Vi Sendte 50 Måltider til Et Laboratorium og Testede AI vs. Etiketter vs. USDA Data for Kaloriepræcision

Hver kalorienummer, du nogensinde har læst, er et estimat. Næringsetiketten på din proteinbar, USDA-indgangen for "grillet kyllingebryst", tallet din tracking-app spytter ud, når du tager et billede af din frokost — alle er de tilnærmelser af det faktiske energindhold, der ligger på din tallerken. Spørgsmålet, som ingen tilsyneladende stiller, er: hvor langt fra virkeligheden er disse estimater, og hvilken kilde kommer tættest på sandheden?

Vi besluttede at finde ud af det. I løbet af tre måneder købte, tilberedte eller bestilte Nutrola-teamet 50 rigtige måltider, fotograferede hver enkelt, registrerede etiketten og USDA-databaseværdierne, og sendte derefter identiske portioner til et certificeret fødevarelaboratorium til analyse ved hjælp af bombekalorimetri — guldstandarten for at måle det sande kalorieindhold i mad.

Dette indlæg præsenterer de fulde resultater. Ingen udvalgte data, ingen udeladte outliers. Hvert måltid, hvert tal, hver overraskelse.

Hvorfor Vi Gjorde Dette

Næringsindustrien bygger på tillid. Forbrugere stoler på, at etiketten på en pakket fødevare er præcis. Diætister stoler på, at USDA-referencedata afspejler virkelige portioner. App-udviklere stoler på, at deres databaser er tilstrækkeligt nøjagtige. Men meget få har faktisk verificeret disse antagelser mod laboratorieanalyser — og de eksisterende studier fokuserer ofte snævert på pakkede fødevarer eller enkelte næringsstoffer.

Vi ønskede et bredere billede. Vi ville vide, hvordan hver vigtig kalorie-kilde — etiketter, offentlige databaser og AI-baseret fotoestimering — præsterer på tværs af det fulde spektrum af fødevarer, folk faktisk spiser: pakkede snacks, enkle hele fødevarer, hjemmelavede retter, restaurantmåltider og internationalt køkken. Og vi ønskede at teste vores eget produkt, Nutrola, med den samme stringens, vi anvendte på alt andet.

Målet var ikke at bevise, at Nutrola er perfekt. Det er den ikke. Målet var at forstå, hvor hver kalorie-kilde excellerer, hvor den fejler, og hvad det betyder for de millioner af mennesker, der er afhængige af disse tal for at styre deres sundhed.

Metodologi

Måltidsvalg

Vi valgte 50 måltider fordelt på fem kategorier, med 10 måltider i hver:

Kategori	Eksempler
Pakkede fødevarer	Proteinbarer, frysemiddage, dåsesupper, morgenmadsprodukter, yoghurtkopper
Enkle hele fødevarer	Banan, rå kyllingebryst, hårdkogte æg, brune ris, avocado
Hjemmelavede retter	Spaghetti bolognese, kyllingesteg, linse suppe, Caesar salat, bananpandekager
Restaurantmåltider	Fastfood burger, sushi platter, thailandsk grøn karry, pizzastykke, burrito skål
Internationale retter	Indisk smørkylling, japansk ramen, mexicanske tamales, etiopisk injera platter, koreansk bibimbap

Måltiderne blev købt eller tilberedt i Dublin, Irland, og valgt for at repræsentere fødevarer, som rigtige brugere typisk tracker. Vi inkluderede bevidst varer, der er kendt for at være svære for både databaser og AI-systemer: kraftigt saucede retter, friturestegte fødevarer, måltider med flere komponenter og fødevarer, hvor visuel estimering af olie- eller smørindhold er udfordrende.

Laboratorieanalyse

Alle prøver blev sendt til et ISO 17025-akkrediteret fødevaretestlaboratorium. Hvert måltid blev analyseret ved hjælp af bombekalorimetri, den referencemetode, der anvendes til at bestemme den samlede energiværdi af mad.

I bombekalorimetri placeres en præcist vejet madprøve i et lukket, iltrigt kammer (den "bombe") og antændes. Den varme, der frigives under fuldstændig forbrænding, måles af det omgivende vandjakke. Den resulterende værdi, udtrykt i kilokalorier, repræsenterer den samlede kemiske energi i maden. En korrektion anvendes for at tage højde for den del af energien, som menneskekroppen ikke kan udtrække (primært fra fiber), hvilket giver den metaboliserbare energiværdi — det tal, der bør fremgå af en næringsetiket.

Hvert af de 50 måltider blev analyseret i triplikat (tre uafhængige forsøg), og gennemsnitsværdien blev brugt som laboratoriereferencen. Variationskoefficienten på tværs af triplikater var under 2% for alle prøver, hvilket bekræfter høj målepræcision.

Sammenligningskilder

For hvert måltid registrerede vi kalorie værdier fra fire kilder:

1. Laboratorium (bombekalorimetri) — den sande værdi
2. Nutrola AI — kalorieestimat genereret af Nutrola's AI-system fra et enkelt fotografi af måltidet, taget under normal belysning på en standard middagstallerken, uden vægt eller referenceobjekt
3. Næringsetiket — værdien trykt på pakken (for pakkede fødevarer) eller kalorieantallet offentliggjort af restauranten (for restaurantmåltider). For hele fødevarer og hjemmelavede retter anvendes denne kolonne producentens etikette, hvor det er muligt, eller markeres N/A
4. USDA FoodData Central — værdien opnået ved at slå hver ingrediens op i USDA-databasen og summere komponenterne baseret på målte vægte

For hjemmelavede retter blev USDA-værdien beregnet ved at veje hver rå ingrediens på en køkkenvægt, se op på kalorieindholdet pr. gram i USDA FoodData Central og summere dem — den metode, som de mest omhyggelige manuelle trackere ville bruge.

For Nutrola AI-estimatet blev hvert måltid fotograferet præcist én gang. Vi tog ikke billeder igen, justerede vinkler eller gav yderligere kontekst ud over hvad en normal bruger ville levere. AI-systemet identificerede maden, estimerede portionerne og returnerede en kalorie værdi.

Statistisk tilgang

Præcision rapporteres som mean absolute percentage error (MAPE) — gennemsnittet af de absolutte procentafvigelser fra laboratorieværdien, beregnet som:

MAPE = (1/n) * SUM(|Estimeret - Laboratorium| / Laboratorium * 100)

Vi rapporterer også signed mean error (for at vise systematisk over- eller underestimering), standardafvigelse af fejl og 95% konfidensintervaller, hvor stikprøvestørrelserne tillader det.

Resultater

Overordnet Præcision: Alle 50 Måltider

Kilde	Gennemsnitlig Absolut Fejl (MAPE)	Signed Mean Error	Standardafvigelse	95% CI af 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%
Næringsetiketter*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Næringsetiketdata er tilgængelige for 30 af 50 måltider (pakkede fødevarer, nogle restaurantmåltider). MAPE beregnet på tilgængelige data.

Den første hovedfinding: næringsetiketter viste den største gennemsnitlige afvigelse fra laboratorieværdier, og de oversteg konsekvent kalorier. Den positive signed mean error på +6.3% betyder, at etiketterne i gennemsnit hævdede flere kalorier, end maden faktisk indeholdt. Dette er i overensstemmelse med tidligere forskning, der viser, at producenter har en tendens til at runde op snarere end ned for at forblive inden for FDA- og EU-regulatoriske tolerancer.

Nutrola's AI og USDA-databasen præsterede sammenligneligt i overordnet præcision, med Nutrola, der viste en marginalt lavere MAPE (7.4% vs. 8.1%). Forskellen er ikke statistisk signifikant ved denne stikprøvestørrelse (p = 0.41, parret t-test på absolutte fejl). Dog varierede mønsteret af fejl betydeligt mellem de to kilder, som kategoriniveauopdelingen afslører.

Præcision efter Måltidskategori

Kategori (n=10 hver)	Nutrola AI MAPE	USDA MAPE	Etiket MAPE	Bedste Kilde
Pakkede fødevarer	6.2%	4.8%	9.7%	USDA
Enkle hele fødevarer	4.1%	3.2%	11.4%*	USDA
Hjemmelavede retter	7.9%	6.4%	N/A	USDA
Restaurantmåltider	8.6%	14.2%	16.8%	Nutrola AI
Internationale retter	10.1%	15.7%	N/A	Nutrola AI

*Etiketværdier for hele fødevarer baseret på pr. portion krav på emballagen (f.eks. en pose æbler, der angiver "95 kcal pr. mellem æble").

Her bliver historien interessant.

For pakkede fødevarer og enkle hele fødevarer vinder USDA-databasen. Dette giver mening. USDA-data er afledt af laboratorieanalyser af standardiserede fødevarer. Når du spiser et almindeligt hårdkogt æg eller en rå banan, er USDA-værdien i bund og grund et laboratorieresultat i sig selv, og det matcher tæt vores uafhængige laboratoriefund.

For restaurantmåltider og internationale retter overgår Nutrola's AI både USDA og offentliggjorte kalorieantal med en stor margen. Restaurantmåltider viste en USDA MAPE på 14.2% sammenlignet med Nutrola's 8.6%. Årsagen er ligetil: USDA-data beskriver idealiserede ingredienser, ikke hvad en restaurantkøkken faktisk lægger på tallerkenen. Et USDA-baseret estimat for "kylling teriyaki med ris" kan ikke tage højde for den specifikke mængde olie, som kokken brugte, tykkelsen af saucen eller den faktiske portionsstørrelse — men et visuelt AI-system, der analyserer den faktiske tallerken foran dig, kan.

De 10 Største Overraskelser

Disse individuelle måltider producerede de største forskelle mellem mindst én kilde og laboratorieværdien:

Måltid	Laboratorium (kcal)	Nutrola AI	Etiket	USDA	Største Fejl Kilde	Fejl
Restaurant pad Thai	738	692	520*	584	Etiket	-29.5%
Fryse "slank" lasagne	412	388	310	395	Etiket	-24.8%
Smørkylling med naan	943	874	N/A	716	USDA	-24.1%
Pakket trail mix (1 portion)	287	264	230	271	Etiket	-19.9%
Hjemmelavet Caesar salat	486	421	N/A	347	USDA	-28.6%
Fastfood dobbelt cheeseburger	832	898	740	780	Etiket	-11.1%
Koreansk bibimbap	687	742	N/A	531	USDA	-22.7%
Dåsetomatsuppe (1 dåse)	189	202	180	184	Nutrola AI	+6.9%
Japansk tonkotsu ramen	891	824	N/A	648	USDA	-27.3%
Spaghetti bolognese (hjemmelavet)	623	581	N/A	527	USDA	-15.4%

*Restaurant-offentliggjort kalorieantal.

Flere mønstre fremkommer fra outlierne:

Restaurant-offentliggjorte kalorieantal er de mindst pålidelige. Pad Thai, der var angivet til 520 kcal på restaurantmenuen, indeholdt faktisk 738 kcal i laboratoriet — en 29.5% undervurdering. Dette er ikke usædvanligt. En undersøgelse fra 2013 offentliggjort i Journal of the American Medical Association fandt, at restaurantmåltider i gennemsnit indeholdt 18% flere kalorier end angivet, med nogle, der oversteg deres offentliggjorte tal med over 30%.

USDA-data undervurderer systematisk kalorie-dense tilberedte fødevarer. Smørkylling, bibimbap, ramen, bolognese og Caesar salat viste alle store negative fejl, når de blev estimeret via USDA-ingredienser. Den fælles tråd er madlavningsfedt. USDA-indgange for "vegetabilsk olie" eller "smør" er nøjagtige pr. gram, men den mængde fedt, der faktisk bruges i madlavning — især i restaurant- og internationale retter — er ekstremt svær at estimere uden direkte måling. En hjemmelavet Caesar salatdressing alene kan indeholde 3-4 spiseskefulde olie, der næsten er usynlige, når de er blandet med salaten.

Nutrola's AI havde tendens til at undervurdere fedtrige retter og let overvurdere enkle fødevarer. Den signed error for restaurantmåltider var -3.8% (mild undervurdering), mens enkle hele fødevarer viste en signed error på +1.9% (mild overvurdering). Dette tyder på, at AI'en er lidt konservativ, når den estimerer tilsatte fedtstoffer — en kendt udfordring for ethvert visuelt estimeringssystem, da olie, der absorberes under stegning, ikke er synlig på overfladen.

Standardafvigelse og Konsistens

Rå præcision er vigtig, men det er også konsistens. En kilde, der er forkert med 5% hver gang, er mere nyttig til at spore tendenser end en, der er forkert med 0% halvdelen af tiden og 30% den anden halvdel.

Kilde	Std. Dev. af Fejl	Område (Min til Max Fejl)	% af Måltider Inden for 10% af Laboratorium
Nutrola AI	5.9%	-12.4% til +8.7%	74% (37/50)
USDA Reference	6.7%	-28.6% til +4.1%	62% (31/50)
Næringsetiketter	9.4%	-29.5% til +14.2%	53% (16/30)

Nutrola AI viste den laveste standardafvigelse og det snævreste fejlspektrum af alle tre kilder. 74% af Nutrola's estimater faldt inden for 10% af laboratorieværdien, sammenlignet med 62% for USDA og 53% for næringsetiketter. Denne konsistensfordel betyder, at selv når AI'en tager fejl, har den tendens til at tage fejl med et forudsigeligt, lille beløb — hvilket er mere værdifuldt for nogen, der sporer en ugentlig kalorie trend end lejlighedsvis perfekt nøjagtighed blandet med store fejl.

Makronæringsstof Præcisionsanalyse

Vi sammenlignede også makronæringsstofestimater (protein, fedt, kulhydrater) mod laboratorieværdier for et udvalg af 20 måltider. Resultaterne bekræfter kaloriefundene:

Makronæringsstof	Nutrola AI MAPE	USDA MAPE	Etiket MAPE
Protein	8.2%	6.1%	10.8%
Fedt	11.4%	12.7%	14.1%
Kulhydrater	6.8%	5.9%	9.3%

Fedt estimering er det svageste punkt på tværs af alle kilder. Dette er forventet: fedtindholdet er det sværeste makronæringsstof at vurdere visuelt (for AI) og det mest variable i tilberedningen (for databaser). En spiseskefuld mere eller mindre af madlavningsolie tilføjer cirka 14 gram fedt og 120 kalorier, og hverken et kamera eller en databaseoptegnelse kan fuldt ud fange den variabilitet.

Nøglefund

1. Næringsetiketter Udnytter Deres Regulerings Tolerance — Generøst

I USA tillader FDA, at næringsetiketter kan afvige med op til 20% fra den angivne værdi for kalorier, og etiketten betragtes som overensstemmende, så længe den faktiske værdi ikke overstiger etiketten med mere end 20%. Den Europæiske Union anvender en lignende toleranceramme. Vores data tyder på, at producenterne er godt klar over denne tolerance og bruger den strategisk.

Blandt de 20 pakkede fødevarer og etiketterede restaurantmåltider i vores studie, undervurderede 14 (70%) kalorier i forhold til laboratorieværdien. Den gennemsnitlige undervurdering var 8.9%. Kun 4 måltider (20%) overvurderede kalorier, og 2 var inden for 2% af laboratorieværdien.

Denne retning bias er ikke tilfældig. At undervurdere kalorier får et produkt til at fremstå "lettere" og mere tiltalende for sundhedsbevidste forbrugere. Et frysemåltid, der hævder at have 310 kcal, men faktisk indeholder 412 kcal (som vi fandt med en "slank" lasagne), kan positionere sig i den diætvenlige gang, mens det leverer væsentligt mere energi end annonceret.

For alle, der er afhængige af etiketter for at opretholde et kalorieunderskud, er denne systematiske undervurdering et alvorligt problem. Hvis dine etiketter er forkerte med et gennemsnit på -8.9%, og du spiser tre etiketterede måltider om dagen med et mål på 1.800 kcal, kan du komme til at indtage cirka 1.960 kcal — nok til næsten at halvere dit ønskede 500-kalorieunderskud.

2. USDA Data Udmærker Sig for Rå Ingredienser, Har Problemer med Tilberedte Fødevarer

USDA FoodData Central-databasen er en bemærkelsesværdig ressource. For enkle, uforarbejdede fødevarer — en banan, et kyllingebryst, en kop ris — er den ekstremt præcis. Vores data viste en MAPE på kun 3.2% for enkle hele fødevarer, hvilket er næsten lige så godt som gentagne laboratoriemålinger.

Men i det øjeblik, madlavningen begynder, forringes USDA-præcisionen. For hjemmelavede retter steg MAPE til 6.4%. For restaurantmåltider sprang den til 14.2%. For internationale retter nåede den 15.7%.

Problemet er ikke databasen i sig selv, men kløften mellem databaseindgange og virkelige tilberedninger. En USDA-indgang for "stegte grøntsager" antager en specifik mængde olie, en specifik tilberedningstid og en specifik grøntsagsmix. Din stegning — eller den, der serveres på din lokale thailandske restaurant — kan bruge dobbelt så meget olie, inkludere fedtere grøntsager og komme i en større portion. Databasen kan ikke tage højde for disse variationer; den kan kun beskrive et gennemsnit.

Dette har implikationer for manuelle trackere, der praler af "præcise" registreringer ved at veje ingredienser og slå dem op i databaser. Den tilgang fungerer godt for enkle måltider tilberedt hjemme med målte ingredienser. Den bryder sammen, når man spiser ude, bestiller mad eller laver opskrifter, hvor fedtmængder er omtrentlige.

3. AI Fotoestimering Er Mere Præcis End Forventet — Især for Virkelige Måltider

Før vi gennemførte denne undersøgelse, var vores interne antagelse, at Nutrola's AI ville præstere godt for enkle fødevarer og dårligt for komplekse måltider. Dataene understøttede delvist og delvist modsagde dette.

Som forventet var AI'ens bedste præstation på enkle hele fødevarer (4.1% MAPE). En banan ser ud som en banan, og AI'ens træningsdata inkluderer tusindvis af bananbilleder med kendte vægte og kalorieindhold.

Det, der overraskede os, var AI'ens relative præstation på restaurant- og internationale måltider. Med 8.6% og 10.1% MAPE henholdsvis, overgik Nutrola betydeligt den USDA-baserede tilgang (14.2% og 15.7%). AI'en syntes at drage fordel af flere fordele i disse kategorier:

• Portionsstørrelsesestimering fra visuelle spor. AI'en bruger tallerkenen, skålen og bestik som referenceobjekter til at estimere madvolumen, hvilket fanger den faktiske portion, der serveres, snarere end en antaget "standardportion."
• Sovs- og toppingdetektion. Modellen er trænet til at identificere synlige saucer, glasurer, smeltet ost og andre kalorie-dense toppings, som en databaseopslag måske ville overse.
• Køkkenspecifik kalibrering. Nutrola's træningsdata inkluderer titusindvis af mærkede billeder fra restauranter og internationale køkkener, hvilket gør det muligt for modellen at lære køkkenspecifikke mønstre (f.eks. at en skål ramen typisk indeholder mere fedt, end dens brødudseende antyder).

Det skal dog siges, at AI'en ikke var perfekt. Dens svageste øjeblikke kom med skjulte fedtstoffer — olie, der absorberes i friturestegte fødevarer, smør smeltet i saucer og fløde rørt i supper. Disse kalorier er fysisk til stede, men visuelt usynlige, og de repræsenterer en hård grænse for, hvad ethvert kamera-baseret system kan opnå uden yderligere brugerinput.

4. De Skjulte Kalorie Syndere

På tværs af alle 50 måltider var den største kilde til estimeringsfejl — for hver metode, inklusive AI — tilsat madlavningsfedt. Olie, smør, ghee, fløde og andre fedtstoffer, der bruges under tilberedningen, stod for størstedelen af de store afvigelser.

Overvej den hjemmelavede Caesar salat. Vores laboratorium målte 486 kcal. USDA-baseret estimat kom ind på 347 kcal — en 28.6% undervurdering. Kløften var næsten udelukkende relateret til dressingen: en hjemmelavet Caesar-dressing, der indeholder olivenolie, æggeblomme, parmesan og ansjospasta. USDA-estimatet brugte en "standard" dressingmængde, men den faktiske portion var betydeligt mere generøs.

Tilsvarende kom smørkyllingen ind på 943 kcal i laboratoriet mod 716 kcal fra USDA — en 24.1% fejl drevet af mængden af smør og fløde i restaurantens opskrift, som langt oversteg de mængder, der blev antaget i standard databaseindgange.

Disse fund bekræfter et velkendt princip inden for ernæringsvidenskab: fedt er det mest kalorisk tætte makronæringsstof (9 kcal/g mod 4 kcal/g for protein og kulhydrater) og det sværeste at estimere præcist. Små fejl i fedtestimater giver store kaloriefejl. En enkelt spiseskefuld olie, der ikke fanges af nogen estimeringsmetode, tilføjer 119 uregistrerede kalorier.

Hvad Dette Betyder for Hverdags Trackere

Hvis du tracker kalorier for at styre din vægt, har disse fund flere praktiske implikationer:

Antag ikke, at din etikette er evangeliet. Næringsetiketter er nyttige udgangspunkt, men de kan undervurdere det faktiske kalorieindhold med 10-20% eller mere, især for pakkede måltider og restaurant-publikationsantal. Hvis dit vægttab er stagneret, og du spiser "præcist" hvad etiketterne siger, kan dette skjulte overskud være forklaringen.

USDA-opslag er mest pålidelige for enkle, hjemmeforberedte måltider. Hvis du laver mad derhjemme, vejer dine ingredienser og primært bruger hele fødevarer, kan en USDA-baseret tracking tilgang være meget præcis. Jo mere komplekse og restaurantpåvirkede dine måltider bliver, jo mindre pålidelig bliver denne metode.

AI foto tracking giver den bedste balance for virkelige måltider. For folk, der spiser en blanding af hjemmelavede, restaurant- og pakkede måltider — hvilket beskriver de fleste voksne — giver et AI-baseret system som Nutrola den mest konsistente nøjagtighed på tværs af kategorier. Det vil ikke slå en omhyggeligt vejet USDA-opslag for et almindeligt kyllingebryst, men det vil betydeligt overgå den tilgang for den pad Thai, du bestilte en fredag aften.

Vær altid skeptisk over for fedtrige måltider. Uanset din trackingmetode er retter, der involverer stegning, tunge saucer, fløde, smør eller ost, dem, der mest sandsynligt vil blive undervurderet. Når du er i tvivl, kan du tilføje en lille buffer (50-100 kcal) for måltider, der ser eller smager rige ud. I Nutrola kan du også manuelt justere AI'ens estimat efter gennemgang, og systemet lærer af dine korrektioner over tid.

Konsistens betyder mere end perfektion. Vores data viste, at Nutrola's strammeste fordel ikke var i gennemsnitlig nøjagtighed, men i konsistens — den laveste standardafvigelse og den højeste procentdel af estimater inden for 10% af laboratorieværdier. For langvarig tracking er et system, der konsekvent er forkert med 5-7%, langt mere nyttigt end et, der nogle gange er perfekt og nogle gange forkert med 25%. Konsistent bias kan tages højde for; uregelmæssig fejl kan ikke.

Begrænsninger

Vi ønsker at være åbne om begrænsningerne i denne undersøgelse:

• Stikprøvestørrelse. Halvfjerds måltider er tilstrækkelige til at identificere mønstre, men ikke store nok til definitive statistiske konklusioner i hver underkategori. Hver kategori indeholdt kun 10 måltider. Større studier ville øge tilliden til fundene på kategoriniveau.
• Enkelt geografisk område. Alle måltider blev indkøbt i Irland. Restaurantportioner, madlavningspraksis og ingrediensindkøb varierer fra land til land og endda fra by til by. Resultaterne kan variere i andre regioner.
• Enkelt AI-system testet. Vi testede kun Nutrola's AI. Andre AI-baserede kalorie trackere kan præstere anderledes. Vi opfordrer konkurrerende produkter til at gennemføre og offentliggøre lignende analyser.
• Fotobetingelser. Alle billeder blev taget af teammedlemmer, der er fortrolige med bedste praksis for madfotografi. En typisk bruger, der tager et hastigt billede i dårligt lys, kan opleve noget lavere AI-præcision.
• Bombekalorimetri måler bruttoenergi. Selvom der blev anvendt korrektioner for metaboliserbar energi, betyder individuelle forskelle i fordøjelse og absorption, at de "sande" kalorier, en given person udtrækker fra en fødevare, kan variere fra laboratorieværdien med flere procent.

Konklusion

Kalorienummeret på din tallerken er altid et estimat — men ikke alle estimater er skabt lige.

Næringsetiketter, på trods af deres officielle udseende, er den mindst præcise kilde, vi testede, med en systematisk tendens til at undervurdere kalorier. USDA-data er fremragende for enkle, rå og hjemmeforberedte fødevarer, men kæmper med den rodede virkelighed af restaurantmadlavning og internationalt køkken. AI-baseret foto tracking, som implementeret i Nutrola, giver den mest konsistente præstation på tværs af det fulde spektrum af fødevarer, folk faktisk spiser, med en samlet nøjagtighed på 7.4% gennemsnitlig absolut afvigelse fra laboratorieværdier.

Ingen trackingmetode er perfekt. De fødevarer, der narre AI'en, narre også databaserne og etiketterne — kraftigt saucede, olieholdige og multikomponentmåltider forbliver de sværeste at estimere for ethvert system. Men for den daglige tracker, der ønsker en pålidelig, lavindsats måde at forstå, hvad de spiser, tyder dataene på, at en veltrænet AI, der ser på din faktiske tallerken, kommer tættere på sandheden end en etikette trykt i en fabrik eller en databaseoptegnelse skrevet til en idealiseret opskrift.

Nutrola er bygget på princippet om, at nøjagtighed ikke skal kræve indsats. Du tager et billede, og AI'en gør arbejdet. Denne undersøgelse var vores måde at holde os ansvarlige over for det løfte — og dele resultaterne, inklusive vores svagheder, med de mennesker, der stoler på os med deres ernæringsdata.

Hvis du vil prøve Nutrola selv, starter planerne ved EUR 2.50 pr. måned, uden annoncer på nogen niveau. Vi vil hellere vinde din tillid med præcise data end sælge din opmærksomhed til annoncører.

De rå datatabeller fra denne undersøgelse er tilgængelige efter anmodning for forskere, journalister og diætister, der ønsker at gennemføre deres egen analyse. Kontakt os på research@nutrola.com.