Σύγκριση Βάσεων Δεδομένων Τροφίμων: Crowdsourced, Verified και AI-Estimated - Ακρίβεια, Κόστος και Συμβιβασμοί

Η βιομηχανία παρακολούθησης θερμίδων χρησιμοποιεί τρεις θεμελιωδώς διαφορετικές προσεγγίσεις για την κατασκευή βάσεων δεδομένων τροφίμων: crowdsourcing από χρήστες, επαγγελματική επαλήθευση με βάση αξιόπιστες πηγές και εκτίμηση από AI μέσω εικόνων τροφίμων. Αυτές οι προσεγγίσεις δεν είναι απλές παραλλαγές του ίδιου θέματος. Είναι διακριτές μεθοδολογίες που παράγουν σημαντικά διαφορετικά αποτελέσματα ακρίβειας, και η επιλογή της προσέγγισης είναι ο πιο καθοριστικός παράγοντας που κρίνει αν ο αριθμός θερμίδων στην οθόνη σας είναι αξιόπιστος.

Αυτό το άρθρο παρέχει μια άμεση σύγκριση όλων των τριών προσεγγίσεων χρησιμοποιώντας δεδομένα ακρίβειας, ανάλυση κόστους και μια δομημένη αξιολόγηση των πλεονεκτημάτων και των αδυναμιών κάθε μεθόδου.

Ορισμός των Τριών Προσεγγίσεων

Crowdsourced Βάσεις Δεδομένων

Στο μοντέλο crowdsourced, οποιοσδήποτε χρήστης της εφαρμογής μπορεί να υποβάλει μια καταχώρηση τροφίμου πληκτρολογώντας τις διατροφικές τιμές από μια ετικέτα συσκευασίας, εκτιμώντας τις τιμές από μνήμη ή αντιγράφοντας δεδομένα από μια ιστοσελίδα. Αυτές οι καταχωρήσεις είναι συνήθως διαθέσιμες σε όλους τους χρήστες άμεσα ή μετά από ελάχιστους αυτοματοποιημένους ελέγχους. Ο ποιοτικός έλεγχος βασίζεται σε άλλους χρήστες που επισημαίνουν σφάλματα και σε εθελοντές ή ελαφρώς στελεχωμένους συντονιστές που ελέγχουν τις επισημασμένες καταχωρήσεις.

Κύριο παράδειγμα: MyFitnessPal, που έχει συγκεντρώσει πάνω από 14 εκατομμύρια καταχωρήσεις μέσω ανοιχτών συνεισφορών χρηστών.

Επαγγελματικά Επαληθευμένες Βάσεις Δεδομένων

Οι επαληθευμένες βάσεις δεδομένων βασίζονται σε αξιόπιστες πηγές (κυρίως κυβερνητικές βάσεις δεδομένων διατροφής όπως το USDA FoodData Central) και συμπληρώνονται με καταχωρήσεις που υπόκεινται σε έλεγχο από επαγγελματίες διατροφολόγους ή επιστήμονες τροφίμων. Κάθε καταχώρηση έχει τεκμηριωμένη προέλευση, και οι τιμές διασταυρώνονται με γνωστά εύρη σύνθεσης για την κατηγορία τροφίμου.

Κύριο παράδειγμα: Nutrola, που διασταυρώνει το USDA FoodData Central με εθνικές βάσεις δεδομένων διατροφής και εφαρμόζει επαλήθευση από διατροφολόγους στις 1.8 εκατομμύρια καταχωρήσεις της. Ένα άλλο παράδειγμα είναι το Cronometer, που επιμελείται από το USDA και το NCCDB με επαγγελματική εποπτεία.

AI-Estimated Βάσεις Δεδομένων

Οι προσεγγίσεις AI-estimated χρησιμοποιούν υπολογιστική όραση (συγκλίνουσες νευρωνικές δικτυώσεις, μετασχηματιστές όρασης) για να αναγνωρίσουν τρόφιμα από φωτογραφίες και να εκτιμήσουν τα μεγέθη μερίδων χρησιμοποιώντας εκτίμηση βάθους ή κλίμακα αναφοράς. Το αναγνωρισμένο τρόφιμο και η εκτιμημένη μερίδα αντιστοιχίζονται στη συνέχεια με μια αναφορά βάσης δεδομένων για να παραχθεί μια εκτίμηση θερμίδων.

Κύριο παράδειγμα: Cal AI, που χρησιμοποιεί την εκτίμηση βάσει φωτογραφιών ως κύρια μέθοδο παρακολούθησης.

Σύγκριση Ακρίβειας: 20 Κοινά Τρόφιμα

Ο παρακάτω πίνακας συγκρίνει την ακρίβεια των τριών προσεγγίσεων για 20 κοινά τρόφιμα, χρησιμοποιώντας τις αναλύσεις εργαστηρίου του USDA FoodData Central ως αναφορά. Οι τιμές που προέρχονται από crowdsourced αντιπροσωπεύουν το εύρος που βρέθηκε σε πολλές καταχωρήσεις για το ίδιο τρόφιμο σε μια αντιπροσωπευτική βάση δεδομένων crowdsourced. Οι επαληθευμένες τιμές αντιπροσωπεύουν τη μοναδική καταχώρηση από μια επαληθευμένη βάση δεδομένων που βασίζεται στο USDA. Οι εκτιμήσεις AI αντιπροσωπεύουν τυπικά εύρη από δημοσιευμένες μελέτες εκτίμησης τροφίμων μέσω υπολογιστικής όρασης, συμπεριλαμβανομένων δεδομένων από τους Thames et al. (2021) και Meyers et al. (2015).

Τρόφιμο (100g)	Αναφορά USDA (kcal)	Εύρος Crowdsourced (kcal)	Σφάλμα Crowdsourced	Επαληθευμένη Τιμή (kcal)	Σφάλμα Επαληθευμένης Τιμής	Εύρος Εκτίμησης AI (kcal)	Σφάλμα AI
Στήθος κοτόπουλου, ψητό	165	130–231	-21% έως +40%	165	0%	140–210	-15% έως +27%
Λευκό ρύζι, μαγειρεμένο	130	110–170	-15% έως +31%	130	0%	110–180	-15% έως +38%
Μπανάνα, ωμή	89	85–135	-4% έως +52%	89	0%	75–120	-16% έως +35%
Ψωμί ολικής αλέσεως	247	220–280	-11% έως +13%	247	0%	200–300	-19% έως +21%
Τυρί cheddar	403	380–440	-6% έως +9%	403	0%	350–480	-13% έως +19%
Σολομός, μαγειρεμένος	208	180–260	-13% έως +25%	208	0%	170–270	-18% έως +30%
Μπρόκολο, ωμό	34	28–55	-18% έως +62%	34	0%	25–50	-26% έως +47%
Γιαούρτι ελληνικό, σκέτο	59	50–130	-15% έως +120%	59	0%	50–90	-15% έως +53%
Αμύγδαλα, ωμά	579	550–640	-5% έως +11%	579	0%	500–680	-14% έως +17%
Ελαιόλαδο	884	800–900	-10% έως +2%	884	0%	N/A (υγρό)	N/A
Γλυκοπατάτα, ψητή	90	80–120	-11% έως +33%	90	0%	75–130	-17% έως +44%
Μοσχαρίσιος κιμάς, 85% άπαχος	250	220–280	-12% έως +12%	250	0%	200–310	-20% έως +24%
Αβοκάντο	160	140–240	-13% έως +50%	160	0%	130–220	-19% έως +38%
Αυγό, ολόκληρο, μαγειρεμένο	155	140–185	-10% έως +19%	155	0%	130–200	-16% έως +29%
Βρώμη, μαγειρεμένη	71	55–130	-23% έως +83%	71	0%	60–110	-15% έως +55%
Μήλο, ωμό	52	47–72	-10% έως +38%	52	0%	40–75	-23% έως +44%
Ζυμαρικά, μαγειρεμένα	131	110–200	-16% έως +53%	131	0%	100–180	-24% έως +37%
Τόφου, σφιχτό	144	70–176	-51% έως +22%	144	0%	100–190	-31% έως +32%
Καφέ ρύζι, μαγειρεμένο	123	110–160	-11% έως +30%	123	0%	100–170	-19% έως +38%
Φυστικοβούτυρο	588	560–640	-5% έως +9%	588	0%	N/A (πάστα)	N/A

Κύριες παρατηρήσεις από τον πίνακα:

Το εύρος των crowdsourced είναι το πιο ευρύ για τρόφιμα που έρχονται σε πολλές ποικιλίες (ελληνικό γιαούρτι, βρώμη, τόφου) επειδή οι χρήστες συχνά συγχέουν διαφορετικές παρασκευές, ποσοστά λίπους ή μεγέθη μερίδας. Η επαληθευμένη βάση δεδομένων παράγει τιμές ταυτόσημες με την αναφορά του USDA επειδή προέρχεται απευθείας από την αναφορά. Η εκτίμηση AI δείχνει συνεπή μεταβλητότητα που καθοδηγείται κυρίως από σφάλματα εκτίμησης μεγέθους μερίδας παρά από σφάλματα αναγνώρισης τροφίμου.

Συνολική Ανάλυση Πλεονεκτημάτων και Μειονεκτημάτων

Crowdsourced Βάσεις Δεδομένων

Πτυχή	Αξιολόγηση
Εύρος κάλυψης	Εξαιρετικό — εκατομμύρια καταχωρήσεις συμπεριλαμβανομένων περιφερειακών, εστιατορικών και επώνυμων τροφίμων
Ταχύτητα νέων προσθηκών	Πολύ γρήγορη — νέα προϊόντα διαθέσιμα εντός ωρών από την υποβολή χρηστών
Ακρίβεια μακροθρεπτικών	Κακή έως μέτρια — μέσοι σφάλματα 15-30% (Tosi et al., 2022)
Ακρίβεια μικροθρεπτικών	Κακή — οι περισσότερες καταχωρήσεις crowdsourced στερούνται δεδομένων μικροθρεπτικών
Διαχείριση διπλοτύπων	Κακή — εκτενείς διπλότυπες καταχωρήσεις με αντικρουόμενες τιμές
Προέλευση δεδομένων	Καμία — η πηγή των τιμών δεν τεκμηριώνεται
Κόστος κατασκευής	Σχεδόν μηδενικό — οι χρήστες συνεισφέρουν εργασία δωρεάν
Κόστος συντήρησης	Χαμηλό — η κοινότητα αυτορυθμίζεται με ελάχιστη επαγγελματική εποπτεία
Καταλληλότητα για έρευνα	Περιορισμένη — οι Evenepoel et al. (2020) σημείωσαν ανησυχίες ακρίβειας για χρήση σε έρευνα

Επαγγελματικά Επαληθευμένες Βάσεις Δεδομένων

Πτυχή	Αξιολόγηση
Εύρος κάλυψης	Καλό — 1-2 εκατομμύρια καταχωρήσεις που καλύπτουν κοινά και επώνυμα τρόφιμα
Ταχύτητα νέων προσθηκών	Μέτρια — η επαλήθευση προσθέτει χρόνο στη διαδικασία
Ακρίβεια μακροθρεπτικών	Υψηλή — εντός 5-10% των εργαστηριακών τιμών
Ακρίβεια μικροθρεπτικών	Υψηλή — οι καταχωρήσεις που προέρχονται από το USDA περιλαμβάνουν 80+ θρεπτικά συστατικά
Διαχείριση διπλοτύπων	Εξαιρετική — μοναδική κανονική καταχώρηση ανά τρόφιμο
Προέλευση δεδομένων	Πλήρης — η πηγή τεκμηριώνεται και είναι επαληθεύσιμη
Κόστος κατασκευής	Υψηλό — απαιτεί εργασία επαγγελματία διατροφολόγου
Κόστος συντήρησης	Μέτριο — συνεχιζόμενη επαλήθευση νέων καταχωρήσεων και ενημερώσεων
Καταλληλότητα για έρευνα	Υψηλή — η μεθοδολογία ευθυγραμμίζεται με εργαλεία έρευνας

AI-Estimated Βάσεις Δεδομένων

Πτυχή	Αξιολόγηση
Εύρος κάλυψης	Θεωρητικά απεριόριστο — μπορεί να εκτιμήσει οποιοδήποτε φωτογραφημένο τρόφιμο
Ταχύτητα νέων προσθηκών	Άμεση — δεν απαιτείται καταχώρηση στη βάση δεδομένων
Ακρίβεια μακροθρεπτικών	Κακή έως μέτρια — σύνθετο σφάλμα από αναγνώριση + εκτίμηση μερίδας
Ακρίβεια μικροθρεπτικών	Πολύ κακή — η AI δεν μπορεί να εκτιμήσει μικροθρεπτικά από την εμφάνιση
Διαχείριση διπλοτύπων	Μη εφαρμόσιμη — εκτιμήσεις παράγονται ανά φωτογραφία
Προέλευση δεδομένων	Αλγοριθμική — βάρη μοντέλου, όχι ιχνηλατήσιμες πηγές δεδομένων
Κόστος κατασκευής	Υψηλό αρχικό (εκπαίδευση μοντέλου), σχεδόν μηδενικό περιθωριακό
Κόστος συντήρησης	Μέτριο — απαιτείται περιοδική εκπαίδευση του μοντέλου
Καταλληλότητα για έρευνα	Περιορισμένη — οι Thames et al. (2021) κατέγραψαν σημαντική μεταβλητότητα εκτίμησης

Υβριδικές Προσεγγίσεις: Το Καλύτερο Και Από Τα Δύο Κόσμους

Ορισμένες εφαρμογές συνδυάζουν πολλές προσεγγίσεις για να μετριάσουν τις αδυναμίες κάθε μεμονωμένης μεθόδου.

AI logging + επαληθευμένη βάση δεδομένων (προσέγγιση Nutrola). Η Nutrola χρησιμοποιεί αναγνώριση φωτογραφιών AI και φωνητική καταγραφή ως επίπεδο ευκολίας για την αναγνώριση τροφίμων, και στη συνέχεια αντιστοιχίζει το αναγνωρισμένο τρόφιμο με τη επαγγελματικά επαληθευμένη βάση δεδομένων της που περιλαμβάνει 1.8 εκατομμύρια καταχωρήσεις. Αυτός ο συνδυασμός διατηρεί την ταχύτητα και την ευκολία της καταγραφής AI ενώ διασφαλίζει ότι τα διατροφικά δεδομένα πίσω από κάθε αναγνωρισμένο τρόφιμο έχουν διασταυρωθεί με το USDA FoodData Central και έχουν ελεγχθεί από διατροφολόγους. Ο χρήστης επωφελείται τόσο από την ευκολία της AI όσο και από την ακρίβεια των επαληθευμένων δεδομένων.

Crowdsourced βάση δεδομένων + αλγοριθμική προσαρμογή (προσέγγιση MacroFactor). Η MacroFactor χρησιμοποιεί μια επιμελημένη βάση δεδομένων συμπληρωμένη με δεδομένα χρηστών, αλλά εφαρμόζει έναν αλγόριθμο που προσαρμόζει τους στόχους θερμίδων με βάση τις πραγματικές τάσεις βάρους με την πάροδο του χρόνου. Αυτό αντισταθμίζει εν μέρει τα σφάλματα καταχώρησης της βάσης δεδομένων χρησιμοποιώντας το σώμα του χρήστη ως τον τελικό αναφορά.

Curated βάση δεδομένων + σήμανση πηγών (προσέγγιση Cronometer). Η Cronometer επισημαίνει κάθε καταχώρηση τροφίμου με την πηγή των δεδομένων της (USDA, NCCDB ή κατασκευαστής), επιτρέποντας στους γνώστες χρήστες να επιλέγουν κατά προτίμηση καταχωρήσεις από τις πιο αξιόπιστες πηγές.

Πώς Συγκεντρώνονται τα Σφάλματα στην Καθημερινή Παρακολούθηση

Η πρακτική επίδραση της προσέγγισης βάσης δεδομένων γίνεται σαφής όταν τα σφάλματα συγκεντρώνονται σε μια πλήρη ημέρα παρακολούθησης.

Σκεφτείτε έναν χρήστη που καταγράφει 15 καταχωρήσεις τροφίμων την ημέρα (πέντε γεύματα και σνακ, το καθένα περιέχει κατά μέσο όρο τρία τρόφιμα):

Με μια βάση δεδομένων crowdsourced (μέσο σφάλμα ±20%):

• Κάθε καταχώρηση αποκλίνει από την πραγματική τιμή κατά μέσο όρο ±20%.
• Υποθέτοντας τυχαία κατανομή σφάλματος, η ημερήσια εκτίμηση θα μπορούσε να αποκλίνει από την πραγματική πρόσληψη κατά 200-400 θερμίδες για μια διατροφή 2,000 θερμίδων.
• Σε μια εβδομάδα, το σωρευτικό σφάλμα θα μπορούσε να ισούται με 1,400-2,800 θερμίδες, ισοδύναμο με το σύνολο του ελλείμματος που απαιτείται για απώλεια 0.5-1 κιλού.

Με μια επαληθευμένη βάση δεδομένων (μέσο σφάλμα ±5%):

• Κάθε καταχώρηση αποκλίνει από την πραγματική τιμή κατά μέσο όρο ±5%.
• Η ημερήσια εκτίμηση απόκλισης: περίπου 50-100 θερμίδες για μια διατροφή 2,000 θερμίδων.
• Εβδομαδιαίο σωρευτικό σφάλμα: 350-700 θερμίδες, το οποίο είναι διαχειρίσιμο εντός τυπικών στόχων ελλείμματος.

Με εκτίμηση AI (μέσο σφάλμα ±25-35%):

• Σύνθετο σφάλμα από αναγνώριση τροφίμου και εκτίμηση μεγέθους μερίδας.
• Η ημερήσια εκτίμηση απόκλισης: 250-500+ θερμίδες.
• Εβδομαδιαίο σωρευτικό σφάλμα: 1,750-3,500+ θερμίδες.

Οι Freedman et al. (2015), δημοσιεύοντας στο American Journal of Epidemiology, απέδειξαν ότι τα σφάλματα της βάσης δεδομένων σύνθεσης τροφίμων είναι ένας σημαντικός παράγοντας που συμβάλλει στο συνολικό σφάλμα εκτίμησης διατροφής, συχνά υπερβαίνοντας τη συμβολή των σφαλμάτων εκτίμησης μεγέθους μερίδας. Αυτό το εύρημα εμπλέκει άμεσα τη μεθοδολογία της βάσης δεδομένων ως τον πιο επιδραστικό παράγοντα στην ακρίβεια παρακολούθησης.

Γιατί οι Περισσότερες Εφαρμογές Επιλέγουν Crowdsourcing

Παρά τους περιορισμούς ακρίβειας, το crowdsourcing κυριαρχεί στη βιομηχανία παρακολούθησης θερμίδων για απλούς οικονομικούς λόγους.

Μηδενικό περιθώριο κόστους. Κάθε καταχώρηση που υποβάλλεται από χρήστη δεν κοστίζει τίποτα στην εφαρμογή. Οι επαληθευμένες καταχωρήσεις κοστίζουν 5-15 ευρώ η καθεμία σε χρόνο επαγγελματικής επαλήθευσης. Σε μεγάλη κλίμακα, αυτή η διαφορά κόστους είναι τεράστια.

Ταχεία κάλυψη. Μια βάση δεδομένων crowdsourced μπορεί να προσθέσει νέα προϊόντα εντός ωρών από την κυκλοφορία τους στην αγορά. Μια επαληθευμένη βάση δεδομένων μπορεί να χρειαστεί ημέρες ή εβδομάδες.

Αντίληψη πληρότητας. Οι χρήστες ταυτίζουν "περισσότερες καταχωρήσεις" με "καλύτερη εφαρμογή". Μια βάση δεδομένων με 14 εκατομμύρια καταχωρήσεις φαίνεται πιο πλήρης από μια βάση δεδομένων με 1.8 εκατομμύρια καταχωρήσεις, ακόμη και αν η μικρότερη βάση δεδομένων είναι πιο ακριβής ανά καταχώρηση.

Δικτυακά αποτελέσματα. Καθώς περισσότεροι χρήστες συμβάλλουν με καταχωρήσεις, η βάση δεδομένων φαίνεται πιο πλήρης, προσελκύοντας περισσότερους χρήστες που συμβάλλουν με περισσότερες καταχωρήσεις. Αυτός ο κύκλος επιβραβεύει την κλίμακα πάνω από την ακρίβεια.

Το αποτέλεσμα είναι μια αγορά όπου οι πιο δημοφιλείς εφαρμογές (MFP, FatSecret) χρησιμοποιούν τη λιγότερο ακριβή μεθοδολογία, ενώ οι πιο ακριβείς εφαρμογές (Nutrola, Cronometer) έχουν μικρότερες αλλά πιο αξιόπιστες βάσεις δεδομένων. Οι ενημερωμένοι χρήστες που κατανοούν αυτόν τον συμβιβασμό επιλέγουν σταθερά την ακρίβεια έναντι του μεγέθους.

Το Μέλλον: Συγκλίνουσες Προσεγγίσεις

Η διάκριση μεταξύ βάσεων δεδομένων crowdsourced, verified και AI-estimated μπορεί να θολώσει καθώς η τεχνολογία εξελίσσεται.

AI-assisted επαλήθευση. Μοντέλα μηχανικής μάθησης μπορούν να εκπαιδευτούν για να επισημαίνουν καταχωρήσεις crowdsourced που αποκλίνουν από τα αναμενόμενα εύρη σύνθεσης, αυτόματα αναγνωρίζοντας πιθανές σφάλματα για επαγγελματική επαλήθευση. Αυτό θα μπορούσε να φέρει ακρίβεια επιπέδου επαλήθευσης σε μεγαλύτερες βάσεις δεδομένων.

Υπολογιστική όραση με επαληθευμένο backend. Η τρέχουσα προσέγγιση της Nutrola, που χρησιμοποιεί AI για την αναγνώριση τροφίμων σε συνδυασμό με μια επαληθευμένη βάση δεδομένων για τα διατροφικά δεδομένα, αντιπροσωπεύει την τρέχουσα καλύτερη πρακτική. Καθώς τα μοντέλα αναγνώρισης τροφίμων βελτιώνονται στην ακρίβεια, αυτή η υβριδική προσέγγιση θα γίνει ολοένα και πιο αδιάκριτη.

Αυτοματοποιημένη διασταύρωση. Η διαδικασία διασταύρωσης τροφίμων με πολλές εθνικές βάσεις δεδομένων μπορεί να αυτοματοποιηθεί εν μέρει, μειώνοντας το κόστος της πολυδιάστατης επαλήθευσης ενώ διατηρεί τα οφέλη ακρίβειας.

Αυτές οι τάσεις υποδηλώνουν ότι το μέλλον των βάσεων δεδομένων παρακολούθησης θερμίδων βρίσκεται σε έξυπνους συνδυασμούς ευκολίας AI και επαληθευμένης ακρίβειας, αντί να βασίζεται σε οποιαδήποτε μεμονωμένη προσέγγιση.

Συχνές Ερωτήσεις

Ποια προσέγγιση βάσης δεδομένων είναι η πιο ακριβής για την παρακολούθηση θερμίδων;

Οι επαγγελματικά επαληθευμένες βάσεις δεδομένων που βασίζονται σε κυβερνητικά αναλυμένα δεδομένα (USDA FoodData Central) είναι οι πιο ακριβείς, με τυπικά σφάλματα μακροθρεπτικών εντός 5-10 τοις εκατό των εργαστηριακών τιμών. Οι βάσεις δεδομένων crowdsourced δείχνουν σφάλματα 15-30 τοις εκατό (Tosi et al., 2022), και η εκτίμηση AI δείχνει σύνθετα σφάλματα 20-40 τοις εκατό (Thames et al., 2021). Η Nutrola χρησιμοποιεί μια επαληθευμένη βάση δεδομένων που βασίζεται στο USDA με διασταύρωση από διατροφολόγους.

Γιατί έχει τόσες πολλές διπλές καταχωρήσεις το MyFitnessPal;

Το ανοιχτό μοντέλο crowdsourcing του MyFitnessPal επιτρέπει σε οποιονδήποτε χρήστη να υποβάλει καταχωρήσεις χωρίς έλεγχο για υπάρχουσες διπλές καταχωρήσεις. Όταν πολλοί χρήστες υποβάλλουν τη δική τους εκδοχή του "ψητού κοτόπουλου", η βάση δεδομένων συγκεντρώνει πολλές καταχωρήσεις για το ίδιο τρόφιμο με διαφορετικές διατροφικές τιμές. Χωρίς μια συστηματική διαδικασία αφαίρεσης διπλοτύπων, αυτές οι διπλές καταχωρήσεις παραμένουν και δημιουργούν σύγχυση στους χρήστες που πρέπει να επιλέξουν μεταξύ αντικρουόμενων καταχωρήσεων.

Μπορεί η εκτίμηση θερμίδων AI να αντικαταστήσει την παρακολούθηση βάσης δεδομένων;

Όχι προς το παρόν. Η εκτίμηση βάσει φωτογραφιών AI εισάγει σύνθετα σφάλματα από την αβεβαιότητα αναγνώρισης τροφίμου και την αβεβαιότητα εκτίμησης μεγέθους μερίδας. Οι Thames et al. (2021) ανέφεραν σφάλματα εκτίμησης μερίδας 20-40 τοις εκατό. Ωστόσο, η καταγραφή AI είναι πιο αποτελεσματική όταν χρησιμοποιείται ως μέθοδος εισόδου ευκολίας σε συνδυασμό με μια επαληθευμένη βάση δεδομένων, που είναι η προσέγγιση της Nutrola: η AI αναγνωρίζει το τρόφιμο και η επαληθευμένη βάση δεδομένων παρέχει τα ακριβή διατροφικά δεδομένα.

Πώς συνδυάζει η Nutrola την AI και τα επαληθευμένα δεδομένα;

Η Nutrola χρησιμοποιεί την αναγνώριση φωτογραφιών AI και τη φωνητική καταγραφή ως χαρακτηριστικά ευκολίας για την αναγνώριση τροφίμων. Όταν ένας χρήστης φωτογραφίζει ένα γεύμα ή το περιγράφει με φωνή, η AI αναγνωρίζει τα τρόφιμα. Αυτά τα αναγνωρισμένα τρόφιμα αντιστοιχίζονται στη συνέχεια με τη βάση δεδομένων της Nutrola που περιλαμβάνει 1.8 εκατομμύρια καταχωρήσεις επαληθευμένες από διατροφολόγους, που προέρχονται από το USDA FoodData Central και διασταυρώνονται με διεθνείς βάσεις δεδομένων. Αυτή η αρχιτεκτονική προσφέρει την ευκολία της AI χωρίς να θυσιάζει την ακρίβεια της βάσης δεδομένων.

Είναι μια μικρότερη επαληθευμένη βάση δεδομένων καλύτερη από μια μεγαλύτερη βάση δεδομένων crowdsourced;

Για την ακρίβεια παρακολούθησης, ναι. Μια επαληθευμένη βάση δεδομένων με 1.8 εκατομμύρια καταχωρήσεις με τεκμηριωμένη προέλευση και επαγγελματική ανασκόπηση θα παράγει πιο ακριβείς εκτιμήσεις θερμίδων από μια crowdsourced βάση δεδομένων με 14 εκατομμύρια καταχωρήσεις που περιλαμβάνουν εκτενείς διπλότυπες και μη επαληθευμένες υποβολές. Η ακρίβεια ανά καταχώρηση έχει μεγαλύτερη σημασία από τον συνολικό αριθμό καταχωρήσεων. Εάν ένα τρόφιμο είναι και στις δύο βάσεις δεδομένων, η επαληθευμένη καταχώρηση θα είναι σχεδόν πάντα πιο ακριβής.