Αναλύσαμε 10 εκατομμύρια φωτογραφίες φαγητού: Τα 20 πιο λανθασμένα αναγνωρισμένα τρόφιμα από την AI

Τα Δεδομένα πίσω από την Αναγνώριση Τροφίμων με AI

Η αναγνώριση τροφίμων με AI έχει επαναστατήσει την παρακολούθηση διατροφής. Αντί να ψάχνετε σε βάσεις δεδομένων και να μαντεύετε μερίδες, απλά τραβάτε μια φωτογραφία και αφήνετε την υπολογιστική όραση να κάνει τη δουλειά. Η λειτουργία Snap & Track της Nutrola επεξεργάζεται εκατομμύρια φωτογραφίες φαγητού κάθε μήνα και σε περισσότερες από 50 χώρες, οι χρήστες την εμπιστεύονται ως την κύρια μέθοδο καταγραφής τους.

Ωστόσο, η αναγνώριση τροφίμων με AI δεν είναι τέλεια. Ορισμένα τρόφιμα συνεχώς μπερδεύουν ακόμη και τα πιο προηγμένα μοντέλα υπολογιστικής όρασης. Για να κατανοήσουμε πού η τεχνολογία διαπρέπει και πού δυσκολεύεται, αναλύσαμε 10 εκατομμύρια φωτογραφίες φαγητού που επεξεργάστηκαν μέσω του συστήματος Snap & Track της Nutrola μεταξύ Ιανουαρίου 2025 και Ιανουαρίου 2026. Συγκρίναμε τις αναγνωρίσεις της AI με τις διορθώσεις των χρηστών, τις χειροκίνητες επαληθεύσεις και τις αξιολογήσεις διατροφολόγων για να υπολογίσουμε τα ποσοστά ακρίβειας ανά τρόφιμο και να εντοπίσουμε συστηματικά μοτίβα λανθασμένης αναγνώρισης.

Αυτά είναι τα ευρήματά μας.

Μεθοδολογία

Η ανάλυσή μας περιλάμβανε 10,247,831 φωτογραφίες φαγητού που υποβλήθηκαν από χρήστες της Nutrola σε 53 χώρες. Για κάθε φωτογραφία, παρακολουθήσαμε:

• Αρχική αναγνώριση AI: Το τρόφιμο(α) που αναγνώρισε η AI με τη μεγαλύτερη βαθμολογία εμπιστοσύνης
• Ποσοστό διόρθωσης χρηστών: Πόσο συχνά ο χρήστης άλλαξε την αναγνώριση της AI σε διαφορετικό τρόφιμο
• Επαλήθευση από διατροφολόγους: Ένα τυχαίο δείγμα 50,000 εικόνων εξετάστηκε από πιστοποιημένους διατροφολόγους για να καθοριστεί η ακρίβεια της βάσης αλήθειας ανεξάρτητα από τις διορθώσεις χρηστών
• Ακρίβεια Top-1: Εάν η αναγνώριση με τη μεγαλύτερη βαθμολογία εμπιστοσύνης της AI ήταν σωστή
• Ακρίβεια Top-3: Εάν το σωστό τρόφιμο εμφανίστηκε μεταξύ των τριών αναγνωρίσεων με τη μεγαλύτερη βαθμολογία εμπιστοσύνης της AI

Συνολικά, η λειτουργία Snap & Track της Nutrola πέτυχε ακρίβεια top-1 87.3% και ακρίβεια top-3 94.1% σε όλες τις κατηγορίες τροφίμων. Αυτά τα νούμερα είναι συνεπή με δημοσιευμένα πρότυπα για μοντέλα αναγνώρισης τροφίμων αιχμής, τα οποία συνήθως αναφέρουν 80-90% ακρίβεια top-1 σε τυπικά σύνολα δεδομένων όπως το Food-101 και το ISIA Food-500.

Ωστόσο, η ακρίβεια ποικίλλει δραματικά ανά κατηγορία τροφίμου. Ορισμένες κατηγορίες ξεπερνούν το 95% ακρίβεια top-1, ενώ άλλες πέφτουν κάτω από το 60%.

Τα 20 πιο λανθασμένα αναγνωρισμένα τρόφιμα

Πλήρης Κατάταξη

Θέση	Τρόφιμο	Ακρίβεια Top-1	Ακρίβεια Top-3	Πιο Συχνή Λανθασμένη Αναγνώριση	Λάθος Θερμίδων Όταν Λανθασμένα Αναγνωριστεί
1	Κους-κους	52.1%	71.4%	Κινόα, σιτάρι μπουλγκούρ, ρύζι	+/- 15-40 kcal ανά μερίδα
2	Γιαούρτι ελληνικό (σκέτο)	55.8%	78.2%	Σαλάτα, λαβνέ, κανονικό γιαούρτι	+/- 30-80 kcal ανά μερίδα
3	Ρύζι κουνουπιδιού	57.3%	74.6%	Λευκό ρύζι, κους-κους	+110-150 kcal ανά μερίδα
4	Σούπα μίσο	58.9%	76.1%	Άλλες σούπες με ζωμό, ντάσι	+/- 20-60 kcal ανά μερίδα
5	Ποικιλίες πίτας	59.4%	73.8%	Ναν vs ρότι vs πίτα vs τορτίγια	+/- 50-150 kcal ανά κομμάτι
6	Μπολ ακάι	61.2%	79.5%	Μπολ smoothie, μπολ με μούρα	+/- 100-200 kcal ανά μπολ
7	Μπέικον γαλοπούλας	62.0%	80.1%	Μπέικον χοίρου	+40-70 kcal ανά μερίδα
8	Τέμπεχ	63.4%	77.9%	Τόφου (σφιχτό), σεϊτάν	+/- 30-80 kcal ανά μερίδα
9	Ζυμαρικά κολοκυθιού	64.1%	81.3%	Κανονικά ζυμαρικά, ζυμαρικά γυάλινων	+150-200 kcal ανά μερίδα
10	Μπάμπα γκαντούς	64.8%	79.7%	Χούμους	+30-60 kcal ανά μερίδα
11	Φιλέτο λευκού ψαριού	65.2%	82.4%	Στήθος κοτόπουλου, άλλα είδη λευκού ψαριού	+/- 20-50 kcal ανά μερίδα
12	Πρωτεϊνικές τηγανίτες	66.1%	83.0%	Κανονικές τηγανίτες	+80-150 kcal ανά μερίδα
13	Γάλα βρώμης	67.3%	84.2%	Κανονικό γάλα, γάλα αμυγδάλου, γάλα σόγιας	+/- 30-80 kcal ανά κούπα
14	Σκούρα φύλλα (μαγειρεμένα)	67.9%	85.1%	Σπανάκι vs λάχανο vs κολάρα vs σέσκουλο	+/- 5-15 kcal ανά μερίδα
15	Γλυκά χωρίς ζάχαρη	68.4%	80.6%	Κανονικές εκδόσεις του ίδιου γλυκού	+100-250 kcal ανά μερίδα
16	Μπολ δημητριακών	69.1%	83.7%	Λάθος αναγνώριση τύπου βάσης δημητριακών	+/- 40-100 kcal ανά μερίδα
17	Κρέας φυτικής προέλευσης	69.8%	84.9%	Πραγματικό κρέας	+/- 30-80 kcal ανά μερίδα
18	Ντάμπλινγκς	70.2%	85.6%	Γιοζά vs γκιοζά vs πιερόγκι vs μόμο	+/- 20-60 kcal ανά κομμάτι
19	Μικτά πιάτα κάρυ	70.5%	82.3%	Σύγχυση μεταξύ τύπων και βάσεων κάρυ	+/- 50-150 kcal ανά μερίδα
20	Βρώμη για το βράδυ	71.0%	86.2%	Κανονική βρώμη, πουτίγκα σπόρων τσία	+/- 50-120 kcal ανά μερίδα

Γιατί Αυτά τα Τρόφιμα Μπερδεύουν την AI: Πέντε Μοτίβα

Μοτίβο 1: Οπτικοί Δίδυμοι με Διαφορετικά Θερμιδικά Προφίλ

Η πιο συνηθισμένη πηγή λανθασμένης αναγνώρισης είναι τρόφιμα που φαίνονται σχεδόν πανομοιότυπα αλλά έχουν σημαντικά διαφορετικά διατροφικά προφίλ. Το κους-κους και η κινόα, το πιο λανθασμένα αναγνωρισμένο τρόφιμο, είναι οπτικά σχεδόν αδιάκριτα σε μια φωτογραφία, ειδικά όταν αναμειγνύονται με λαχανικά ή σάλτσα. Ωστόσο, η κινόα έχει περίπου 20% περισσότερες θερμίδες και σημαντικά περισσότερη πρωτεΐνη ανά μερίδα από το κους-κους.

Ομοίως, το ρύζι κουνουπιδιού και το λευκό ρύζι μοιράζονται σχεδόν ταυτόσημα οπτικά χαρακτηριστικά σε φωτογραφίες, αλλά η διαφορά θερμίδων είναι τεράστια: περίπου 25 kcal ανά κούπα για το ρύζι κουνουπιδιού σε σύγκριση με 200+ kcal για το λευκό ρύζι. Όταν η AI αναγνωρίζει λανθασμένα το ρύζι κουνουπιδιού ως λευκό ρύζι, η καταγραφή θερμίδων μπορεί να φουσκώσει κατά 150 ή περισσότερες θερμίδες για μια μόνο πλευρά.

Το ελληνικό γιαούρτι, η σαλάτα και το λαβνέ παρουσιάζουν μια άλλη ομάδα οπτικών διδύμων. Όλα είναι λευκά, κρεμώδη και συνήθως σερβίρονται σε μπολ. Το πλήρες ελληνικό γιαούρτι περιέχει περίπου 130 kcal ανά κούπα, ενώ η σαλάτα περιέχει περίπου 445 kcal ανά κούπα. Μια λανθασμένη αναγνώριση εδώ μπορεί να παραμορφώσει δραματικά τον υπολογισμό της ημερήσιας πρόσληψης ενός χρήστη.

Μοτίβο 2: Περιφερειακές Παραλλαγές Παρόμοιων Τροφίμων

Οι πίτες κατατάχθηκαν πέμπτες στη λίστα μας επειδή η κατηγορία περιλαμβάνει δεκάδες οπτικά παρόμοια αλλά διατροφικά διαφορετικά τρόφιμα σε διάφορους πολιτισμούς. Μια τυπική τορτίγια από σιτάρι (περίπου 120 kcal) μοιάζει με το νάν (περίπου 260 kcal) σε φωτογραφίες, ειδικά όταν είναι μερικώς διπλωμένη ή τυλιγμένη. Το ρότι (περίπου 100 kcal) και το παραθά (περίπου 260 kcal, λόγω στρώσεων λαδιού/βούτυρου) μπορεί να φαίνονται αδιάκριτα, αλλά το ένα έχει περισσότερες από διπλάσιες θερμίδες.

Οι ντάμπλινγκς (κατατάχθηκαν 18οι) παρουσιάζουν την ίδια πρόκληση. Οι γιοζά από την Ιαπωνία, οι τζάοτσι από την Κίνα, οι πιερόγκι από την Πολωνία, οι μόμο από το Νεπάλ και οι χινκάλι από τη Γεωργία μοιράζονται μια παρόμοια μορφή (τύλιγμα ζύμης με γέμιση) αλλά διαφέρουν σημαντικά σε μέγεθος, πάχος ζύμης, σύνθεση γέμισης και μέθοδο παρασκευής (ατμού vs τηγανητό vs βραστό).

Το πλεονέκτημα της Nutrola εδώ είναι η κάλυψή της σε περισσότερες από 50 χώρες. Το μοντέλο AI εκπαιδεύεται με φωτογραφίες τροφίμων από κάθε κύρια κουλτούρα, δίνοντάς του ένα ευρύτερο οπτικό λεξιλόγιο από μοντέλα που εκπαιδεύονται κυρίως σε φωτογραφίες δυτικών τροφίμων. Ωστόσο, οι διακρίσεις εντός της κατηγορίας παραμένουν προκλητικές.

Μοτίβο 3: Τρόφιμα Υποκατάστατα που Μιμούνται τα Πρωτότυπα

Η άνοδος των διατροφικών υποκαταστάτων έχει δημιουργήσει μια νέα κατηγορία προκλήσεων αναγνώρισης. Το μπέικον γαλοπούλας μιμείται το μπέικον χοίρου. Τα φυτικά μπιφτέκια μιμούνται τα μπιφτέκια βοδινού. Τα ζυμαρικά κολοκυθιού μιμούνται τα κανονικά ζυμαρικά. Οι πρωτεϊνικές τηγανίτες μιμούνται τις κανονικές τηγανίτες. Τα γλυκά χωρίς ζάχαρη μιμούνται τις εκδόσεις με ζάχαρη.

Αυτά τα υποκατάστατα έχουν σχεδιαστεί σκόπιμα να μοιάζουν με τα τρόφιμα που αντικαθιστούν. Αυτό είναι το όλο νόημα από την πλευρά της ικανοποίησης του καταναλωτή, αλλά δημιουργεί ένα θεμελιώδες πρόβλημα για τα συστήματα οπτικής αναγνώρισης. Οι θερμιδικές επιπτώσεις μπορεί να είναι σημαντικές: οι κανονικές τηγανίτες έχουν κατά μέσο όρο 175 kcal η καθεμία, ενώ οι πρωτεϊνικές τηγανίτες περιέχουν συνήθως 90-110 kcal η καθεμία. Τα ζυμαρικά κολοκυθιού περιέχουν περίπου 20 kcal ανά κούπα σε σύγκριση με 220 kcal για τα μαγειρεμένα σπαγγέτι.

Στο σύνολο δεδομένων μας, τα υποκατάστατα τρόφιμα είχαν μέση ακρίβεια top-1 66.7%, σε σύγκριση με 89.2% για τα μη υποκατάστατα αντίστοιχά τους. Αυτή είναι μια περιοχή όπου τα συμφραζόμενα (προτιμήσεις διατροφής χρηστών, προηγούμενα μοτίβα καταγραφής) μπορούν να βοηθήσουν, και η AI της Nutrola ενσωματώνει αυτά τα σήματα για να βελτιώσει τις προβλέψεις.

Μοτίβο 4: Υγρά και Ημι-Υγρά Τρόφιμα

Οι σούπες, τα μπολ smoothie και τα ποτά είναι σταθερά πιο δύσκολα για την AI να αναγνωρίσει σε σύγκριση με τα στερεά τρόφιμα. Η σούπα μίσο (κατατάχθηκε 4η) είναι ένα καθαρό υγρό με ορατά κομμάτια τόφου και φύκια που μπορεί να μπερδευτούν με άλλους ασιατικούς ζωμούς. Τα μπολ ακάι (κατατάχθηκαν 6α) μοιράζονται οπτικά χαρακτηριστικά με άλλα μπολ smoothie μούρων αλλά διαφέρουν δραματικά σε θερμίδες ανάλογα με το μείγμα βάσης και τα toppings.

Η πρόκληση με τα υγρά τρόφιμα είναι ότι οι κρίσιμες διατροφικές πληροφορίες είναι κυριολεκτικά αόρατες. Δύο κούπες υγρού που φαίνονται ταυτόσημες σε μια φωτογραφία μπορεί να περιέχουν οπουδήποτε από 10 kcal (μαύρος καφές) έως 400 kcal (ένα υψηλής θερμιδικής αξίας smoothie). Η Nutrola το αντιμετωπίζει αυτό ζητώντας από τους χρήστες να απαντήσουν σε ερωτήσεις όταν ανιχνεύονται υγρά τρόφιμα: "Είναι αυτή η κανονική ή διαιτητική έκδοση;" "Ποια είναι η μάρκα;"

Μοτίβο 5: Μικτά Πιάτα με Κρυμμένα Συστατικά

Τα πιάτα κάρυ (κατατάχθηκαν 19α) και τα μπολ δημητριακών (κατατάχθηκαν 16α) αντιπροσωπεύουν μια ευρύτερη πρόκληση: πιάτα πολλαπλών συστατικών όπου σημαντικά διατροφικά συστατικά είναι κρυμμένα από την όραση. Ένα ταϊλανδέζικο πράσινο κάρυ μπορεί να φτιαχτεί με γάλα καρύδας (προσθέτοντας 200+ kcal ανά μερίδα) ή με μια ελαφρύτερη βάση ζωμού. Οι θερμίδες ενός μπολ δημητριακών εξαρτώνται σε μεγάλο βαθμό από το αν η βάση είναι κινόα, λευκό ρύζι, καστανό ρύζι ή φάρο, που μπορεί να καλύπτεται από toppings.

Τα μικτά πιάτα αντιπροσωπεύουν περίπου το 35% όλων των γευμάτων που καταγράφονται από τους χρήστες της Nutrola, αλλά αντιπροσωπεύουν το 52% των σημαντικών σφαλμάτων εκτίμησης θερμίδων (ορισμένα σφάλματα υπερβαίνουν το 15% της πραγματικής θερμιδικής αξίας του πιάτου).

Πώς η Nutrola Βελτίωσε την Ακρίβεια

Διαρκής Εκπαίδευση Μοντέλου

Κάθε διόρθωση χρήστη στη Nutrola τροφοδοτεί την εκπαίδευση του μοντέλου AI. Όταν ένας χρήστης αλλάζει το "κινόα" σε "κους-κους", αυτή η διόρθωση, μαζί με την αρχική εικόνα, προστίθεται στο σύνολο εκπαίδευσης. Κατά τη διάρκεια της 12μηνης περιόδου της ανάλυσής μας, αυτή η συνεχής διαδικασία μάθησης βελτίωσε τη συνολική ακρίβεια top-1 από 82.6% σε 87.3%, κερδίζοντας 4.7 ποσοστιαίες μονάδες.

Τρίμηνο	Ακρίβεια Top-1	Ακρίβεια Top-3	Μέσο Λάθος Θερμίδων
Q1 2025	82.6%	90.3%	47 kcal
Q2 2025	84.1%	91.8%	41 kcal
Q3 2025	85.9%	93.2%	36 kcal
Q4 2025	86.8%	93.9%	33 kcal
Q1 2026 (μερικό)	87.3%	94.1%	31 kcal

Συμφραζόμενα Σήματα

Η AI της Nutrola δεν αναγνωρίζει τρόφιμα σε κενό. Ενσωματώνει συμφραζόμενα σήματα για να βελτιώσει την ακρίβεια:

• Διατροφικό προφίλ χρήστη: Εάν ένας χρήστης έχει δηλώσει ότι ακολουθεί φυτική διατροφή, το μοντέλο αυξάνει τις βαθμολογίες εμπιστοσύνης για φυτικά υποκατάστατα (τόφου αντί για κοτόπουλο, γάλα βρώμης αντί για γάλα γαλακτοκομικών, φυτικό μπιφτέκι αντί για βοδινό).
• Χρόνος γεύματος: Οι φωτογραφίες πρωινού είναι πιο πιθανό να περιέχουν τρόφιμα πρωινού. Αυτό φαίνεται προφανές, αλλά βελτιώνει σημαντικά την ακρίβεια για αμφίβολα στοιχεία όπως η βρώμη για το βράδυ σε σύγκριση με την πουτίγκα σπόρων τσία.
• Γεωγραφική τοποθεσία: Μια φωτογραφία που τραβήχτηκε στο Τόκιο είναι πιο πιθανό να είναι σούπα μίσο παρά μινέστρόνε. Η Nutrola εξυπηρετεί χρήστες σε περισσότερες από 50 χώρες και χρησιμοποιεί γενικά δεδομένα τοποθεσίας (με άδεια χρήστη) για να προσαρμόσει τις προτιμήσεις αναγνώρισης τροφίμων.
• Προηγούμενα μοτίβα καταγραφής: Εάν ένας χρήστης καταγράφει τακτικά ρύζι κουνουπιδιού, το μοντέλο μαθαίνει ότι αυτός ο χρήστης είναι πιο πιθανό να καταναλώσει ρύζι κουνουπιδιού παρά λευκό ρύζι όταν η οπτική είσοδος είναι αμφίβολη.

Αναγνώριση Πολλαπλών Εικόνων

Το 2025, η Nutrola εισήγαγε τη δυνατότητα λήψης πολλαπλών φωτογραφιών του ίδιου γεύματος από διαφορετικές γωνίες. Για σύνθετα πιάτα και αμφίβολα τρόφιμα, μια δεύτερη γωνία μπορεί να επιλύσει την αβεβαιότητα αναγνώρισης. Σε δοκιμές, η αναγνώριση από πολλαπλές γωνίες βελτίωσε την ακρίβεια top-1 για τα 20 πιο λανθασμένα αναγνωρισμένα τρόφιμα κατά 8.2 ποσοστιαίες μονάδες.

Όρια Εμπιστοσύνης και Υποδείξεις Χρηστών

Όταν η βαθμολογία εμπιστοσύνης της AI πέφτει κάτω από το 75%, η Nutrola παρουσιάζει στον χρήστη τους τρεις κορυφαίους υποψηφίους αντί να καταγράφει αυτόματα το κορυφαίο αποτέλεσμα. Οι χρήστες μπορούν να επιλέξουν τη σωστή αναγνώριση ή να πληκτρολογήσουν το όνομα του τροφίμου. Αυτή η διαφανής προσέγγιση σημαίνει ότι οι αναγνωρίσεις χαμηλής εμπιστοσύνης εντοπίζονται και διορθώνονται πριν επηρεάσουν την ακρίβεια παρακολούθησης θερμίδων.

Η Θερμιδική Επίπτωση της Λανθασμένης Αναγνώρισης

Δεν είναι όλες οι λανθασμένες αναγνωρίσεις ίδιες. Η σύγχυση του λάχανου με το σπανάκι (κατατάχθηκε 14η) έχει θερμιδική επίπτωση 5-15 kcal ανά μερίδα, που είναι διατροφικά ασήμαντη. Η σύγχυση του ρυζιού κουνουπιδιού με το λευκό ρύζι (κατατάχθηκε 3η) ή των ζυμαρικών κολοκυθιού με τα κανονικά ζυμαρικά (κατατάχθηκαν 9οι) μπορεί να εισάγει σφάλματα 150-200 kcal, αρκετά για να επηρεάσουν σημαντικά τον ημερήσιο θερμιδικό προϋπολογισμό.

Υπολογίσαμε την σταθμισμένη θερμιδική επίπτωση των λανθασμένων αναγνωρίσεων σε όλο το σύνολο δεδομένων μας:

Εύρος Λάθους Θερμίδων	% Όλων των Λανθασμένων Αναγνωρίσεων	Πρακτική Επίπτωση
Λιγότερο από 25 kcal	38.2%	Αμελητέα
25-75 kcal	29.6%	Μικρή
75-150 kcal	19.7%	Μέτρια, εμφανής με την πάροδο του χρόνου
150-250 kcal	9.1%	Σημαντική, μπορεί να επηρεάσει τους ημερήσιους στόχους
Περισσότερο από 250 kcal	3.4%	Μεγάλη, ισοδύναμη με ένα μικρό γεύμα

Η διάμεση θερμιδική απόκλιση σε όλες τις λανθασμένες αναγνωρίσεις ήταν 42 kcal, που είναι εντός του περιθωρίου σφάλματος για τους περισσότερους σκοπούς παρακολούθησης διατροφής. Ωστόσο, η ουρά της κατανομής (το 12.5% των λανθασμένων αναγνωρίσεων που εισάγουν σφάλματα άνω των 150 kcal) είναι εκεί που η αναγνώριση τροφίμων με AI έχει τη μεγαλύτερη περιθώριο βελτίωσης.

Τι Μπορούν να Κάνουν οι Χρήστες για να Βελτιώσουν την Ακρίβεια της AI

1. Τραβήξτε καθαρές, καλά φωτισμένες φωτογραφίες. Η AI λειτουργεί καλύτερα με καλή φωτισμένη και καθαρή άποψη του πιάτου. Οι φωτογραφίες σε εστιατόρια με χαμηλό φωτισμό και ακραίες γωνίες μειώνουν την ακρίβεια κατά μέσο όρο 6 ποσοστιαίες μονάδες.

2. Διαχωρίστε τα συστατικά όταν είναι δυνατόν. Εάν το γεύμα σας έχει διακριτά συστατικά (πρωτεΐνη, δημητριακά, λαχανικά), η διάταξή τους με ορατό διαχωρισμό βοηθά την AI να αναγνωρίσει κάθε στοιχείο ξεχωριστά αντί να θεωρεί το πιάτο ως ένα μόνο μικτό πιάτο.

3. Χρησιμοποιήστε τη λειτουργία διόρθωσης. Κάθε διόρθωση που κάνετε βελτιώνει την AI για εσάς και για ολόκληρη την κοινότητα της Nutrola. Οι χρήστες που διορθώνουν λανθασμένες αναγνωρίσεις εντός των πρώτων δύο εβδομάδων χρήσης βλέπουν 11% υψηλότερες μακροχρόνιες ποσοστά ακρίβειας επειδή το μοντέλο μαθαίνει τα συγκεκριμένα διατροφικά τους μοτίβα.

4. Καθορίστε υποκατάστατα. Εάν καταναλώνετε τακτικά υποκατάστατα τροφίμων (ρύζι κουνουπιδιού, φυτικό κρέας, επιλογές χωρίς ζάχαρη), σημειώστε το αυτό στις διατροφικές προτιμήσεις σας στη Nutrola. Η AI θα δώσει μεγαλύτερη βαρύτητα σε αυτές τις εναλλακτικές στις προβλέψεις της.

5. Δοκιμάστε φωτογραφίες από πολλαπλές γωνίες. Για σύνθετα πιάτα, μια δεύτερη φωτογραφία από διαφορετική γωνία μπορεί να επιλύσει την αβεβαιότητα. Αυτό είναι ιδιαίτερα χρήσιμο για μπολ, σούπες και μικτά πιάτα όπου τα κύρια συστατικά μπορεί να είναι κρυμμένα κάτω από toppings.

Κοιτώντας Μπροστά

Η ακρίβεια της αναγνώρισης τροφίμων με AI έχει βελτιωθεί δραματικά τα τελευταία τρία χρόνια, και η πορεία δεν δείχνει σημάδια επιβράδυνσης. Το μοντέλο Snap & Track της Nutrola επεξεργάζεται περισσότερες φωτογραφίες φαγητού ανά μήνα από ό,τι περιέχουν τα περισσότερα δημοσιευμένα ακαδημαϊκά σύνολα δεδομένων συνολικά, και κάθε αλληλεπίδραση καθιστά το σύστημα πιο έξυπνο.

Ο στόχος μας για το τέλος του 2026 είναι μια ακρίβεια top-1 90% σε όλες τις κατηγορίες τροφίμων και 75% για τα 20 πιο λανθασμένα αναγνωρισμένα τρόφιμα. Με τις συνεχείς βελτιώσεις του μοντέλου, την επέκταση των δεδομένων εκπαίδευσης από τη διευρυνόμενη βάση χρηστών μας σε περισσότερες από 50 χώρες, και χαρακτηριστικά όπως η αναγνώριση από πολλαπλές γωνίες και τα συμφραζόμενα σήματα, πιστεύουμε ότι αυτοί οι στόχοι είναι εφικτοί.

Ο στόχος δεν είναι να αντικαταστήσουμε εντελώς την ανθρώπινη κρίση. Είναι να κάνουμε την καταγραφή τροφίμων τόσο γρήγορη και τόσο ακριβή ώστε η τριβή της παρακολούθησης διατροφής να εξαφανιστεί ουσιαστικά. Δεν έχουμε φτάσει εκεί ακόμα, αλλά 10 εκατομμύρια φωτογραφίες αργότερα, είμαστε μετρήσιμα πιο κοντά από ό,τι ήμασταν πριν από ένα χρόνο.