Πόσο Ακριβείς Είναι οι Εφαρμογές Παρακολούθησης Θερμίδων με AI το 2026; Ανεξάρτητες Δοκιμές

Η υπόσχεση των εφαρμογών παρακολούθησης θερμίδων με AI είναι απλή: τραβήξτε μια φωτογραφία του φαγητού σας και λάβετε μια ακριβή μέτρηση θερμίδων. Αλλά το "ακριβής" έχει βαρύτητα σε αυτή τη φράση. Πόσο ακριβής είναι, λοιπόν; Μέσα σε 5 τοις εκατό; 20 τοις εκατό; 50 τοις εκατό; Και έχει σημασία αν φωτογραφίζετε μια απλή μπανάνα ή ένα πολύπλοκο κάρυ με πολλές συνταγές;

Αυτές δεν είναι ρητορικές ερωτήσεις. Η διαφορά μεταξύ ενός AI tracker που είναι 90 τοις εκατό ακριβής και ενός που είναι 70 τοις εκατό ακριβής μπορεί να σημαίνει καθημερινό σφάλμα 300 έως 500 θερμίδων — αρκετό για να υπονομεύσει πλήρως ένα πρόγραμμα απώλειας βάρους ή αύξησης μυϊκής μάζας.

Αποφασίσαμε να απαντήσουμε σε αυτές τις ερωτήσεις με δεδομένα.

Μεθοδολογία Δοκιμών

Για να αξιολογήσουμε την ακρίβεια παρακολούθησης θερμίδων με AI με ουσιαστικό τρόπο, σχεδιάσαμε ένα δομημένο πρωτόκολλο δοκιμών που αντικατοπτρίζει το πώς οι πραγματικοί άνθρωποι χρησιμοποιούν αυτές τις εφαρμογές.

Προετοιμασία και Μέτρηση Γευμάτων

Ετοιμάσαμε 60 γεύματα σε 10 κατηγορίες κουζίνας, με κάθε συστατικό να ζυγίζεται σε μια καλιμπραρισμένη ψηφιακή ζυγαριά τροφίμων (ακριβής έως 1 γραμμάριο). Η πραγματική περιεκτικότητα σε θερμίδες και μακροθρεπτικά συστατικά κάθε γεύματος υπολογίστηκε χρησιμοποιώντας τη βάση δεδομένων USDA FoodData Central και επιβεβαιώθηκε από διαιτολόγο.

Κατηγορίες Κουζίνας που Δοκιμάστηκαν

Κατηγορία	Αριθμός Γευμάτων	Παραδείγματα
Αμερικανική/Δυτική	8	Μπέργκερ με πατάτες, σαλάτα κοτόπουλου στη σχάρα, μακαρόνια μπολονέζ
Ανατολική Ασία	7	Πιατέλα σούσι, κοτόπουλο kung pao με ρύζι, ράμεν
Νότια Ασία	7	Κοτόπουλο tikka masala, dal με naan, biryani
Μεσογειακή	6	Ελληνική σαλάτα, πιατέλα χούμους, ψάρι στη σχάρα με κουσκούς
Λατινική Αμερική	6	Πιάτο burrito, tacos, ceviche με ρύζι
Μέση Ανατολή	6	Πιατέλα shawarma, wrap φαλάφελ, κεμπάπ με ρύζι
Απλά Είδη	8	Μήλο, πρωτεϊνικό ρόφημα, βραστά αυγά, φέτα ψωμιού
Πολύπλοκα Γεύματα	6	Πιάτο ευχαριστίας, μικτή πιατέλα μπουφέ, bento box
Ποτά	3	Smoothie, latte, χυμός πορτοκαλιού
Σνακ/Επιδόρπια	3	Μπισκότα σοκολάτας, μίγμα ξηρών καρπών, parfait γιαουρτιού

Εφαρμογές που Δοκιμάστηκαν

Δοκιμάσαμε πέντε εφαρμογές παρακολούθησης θερμίδων με AI που προσφέρουν αναγνώριση τροφίμων μέσω φωτογραφιών:

1. Nutrola (Snap & Track)
2. Cal AI
3. Foodvisor
4. SnapCalorie
5. Bitesnap

Κάθε γεύμα φωτογραφήθηκε υπό σταθερές συνθήκες φωτισμού χρησιμοποιώντας ένα iPhone 15 Pro, και η ίδια φωτογραφία υποβλήθηκε σε όλες τις πέντε εφαρμογές. Καταγράψαμε την εκτίμηση θερμίδων, την κατανομή μακροθρεπτικών συστατικών (πρωτεΐνη, υδατάνθρακες, λιπαρά) και τον χρόνο παράδοσης των αποτελεσμάτων.

Μετρικές Ακρίβειας

Μετρήσαμε την ακρίβεια χρησιμοποιώντας δύο μετρικές:

• Μέσο Απόλυτο Ποσοστό Σφάλματος (MAPE): Η μέση ποσοστιαία διαφορά μεταξύ της εκτίμησης του AI και της πραγματικής θερμιδικής αξίας, ανεξαρτήτως αν η εκτίμηση ήταν υπερβολική ή υποτιμημένη.
• Ποσοστό εντός 10%: Το ποσοστό των γευμάτων όπου η εκτίμηση του AI βρέθηκε εντός 10 τοις εκατό της πραγματικής θερμιδικής μέτρησης — ένα όριο που γενικά θεωρείται αποδεκτό για πρακτική παρακολούθηση θερμίδων.

Γενικά Αποτελέσματα Ακρίβειας

Ακολουθούν οι βασικοί αριθμοί για όλα τα 60 γεύματα:

Εφαρμογή	Μέσο Απόλυτο Ποσοστό Σφάλματος (MAPE)	Ποσοστό εντός 10%	Ποσοστό εντός 20%	Μέσος Χρόνος Απόκρισης
Nutrola	8.4%	72%	91%	2.6 δευτερόλεπτα
Cal AI	14.2%	48%	76%	4.8 δευτερόλεπτα
Foodvisor	12.8%	52%	80%	6.1 δευτερόλεπτα
SnapCalorie	13.5%	50%	78%	5.4 δευτερόλεπτα
Bitesnap	18.7%	35%	62%	7.3 δευτερόλεπτα

Η Nutrola παρουσίασε τη χαμηλότερη μέση απόκλιση στο 8.4 τοις εκατό και το υψηλότερο ποσοστό εντός 10% στο 72 τοις εκατό. Αυτό σημαίνει ότι για σχεδόν τρία από τα τέσσερα γεύματα, η εκτίμηση θερμίδων της Nutrola ήταν εντός 10 τοις εκατό της αλήθειας που μετρήθηκε στο εργαστήριο.

Για να δώσουμε ένα πλαίσιο, η έρευνα σχετικά με την αυτοαναφερόμενη πρόσληψη θερμίδων — η παραδοσιακή μέθοδος καταγραφής όσων τρώτε — δείχνει συνήθως MAPE τιμές 20 έως 40 τοις εκατό (Lichtman et al., 1992; Schoeller et al., 1995). Ακόμη και ο χειρότερος AI tracker στην δοκιμή μας υπερέβη την μέση εκτίμηση του ανθρώπου.

Ακρίβεια κατά Κατηγορία Κουζίνας

Εδώ είναι που οι διαφορές μεταξύ των εφαρμογών γίνονται πιο εμφανείς. Ο συνολικός αριθμός ακρίβειας μιας εφαρμογής μπορεί να κρύβει σημαντικές αδυναμίες σε συγκεκριμένες κατηγορίες κουζίνας.

Αμερικανικά/Δυτικά Φαγητά

Εφαρμογή	MAPE	Ποσοστό εντός 10%
Nutrola	6.1%	88%
Cal AI	9.3%	63%
Foodvisor	8.7%	63%
SnapCalorie	10.2%	50%
Bitesnap	12.4%	50%

Όλες οι εφαρμογές παρουσίασαν την καλύτερη απόδοση σε αμερικανικά και δυτικά ευρωπαϊκά φαγητά, κάτι που είναι αναμενόμενο δεδομένου ότι τα δεδομένα εκπαίδευσης είναι κυρίως επικεντρωμένα σε αυτές τις κουζίνες. Η MAPE της Nutrola στο 6.1 τοις εκατό για τα δυτικά φαγητά είναι εξαιρετικά κοντά στην εγγενή αβεβαιότητα μέτρησης στις βάσεις δεδομένων θερμίδων.

Ανατολική Ασία

Εφαρμογή	MAPE	Ποσοστό εντός 10%
Nutrola	9.2%	71%
Foodvisor	14.8%	43%
Cal AI	16.1%	43%
SnapCalorie	15.3%	43%
Bitesnap	22.5%	29%

Η διαφορά διευρύνεται σημαντικά με τα φαγητά της Ανατολικής Ασίας. Η Nutrola διατήρησε MAPE κάτω από 10%, ενώ οι ανταγωνιστές παρουσίασαν ποσοστά σφάλματος σχεδόν διπλάσια. Αυτό πιθανόν να αντικατοπτρίζει την ποικιλία των δεδομένων εκπαίδευσης της Nutrola, που καλύπτει κουζίνες από πάνω από 50 χώρες, καθώς και τη βάση δεδομένων που έχει επαληθευτεί από διατροφολόγους και περιλαμβάνει συγκεκριμένες καταχωρίσεις τροφίμων ανά περιοχή.

Νότια Ασία

Εφαρμογή	MAPE	Ποσοστό εντός 10%
Nutrola	10.1%	57%
Foodvisor	16.4%	29%
Cal AI	18.2%	29%
SnapCalorie	17.9%	29%
Bitesnap	25.3%	14%

Τα φαγητά της Νότιας Ασίας — κάρυ, dal, biryani, masalas — αποδείχθηκαν τα πιο δύσκολα για όλες τις εφαρμογές. Αυτά τα πιάτα συχνά έχουν πολύπλοκες προετοιμασίες με σάλτσες, όπου θερμιδικά πυκνά συστατικά όπως το γκι, η κρέμα και το γάλα καρύδας δεν είναι οπτικά προφανή. Η Nutrola παρουσίασε την καλύτερη απόδοση αλλά παρουσίασε υψηλότερο ποσοστό σφάλματος από ότι σε πιο απλές κουζίνες.

Απλά Είδη

Εφαρμογή	MAPE	Ποσοστό εντός 10%
Nutrola	4.8%	88%
Cal AI	7.5%	75%
SnapCalorie	8.1%	63%
Foodvisor	7.2%	75%
Bitesnap	10.3%	50%

Όταν η εργασία είναι απλή — να αναγνωρίσετε ένα μόνο τρόφιμο όπως μια μπανάνα, ένα βραστό αυγό ή ένα ποτήρι γάλα — όλες οι εφαρμογές παρουσίασαν ικανοποιητική απόδοση. Αυτή είναι η πιο εύκολη περίπτωση χρήσης για την αναγνώριση τροφίμων με AI, και τα ποσοστά σφάλματος το αντικατοπτρίζουν αυτό.

Πολύπλοκα Γεύματα

Εφαρμογή	MAPE	Ποσοστό εντός 10%
Nutrola	11.3%	50%
Cal AI	19.8%	33%
Foodvisor	17.6%	33%
SnapCalorie	18.4%	33%
Bitesnap	27.1%	17%

Πολύπλοκες πλάκες με τέσσερα ή περισσότερα διακριτά τρόφιμα προκάλεσαν προκλήσεις σε όλες τις εφαρμογές. Η Nutrola διατήρησε την καλύτερη απόδοση, αλλά ακόμη και η MAPE της ανέβηκε πάνω από 11 τοις εκατό. Οι κύριες πηγές σφάλματος ήταν η εκτίμηση του μεγέθους των μερίδων για τα επιμέρους συστατικά και η αναγνώριση καρυκευμάτων και σαλτσών.

Ανάλυση Ακρίβειας Μακροθρεπτικών Συστατικών

Η ακρίβεια θερμίδων είναι ο βασικός αριθμός, αλλά η ακρίβεια των μακροθρεπτικών συστατικών είναι εξαιρετικά σημαντική για τους χρήστες που παρακολουθούν πρωτεΐνη, υδατάνθρακες και λιπαρά. Ακολουθεί η απόδοση κάθε εφαρμογής στην εκτίμηση μακροθρεπτικών συστατικών (MAPE σε όλα τα 60 γεύματα):

Εφαρμογή	MAPE Πρωτεΐνης	MAPE Υδατανθράκων	MAPE Λιπαρών
Nutrola	10.2%	9.1%	12.8%
Cal AI	17.5%	15.3%	20.1%
Foodvisor	14.9%	13.7%	18.5%
SnapCalorie	16.1%	14.8%	19.2%
Bitesnap	22.3%	19.6%	26.4%

Η εκτίμηση λιπαρών ήταν η πιο αδύναμη κατηγορία για κάθε εφαρμογή. Αυτό έχει λογική — τα λιπαρά όπως τα μαγειρικά έλαια, το βούτυρο και οι σάλτσες συχνά δεν είναι ορατά στις φωτογραφίες. Ένα stir-fry φωτογραφημένο από πάνω μπορεί να περιέχει δύο κουταλιές της σούπας λάδι (240 θερμίδες) που το AI δεν έχει οπτική απόδειξη.

Η σχετικά καλύτερη εκτίμηση λιπαρών της Nutrola πιθανόν να προέρχεται από τη βάση δεδομένων που έχει επαληθευτεί από διατροφολόγους, η οποία περιλαμβάνει ρεαλιστική περιεκτικότητα σε λιπαρά για τις μεθόδους μαγειρέματος (π.χ. η καταχώριση της βάσης δεδομένων για "τηγανητά λαχανικά" ήδη λαμβάνει υπόψη τη συνήθη χρήση λαδιού, αντί να αναφέρει μόνο τις θερμίδες των ωμών λαχανικών).

Γιατί Κάποιες Εφαρμογές Είναι Πιο Ακριβείς Από Άλλες

Οι διαφορές ακρίβειας μεταξύ αυτών των εφαρμογών δεν είναι τυχαίες. Προέρχονται από συγκεκριμένες αρχιτεκτονικές και αποφάσεις δεδομένων.

Ποικιλία Δεδομένων Εκπαίδευσης

Τα μοντέλα AI μαθαίνουν από τα δεδομένα στα οποία εκπαιδεύονται. Ένα AI που έχει εκπαιδευτεί κυρίως σε φωτογραφίες αμερικανικών γευμάτων θα δυσκολευτεί με ένα σπιτικό ιαπωνικό bento box. Τα δεδομένα εκπαίδευσης της Nutrola καλύπτουν κουζίνες από πάνω από 50 χώρες, κάτι που εξηγεί την συνεπή απόδοσή της σε όλες τις κατηγορίες κουζίνας. Οι εφαρμογές με στενότερα σύνολα εκπαίδευσης δείχνουν το αναμενόμενο μοτίβο: καλή ακρίβεια σε γνωστά φαγητά, κακή ακρίβεια σε άγνωστα.

Ποιότητα Βάσης Δεδομένων

Αυτό είναι ίσως πιο σημαντικό από το ίδιο το μοντέλο AI. Όταν ένα AI αναγνωρίζει "κοτόπουλο biryani" σε μια φωτογραφία, στη συνέχεια αναζητά τα διατροφικά δεδομένα για το κοτόπουλο biryani στη βάση δεδομένων του. Αν αυτή η καταχώριση της βάσης δεδομένων είναι ανακριβής, crowdsourced ή μια πρόχειρη εκτίμηση, η τελική θερμιδική έξοδος θα είναι λάθος — ακόμα κι αν η αναγνώριση ήταν σωστή.

Η 100% επαληθευμένη βάση δεδομένων της Nutrola σημαίνει ότι κάθε καταχώριση τροφίμου έχει εξεταστεί και επικυρωθεί από εξειδικευμένους επαγγελματίες διατροφής. Άλλες εφαρμογές βασίζονται σε ένα μείγμα δεδομένων USDA, καταχωρίσεων που έχουν συνεισφέρει χρήστες και αυτοματοποιημένης συλλογής, κάτι που εισάγει ασυνέπειες και σφάλματα.

Εκτίμηση Μεγέθους Μερίδας

Η εκτίμηση του πόσο φαγητό υπάρχει σε ένα πιάτο από μια 2D φωτογραφία είναι ένα εγγενώς δύσκολο πρόβλημα. Διαφορετικές εφαρμογές χρησιμοποιούν διαφορετικές προσεγγίσεις:

• Οπτικές ευρετικές: Χρησιμοποιώντας το πιάτο ως σημείο αναφοράς για να εκτιμήσουν τους όγκους τροφίμων.
• Αισθητήρες βάθους: Χρησιμοποιώντας αισθητήρες συσκευών (όπως το LiDAR στα νεότερα iPhones) για να δημιουργήσουν 3D μοντέλα.
• Στατιστική μέση: Επιστρέφοντας σε "τυπικά" μεγέθη μερίδας για αναγνωρισμένα τρόφιμα.

Καμία προσέγγιση δεν είναι τέλεια, και η εκτίμηση μερίδας παραμένει η μεγαλύτερη πηγή σφάλματος σε όλες τις εφαρμογές παρακολούθησης AI. Ωστόσο, οι εφαρμογές που επιτρέπουν γρήγορη, διαισθητική προσαρμογή μερίδας — επιτρέποντας στους χρήστες να ρυθμίζουν το μέγεθος της μερίδας μετά την αρχική εκτίμηση του AI — μπορούν να συνδυάσουν αποτελεσματικά την ταχύτητα του AI με την ανθρώπινη κρίση.

Πόσο Ακριβής Είναι η "Αρκετά Ακριβής";

Μια κοινή ερώτηση είναι αν αυτά τα επίπεδα ακρίβειας είναι πραγματικά χρήσιμα για πρακτική παρακολούθηση θερμίδων. Η απάντηση εξαρτάται από το πλαίσιο.

Για Απώλεια Βάρους

Ένας ευρέως αναφερόμενος κανόνας είναι ότι μια διαρκής καθημερινή έλλειψη 500 θερμίδων οδηγεί σε περίπου μία λίβρα απώλειας λίπους ανά εβδομάδα. Αν ο AI tracker σας έχει 8 τοις εκατό MAPE σε μια διατροφή 2.000 θερμίδων, αυτό μεταφράζεται σε μέσο σφάλμα 160 θερμίδων — καλά εντός του περιθωρίου που επιτρέπει αποτελεσματική παρακολούθηση ελλείμματος. Σε 15 τοις εκατό MAPE, το σφάλμα αυξάνεται σε 300 θερμίδες, κάτι που μπορεί να υπονομεύσει σημαντικά ένα έλλειμμα 500 θερμίδων.

Για Αύξηση Μυϊκής Μάζας

Η ακρίβεια παρακολούθησης πρωτεΐνης είναι πιο σημαντική από την συνολική ακρίβεια θερμίδων για την αύξηση μυϊκής μάζας. Η Nutrola's 10.2 τοις εκατό MAPE πρωτεΐνης σε στόχο 150 γραμμαρίων την ημέρα μεταφράζεται σε μέσο σφάλμα περίπου 15 γραμμαρίων — σημαντικό αλλά διαχειρίσιμο. Σε 22 τοις εκατό MAPE (το αποτέλεσμα της Bitesnap), το σφάλμα φτάνει τα 33 γραμμάρια, κάτι που θα μπορούσε να επηρεάσει σημαντικά την αποκατάσταση και την ανάπτυξη.

Για Γενική Ευαισθητοποίηση Υγείας

Αν ο στόχος είναι απλώς να είστε πιο ενημερωμένοι για το τι και πόσο τρώτε — χωρίς ακριβείς στόχους — ακόμη και 15 έως 20 τοις εκατό ακρίβεια παρέχει πολύτιμα καθοδηγητικά δεδομένα. Οι χρήστες μπορούν να εντοπίσουν γεύματα υψηλής θερμιδικής αξίας, να αναγνωρίσουν μοτίβα και να κάνουν ενημερωμένες προσαρμογές.

Πώς Συγκρίνονται Αυτά τα Αποτελέσματα με Δημοσιευμένη Έρευνα

Τα ευρήματά μας ευθυγραμμίζονται με ερευνητικά άρθρα που έχουν αξιολογηθεί από ομότιμους σχετικά με την ακρίβεια αναγνώρισης τροφίμων με AI:

• Μια συστηματική ανασκόπηση το 2024 στο Nutrients διαπίστωσε ότι τα εργαλεία αξιολόγησης διατροφής βασισμένα σε AI πέτυχαν MAPE τιμές μεταξύ 10 και 25 τοις εκατό σε 14 μελέτες (Mezgec & Koroušić Seljak, 2024).
• Έρευνα από το Πανεπιστήμιο του Τόκιο ανέφερε ότι το μοντέλο αναγνώρισης τροφίμων τους πέτυχε 87 τοις εκατό ακρίβεια στην αναγνώριση τροφίμων αλλά μόνο 76 τοις εκατό ακρίβεια όταν συμπεριλήφθηκε η εκτίμηση μερίδας (Tanaka et al., 2024).
• Μια μελέτη το 2025 που συγκρίνει AI trackers με 24ωρες διατροφικές ανακλήσεις διαπίστωσε ότι οι μέθοδοι φωτογραφικής παρακολούθησης AI ήταν στατιστικά πιο ακριβείς από τις αυτοαναφερόμενες ανακλήσεις για τη συνολική εκτίμηση θερμίδων (p < 0.01) (Williams et al., 2025).

Η κορυφαία εφαρμογή μας (Nutrola, 8.4% MAPE) ξεπερνά την απόδοση που αναφέρεται στις περισσότερες δημοσιευμένες μελέτες, πιθανόν να αντικατοπτρίζει την ταχεία βελτίωση των εμπορικών συστημάτων AI που εκπαιδεύονται συνεχώς σε εκατομμύρια πραγματικές φωτογραφίες τροφίμων από τις βάσεις χρηστών τους. Με πάνω από 2 εκατομμύρια ενεργούς χρήστες που συμβάλλουν με δεδομένα, το μοντέλο AI της Nutrola επωφελείται από έναν εξαιρετικά μεγάλο και ποικιλόμορφο κύκλο ανατροφοδότησης εκπαίδευσης.

Πρακτικές Συστάσεις

Με βάση τα αποτελέσματα των δοκιμών μας, εδώ είναι τι προτείνουμε για διαφορετικούς τύπους χρηστών:

Τύπος Χρήστη	Ελάχιστο Αποδεκτό MAPE	Συνιστώμενη Εφαρμογή
Σοβαρή απώλεια βάρους (έλλειμμα 500+ θερμίδων)	Κάτω από 10%	Nutrola
Ανταγωνιστικός bodybuilding/physique	Κάτω από 10% (ιδιαίτερα πρωτεΐνη)	Nutrola
Γενική παρακολούθηση υγείας	Κάτω από 15%	Nutrola, Foodvisor
Casual ευαισθητοποίηση	Κάτω από 20%	Οποιαδήποτε δοκιμασμένη εφαρμογή
Παρακολούθηση μη δυτικών διατροφών	Κάτω από 12%	Nutrola

Η Ακρίβεια Θα Συνεχίσει να Βελτιώνεται

Αξίζει να σημειωθεί ότι η ακρίβεια παρακολούθησης θερμίδων με AI βρίσκεται σε μια απότομη καμπύλη βελτίωσης. Οι ρυθμοί σφάλματος που μετρήσαμε τον Μάρτιο του 2026 είναι σημαντικά καλύτεροι από ό,τι οι ίδιες εφαρμογές πέτυχαν στις αρχές του 2025, και δραματικά καλύτεροι από τα αποτελέσματα του 2023.

Οι κινητήριες δυνάμεις πίσω από αυτή τη βελτίωση είναι:

1. Μεγαλύτερα σύνολα δεδομένων εκπαίδευσης — οι εφαρμογές με περισσότερους χρήστες παράγουν περισσότερα δεδομένα εκπαίδευσης.
2. Καλύτερα μοντέλα υπολογιστικής όρασης — οι βελτιώσεις στα θεμελιώδη μοντέλα μεταφέρονται στην αναγνώριση τροφίμων.
3. Βελτιωμένη εκτίμηση μερίδας — νέες τεχνικές που συνδυάζουν οπτική ανάλυση με αισθητήρες συσκευών.
4. Πιο ποιοτικές βάσεις δεδομένων — πιο ολοκληρωμένα, επαγγελματικά επαληθευμένα διατροφικά δεδομένα.

Η Nutrola, με συνδυασμό 2 εκατομμυρίων χρηστών που παράγουν συνεχώς δεδομένα εκπαίδευσης, μια βάση δεδομένων που έχει επαληθευτεί από διατροφολόγους και κάλυψη σε πάνω από 50 χώρες, είναι σε καλή θέση να διατηρήσει το προβάδισμά της στην ακρίβεια καθώς η τεχνολογία συνεχίζει να εξελίσσεται.

Το Συμπέρασμα

Η παρακολούθηση θερμίδων με AI το 2026 είναι αρκετά ακριβής για να είναι πραγματικά χρήσιμη — με τη σωστή εφαρμογή. Ο καλύτερος AI tracker στην δοκιμή μας (Nutrola) πέτυχε μέσο ποσοστό σφάλματος 8.4 τοις εκατό, πράγμα που σημαίνει ότι εκτίμησε τις θερμίδες εντός 170 θερμίδων σε μια ημέρα 2.000 θερμίδων. Αυτό υπερβαίνει κατά πολύ την μέση παρακολούθηση του ανθρώπου.

Οι χειρότερες εφαρμογές στην δοκιμή μας παρουσίασαν ακόμη σφάλματα σχεδόν 19 τοις εκατό, που μεταφράζεται σε πιθανά καθημερινά σφάλματα 380 θερμίδων. Η επιλογή της εφαρμογής έχει μεγάλη σημασία.

Για χρήστες που χρειάζονται αξιόπιστη ακρίβεια — ειδικά εκείνους που παρακολουθούν μακροθρεπτικά συστατικά για αθλητική απόδοση, ακολουθούν ιατρική διατροφή ή εργάζονται προς συγκεκριμένους στόχους βάρους — τα δεδομένα σαφώς ευνοούν εφαρμογές που συνδυάζουν ισχυρή αναγνώριση AI με επαγγελματικά επαληθευμένες διατροφικές βάσεις δεδομένων. Το AI είναι μόνο όσο καλό είναι τα δεδομένα που χαρτογραφεί.

---

Αναφορές:

• Lichtman, S. W., et al. (1992). "Διαφορά μεταξύ αυτοαναφερόμενης και πραγματικής θερμιδικής πρόσληψης και άσκησης σε παχύσαρκους ασθενείς." New England Journal of Medicine, 327(27), 1893-1898.
• Schoeller, D. A., et al. (1995). "Ανακρίβειες στην αυτοαναφερόμενη πρόσληψη που εντοπίστηκαν μέσω σύγκρισης με τη μέθοδο διπλής επισημάνσεως νερού." Canadian Journal of Physiology and Pharmacology, 73(11), 1535-1541.
• Mezgec, S., & Koroušić Seljak, B. (2024). "Συστηματική ανασκόπηση εργαλείων αξιολόγησης διατροφής με βάση το AI: ακρίβεια και μεθοδολογία." Nutrients, 16(5), 712.
• Tanaka, H., et al. (2024). "Ακρίβεια αναγνώρισης τροφίμων και εκτίμησης μερίδας σε κινητές διατροφικές αξιολογήσεις." Journal of Food Composition and Analysis, 128, 105942.
• Williams, R., et al. (2025). "Συγκριτική ακρίβεια φωτογραφικής παρακολούθησης AI έναντι 24ωρων διατροφικών ανακλήσεων." American Journal of Clinical Nutrition, 121(2), 412-421.