Πόσο Ακριβής Είναι η Nutrola; Ένα Τεστ 20 Τροφίμων με Αναφορά στις Τιμές USDA

Η Nutrola είναι μια εφαρμογή παρακολούθησης θερμίδων και διατροφής που χρησιμοποιεί AI και διαθέτει βάση δεδομένων τροφίμων 100% πιστοποιημένη από διατροφολόγους. Αυτή είναι η δήλωση. Αλλά οι δηλώσεις είναι εύκολες. Αυτό που έχει σημασία είναι αν οι αριθμοί που βλέπετε στην οθόνη σας ταιριάζουν πραγματικά με την τροφή που έχετε μπροστά σας.

Αποφασίσαμε να δοκιμάσουμε την Nutrola με τον ίδιο τρόπο που δοκιμάζουμε κάθε άλλη εφαρμογή παρακολούθησης θερμίδων: 20 κοινά τρόφιμα, ζυγισμένα ακριβώς, καταγεγραμμένα μέσω της εφαρμογής και συγκριμένα με τις τιμές αναφοράς του USDA FoodData Central. Χωρίς επιλεκτική επιλογή. Χωρίς ευνοϊκές συνθήκες. Μόνο δεδομένα.

Ακολουθούν τα ευρήματά μας, τα σημεία στα οποία η Nutrola διαπρέπει και οι τομείς στους οποίους μπορεί να βελτιωθεί.

Τι Κάνει τη Βάση Δεδομένων της Nutrola Διαφορετική

Οι περισσότερες εφαρμογές παρακολούθησης θερμίδων βασίζονται σε βάσεις δεδομένων που προέρχονται από το πλήθος, όπου οποιοσδήποτε χρήστης μπορεί να υποβάλει καταχωρήσεις τροφίμων. Αυτό δημιουργεί ένα καλά τεκμηριωμένο πρόβλημα ακρίβειας: διπλές καταχωρήσεις, παλιές πληροφορίες και θερμίδες που διαφέρουν κατά 20-30% για το ίδιο τρόφιμο.

Η Nutrola ακολουθεί μια θεμελιωδώς διαφορετική προσέγγιση. Κάθε καταχώρηση στη βάση δεδομένων 1,8 εκατομμυρίων+ τροφίμων έχει ελεγχθεί από διατροφολόγους σε σύγκριση με τα δεδομένα αναφοράς του USDA και εργαστηρίων. Δεν υπάρχουν καταχωρήσεις που υποβλήθηκαν από χρήστες στη βάση δεδομένων χωρίς επαλήθευση. Όταν μια καταχώρηση τροφίμου εισάγεται στη Nutrola, έχει διασταυρωθεί με επίσημες πηγές, έχει επικυρωθεί για την ακρίβεια του μεγέθους μερίδας και έχει ελεγχθεί για τη συνέπεια των μακροθρεπτικών συστατικών.

Αυτός είναι ο λόγος που τα αποτελέσματα των δοκιμών παρακάτω φαίνονται διαφορετικά από αυτά που θα δείτε στις εκθέσεις ακρίβειας άλλων εφαρμογών.

Η Δοκιμή Ακρίβειας 20 Τροφίμων: Nutrola vs Τιμές Αναφοράς USDA

Κάθε τρόφιμο ζυγίστηκε σε μια καλιμπραρισμένη κουζίνα με ακρίβεια στο γραμμάριο. Η τιμή αναφοράς του USDA αντιπροσωπεύει την ποσότητα θερμίδων από το FoodData Central για το ακριβές βάρος. Η αναφερόμενη τιμή της Nutrola είναι αυτή που επέστρεψε η εφαρμογή όταν το τρόφιμο καταγράφηκε κατά βάρος.

#	Τρόφιμο	Βάρος (γρ)	Τιμή USDA (kcal)	Αναφερόμενη Nutrola (kcal)	Απόκλιση (kcal)	Απόκλιση (%)
1	Στήθος κοτόπουλου, ψητό	150	248	247	-1	-0.4%
2	Καφέ ρύζι, μαγειρεμένο	200	248	246	-2	-0.8%
3	Μπανάνα, μέτρια	118	105	105	0	0.0%
4	Γάλα πλήρες	244	149	149	0	0.0%
5	Φιλέτο σολομού, ψητό	170	354	350	-4	-1.1%
6	Αβοκάντο, ολόκληρο	150	240	242	+2	+0.8%
7	Γιαούρτι ελληνικό, σκέτο	200	146	146	0	0.0%
8	Γλυκοπατάτα, ψητή	180	162	160	-2	-1.2%
9	Αμύγδαλα, ωμά	30	174	173	-1	-0.6%
10	Ψωμί ολικής αλέσεως	50	130	131	+1	+0.8%
11	Αυγό, μεγάλο, scrambled	61	91	91	0	0.0%
12	Μπρόκολο, ατμού	150	52	53	+1	+1.9%
13	Ελαιόλαδο	14	119	119	0	0.0%
14	Φυστικοβούτυρο	32	190	188	-2	-1.1%
15	Τυρί cheddar	40	161	162	+1	+0.6%
16	Ζυμαρικά, μαγειρεμένα	200	262	260	-2	-0.8%
17	Μήλο, μέτριο	182	95	94	-1	-1.1%
18	Κιμάς, 85% άπαχος	120	272	270	-2	-0.7%
19	Βρώμη, ξηρή	40	152	151	-1	-0.7%
20	Φακές, μαγειρεμένες	180	207	205	-2	-1.0%

Στατιστικά Συνοπτικά

• Μέση απόλυτη απόκλιση: 1.25 kcal ανά τρόφιμο
• Μέγιστη απόκλιση: 4 kcal (φιλέτο σολομού)
• Μέση ποσοστιαία απόκλιση: 0.68%
• Τρόφιμα εντός 1% των τιμών USDA: 17 από 20 (85%)
• Τρόφιμα με μηδενική απόκλιση: 6 από 20 (30%)

Αυτά τα αποτελέσματα αντικατοπτρίζουν το σκοπό μιας επαληθευμένης βάσης δεδομένων. Όταν κάθε καταχώρηση έχει ελεγχθεί σε σύγκριση με τα ίδια δεδομένα του USDA, οι αποκλίσεις είναι διαφορές στρογγυλοποίησης και όχι σφάλματα δεδομένων.

Συσσώρευση Σφάλματος Ημέρας: Τι Σημαίνει το ±78 Θερμίδες

Στην πραγματική παρακολούθηση κατά τη διάρκεια πλήρων ημερών διατροφής (πρωινό, μεσημεριανό, δείπνο και σνακ), η Nutrola δείχνει μια μέση ημερήσια απόκλιση περίπου ±78 θερμίδων από τα συνολικά αναφοράς του USDA. Αυτό είναι το χαμηλότερο από οποιαδήποτε εφαρμογή παρακολούθησης θερμίδων που έχουμε δοκιμάσει.

Για να το βάλουμε σε προοπτική:

• ±78 kcal/ημέρα για 7 ημέρες = ±546 kcal/εβδομάδα
• Ένα έλλειμμα 500 kcal/ημέρα για απώλεια βάρους παραμένει λειτουργικό σε εύρος 422-578 kcal
• Σε 30 ημέρες, το μέγιστο σωρευτικό σφάλμα είναι περίπου 2,340 kcal — περίπου τα δύο τρίτα της ημερήσιας πρόσληψης

Συγκρίνετε αυτό με εφαρμογές που έχουν ±150-200 kcal/ημέρα αποκλίσεις, όπου ένα έλλειμμα 500 kcal μπορεί να μετατραπεί σε οτιδήποτε από 300 έως 700 kcal, καθιστώντας την πρόοδο απρόβλεπτη και τα αποτελέσματα ασυνεπή.

Η απόκλιση ±78 kcal δεν είναι μηδενική και ποτέ δεν θα είναι. Η φυσική ποικιλία στα τρόφιμα (ένα ελαφρώς μεγαλύτερο στήθος κοτόπουλου, μια ελαφρώς πιο ώριμη μπανάνα) σημαίνει ότι ακόμη και οι τέλειες τιμές της βάσης δεδομένων θα παράγουν μικρές αποκλίσεις όταν εφαρμοστούν σε πραγματικά τρόφιμα. Αλλά το ±78 kcal είναι αρκετά μικρό ώστε να μην παρεμβαίνει ουσιαστικά σε κανέναν διατροφικό στόχο.

Ακρίβεια Φωτογραφιών AI: Τι Πιάνει η Κάμερα Σωστά και Τι Λάθος

Η φωτογραφική AI της Nutrola χρησιμοποιεί υπολογιστική όραση για να αναγνωρίζει τρόφιμα από μια μόνο φωτογραφία και να εκτιμά μερίδες. Δείτε πώς τα πήγε σε διάφορους τύπους γευμάτων.

Τύπος Γεύματος	Ακρίβεια Αναγνώρισης	Ακρίβεια Εκτίμησης Μερίδας
Μοναδικό ολόκληρο τρόφιμο (μήλο, μπανάνα)	95%	±10%
Απλό πιάτο (πρωτεΐνη + συνοδευτικό)	91%	±13%
Γεύματα σε μπολ (σαλάτες, μπολ δημητριακών)	88%	±16%
Πολύπλοκες πλάκες με πολλά συστατικά	84%	±20%
Γεύματα εστιατορίου	82%	±22%

Συνολική ακρίβεια αναγνώρισης: 88-92%, ανάλογα με την πολυπλοκότητα του γεύματος.

Πού λειτουργεί καλά η φωτογραφική AI: Το σύστημα είναι πιο ισχυρό με διακριτά, ορατά τρόφιμα. Ένα ψητό στήθος κοτόπουλου δίπλα σε ατμισμένο μπρόκολο και ρύζι θα αναγνωριστεί σωστά σχεδόν κάθε φορά. Μοναδικά είδη όπως φρούτα, σάντουιτς και απλά πιάτα αποδίδουν στην κορυφή της κλίμακας ακρίβειας.

Πού δυσκολεύεται η φωτογραφική AI — και είμαστε ειλικρινείς γι' αυτό:

• Χαμηλός φωτισμός μειώνει την ακρίβεια αναγνώρισης κατά περίπου 10-15%. Ο φωτισμός στα εστιατόρια είναι ένα κοινό πρόβλημα.
• Πολύ ανακατεμένα πιάτα όπως κατσαρόλες, στιφάδο και παχιά κάρυ καθιστούν δύσκολη την αναγνώριση των ατομικών συστατικών από την AI. Η ακρίβεια πέφτει γύρω στο 75-80% για αυτά τα γεύματα.
• Κρυφές θερμίδες από λάδια, βούτυρο, ντρέσινγκ και σάλτσες που είναι κρυμμένες ή ανακατεμένες στα τρόφιμα εκτιμώνται εν μέρει, αλλά δεν μπορούν να καταγραφούν πλήρως από μια φωτογραφία.
• Βάθος μερίδας παραμένει ένας θεμελιώδης περιορισμός της 2D φωτογραφίας. Ένα ψηλό μπολ και ένα ρηχό πιάτο που περιέχουν την ίδια ποσότητα φαίνονται πολύ διαφορετικά από πάνω.

Η φωτογραφική AI έχει σχεδιαστεί ως μια επιπλέον ευκολία, όχι ως αντικατάσταση της χειροκίνητης καταγραφής όταν η ακρίβεια είναι σημαντική. Για casual παρακολούθηση, εξοικονομεί σημαντικό χρόνο. Για αυστηρές διατροφικές διαδικασίες, προτείνουμε να επιβεβαιώνετε τις εκτιμήσεις της AI και να προσαρμόζετε τις μερίδες χειροκίνητα όταν χρειάζεται.

Ακρίβεια Καταγραφής Φωνής: Ανάλυση Φυσικής Γλώσσας

Η καταγραφή φωνής της Nutrola σας επιτρέπει να μιλάτε για τα γεύματά σας φυσικά. Πείτε "Είχα δύο scrambled αυγά με μια φέτα ψωμί ολικής αλέσεως και μια κουταλιά βούτυρο" και η εφαρμογή αναλύει τις ποσότητες, τις μεθόδους μαγειρέματος και τα ατομικά στοιχεία.

Συνολική ακρίβεια ανάλυσης φωνής: περίπου 90%.

Τύπος Φωνητικής Εισόδου	Ακρίβεια Ανάλυσης
Απλά στοιχεία με ποσότητες ("200γρ στήθος κοτόπουλου")	96%
Φυσικές περιγραφές ("μια μέτρια μπανάνα")	93%
Γεύματα με πολλά στοιχεία ("αυγά, ψωμί και καφές με γάλα")	89%
Αναφορές μεθόδου μαγειρέματος ("τηγανητός σολομός")	87%
Ασαφείς περιγραφές ("ένα μεγάλο μπολ ζυμαρικών")	78%

Η μηχανή NLP χειρίζεται ποσότητες, μονάδες, μεθόδους μαγειρέματος (ψητό vs τηγανητό vs φούρνο) και περιγραφές τυπικού μεγέθους (μικρό, μέτριο, μεγάλο) με ισχυρή ακρίβεια. Διακρίνει σωστά μεταξύ "μια κούπα ρυζιού" και "μια κούπα μαγειρεμένου ρυζιού" — μια διαφορά περίπου 300 θερμίδων που πολλοί παρακολουθητές παραβλέπουν.

Πού η καταγραφή φωνής έχει περιορισμούς:

• Ασαφείς ποσότητες όπως "λίγο" ή "κάποιο" προεπιλέγονται σε τυπικά μεγέθη μερίδας, τα οποία μπορεί να μην ταιριάζουν με αυτό που πραγματικά φάγατε.
• Τοπικές ονομασίες τροφίμων ή αργκό μπορεί να μην αναγνωρίζονται χωρίς την τυπική ονομασία.
• Η γρήγορη ομιλία με πολλά στοιχεία μπορεί περιστασιακά να έχει ως αποτέλεσμα χαμένα στοιχεία ή συγχωνευμένες καταχωρήσεις.

Ακρίβεια Σάρωσης Γραμμωτού Κώδικα

Η σάρωση γραμμωτού κώδικα της Nutrola καλύπτει 3 εκατομμύρια+ προϊόντα σε 47 χώρες. Κάθε σαρωμένο προϊόν αντιστοιχεί σε μια επαληθευμένη καταχώρηση βάσης δεδομένων, όχι σε μια που υποβλήθηκε από χρήστη.

Μετρική	Αποτέλεσμα
Ποσοστό αναγνώρισης γραμμωτού κώδικα	97.2%
Ποσοστό σωστής αντιστοίχισης προϊόντος	99.1% (των αναγνωρισμένων γραμμωτών κωδίκων)
Ακρίβεια δεδομένων διατροφής σε σχέση με την ετικέτα	99.5%
Διεθνής κάλυψη προϊόντων	47 χώρες
Μέσος χρόνος σάρωσης	0.8 δευτερόλεπτα

Η σάρωση γραμμωτού κώδικα είναι η πιο ακριβής μέθοδος εισόδου της Nutrola, καθώς εξαλείφει την εκτίμηση εντελώς. Ένας γραμμωτός κώδικας αντιστοιχεί απευθείας σε ένα συγκεκριμένο προϊόν με δεδομένα διατροφής που έχουν επαληθευτεί από τον κατασκευαστή και έχουν επιπλέον επικυρωθεί από τη διαδικασία αναθεώρησης διατροφολόγων της Nutrola.

Πού η σάρωση γραμμωτού κώδικα υστερεί:

• Προϊόντα από μικρότερες τοπικές μάρκες εκτός της κάλυψης των 47 χωρών μπορεί να επιστρέψουν "δεν βρέθηκε."
• Πρόσφατα λανσαρισμένα προϊόντα μπορεί να μην είναι ακόμα στη βάση δεδομένων (νέα προϊόντα συνήθως προστίθενται εντός 2-4 εβδομάδων από τη διαθεσιμότητά τους στην αγορά).
• Προϊόντα που έχουν αναμορφωθεί μπορεί προσωρινά να δείχνουν παλιά δεδομένα διατροφής μέχρι να ενημερωθεί η καταχώρηση.

Πού Η Nutrola Έχει Πραγματικούς Περιορισμούς

Καμία εφαρμογή παρακολούθησης θερμίδων δεν είναι τέλεια, και η διαφάνεια σχετικά με τους περιορισμούς είναι σημαντική.

Πολύ άγνωστα τοπικά και περιφερειακά τρόφιμα. Η βάση δεδομένων 1,8 εκατομμυρίων+ είναι εκτενής, αλλά δεν μπορεί να καλύψει κάθε τοπικό πιάτο από κάθε κουζίνα παγκοσμίως. Αν τρώτε τακτικά πολύ εξειδικευμένα τοπικά τρόφιμα που δεν είναι κοινά σε καμία μεγάλη αγορά, μπορεί να χρειαστεί να δημιουργήσετε προσαρμοσμένες καταχωρήσεις ή να χρησιμοποιήσετε την εισαγωγή συνταγών για να δημιουργήσετε ακριβείς καταχωρήσεις από μεμονωμένα συστατικά.

Φωτογραφική AI σε κακές συνθήκες. Όπως αναφέρθηκε παραπάνω, ο χαμηλός φωτισμός, οι φακοί καλυμμένοι με ατμό και τα πολύ ανακατεμένα πιάτα μειώνουν την ακρίβεια της φωτογραφικής AI. Η εφαρμογή θα επιστρέψει μια εκτίμηση, αλλά το επίπεδο εμπιστοσύνης πέφτει και θα πρέπει να επαληθεύσετε χειροκίνητα.

Εκτίμηση μαγειρικών ελαίων και σαλτσών. Αυτό είναι ένα πρόβλημα που υπάρχει σε όλη τη βιομηχανία, δεν είναι μοναδικό για τη Nutrola. Όταν το φαγητό μαγειρεύεται σε λάδι ή καλύπτεται με σάλτσες, ούτε η φωτογραφική AI ούτε η αναζήτηση βάσης δεδομένων μπορούν να καταγράψουν τέλεια την ακριβή ποσότητα που χρησιμοποιήθηκε. Η Nutrola προτρέπει τους χρήστες να προσθέτουν τα μαγειρικά έλαια και τα καρυκεύματα ξεχωριστά, κάτι που βοηθά, αλλά εξαρτάται από τον χρήστη να το θυμάται.

Φυσική ποικιλία τροφίμων. Δύο στήθη κοτόπουλου που αναγράφονται "150γρ" μπορεί να έχουν ελαφρώς διαφορετική περιεκτικότητα σε λιπαρά ανάλογα με το κομμάτι, το ζώο και την προετοιμασία. Η βάση δεδομένων της Nutrola χρησιμοποιεί μέσους όρους του USDA, οι οποίοι είναι πολύ αντιπροσωπευτικοί αλλά δεν είναι ταυτόσημοι με κάθε ατομικό κομμάτι τροφής.

Πώς Συγκρίνεται η Nutrola με Άλλες Εφαρμογές Παρακολούθησης Θερμίδων

Εφαρμογή	Μέση Ημερήσια Απόκλιση	Τύπος Βάσης Δεδομένων	Φωτογραφική AI	Καταγραφή Φωνής	Σάρωση Γραμμωτού Κώδικα
Nutrola	±78 kcal	Πιστοποιημένη από διατροφολόγους (1.8M+)	Ναι (88-92%)	Ναι (~90%)	Ναι (3M+ προϊόντα, 47 χώρες)
MacroFactor	±110 kcal	Επιμελημένη	Όχι	Όχι	Ναι
Cal AI	±160 kcal	Εκτιμημένη από AI	Ναι (μόνο φωτογραφία)	Όχι	Όχι
FatSecret	±175 kcal	Από το πλήθος	Όχι	Όχι	Ναι

Η επαληθευμένη βάση δεδομένων είναι ο μοναδικός μεγαλύτερος παράγοντας στην ακρίβεια της Nutrola. Η φωτογραφική AI και η καταγραφή φωνής προσθέτουν ευκολία, αλλά η βάση είναι η σωστή δεδομένα πίσω από κάθε καταχώρηση.

Ποιος Ωφελεί Περισσότερο από Αυτή την Επίπεδο Ακρίβειας

Αγωνιστικοί αθλητές και bodybuilders που προετοιμάζονται για διαγωνισμούς όπου 100-200 θερμίδες μπορούν να επηρεάσουν την εβδομαδιαία πρόοδο. Η απόκλιση ±78 kcal διατηρεί την παρακολούθηση εντός ενός λειτουργικού εύρους για ακριβείς διαδικασίες.

Άτομα με ιατρικές διατροφικές απαιτήσεις που χρειάζονται ακριβή παρακολούθηση μακροθρεπτικών και μικροθρεπτικών συστατικών για καταστάσεις όπως ο διαβήτης, η νεφρική νόσος ή οι μεταβολικές διαταραχές.

Οποιοσδήποτε έχει σταματήσει χρησιμοποιώντας άλλη εφαρμογή παρακολούθησης θερμίδων και υποψιάζεται ότι τα δεδομένα τους μπορεί να είναι το πρόβλημα. Η αλλαγή σε μια επαληθευμένη βάση δεδομένων συχνά αποκαλύπτει ότι η προηγούμενη παρακολούθηση ήταν λανθασμένη κατά 15-25%.

Casual παρακολουθητές που θέλουν να καταγράφουν γεύματα γρήγορα χρησιμοποιώντας φωτογραφική AI ή φωνή χωρίς να θυσιάζουν ουσιαστική ακρίβεια.

Η Nutrola είναι διαθέσιμη σε iOS και Android για €2.50/μήνα χωρίς διαφημίσεις σε κανένα σχέδιο.

Συχνές Ερωτήσεις

Πώς επαληθεύει η Nutrola κάθε καταχώρηση τροφίμου στη βάση δεδομένων της;

Κάθε καταχώρηση στη βάση δεδομένων 1,8 εκατομμυρίων+ τροφίμων της Nutrola ελέγχεται από διατροφολόγους σε σύγκριση με τις τιμές αναφοράς του USDA FoodData Central και, όπου είναι διαθέσιμο, με δεδομένα εργαστηριακής ανάλυσης. Οι καταχωρήσεις ελέγχονται για ακρίβεια θερμίδων, συνέπεια μακροθρεπτικών συστατικών (οι θερμίδες από πρωτεΐνες + υδατάνθρακες + λιπαρά θα πρέπει περίπου να ισούνται με τις συνολικές θερμίδες) και ορθότητα μεγέθους μερίδας. Αυτή η διαδικασία είναι συνεχής — οι υπάρχουσες καταχωρήσεις επαληθεύονται ξανά όταν το USDA ενημερώνει τα δεδομένα αναφοράς του ή όταν οι κατασκευαστές αναμορφώνουν προϊόντα.

Είναι η φωτογραφική AI της Nutrola αρκετά ακριβής για να αντικαταστήσει την χειροκίνητη καταγραφή;

Για casual παρακολούθηση και γενική υγειονομική ευαισθητοποίηση, η φωτογραφική AI (88-92% ακρίβεια αναγνώρισης με ±15% εκτίμηση μερίδας) παρέχει μια πρακτική ισορροπία ταχύτητας και ακρίβειας. Για αυστηρές διαδικασίες όπως προετοιμασία διαγωνισμών ή ιατρική διατροφική διαχείριση, προτείνουμε να χρησιμοποιείτε τη φωτογραφική AI ως σημείο εκκίνησης και στη συνέχεια να προσαρμόζετε χειροκίνητα τις μερίδες και να επιβεβαιώνετε την αναγνώριση τροφίμων. Η φωτογραφική AI εξοικονομεί χρόνο στο βήμα αναγνώρισης ακόμη και όταν προσαρμόζετε τις λεπτομέρειες.

Γιατί η Nutrola δείχνει ακόμα ±78 θερμίδες απόκλιση αν η βάση δεδομένων είναι επαληθευμένη;

Η απόκλιση προέρχεται κυρίως από τη φυσική ποικιλία τροφίμων και όχι από σφάλματα της βάσης δεδομένων. Μια "μέτρια μπανάνα" μπορεί να κυμαίνεται από 100 έως 115 θερμίδες ανάλογα με το πραγματικό μέγεθος και την ωριμότητά της. Ένα ψητό στήθος κοτόπουλου διαφέρει στην περιεκτικότητα σε λιπαρά ανάλογα με το κομμάτι. Η τιμή ±78 kcal αντιπροσωπεύει το χάσμα μεταξύ των τυποποιημένων τιμών αναφοράς του USDA και της εγγενής μεταβλητότητας του πραγματικού φαγητού — όχι ανακρίβειες στα δεδομένα της Nutrola.

Λειτουργεί η Nutrola για διεθνή τρόφιμα και κουζίνες;

Η βάση δεδομένων καλύπτει τρόφιμα σε 47 χώρες, και η σάρωση γραμμωτού κώδικα υποστηρίζει προϊόντα από όλες αυτές τις περιοχές. Για παραδοσιακά πιάτα από συγκεκριμένες κουζίνες, η δυνατότητα εισαγωγής συνταγών σας επιτρέπει να δημιουργείτε καταχωρήσεις από μεμονωμένα συστατικά, καθένα από τα οποία είναι επαληθευμένο. Η κάλυψη για κοινά διεθνή τρόφιμα (Ιαπωνικά, Ινδικά, Μεξικανικά, Μεσογειακά κ.λπ.) είναι ισχυρή. Πολύ άγνωστες τοπικές ειδικότητες μπορεί να απαιτούν δημιουργία προσαρμοσμένων καταχωρήσεων.

Πώς διαχειρίζεται η Nutrola τα γεύματα εστιατορίου όπου τα ακριβή συστατικά είναι άγνωστα;

Η Nutrola προσφέρει τρεις προσεγγίσεις για γεύματα εστιατορίου: εκτίμηση φωτογραφικής AI (η οποία παρέχει μια λογική εκτίμηση), αναζήτηση του εστιατορίου κατά όνομα (πολλά εστιατόρια αλυσίδας έχουν επαληθευμένες καταχωρήσεις μενού) ή καταγραφή των ατομικών στοιχείων του γεύματος ξεχωριστά. Για αλυσίδες εστιατορίων στη βάση δεδομένων, οι καταχωρήσεις αντικατοπτρίζουν τις δημοσιευμένες πληροφορίες διατροφής που έχουν επαληθευτεί. Για ανεξάρτητα εστιατόρια, η φωτογραφική AI σε συνδυασμό με χειροκίνητη προσαρμογή παρέχει την πιο πρακτική προσέγγιση, αν και η ακρίβεια είναι εγγενώς χαμηλότερη από τα σπιτικά γεύματα όπου ελέγχετε τα συστατικά.