لأن العديد من الحالات الغامضة (مثل شوربة الكريمة بالفطر مقابل شوربة الكريمة بالدجاج) يتم حلها من خلال اختيار المستخدم من قائمة قصيرة.

استرجاع الكشف: بالنسبة للأطباق متعددة العناصر، النسبة المئوية للعناصر الغذائية الفردية في المرجع التي يتم اكتشافها بواسطة النموذج. طبق يحتوي على دجاج، وأرز، وبروكلي حيث يكتشف النموذج الدجاج والأرز ولكنه يفوت البروكلي لديه استرجاع كشف بنسبة 66.7 بالمئة.

مقاييس الدقة الغذائية

متوسط الخطأ المطلق (MAE): الفرق المطلق المتوسط بين القيم الغذائية المتوقعة والمرجعية، يُبلغ عنه بالجرامات للمغذيات الكبيرة والسعرات الحرارية للطاقة.

متوسط الخطأ النسبي المطلق (MAPE): MAE معبرًا عنه كنسبة مئوية من القيمة المرجعية. هذا يُعادل عبر أحجام الحصص المختلفة وكثافات السعرات الحرارية. نقوم بالإبلاغ عن MAPE بشكل منفصل للسعرات الحرارية، والبروتين، والكربوهيدرات، والدهون، والألياف.

معامل الارتباط (r): الارتباط بيرسون بين القيم المتوقعة والمرجعية عبر مجموعة الاختبار. يشير الارتباط العالي (r > 0.90) إلى أن النموذج يصنف الوجبات بشكل موثوق من الأقل إلى الأعلى من حيث محتوى السعرات الحرارية/المغذيات، حتى لو كانت القيم المطلقة تحتوي على بعض الانحراف.

تحليل بلاند-ألتمن: لتقدير القيم الغذائية، نستخدم مخططات بلاند-ألتمن لتصور الاتفاق بين القيم المتوقعة والمرجعية. هذه الطريقة، المعتمدة في دراسات مقارنة الطرق السريرية، تكشف ما إذا كانت الأخطاء متسقة عبر نطاق القيم (تحيز موحد) أو ما إذا كانت الدقة تتدهور بالنسبة للأجزاء الصغيرة جدًا أو الكبيرة جدًا (تحيز نسبي).

معايير الدقة الحالية (الربع الأول من 2026)

المقياس	الإجمالي	العناصر البسيطة	متعددة المكونات	الأطباق المختلطة
دقة تحديد الطعام أعلى تصنيف (Top-1)	89.3%	94.1%	87.6%	78.4%
دقة تحديد الطعام أعلى ثلاثة تصنيفات (Top-3)	96.1%	98.7%	95.2%	90.3%
استرجاع الكشف (متعدد العناصر)	91.8%	N/A	91.8%	85.2%
MAPE للسعرات الحرارية	17.2%	12.8%	18.4%	24.6%
MAPE للبروتين	19.8%	14.3%	21.2%	27.1%
MAPE للكربوهيدرات	18.5%	13.6%	19.7%	25.8%
MAPE للدهون	22.4%	16.1%	23.8%	31.2%
معامل الارتباط للسعرات الحرارية (r)	0.94	0.97	0.93	0.88

ملاحظات: "العناصر البسيطة" هي صور طعام فردية (مثل تفاحة، وعاء من الشوفان). "الأطباق متعددة المكونات" تحتوي على عنصرين أو أكثر متميزين يمكن تمييزهما بصريًا. "الأطباق المختلطة" هي العناصر التي يتم فيها دمج المكونات (الحساء، الكسرولات، الكاري، العصائر). يعتبر MAPE للدهون هو أعلى مقياس خطأ باستمرار لأن الدهون المستخدمة في الطهي هي الأقل قابلية للاكتشاف بصريًا.

تصنيف الأخطاء

فهم مكان حدوث الأخطاء بنفس أهمية قياس حجمها. نقوم بتصنيف الأخطاء إلى خمسة أنواع:

النوع 1: سوء التعريف

يحدد النموذج الطعام الخاطئ تمامًا. مثال: تصنيف دجاج الريحان التايلاندي كدجاج كونغ باو. تؤثر هذه الأخطاء على كل من دقة التعريف والتقدير الغذائي. انخفضت أخطاء سوء التعريف من 15.2 بالمئة من جميع التوقعات في 2024 إلى 10.7 بالمئة في الربع الأول من 2026.

النوع 2: خطأ تقدير الحصة

يتم التعرف على الطعام بشكل صحيح ولكن تقدير الحصة بعيد بشكل كبير. مثال: التعرف بشكل صحيح على المعكرونة ولكن تقدير 200 جرام بينما الوزن الفعلي هو 140 جرام. تعتبر أخطاء الحصة أكبر مساهم في MAPE للسعرات الحرارية، حيث تمثل حوالي 55 بالمئة من إجمالي ميزانية الخطأ الغذائي.

النوع 3: مكون مفقود

يفشل النموذج في اكتشاف عنصر غذائي موجود في الصورة. مثال: عدم اكتشاف زيت الزيتون المضاف على السلطة، أو فقدان جانب صغير من الصلصة. تسبب هذه الأخطاء تقديرًا منهجيًا منخفضًا، وهي مشكلة خاصة بالنسبة للعناصر ذات السعرات الحرارية العالية التي قد تكون خفية بصريًا.

النوع 4: خطأ طريقة التحضير

يتم التعرف على الطعام بشكل صحيح على مستوى العنصر ولكن طريقة التحضير خاطئة. مثال: التعرف على صدر الدجاج بشكل صحيح ولكن تصنيفه على أنه مشوي بينما هو مقلي في الزيت. تؤثر أخطاء طريقة التحضير بشكل غير متناسب على تقديرات الدهون لأن طرق الطهي تغير بشكل كبير من محتوى الدهون.

النوع 5: خطأ في ربط قاعدة البيانات

يتم التعرف على الطعام بشكل صحيح وتقدير الحصة بشكل معقول، ولكن إدخال قاعدة البيانات الغذائية الذي يتم ربطه به لا يمثل بدقة النسخة المحددة. مثال: ربط خبز الثوم في مطعم بإدخال خبز الثوم العام الذي لا يأخذ في الاعتبار استخدام المطعم للزبدة الإضافية. يتم معالجة هذه الأخطاء من خلال توسيع قاعدة البيانات وإدخالات محددة للمطاعم.

توزيع الأخطاء (الربع الأول من 2026)

نوع الخطأ	التكرار	المساهمة في خطأ السعرات الحرارية
النوع 1: سوء التعريف	10.7% من التوقعات	22% من خطأ السعرات الحرارية
النوع 2: تقدير الحصة	34.2% من التوقعات	55% من خطأ السعرات الحرارية
النوع 3: مكون مفقود	8.3% من التوقعات	11% من خطأ السعرات الحرارية
النوع 4: طريقة التحضير	5.8% من التوقعات	8% من خطأ السعرات الحرارية
النوع 5: ربط قاعدة البيانات	3.1% من التوقعات	4% من خطأ السعرات الحرارية

كيف نقلل الأخطاء

تحسين النموذج المستمر

استراتيجية تقليل الأخطاء الرئيسية لدينا هي خط أنابيب التعلم النشط. عندما يقوم المستخدمون بتصحيح تعريف الطعام أو تعديل حجم الحصة، تدخل تلك التصحيحات في قائمة التحقق. يتم دمج التصحيحات التي تتماشى مع الملفات الغذائية المعروفة (مثل أن كثافة السعرات الحرارية للعنصر المصحح تقع ضمن نطاق معقول) في مجموعة بيانات التدريب للتحديث التالي للنموذج.

نقوم بإعادة تدريب نماذج التعرف لدينا على أساس أسبوعي. يتضمن كل تحديث تصحيحات جديدة تم التحقق منها من قبل المستخدمين، وصور مرجعية جديدة من مختبر الأبحاث، واستخراج سلبي صعب (يستهدف بشكل خاص أزواج الطعام التي يخلطها النموذج بشكل متكرر).

برامج تحسين الدقة المستهدفة

عندما يكشف تقييمنا ربع السنوي عن فئة ذات دقة أقل من الهدف، نطلق برنامج تحسين مستهدف:

1. جمع بيانات تدريب إضافية للفئة ذات الأداء المنخفض
2. تحليل أنماط الأخطاء المحددة (هل هي سوء تعريف، تقدير حصة، أم ربط قاعدة بيانات؟)
3. تنفيذ إصلاحات مستهدفة (بيانات تدريب إضافية، تعديلات على هيكل النموذج، تحديثات قاعدة البيانات)
4. التحقق من التحسين مقابل المكتبة المرجعية
5. النشر والمراقبة

في عام 2025، قمنا بتشغيل برامج مستهدفة للأطباق الكاري الآسيوية الجنوبية الشرقية، وطعام الشارع المكسيكي، وأطباق المزة الشرق أوسطية، محققين تحسينات في الدقة تتراوح بين 8 إلى 14 نقطة مئوية في كل فئة.

التحقق المتبادل مع USDA

لكل طعام في قاعدة بياناتنا، نقوم بالتحقق المتبادل من القيم الغذائية مقابل USDA FoodData Central. عندما تنحرف القيم الغذائية المتوقعة من Nutrola لطعام تم التعرف عليه بشكل صحيح بأكثر من 15 بالمئة عن القيمة المرجعية لـ USDA للحصة المقدرة، يقوم النظام بإشارة التوقع للمراجعة.

يلتقط هذا التحقق المتبادل نوعين من المشكلات:

• توقعات النموذج التي تعتبر تعريفات صحيحة تقنيًا ولكن مرتبطة بإدخالات قاعدة بيانات غير صحيحة
• إدخالات قاعدة البيانات التي تحتوي على أخطاء أو قديمة

نقوم بتحديث قاعدة بياناتنا الغذائية شهريًا، مع دمج تحديثات USDA FoodData Central، وتغييرات المنتجات من الشركات المصنعة، والتصحيحات التي تم تحديدها من خلال التحقق المتبادل.

مراقبة جودة ملاحظات المستخدمين

ليست جميع تصحيحات المستخدمين موثوقة بنفس القدر. المستخدم الذي يغير "الأرز الأبيض" إلى "الأرز القرنبيط" يقوم بتصحيح ذو معنى. بينما المستخدم الذي يغير أحجام الحصص بشكل عشوائي قد يقدم ضوضاء. نطبق فلاتر مراقبة الجودة:

• التصحيحات من المستخدمين الذين لديهم تاريخ تتبع متسق تحمل وزنًا أكبر
• التصحيحات التي تؤكدها عدة مستخدمين لنفس عنصر الطعام تُعطى الأولوية
• التصحيحات التي قد تؤدي إلى قيم غذائية غير معقولة (مثل سلطة تحتوي على 2000 سعرة حرارية) تُعلم للمراجعة اليدوية
• نستخدم اكتشاف القيم الشاذة الإحصائية لتحديد واستبعاد التصحيحات المحتملة الخاطئة

الشفافية والقيود

ما ننشره

ينشر مختبر أبحاث Nutrola المعلومات التالية:

• مقاييس الدقة ربع السنوية عبر جميع الفئات (كما هو موضح في الجداول أعلاه)
• اتجاهات الدقة على مدار العام
• القيود المعروفة والفئات الغذائية الصعبة
• منهجية الاختبار لدينا (هذه المقالة)

القيود المعروفة التي نكون شفافين بشأنها

المكونات المخفية تظل أكبر مصدر للخطأ غير القابل للتحكم. الزيوت المستخدمة في الطهي، والزبدة، والسكر، والملح المضاف أثناء التحضير غير مرئية في الصور. تستخدم نماذجنا أولويات طريقة التحضير لتقدير مساهمات المكونات المخفية، ولكن هذه تقديرات إحصائية قد لا تتطابق مع ممارسات أي مطعم أو طباخ منزلي محدد.

الأطعمة المتجانسة (الحساء، العصائر، المهروس) لديها معدلات خطأ أعلى. عندما تكون الميزات البصرية محدودة، يعتمد النموذج بشكل كبير على الإشارات السياقية ومدخلات المستخدم. نوضح بوضوح انخفاض الثقة لهذه الفئات في التطبيق.

وجبات المطاعم أصعب بطبيعتها من الوجبات المنزلية. الوصفات الموحدة تختلف حسب الموقع، والطاهي، واليوم. قد تحتوي سلطة سيزر في مطعم على ضعف كمية الصلصة مقارنة بإصدار مطعم آخر، ولا يتطابق أي منهما مع الإدخال العام لـ USDA.

الدقة أقل بالنسبة للمطابخ التي تحتوي على بيانات تدريب أقل. بينما نقوم بتوسيع تغطيتنا بنشاط، فإن بعض المطابخ الإقليمية (وسط أفريقيا، وسط آسيا، المحيط الهادئ) تحتوي على أمثلة تدريب أقل وبالتالي دقة أقل. نعرض مؤشرات الثقة حتى يتمكن المستخدمون من رؤية متى يكون النموذج أقل يقينًا.

مسار تحسين الدقة

على مدار الثمانية عشر شهرًا الماضية، اتبعت دقة التعرف على الطعام في Nutrola مسار تحسين مستمر:

الربع	دقة أعلى تصنيف	MAPE للسعرات الحرارية	تحسين رئيسي
الربع الثالث من 2024	82.1%	23.8%	خط الأساس بعد ترقية الهيكل
الربع الرابع من 2024	84.7%	21.4%	توسيع بيانات تدريب المطبخ الآسيوي
الربع الأول من 2025	86.3%	20.1%	تقدير الحصة المعزز بتقنية LiDAR
الربع الثاني من 2025	87.5%	19.2%	ترقية هيكل النموذج الأساسي
الربع الثالث من 2025	88.1%	18.6%	دمج السياق متعدد الوسائط
الربع الرابع من 2025	88.9%	17.8%	تحسين تحليل الأطباق المختلطة
الربع الأول من 2026	89.3%	17.2%	تعديل النموذج الشخصي

يتطلب كل نقطة مئوية من التحسين على هذا المستوى جهدًا مضاعفًا مقارنة بالنقطة السابقة. تتركز الأخطاء المتبقية في أصعب الحالات: الأطباق الغامضة بصريًا، المكونات المخفية، أحجام الحصص غير المعتادة، والأطعمة النادرة. يتطلب التقدم المستمر نماذج أفضل وبيانات مرجعية أفضل.

الأسئلة الشائعة

كيف تقارن دقة Nutrola بالمنافسين؟

من الصعب إجراء مقارنة مباشرة لأن معظم المنافسين لا ينشرون منهجية التحقق أو مقاييس الدقة بنفس مستوى التفاصيل. على المعايير العامة مثل Food-101 وISIA Food-500، يؤدي نموذج Nutrola ضمن أفضل فئة من النتائج المنشورة. تعتبر دقتنا في العالم الحقيقي، التي تم التحقق منها مقابل الوجبات التي تم تحليلها في المختبر، هي المقياس الأكثر أهمية، ونشجع الشركات الأخرى على اعتماد ممارسات تحقق مماثلة.

لماذا تعتبر تقديرات الدهون أقل دقة من تقديرات البروتين أو الكربوهيدرات؟

تعتبر الدهون أصعب المغذيات الكبيرة للتقدير بصريًا لأن الكثير منها مخفي. الزيوت المستخدمة في الطهي الممتصة في الطعام، والزبدة المذابة في الصلصات، والدهون المتداخلة في اللحم غير مرئية أو شبه مرئية في الصور. بالإضافة إلى ذلك، تحتوي الدهون على أعلى كثافة سعرات حرارية (9 كيلو كالوري/جرام مقابل 4 كيلو كالوري/جرام للبروتين والكربوهيدرات)، لذا فإن أي أخطاء تقدير صغيرة في جرامات الدهون تترجم إلى أخطاء أكبر في السعرات الحرارية.

كيف تتعامل مع الأطعمة التي ليست في قاعدة بياناتك؟

عندما يواجه النموذج طعامًا لا يمكنه تصنيفه بثقة كافية، يقدم للمستخدم أفضل تخميناته وخيار البحث يدويًا أو إدخال العنصر. يتم تسجيل هذه اللقاءات ذات الثقة المنخفضة وتحديد أولوياتها للإدراج في بيانات التدريب المستقبلية. إذا ظهر طعام غير معترف به بشكل متكرر عبر عدة مستخدمين، يتم تسريعه للإضافة إلى كل من نموذج التعرف وقاعدة البيانات الغذائية.

هل يمكنني الوثوق بالدقة بالنسبة لنظامي الغذائي المحدد؟

تختلف الدقة حسب نوع الطعام، كما هو موضح في مقاييسنا المنشورة. إذا كنت تتناول بشكل أساسي وجبات بسيطة ومحددة جيدًا (بروتينات مشوية، حبوب بسيطة، خضروات طازجة)، يمكنك توقع دقة في الطرف الأعلى من نطاقنا. إذا كنت تتناول بشكل متكرر أطباق مختلطة معقدة، أو وجبات من المطاعم ذات طرق تحضير غير معروفة، أو أطعمة من مطابخ ذات بيانات تدريب محدودة، ستكون الدقة في الطرف الأدنى. تعكس مؤشر الثقة في تطبيق Nutrola هذه التغيرات على أساس كل توقع.

هل تبيع Nutrola أو تشارك صور طعامي لأغراض التدريب؟

تغطي ممارسات بيانات Nutrola في سياسة الخصوصية الخاصة بنا. يتم استخدام تصحيحات المستخدمين وصور الطعام لتحسين نماذج التعرف لدينا فقط بموافقة صريحة من المستخدم من خلال برنامج مساهمة البيانات لدينا. يستفيد المستخدمون الذين يختارون عدم المشاركة من النموذج المحسن (لأن مساهمات المستخدمين الآخرين تحسنه) دون المساهمة ببياناتهم الخاصة. لا يتم بيع أي بيانات طعام يمكن التعرف عليها بشكل فردي لأطراف ثالثة.

كم مرة يتم تحديث النموذج؟

يتم إعادة تدريب النموذج التعرف وتحديثه تقريبًا أسبوعيًا. تحدث تغييرات الهيكل الرئيسية بشكل أقل تواترًا، عادةً مرة أو مرتين في السنة. تمر كل تحديثات عبر بروتوكول اختبار الانحدار الكامل ضد المكتبة المرجعية قبل نشرها في الإنتاج. يتلقى المستخدمون تحديثات النموذج تلقائيًا من خلال التطبيق دون الحاجة إلى تحديث التطبيق نفسه.

الخاتمة

التحقق ليس ميزة نشحنها مرة واحدة وننسى. إنها انضباط مستمر يعمل بالتوازي مع كل تحسين للنموذج. يوجد مختبر أبحاث Nutrola لأننا نؤمن أن الإبلاغ الشفاف عن الدقة يبني الثقة التي يحتاجها تتبع التغذية بالذكاء الاصطناعي ليكون مفيدًا حقًا.

تستند منهجيتنا، والوجبات المرجعية التي تم تحليلها في المختبر، وبروتوكولات الاختبار العمي، والتحقق المتبادل مع USDA، وتصنيف الأخطاء المنهجي، والمقاييس المنشورة، إلى محاسبتنا لمعيار أعلى من المعايير الداخلية. نحن لسنا مثاليين. تثبت مقاييس دقتنا ذلك. لكننا نعرف تمامًا أين نقصر، ولدينا عمليات منهجية لسد الفجوات.

بالنسبة للمستخدمين، فإن الأثر العملي واضح: تقدم Nutrola تقديرات غذائية تكون شفافة بشأن عدم اليقين، تتحسن بشكل ملحوظ بمرور الوقت، ويتم التحقق منها مقابل أعلى معيار مرجعي يمكننا إنشاؤه. هذه هي الطريقة التي يبدو بها تتبع التغذية بالذكاء الاصطناعي المسؤول.