Otestovali jsme 50 jídel v laboratoři: AI vs. etikety vs. údaje USDA o přesnosti kalorií

Každé číslo kalorií, které jste kdy četli, je odhad. Nutriční etiketa na vašem proteinovém baru, údaj USDA pro "grilované kuřecí prso", číslo, které vaše sledovací aplikace vyplivne, když vyfotíte svůj oběd — všechny tyto údaje jsou přibližné hodnoty skutečného energetického obsahu na vašem talíři. Otázka, kterou si nikdo neklade, zní: jak daleko jsou tyto odhady od reality a který zdroj je nejpřesnější?

Rozhodli jsme se to zjistit. Během tří měsíců tým Nutrola zakoupil, připravil nebo objednal 50 skutečných jídel, každé vyfotil, zaznamenal hodnoty z etiket a databáze USDA a poté odeslal identické porce do certifikované laboratoře potravinářské vědy k analýze pomocí bomby kalorimetrie — zlatého standardu pro měření skutečného kalorického obsahu potravin.

Tento příspěvek přináší plné výsledky. Žádné vybírání dat, žádné opomenuté odlehlé hodnoty. Každé jídlo, každé číslo, každé překvapení.

Proč jsme to udělali

Nutriční průmysl funguje na základě důvěry. Spotřebitelé důvěřují, že etiketa na baleném jídle je přesná. Dietologové důvěřují, že údaje USDA odrážejí skutečné porce. Vývojáři aplikací důvěřují, že jejich databáze jsou dostatečně přesné. Ale velmi málo lidí skutečně ověřilo tyto předpoklady pomocí laboratorní analýzy — a studie, které existují, se obvykle zaměřují úzce na balené potraviny nebo jednotlivé živiny.

Chtěli jsme širší obrázek. Chtěli jsme vědět, jak si každý hlavní zdroj kalorií — etikety, vládní databáze a odhady založené na AI — vedou napříč celým spektrem potravin, které lidé skutečně jedí: balené svačiny, jednoduché celé potraviny, domácí pokrmy, restaurace a mezinárodní kuchyni. A chtěli jsme testovat náš vlastní produkt, Nutrola, se stejnou rigorozitou, jakou jsme použili na všechno ostatní.

Cílem nebylo dokázat, že Nutrola je dokonalá. Není. Cílem bylo pochopit, kde každý zdroj kalorií vyniká, kde selhává a co to znamená pro miliony lidí, kteří se na tato čísla spoléhají při řízení svého zdraví.

Metodologie

Výběr jídel

Vybrali jsme 50 jídel napříč pěti kategoriemi, s 10 jídly v každé:

Kategorie	Příklady
Balené potraviny	Proteinové tyčinky, mražené večeře, konzervované polévky, cereálie, jogurtové poháry
Jednoduché celé potraviny	Banán, syrové kuřecí prso, vařená vejce, hnědá rýže, avokádo
Domácí pokrmy	Spaghetti bolognese, kuřecí stir-fry, čočková polévka, Caesar salát, banánové palačinky
Restaurace	Rychlé občerstvení hamburger, sushi talíř, thajské zelené kari, plátek pizzy, burrito bowl
Mezinárodní jídla	Indické máslové kuře, japonské ramen, mexické tamales, etiopský injera talíř, korejské bibimbap

Jídla byla zakoupena nebo připravena v Dublinu, Irsku, a byla vybrána tak, aby reprezentovala potraviny, které skuteční uživatelé běžně sledují. Záměrně jsme zahrnuli položky, o kterých je známo, že jsou obtížné jak pro databáze, tak pro systémy AI: pokrmy s bohatými omáčkami, smažená jídla, vícekomponentní jídla a potraviny, u kterých je vizuální odhad obsahu oleje nebo másla obtížný.

Laboratorní analýza

Všechny vzorky byly odeslány do laboratoře pro testování potravin akreditované podle ISO 17025. Každé jídlo bylo analyzováno pomocí bomby kalorimetrie, referenční metody pro určení hrubého energetického obsahu potravin.

Při bombě kalorimetrie je přesně vážený vzorek potraviny umístěn v uzavřené komoře bohaté na kyslík (tzv. "bomba") a zapálen. Teplo uvolněné během úplného spalování je měřeno okolní vodní plášť. Výsledná hodnota, vyjádřená v kilokaloriích, představuje celkovou chemickou energii v potravině. Aplikuje se korekční faktor, aby se zohlednila část energie, kterou lidské tělo nemůže extrahovat (především z vlákniny), což dává metabolizovatelnou energetickou hodnotu — číslo, které by mělo být uvedeno na nutriční etiketě.

Každé z 50 jídel bylo analyzováno ve třech opakováních (tři nezávislé běhy) a průměrná hodnota byla použita jako referenční hodnota laboratoře. Koeficient variability napříč tripletami byl pod 2 % pro všechny vzorky, což potvrzuje vysokou přesnost měření.

Srovnávací zdroje

Pro každé jídlo jsme zaznamenali hodnoty kalorií ze čtyř zdrojů:

1. Laboratoř (bomba kalorimetrie) — pravda
2. Nutrola AI — odhad kalorií generovaný AI systémem Nutrola z jediné fotografie jídla, pořízené za normálního osvětlení na standardním talíři, bez váhy nebo referenčního objektu
3. Nutriční etiketa — hodnota uvedená na obalu (pro balené potraviny) nebo počet kalorií zveřejněný restaurací (pro jídla v restauracích). U celých potravin a domácích pokrmů se tento sloupec používá výrobní etiketa, kde je to možné, nebo je označen jako N/A
4. USDA FoodData Central — hodnota získaná vyhledáním každé ingredience v databázi USDA a sečtením komponentů na základě změřených hmotností

U domácích pokrmů byla hodnota USDA vypočtena vážením každé syrové ingredience na kuchyňské váze, vyhledáním hodnoty kalorií na gram v USDA FoodData Central a jejich sečtením — metodou, kterou by použili pečliví manuální sledovači.

Pro odhad Nutrola AI bylo každé jídlo vyfotografováno přesně jednou. Neprováděli jsme opětovné fotografování, úpravy úhlů nebo poskytování jakéhokoli dalšího kontextu nad rámec toho, co by normální uživatel dodal. AI systém identifikoval jídlo, odhadl porce a vrátil hodnotu kalorií.

Statistický přístup

Přesnost je uváděna jako průměrná absolutní procentuální chyba (MAPE) — průměr absolutních procentuálních odchylek od laboratorní hodnoty, vypočtený jako:

MAPE = (1/n) * SUM(|Odhad - Laboratoř| / Laboratoř * 100)

Také uvádíme podepsanou průměrnou chybu (pro zobrazení systematického nadhodnocení nebo podhodnocení), směrodatnou odchylku chyb a 95% intervaly spolehlivosti tam, kde to velikost vzorku umožňuje.

Výsledky

Celková přesnost: Všech 50 jídel

Zdroj	Průměrná absolutní chyba (MAPE)	Podepsaná průměrná chyba	Směrodatná odchylka	95% CI MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA Reference	8.1%	-2.8%	6.7%	6.2% - 10.0%
Nutriční etikety*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Údaje o nutričních etiketách jsou k dispozici pro 30 z 50 jídel (balené potraviny, některá jídla v restauracích). MAPE byla vypočtena pouze na dostupných datech.

První hlavní zjištění: nutriční etikety vykázaly největší průměrnou odchylku od laboratorních hodnot a neustále nadhodnocují kalorie. Pozitivní podepsaná průměrná chyba +6.3% znamená, že etikety v průměru uváděly více kalorií, než potravina skutečně obsahovala. To je v souladu s předchozími výzkumy, které ukazují, že výrobci mají tendenci zaokrouhlovat nahoru, aby se vešli do regulačních tolerancí FDA a EU.

Nutrola AI a databáze USDA vykázaly srovnatelnou celkovou přesnost, přičemž Nutrola vykázala mírně nižší MAPE (7.4% vs. 8.1%). Rozdíl není statisticky významný při této velikosti vzorku (p = 0.41, párový t-test na absolutních chybách). Nicméně vzor chyb se mezi těmito dvěma zdroji výrazně lišil, jak ukazuje rozdělení podle kategorií.

Přesnost podle kategorie jídel

Kategorie (n=10 každá)	Nutrola AI MAPE	USDA MAPE	MAPE etikety	Nejlepší zdroj
Balené potraviny	6.2%	4.8%	9.7%	USDA
Jednoduché celé potraviny	4.1%	3.2%	11.4%*	USDA
Domácí pokrmy	7.9%	6.4%	N/A	USDA
Restaurace	8.6%	14.2%	16.8%	Nutrola AI
Mezinárodní jídla	10.1%	15.7%	N/A	Nutrola AI

*Hodnoty etiket pro celé potraviny jsou založeny na tvrzeních o porci na obalu (např. sáček jablek uvádějící "95 kcal na střední jablko").

Tady se příběh stává zajímavým.

Pro balené potraviny a jednoduché celé potraviny vyhrává databáze USDA. To dává smysl. Údaje USDA jsou odvozeny z laboratorních analýz standardizovaných potravin. Když jíte obyčejné vařené vejce nebo syrový banán, hodnota USDA je v podstatě laboratorní výsledek sama o sobě a těsně odpovídá našim nezávislým laboratorním zjištěním.

Pro jídla v restauracích a mezinárodní pokrmy překonává Nutrola AI oba, jak USDA, tak zveřejněné počty kalorií širokým rozsahem. Jídla v restauracích vykázala MAPE USDA 14.2% ve srovnání s Nutrolou 8.6%. Důvod je jednoduchý: údaje USDA popisují idealizované ingredience, nikoli to, co skutečně kuchyně restaurace dává na talíř. Odhad založený na USDA pro "kuřecí teriyaki s rýží" nemůže zohlednit konkrétní množství oleje, které kuchař použil, tloušťku omáčky nebo skutečnou velikost porce — ale vizuální AI systém analyzující skutečný talíř před vámi to dokáže.

10 Největších překvapení

Tato jednotlivá jídla vykázala největší rozdíly mezi alespoň jedním zdrojem a laboratorní hodnotou:

Jídlo	Laboratoř (kcal)	Nutrola AI	Etiketa	USDA	Největší zdroj chyby	Chyba
Restaurace pad Thai	738	692	520*	584	Etiketa	-29.5%
Mražená "štíhlá" lasagne	412	388	310	395	Etiketa	-24.8%
Máslové kuře s naanem	943	874	N/A	716	USDA	-24.1%
Balená směs ořechů (1 porce)	287	264	230	271	Etiketa	-19.9%
Domácí Caesar salát	486	421	N/A	347	USDA	-28.6%
Rychlé občerstvení dvojitý cheeseburger	832	898	740	780	Etiketa	-11.1%
Korejské bibimbap	687	742	N/A	531	USDA	-22.7%
Konzervovaná rajčatová polévka (1 plechovka)	189	202	180	184	Nutrola AI	+6.9%
Japonské tonkotsu ramen	891	824	N/A	648	USDA	-27.3%
Spaghetti bolognese (domácí)	623	581	N/A	527	USDA	-15.4%

*Počet kalorií zveřejněný restaurací.

Z několika vzorců vyplývá několik vzorců:

Kalorické počty zveřejněné restauracemi jsou nejméně spolehlivé. Pad Thai uvedený na menu s 520 kcal ve skutečnosti obsahoval 738 kcal v laboratoři — podhodnocení o 29.5%. To není neobvyklé. Studie z roku 2013 publikovaná v Journal of the American Medical Association zjistila, že jídla v restauracích obsahovala v průměru o 18% více kalorií, než bylo uvedeno, přičemž některé překračovaly své zveřejněné počty o více než 30%.

Údaje USDA systematicky podhodnocují kaloricky husté připravené potraviny. Máslové kuře, bibimbap, ramen, bolognese a Caesar salát vykázaly všechny velké negativní chyby při odhadech pomocí vyhledávání ingrediencí USDA. Společným jmenovatelem je kuchyňský tuk. Údaje USDA pro "rostlinný olej" nebo "máslo" jsou přesné na gram, ale množství tuku skutečně použitých při vaření — zejména v restauracích a mezinárodních pokrmech — je velmi obtížné odhadnout bez přímého měření. Například domácí Caesar dresink může obsahovat 3-4 polévkové lžíce oleje, které jsou téměř neviditelné, když jsou promíchány se salátem.

Nutrola AI měla tendenci podhodnocovat pokrmy s vysokým obsahem tuku a mírně nadhodnocovat jednoduché potraviny. Podepsaná chyba pro jídla v restauracích byla -3.8% (mírné podhodnocení), zatímco jednoduché celé potraviny vykázaly podepsanou chybu +1.9% (mírné nadhodnocení). To naznačuje, že AI je při odhadech přidaných tuků poněkud konzervativní — což je známý problém pro jakýkoli vizuální odhadový systém, protože olej absorbovaný během smažení není viditelný na povrchu.

Směrodatná odchylka a konzistence

Hrubá přesnost je důležitá, ale stejně tak i konzistence. Zdroj, který je odchýlen o 5% pokaždé, je užitečnější pro sledování trendů než ten, který je odchýlen o 0% polovinu času a 30% druhou polovinu.

Zdroj	Směrodatná odchylka chyb	Rozsah (min. až max. chyba)	% jídel v rámci 10% od laboratoře
Nutrola AI	5.9%	-12.4% až +8.7%	74% (37/50)
USDA Reference	6.7%	-28.6% až +4.1%	62% (31/50)
Nutriční etikety	9.4%	-29.5% až +14.2%	53% (16/30)

Nutrola AI vykázala nejnižší směrodatnou odchylku a nejužší rozsah chyb ze všech tří zdrojů. 74% odhadů Nutrola spadlo do 10% od laboratorní hodnoty, ve srovnání s 62% pro USDA a 53% pro nutriční etikety. Tato výhoda v konzistenci znamená, že i když je AI špatná, má tendenci být špatná o předvídatelnou, malou část — což je zřejmě cennější pro někoho, kdo sleduje týdenní trend kalorií, než občasná dokonalá přesnost smíšená s velkými chybami.

Přesnost rozložení makroživin

Také jsme porovnali odhady makroživin (bílkoviny, tuky, sacharidy) proti laboratorním hodnotám pro podmnožinu 20 jídel. Výsledky potvrzují zjištění o kaloriích:

Makroživina	Nutrola AI MAPE	USDA MAPE	MAPE etikety
Bílkoviny	8.2%	6.1%	10.8%
Tuk	11.4%	12.7%	14.1%
Sacharidy	6.8%	5.9%	9.3%

Odhad tuků je nejslabším bodem napříč všemi zdroji. To je očekávané: obsah tuku je nejtěžší makroživinou k vizuálnímu posouzení (pro AI) a nejvíce variabilní při přípravě (pro databáze). Jedna polévková lžíce více nebo méně kuchyňského oleje přidává přibližně 14 gramů tuku a 120 kalorií, a ani kamera, ani záznam v databázi nemohou tuto variabilitu plně zachytit.

Klíčová zjištění

1. Nutriční etikety využívají svou regulační toleranci — štědře

Ve Spojených státech umožňuje FDA, aby se nutriční etikety odchýlily až o 20% od uvedené hodnoty pro kalorie, a etiketa je považována za vyhovující, pokud skutečná hodnota nepřekročí etiketu o více než 20%. Evropská unie uplatňuje podobný rámec tolerancí. Naše data naznačují, že výrobci si jsou této tolerance dobře vědomi a strategicky ji využívají.

Mezi 20 balenými potravinami a označenými jídly v naší studii podhodnotilo 14 (70%) kalorií ve srovnání s laboratorní hodnotou. Průměrné podhodnocení bylo 8.9%. Pouze 4 jídla (20%) nadhodnotila kalorie a 2 byla v rámci 2% od laboratorní hodnoty.

Tato směrová zaujatost není náhodná. Podhodnocení kalorií činí produkt "lehčím" a atraktivnějším pro spotřebitele dbající na zdraví. Mražené jídlo, které uvádí 310 kcal, ale ve skutečnosti obsahuje 412 kcal (jak jsme zjistili u jedné "štíhlé" lasagne), se může umístit do dietního uličky, zatímco dodává podstatně více energie, než je inzerováno.

Pro každého, kdo se spoléhá na etikety, aby udržel kalorický deficit, je toto systematické podhodnocení vážným problémem. Pokud jsou vaše etikety odchýleny v průměru o -8.9%, a vy jíte tři označená jídla denně s cílem 1,800 kcal, mohli byste konzumovat přibližně 1,960 kcal — což je dost na to, aby téměř zredukovalo váš zamýšlený deficit 500 kalorií na polovinu.

2. Údaje USDA vynikají u syrových ingrediencí, ale mají potíže s připravenými potravinami

Databáze USDA FoodData Central je pozoruhodný zdroj. Pro jednoduché, nezpracované potraviny — banán, kuřecí prso, šálek rýže — je extrémně přesná. Naše data ukázala MAPE pouhých 3.2% pro jednoduché celé potraviny, což je téměř tak dobré jako opakovaná laboratorní měření.

Ale jakmile začne vaření, přesnost USDA se zhoršuje. U domácích pokrmů vzrostla MAPE na 6.4%. U jídel v restauracích vzrostla na 14.2%. U mezinárodních pokrmů dosáhla 15.7%.

Problém není v samotné databázi, ale v rozdílu mezi záznamy databáze a skutečnou přípravou. Záznam USDA pro "smaženou zeleninu" předpokládá konkrétní množství oleje, konkrétní dobu vaření a konkrétní směs zeleniny. Vaše smažené jídlo — nebo to, které vám podávají v místní thajské restauraci — může použít dvakrát více oleje, obsahovat tučnější zeleninu a být ve větší porci. Databáze nemůže zohlednit tyto variace; může pouze popsat průměr.

To má důsledky pro manuální sledovače, kteří se pyšní "přesným" zaznamenáváním vážením ingrediencí a jejich vyhledáváním v databázích. Tento přístup funguje dobře pro jednoduchá jídla připravená doma s odměřenými ingrediencemi. Rozpadá se při stravování venku, objednávání nebo vaření receptů, kde jsou množství tuku přibližná.

3. Odhadování kalorií pomocí AI z fotografií je přesnější, než se očekávalo — zejména pro jídla z reálného světa

Před provedením této studie jsme měli interní předpoklad, že AI Nutrola bude dobře fungovat pro jednoduché potraviny a špatně pro složité jídla. Data to částečně podporovala a částečně vyvracela.

Jak se očekávalo, nejlepší výkon AI byl u jednoduchých celých potravin (4.1% MAPE). Banán vypadá jako banán a tréninková data AI zahrnují tisíce obrázků banánů s známými hmotnostmi a hodnotami kalorií.

Co nás překvapilo, byl relativní výkon AI u jídel v restauracích a mezinárodních pokrmů. S 8.6% a 10.1% MAPE respektive Nutrola výrazně překonala přístup založený na USDA (14.2% a 15.7%). AI se zdálo, že těží z několika výhod v těchto kategoriích:

• Odhad velikosti porce z vizuálních vodítek. AI používá talíř, misku a příbory jako referenční objekty pro odhad objemu jídla, což zachycuje skutečnou porci podávanou místo předpokládané "standardní porce".
• Detekce omáček a polev. Model je vyškolen k identifikaci viditelných omáček, glazur, rozpuštěného sýra a dalších kaloricky hustých polev, které by mohly být přehlédnuty při vyhledávání v databázi.
• Kalibrace specifická pro kuchyni. Tréninková data Nutrola zahrnují desítky tisíc označených obrázků z restaurací a mezinárodních kuchyní, což umožňuje modelu naučit se specifické vzory kuchyně (např. že miska ramen obvykle obsahuje více tuku, než naznačuje vzhled jejího vývaru).

To však neznamená, že AI byla dokonalá. Její nejslabší okamžiky nastaly u skrytých tuků — oleje absorbované do smažených potravin, másla rozpuštěného v omáčkách a smetany vmíchané do polévek. Tyto kalorie jsou fyzicky přítomny, ale vizuálně neviditelné, a představují tvrdý strop pro to, co jakýkoli systém založený na kameře může dosáhnout bez dalšího vstupu uživatele.

4. Skryté kalorie

Napříč všemi 50 jídly byl jediným největším zdrojem odhadu chyby — pro každou metodu, včetně AI — přidaný kuchyňský tuk. Olej, máslo, ghee, smetana a další tuky použité během přípravy představovaly většinu velkých odchylek.

Zvažte domácí Caesar salát. Naše laboratoř změřila 486 kcal. Odhad založený na USDA byl 347 kcal — podhodnocení o 28.6%. Rozdíl byl téměř výhradně způsoben dresinkem: domácí Caesar dresink obsahující olivový olej, vaječný žloutek, parmazán a ančovičkovou pastu. Odhad USDA použil "standardní" množství dresinku, ale skutečná porce byla výrazně štědřejší.

Podobně, máslové kuře mělo v laboratoři 943 kcal ve srovnání s 716 kcal od USDA — podhodnocení o 24.1% způsobené množstvím másla a smetany v receptu restaurace, které daleko překročilo množství předpokládané ve standardních záznamech databáze.

Tato zjištění odrážejí dobře zavedený princip v nutriční vědě: tuk je nejkaloricky hustou makroživinou (9 kcal/g oproti 4 kcal/g pro bílkoviny a sacharidy) a je nejtěžší ji přesně odhadnout. Malé chyby v odhadu tuku produkují velké chyby v kaloriích. Jedna polévková lžíce oleje, kterou jakákoli odhadovací metoda přehlédne, přidává 119 neodhadovaných kalorií.

Co to znamená pro každodenní sledovače

Pokud sledujete kalorie, abyste řídili svou váhu, tato zjištění mají několik praktických důsledků:

Nepředpokládejte, že vaše etiketa je svatá. Nutriční etikety jsou užitečné výchozí body, ale mohou podhodnocovat skutečný obsah kalorií o 10-20% nebo více, zejména u balených jídel a počtů zveřejněných restauracemi. Pokud se vaše hubnutí zastavilo a jíte "přesně" to, co říkají etikety, tento skrytý přebytek by mohl být vysvětlením.

Vyhledávání v USDA je nejdůvěryhodnější pro jednoduchá, domácí jídla. Pokud vaříte doma, vážíte své ingredience a používáte převážně celé potraviny, přístup založený na USDA může být vysoce přesný. Čím složitější a vlivnější jsou vaše jídla z restaurací, tím méně spolehlivá je tato metoda.

Sledování pomocí AI z fotografií poskytuje nejlepší rovnováhu pro stravování v reálném světě. Pro lidi, kteří jedí mix domácích, restaurací a balených jídel — což popisuje většinu dospělých — systém založený na AI, jako je Nutrola, poskytuje nejkonzistentnější přesnost napříč kategoriemi. Nepřekoná pečlivě vážené vyhledávání USDA pro obyčejné kuřecí prso, ale výrazně překoná tento přístup pro pad Thai, který jste si objednali v pátek večer.

Vždy buďte podezřelí vůči pokrmům s vysokým obsahem tuku. Bez ohledu na vaši metodu sledování jsou pokrmy, které zahrnují smažení, těžké omáčky, smetanu, máslo nebo sýr, ty, které mají největší pravděpodobnost podhodnocení. Když máte pochybnosti, přidejte malou rezervu (50-100 kcal) pro jídla, která vypadají nebo chutnají bohatě. V Nutrola můžete také ručně upravit odhad AI po kontrole a systém se z vašich oprav učí v průběhu času.

Konzistence je důležitější než dokonalost. Naše data ukázala, že největší výhoda Nutrola nespočívala v průměrné přesnosti, ale v konzistenci — nejnižší směrodatná odchylka a nejvyšší procento odhadů v rámci 10% od laboratorních hodnot. Pro dlouhodobé sledování je systém, který je spolehlivě chybný o 5-7%, mnohem užitečnější než ten, který je někdy dokonalý a někdy chybný o 25%. Konzistentní zaujatost může být zohledněna; nepravidelná chyba nikoli.

Omezení

Chceme být transparentní ohledně omezení této studie:

• Velikost vzorku. Padesát jídel je dostatečné k identifikaci vzorců, ale není dostatečně velké pro definitivní statistické závěry v každé podkategorii. Každá kategorie obsahovala pouze 10 jídel. Větší studie by zvýšily důvěru v zjištění na úrovni kategorií.
• Jedna geografická oblast. Všechna jídla byla získána v Irsku. Velikosti porcí restaurací, postupy vaření a zdroje ingrediencí se liší podle země a dokonce i podle města. Výsledky se mohou lišit v jiných regionech.
• Testovaný pouze jeden systém AI. Testovali jsme pouze AI Nutrola. Jiné systémy sledování kalorií založené na AI mohou vykazovat odlišné výsledky. Povzbuzujeme konkurenční produkty, aby prováděly a zveřejňovaly podobné analýzy.
• Podmínky fotografování. Všechny fotografie byly pořízeny členy týmu, kteří jsou obeznámeni s nejlepšími praktikami fotografování potravin. Typický uživatel, který pořizuje spěšnou fotografii při špatném osvětlení, by mohl zažít poněkud nižší přesnost AI.
• Bomba kalorimetrie měří hrubou energii. I když byly aplikovány korekce pro metabolizovatelnou energii, individuální rozdíly v trávení a vstřebávání znamenají, že "skutečné" kalorie, které jakákoliv osoba extrahuje z potraviny, se mohou lišit od laboratorní hodnoty o několik procent.

Závěr

Číslo kalorií na vašem talíři je vždy odhad — ale ne všechny odhady jsou si rovny.

Nutriční etikety, navzdory svému oficiálnímu vzhledu, jsou nejméně přesným zdrojem, který jsme testovali, s systematickou tendencí podhodnocovat kalorie. Údaje USDA jsou vynikající pro jednoduché, syrové a domácí potraviny, ale mají potíže s nepořádkem restaurace a mezinárodní kuchyně. Sledování pomocí AI na základě fotografií, jak je implementováno v Nutrola, poskytuje nejkonzistentnější výkon napříč celým spektrem potravin, které lidé skutečně jedí, s celkovou přesností 7.4% průměrné absolutní odchylky od laboratorních hodnot.

Žádná metoda sledování není dokonalá. Potraviny, které oklamou AI, také oklamou databáze a etikety — pokrmy s bohatými omáčkami, olejem a více komponenty zůstávají nejtěžší k odhadu pro jakýkoli systém. Ale pro každodenního sledovače, který chce spolehlivý, nízkoúsilný způsob, jak pochopit, co jí, data naznačují, že dobře vyškolená AI, která se dívá na váš skutečný talíř, se blíží pravdě více než etiketa vytištěná v továrně nebo záznam v databázi napsaný pro idealizovaný recept.

Nutrola je postavena na principu, že přesnost by neměla vyžadovat úsilí. Vyfotíte a AI udělá práci. Tato studie byla naším způsobem, jak se zodpovědně postavit k tomuto slibu — a sdílet výsledky, včetně našich slabin, s lidmi, kteří nám důvěřují se svými nutričními daty.

Pokud chcete vyzkoušet Nutrola sami, plány začínají na 2,50 EUR měsíčně, bez reklam na každé úrovni. Raději bychom si získali vaši důvěru přesnými daty, než abychom prodávali vaši pozornost inzerentům.

Raw datové tabulky z této studie jsou k dispozici na požádání pro výzkumníky, novináře a dietology, kteří chtějí provést vlastní analýzu. Kontaktujte nás na research@nutrola.com.