Μπορεί το Gemini AI να παρακολουθήσει τις θερμίδες σας; Το δοκιμάσαμε σε σύγκριση με μια εξειδικευμένη εφαρμογή

Καθώς τα AI chatbots γίνονται μέρος της καθημερινής μας ζωής, προκύπτει ένα φυσικό ερώτημα: μπορούμε απλώς να ρωτήσουμε το Gemini ή το ChatGPT να παρακολουθήσουν τις θερμίδες μας αντί να χρησιμοποιήσουμε μια εξειδικευμένη διατροφική εφαρμογή; Το δοκιμάσαμε άμεσα. Σε διάστημα δύο εβδομάδων, ζητήσαμε από το Google Gemini και το OpenAI ChatGPT να εκτιμήσουν την περιεκτικότητα σε θερμίδες και μακροθρεπτικά συστατικά 30 διαφορετικών γευμάτων, που κυμαίνονταν από απλά τρόφιμα με μία μόνο συστατική μέχρι πολύπλοκα πιάτα εστιατορίων. Συγκρίναμε τις εκτιμήσεις τους με δύο αναφορές: τις επαληθευμένες καταχωρίσεις της βάσης δεδομένων τροφίμων του Nutrola και τις ζυγισμένες διατροφικές αναφορές που υπολογίστηκαν χρησιμοποιώντας τις τιμές του USDA FoodData Central.

Τα αποτελέσματα αποκαλύπτουν θεμελιώδεις περιορισμούς στη χρήση γενικών AI chatbots για την παρακολούθηση της διατροφής, περιορισμούς που είναι δομικοί και όχι προσωρινοί, πράγμα που σημαίνει ότι είναι απίθανο να επιλυθούν πλήρως με μελλοντικές ενημερώσεις μοντέλων.

Μπορώ να χρησιμοποιήσω το Gemini για να μετρήσω θερμίδες;

Μπορείτε να ζητήσετε από το Gemini να εκτιμήσει τις θερμίδες σε ένα γεύμα και θα σας δώσει μια απάντηση. Το ερώτημα είναι αν αυτή η απάντηση είναι αρκετά ακριβής και συνεπής για να υποστηρίξει την πραγματική διαχείριση της διατροφής. Με βάση τις δοκιμές μας, η απάντηση είναι όχι για οποιαδήποτε χρήση που απαιτεί αξιοπιστία.

Μεθοδολογία δοκιμής: Ετοιμάσαμε ή αγοράσαμε 30 γεύματα που κάλυπταν μια ποικιλία πολυπλοκότητας. Κάθε γεύμα ζυγίστηκε σε μια καλιμπραρισμένη κουζίνα, και οι αναφορές θερμίδων υπολογίστηκαν χρησιμοποιώντας τα διατροφικά δεδομένα του USDA FoodData Central. Στη συνέχεια, περιγράψαμε κάθε γεύμα στο Gemini (AI βοηθός της Google) με φυσική γλώσσα, όπως θα έκανε ένας πραγματικός χρήστης, και καταγράψαμε την εκτίμηση θερμίδων του. Δοκιμάσαμε την ίδια διαδικασία με το ChatGPT (GPT-4o) και καταγράψαμε κάθε γεύμα στο Nutrola χρησιμοποιώντας αναγνώριση φωτογραφιών και αναζητήσεις στη βάση δεδομένων.

Ορισμός ακρίβειας: Ορίσαμε μια εκτίμηση ως "ακριβή" αν βρισκόταν εντός 10 τοις εκατό της ζυγισμένης αναφοράς, ένα τυπικό όριο που χρησιμοποιείται στην έρευνα αξιολόγησης διατροφής (Subar et al., The Journal of Nutrition, 2015).

Πόσο ακριβή είναι τα AI chatbots για την καταμέτρηση θερμίδων;

Τα αποτελέσματα ήταν συνεπή σε όλες τις κατηγορίες γευμάτων: τα γενικά AI chatbots παρέχουν χονδρικές εκτιμήσεις που δεν είναι αρκετά αξιόπιστες για δίαιτες με έλεγχο θερμίδων.

Μετρική	Gemini	ChatGPT (GPT-4o)	Nutrola	Ζυγισμένη Αναφορά
Γεύματα εντός 10% της αναφοράς	11/30 (37%)	13/30 (43%)	25/30 (83%)	30/30 (100%)
Μέσο απόλυτο σφάλμα	127 kcal	108 kcal	38 kcal	0 kcal
Μέσο ποσοστό σφάλματος	22.4%	18.6%	6.1%	0%
Μεγαλύτερη υπερεκτίμηση	+340 kcal (πιάτο ζυμαρικών)	+285 kcal (τηγανιά)	+95 kcal (γεύμα εστιατορίου)	N/A
Μεγαλύτερη υποεκτίμηση	-290 kcal (σαλάτα με ντρέσινγκ)	-315 kcal (μπόλ με γκρανόλα)	-72 kcal (σπιτική σούπα)	N/A
Συνεπείς σε επαναλαμβανόμενες ερωτήσεις	Όχι (διαφορετικά κατά 50-200 kcal)	Όχι (διαφορετικά κατά 30-150 kcal)	Ναι (κλειδωμένη βάση δεδομένων)	N/A

Κύριο εύρημα: Το μέσο απόλυτο σφάλμα των 108 έως 127 θερμίδων ανά γεύμα μεταφράζεται σε 324 έως 381 θερμίδες συνολικού σφάλματος σε τρία γεύματα την ημέρα. Για κάποιον που στοχεύει σε έλλειμμα 500 θερμίδων για απώλεια βάρους, αυτό το επίπεδο ανακρίβειας μπορεί να εξαλείψει το 65 έως 76 τοις εκατό του επιδιωκόμενου ελλείμματος, σταματώντας ουσιαστικά την πρόοδο.

Γιατί τα AI chatbots κάνουν λάθη στην καταμέτρηση θερμίδων;

Τα σφάλματα που παρατηρήσαμε δεν ήταν τυχαία. Ακολούθησαν προβλέψιμα μοτίβα που αποκαλύπτουν δομικούς περιορισμούς στη χρήση μεγάλων γλωσσικών μοντέλων για διατροφική εκτίμηση.

Πρόβλημα 1: Καμία επαληθευμένη βάση δεδομένων. Το Gemini και το ChatGPT δεν αναζητούν τρόφιμα σε μια δομημένη διατροφική βάση δεδομένων όταν τους ζητάτε εκτιμήσεις θερμίδων. Δημιουργούν απαντήσεις με βάση τα μοτίβα στα δεδομένα εκπαίδευσής τους, τα οποία περιλαμβάνουν ένα μείγμα ακριβών δεδομένων του USDA, περιεχόμενο που έχει δημιουργηθεί από χρήστες, εκτιμήσεις από ιστολόγια τροφίμων και διαφημιστικά υλικά. Ένα μόνο τρόφιμο μπορεί να έχει εντελώς διαφορετικές τιμές θερμίδων σε αυτές τις πηγές, και το μοντέλο δεν έχει μηχανισμό για να προσδιορίσει ποια πηγή είναι σωστή.

Το Nutrola και άλλες εξειδικευμένες διατροφικές εφαρμογές χρησιμοποιούν επαληθευμένες βάσεις δεδομένων τροφίμων. Η βάση δεδομένων του Nutrola περιέχει πάνω από 1.8 εκατομμύρια καταχωρίσεις που διασταυρώνονται με το USDA FoodData Central, τις ετικέτες διατροφής των κατασκευαστών και ανεξάρτητες εργαστηριακές αναλύσεις. Όταν καταγράφετε "στήθος κοτόπουλου, ψητό, 150g," η τιμή που επιστρέφεται είναι ένα επαληθευμένο δεδομένο, όχι μια στατιστική μέση όλων όσων έχει πει ποτέ το διαδίκτυο για το κοτόπουλο.

Πρόβλημα 2: Καμία θεμελίωση μεγέθους μερίδας. Όταν πείτε σε ένα AI chatbot ότι είχατε "ένα μπολ ζυμαρικών," πρέπει να μαντέψει τι σημαίνει "ένα μπολ." Είναι 200 γραμμάρια μαγειρεμένα ζυμαρικά ή 400 γραμμάρια; Η διαφορά είναι 250 θερμίδες ή περισσότερες. Τα AI chatbots προτιμούν να βασίζονται σε πολιτισμικά μέσες υποθέσεις μερίδας που μπορεί να μην ταιριάζουν με την πραγματική σας μερίδα.

Στις δοκιμές μας, η λανθασμένη εκτίμηση μεγέθους μερίδας ήταν η μεγαλύτερη πηγή σφάλματος. Το Gemini υποτίμησε ένα μπολ γκρανόλας κατά 210 θερμίδες επειδή υπέθεσε μικρότερη μερίδα από αυτή που καταναλώθηκε. Το ChatGPT υπερεκτίμησε μια τηγανιά κατά 285 θερμίδες επειδή υπέθεσε μερίδες εστιατορίου ενώ το γεύμα ήταν σπιτικό.

Το Nutrola αντιμετωπίζει αυτό το ζήτημα μέσω πολλών μηχανισμών: η σάρωση γραμμωτού κώδικα συνδέεται άμεσα με τις αναγραφόμενες μερίδες των κατασκευαστών, η αναγνώριση φωτογραφιών AI εκτιμά τον όγκο της μερίδας από την εικόνα, και οι χρήστες μπορούν να προσαρμόσουν τις μερίδες σε γραμμάρια χρησιμοποιώντας μια κουζίνα για μέγιστη ακρίβεια.

Πρόβλημα 3: Καμία μνήμη μεταξύ των συνεδριών. Αυτό είναι ίσως ο πιο θεμελιώδης περιορισμός για τη συνεχή παρακολούθηση θερμίδων. Τα AI chatbots δεν διατηρούν ένα μόνιμο αρχείο του τι έχετε φάει. Κάθε συνομιλία ξεκινά από το μηδέν. Δεν υπάρχει καθημερινό σύνολο, καμία εβδομαδιαία τάση, καμία τρέχουσα ανάλυση μακροθρεπτικών συστατικών.

Η αποτελεσματική παρακολούθηση θερμίδων απαιτεί σωρευτικά δεδομένα. Πρέπει να γνωρίζετε όχι μόνο τις θερμίδες στο μεσημεριανό σας αλλά και το τρέχον ημερήσιο σύνολο, τον εβδομαδιαίο μέσο όρο, την κατανομή μακροθρεπτικών συστατικών και την τάση του βάρους σας με την πάροδο του χρόνου. Ένα chatbot παρέχει απομονωμένες εκτιμήσεις χωρίς συνέχεια.

Πρόβλημα 4: Ασυνεπείς εκτιμήσεις για ταυτόσημες ερωτήσεις. Ρωτήσαμε και τα δύο chatbots να εκτιμήσουν τις θερμίδες για την ίδια περιγραφή γεύματος τρεις φορές σε διαφορετικές ημέρες. Τα αποτελέσματα διέφεραν κατά 50 έως 200 θερμίδες σε κάθε ερώτηση. Μια "μεσαία σαλάτα Caesar με ψητό κοτόπουλο" επέστρεψε εκτιμήσεις 380, 450 και 520 θερμίδων από το Gemini σε τρεις διαφορετικές συνομιλίες. Αυτή η ασυνέπεια είναι εγγενής στον τρόπο που τα γλωσσικά μοντέλα παράγουν απαντήσεις. Είναι πιθανοκρατικοί γεννήτορες κειμένου, όχι συστήματα αναζήτησης βάσεων δεδομένων.

Πρόβλημα 5: Ψευδείς διατροφικές πληροφορίες. Σε 4 από τις 30 εκτιμήσεις γευμάτων, το ChatGPT παρείχε συγκεκριμένες αλλά κατασκευασμένες διατροφικές αναλύσεις. Για παράδειγμα, δήλωσε ότι μια συγκεκριμένη μάρκα πρωτεϊνικής μπάρας περιείχε 22g πρωτεΐνης και 210 θερμίδες, όταν η πραγματική ετικέτα αναφέρει 20g πρωτεΐνης και 190 θερμίδες. Οι αριθμοί ήταν αρκετά κοντά για να φαίνονται πειστικοί, αλλά αρκετά λάθος για να έχουν σημασία με την πάροδο του χρόνου. Αυτό το φαινόμενο, γνωστό ως "παραισθήσεις" στην έρευνα AI, είναι ιδιαίτερα επικίνδυνο στη διατροφή επειδή τα λάθη φαίνονται αυθεντικά.

Είναι το ChatGPT ακριβές για την καταμέτρηση θερμίδων;

Το ChatGPT παρουσίασε ελαφρώς καλύτερη απόδοση από το Gemini στις δοκιμές μας, με το 43 τοις εκατό των εκτιμήσεων να πέφτουν εντός 10 τοις εκατό της αναφοράς σε σύγκριση με το 37 τοις εκατό του Gemini. Ωστόσο, αυτή η διαφορά δεν είναι πρακτικά σημαντική. Και τα δύο chatbots υπολείπονται σημαντικά του ορίου ακρίβειας που απαιτείται για αξιόπιστη διαχείριση διατροφής.

Το ακαδημαϊκό πρότυπο για τα εργαλεία αξιολόγησης διατροφής, όπως ορίζεται από ερευνητές όπως οι Subar et al. και Thompson et al. στο Εθνικό Ινστιτούτο Καρκίνου, απαιτεί ένα εργαλείο να επιδεικνύει λιγότερο από 10 τοις εκατό μέσο σφάλμα για να θεωρείται έγκυρο για παρακολούθηση διατροφής σε ατομικό επίπεδο. Και τα δύο chatbots υπερβαίνουν αυτό το όριο κατά πολύ.

Το πλεονέκτημα του ChatGPT σε σχέση με το Gemini φαίνεται να προέρχεται από ελαφρώς καλύτερες υποθέσεις μεγέθους μερίδας για κοινά αμερικανικά τρόφιμα, πιθανώς αντικατοπτρίζοντας τη σύνθεση των δεδομένων εκπαίδευσής του. Για διεθνή τρόφιμα, περιφερειακά πιάτα και σπιτικά γεύματα, η ακρίβεια μειώθηκε σημαντικά και για τα δύο μοντέλα.

AI Chatbot vs Διατροφική Εφαρμογή για Παρακολούθηση Δίαιτας: Πλήρης Σύγκριση

Πέρα από την απλή ακρίβεια, οι λειτουργικές διαφορές μεταξύ ενός chatbot και μιας εξειδικευμένης διατροφικής εφαρμογής εκτείνονται σε πολλές διαστάσεις που επηρεάζουν τη χρηστικότητα στον πραγματικό κόσμο.

Χαρακτηριστικό	Gemini / ChatGPT	Nutrola
Ακρίβεια θερμίδων (σε σύγκριση με ζυγισμένη αναφορά)	18-22% μέσο σφάλμα	6% μέσο σφάλμα
Επαληθευμένη βάση δεδομένων τροφίμων	Όχι	Ναι, 1.8M+ καταχωρίσεις
Σάρωση γραμμωτού κώδικα	Όχι	Ναι
Αναγνώριση τροφίμων μέσω φωτογραφίας	Περιορισμένη (απαιτεί ανέβασμα)	Ενσωματωμένη αναγνώριση AI
Φωνητική καταγραφή	Έμμεση (φωνή σε κείμενο)	Εγγενής φωνητική καταγραφή τροφίμων
Μόνιμο ημερήσιο αρχείο	Όχι	Ναι, αυτόματα
Τρέχον ημερήσιο/εβδομαδιαίο σύνολο	Όχι (πρέπει να υπολογίσετε χειροκίνητα)	Ναι, σε πραγματικό χρόνο
Ανάλυση μακροθρεπτικών συστατικών	Εκτιμημένη ανά ερώτηση	Παρακολουθείται ανά τρόφιμο, ημερήσια, εβδομαδιαία
Παρακολούθηση μικροθρεπτικών συστατικών	Ασυνεπής	100+ θρεπτικά συστατικά
Παρακολούθηση τάσης βάρους	Όχι	Ναι, με γραφήματα
Ενσωμάτωση Apple Watch	Όχι	Ναι
Προσαρμοστικοί στόχοι θερμίδων	Όχι	Ναι, προσαρμόζεται στις τάσεις σας
Συνεπείς εκτιμήσεις	Όχι (διαφορετικές ανά ερώτηση)	Ναι (κλειδωμένη βάση δεδομένων)
Πρόσβαση εκτός σύνδεσης	Όχι	Ναι
Κόστος	Δωρεάν (με συνδρομή για προηγμένα)	Από €2.50/μήνα
Διαφημίσεις	Διαφορετικές ανά πλατφόρμα	Μηδέν διαφημίσεις

Σε τι είναι καλά τα AI chatbots στη διατροφή;

Παρά τους περιορισμούς τους στην παρακολούθηση θερμίδων, τα γενικά AI chatbots έχουν νόμιμες περιπτώσεις χρήσης στη διατροφή που πρέπει να αναγνωριστούν.

Γενική εκπαίδευση διατροφής. Ρωτώντας το Gemini ή το ChatGPT να εξηγήσουν τη διαφορά μεταξύ κορεσμένων και ακόρεστων λιπαρών ή να περιγράψουν πώς λειτουργεί η σύνθεση πρωτεΐνης, συνήθως παράγουν ακριβείς και καλά οργανωμένες απαντήσεις. Για εννοιολογικές ερωτήσεις με καθιερωμένη επιστημονική συναίνεση, τα AI chatbots αποδίδουν καλά.

Δημιουργία ιδεών για γεύματα. Τα chatbots διαπρέπουν στη δημιουργία ιδεών συνταγών με βάση περιορισμούς όπως "υψηλές πρωτεΐνες γεύματα κάτω από 500 θερμίδες με κοτόπουλο και μπρόκολο." Ο συγκεκριμένος αριθμός θερμίδων μπορεί να μην είναι ακριβής, αλλά οι έννοιες γευμάτων είναι χρήσιμες αφετηρίες.

Σύγκριση διατροφικών προτύπων. Ρωτώντας ένα chatbot να συγκρίνει τη μεσογειακή, κετογονική και φυτική διατροφή παράγει λογικές περιλήψεις των αποδείξεων για κάθε προσέγγιση.

Όπου αποτυγχάνουν τα chatbots είναι στην ποσοτική, μόνιμη και εξαρτώμενη από την ακρίβεια εργασία της καθημερινής παρακολούθησης θερμίδων και θρεπτικών συστατικών. Αυτό είναι ένα πρόβλημα βάσης δεδομένων και καταγραφής, όχι πρόβλημα παραγωγής γλώσσας.

Γιατί οι εξειδικευμένες διατροφικές εφαρμογές υπερτερούν των γενικών AI chatbots

Ο κύριος λόγος είναι αρχιτεκτονικός. Μια εφαρμογή παρακολούθησης διατροφής είναι χτισμένη γύρω από μια δομημένη βάση δεδομένων, ένα μόνιμο προφίλ χρήστη και λογική σωρευτικών δεδομένων. Ένα AI chatbot είναι χτισμένο γύρω από την πρόβλεψη του επόμενου στοιχείου από ένα γλωσσικό μοντέλο. Αυτά είναι θεμελιωδώς διαφορετικά εργαλεία που βελτιστοποιούνται για θεμελιωδώς διαφορετικές εργασίες.

Μόνιμη καταγραφή. Το Nutrola διατηρεί ένα πλήρες αρχείο κάθε τροφής που καταγράφετε, τα ημερήσια και εβδομαδιαία σύνολα σας, τις τάσεις μακροθρεπτικών συστατικών και την ιστορία του σωματικού σας βάρους. Αυτά τα διαχρονικά δεδομένα είναι αυτά που καθιστούν την παρακολούθηση θερμίδων αποτελεσματική. Μια εκτίμηση θερμίδων σε μια στιγμή, όσο ακριβής και αν είναι, είναι άχρηστη χωρίς το πλαίσιο του ημερήσιου συνόλου και του εβδομαδιαίου προτύπου.

Επαληθευμένα δεδομένα. Μια καταχώριση βάσης δεδομένων για "Chobani Greek Yogurt, Plain, 150g" στο Nutrola προέρχεται από την ετικέτα διατροφής του κατασκευαστή και έχει επαληθευτεί σύμφωνα με τα πρότυπα του USDA. Όταν ένα chatbot εκτιμά το ίδιο αντικείμενο, μέσες πληροφορίες από χιλιάδες διαδικτυακές πηγές με ποικιλία αξιοπιστίας, παράγοντας έναν πειστικό αλλά μη επαληθευμένο αριθμό.

Ενσωμάτωση φορετών συσκευών. Τα δεδομένα του Apple Watch τροφοδοτούνται απευθείας στο Nutrola, παρέχοντας ακριβείς εκτιμήσεις θερμίδων δραστηριότητας που συνδυάζονται με την καταγραφή τροφίμων για τον υπολογισμό του καθαρού ενεργειακού ισοζυγίου. Κανένα chatbot δεν μπορεί να έχει πρόσβαση στα δεδομένα της φορετής σας συσκευής για να προσαρμόσει τις συστάσεις θερμίδων με βάση την πραγματική σας καθημερινή κίνηση.

Ταχύτητα και ευκολία. Η λήψη φωτογραφίας του πιάτου σας, η σάρωση ενός γραμμωτού κώδικα ή η φωνητική καταγραφή του γεύματός σας διαρκεί λιγότερο από 30 δευτερόλεπτα. Η πληκτρολόγηση μιας λεπτομερούς περιγραφής γεύματος σε ένα chatbot, η αναμονή για την απάντηση και η χειροκίνητη καταγραφή της εκτίμησης κάπου διαρκεί σημαντικά περισσότερο και παράγει λιγότερο ακριβή αποτέλεσμα.

Μπορούν τα AI chatbots να βελτιωθούν αρκετά ώστε να αντικαταστήσουν τις διατροφικές εφαρμογές;

Αυτό είναι ένα ερώτημα σχετικά με τη θεμελιώδη αρχιτεκτονική, όχι μόνο την ικανότητα του μοντέλου. Ακόμα και με τέλεια ακρίβεια εκτίμησης θερμίδων (την οποία τα τρέχοντα μοντέλα απέχουν πολύ από το να επιτύχουν), τα AI chatbots θα στερούνταν ακόμα τη μόνιμη καταγραφή, την σωρευτική παρακολούθηση, την ενσωμάτωση φορετών συσκευών και την επαλήθευση βάσεων δεδομένων που απαιτεί η παρακολούθηση διατροφής.

Μελλοντικά AI συστήματα θα μπορούσαν θεωρητικά να ενσωματώσουν αυτά τα χαρακτηριστικά. Αλλά σε εκείνη την περίπτωση, θα ήταν ουσιαστικά εφαρμογές διατροφής με μια συνομιλητική διεπαφή, όχι γενικά chatbots. Τα χαρακτηριστικά που καθιστούν την παρακολούθηση θερμίδων λειτουργική, μια επαληθευμένη βάση δεδομένων, μόνιμα αρχεία χρηστών, ενσωματώσεις συσκευών, προσαρμοστικοί αλγόριθμοι, είναι μηχανικά συστήματα, όχι γλωσσικές ικανότητες.

Το πιο πιθανό μέλλον δεν είναι το "τα chatbots αντικαθιστούν τις διατροφικές εφαρμογές" αλλά μάλλον "οι διατροφικές εφαρμογές ενσωματώνουν την συνομιλητική AI." Αυτό ήδη συμβαίνει. Η AI-powered αναγνώριση φωτογραφιών και η φωνητική καταγραφή του Nutrola φέρνουν την ευκολία της συνομιλητικής αλληλεπίδρασης στην δομημένη αξιοπιστία μιας επαληθευμένης βάσης δεδομένων διατροφής. Αποκτάτε την φυσική αλληλεπίδραση με την AI με την ακρίβεια και την μόνιμη καταγραφή ενός συστήματος παρακολούθησης που έχει σχεδιαστεί για αυτό το σκοπό.

Τι συμβαίνει όταν ζητάτε από μια AI να παρακολουθήσει τις θερμίδες σας;

Για να απεικονίσουμε τη πρακτική διαφορά, εδώ είναι πώς φαίνεται μια τυπική ημέρα παρακολούθησης θερμίδων με κάθε προσέγγιση.

Χρησιμοποιώντας το Gemini ή το ChatGPT: Ρωτάτε το chatbot να εκτιμήσει το πρωινό σας. Σας δίνει έναν αριθμό. Τον καταγράφετε κάπου ή προσπαθείτε να τον θυμηθείτε. Στο μεσημεριανό, ξεκινάτε μια νέα συνομιλία (το chatbot δεν θυμάται το πρωινό) και παίρνετε μια άλλη εκτίμηση. Προσθέτετε νοητά τους δύο αριθμούς. Μέχρι το δείπνο, έχετε έναν χονδρικό τρέχοντα συνολικό αριθμό που μπορεί να διαφέρει κατά 200 έως 400 θερμίδες, και δεν έχετε καμία ανάλυση μακροθρεπτικών συστατικών, κανένα μόνιμο αρχείο και καμία εβδομαδιαία τάση.

Χρησιμοποιώντας το Nutrola: Φωτογραφίζετε το πρωινό σας. Η AI αναγνωρίζει τα τρόφιμα, τα ταιριάζει με επαληθευμένες καταχωρίσεις βάσης δεδομένων και τα καταγράφει αυτόματα. Το ημερήσιο σύνολό σας ενημερώνεται σε πραγματικό χρόνο. Στο μεσημεριανό, σκανάρετε έναν γραμμωτό κώδικα από τη συσκευασία του σάντουιτς σας, και τα ακριβή διατροφικά δεδομένα του κατασκευαστή προστίθενται στο αρχείο σας. Μέχρι το δείπνο, έχετε έναν ακριβή τρέχοντα συνολικό αριθμό, μια ανάλυση μακροθρεπτικών συστατικών και μια ιστορία γευμάτων που τροφοδοτεί τις εβδομαδιαίες και μηνιαίες τάσεις σας. Ο στόχος θερμίδων σας προσαρμόζεται με βάση τα πραγματικά δεδομένα τάσης βάρους που συγχρονίζονται από το Apple Watch σας.

Η διαφορά δεν είναι λεπτή. Είναι η διαφορά μεταξύ μιας εκτίμησης και ενός συστήματος.

Κύρια Σημεία

Γενικά AI chatbots όπως το Gemini και το ChatGPT είναι εντυπωσιακά εργαλεία για πολλές εργασίες, αλλά η παρακολούθηση θερμίδων δεν είναι μία από αυτές. Η δοκιμή μας σε 30 γεύματα αποκάλυψε μέσες αποκλίσεις 108 έως 127 θερμίδων ανά γεύμα, ασυνεπή αποτελέσματα σε επαναλαμβανόμενες ερωτήσεις, καμία ικανότητα μόνιμης καταγραφής και καμία ενσωμάτωση με βάσεις δεδομένων τροφίμων ή φορετές συσκευές. Αυτοί οι περιορισμοί είναι δομικοί, όχι τυχαίοι. Προέρχονται από τη θεμελιώδη διαφορά μεταξύ ενός γλωσσικού μοντέλου και ενός συστήματος παρακολούθησης διατροφής.

Για οποιονδήποτε είναι σοβαρός σχετικά με τη διαχείριση της διατροφής του, μια εξειδικευμένη εφαρμογή με επαληθευμένη βάση δεδομένων, μόνιμη καταγραφή και προσαρμοστικούς στόχους παραμένει απαραίτητη. Το Nutrola συνδυάζει την ευκολία που προσφέρει η AI (αναγνώριση φωτογραφιών, φωνητική καταγραφή, σάρωση γραμμωτού κώδικα) με την ακρίβεια και την μόνιμη καταγραφή μιας δομημένης πλατφόρμας διατροφής, όλα για 2.50 ευρώ το μήνα χωρίς διαφημίσεις. Όταν πρόκειται για την παρακολούθηση θερμίδων, το ερώτημα δεν είναι αν εμπλέκεται η AI. Είναι αν η AI υποστηρίζεται από τη σωστή αρχιτεκτονική για τη δουλειά.