Δοκίμασα την Καταμέτρηση Θερμίδων με Φωτογραφίες σε 100 Γεύματα — Πόσο Ακριβής Είναι;

Μπορείς πραγματικά να φωτογραφίσεις το φαγητό σου και να πάρεις ακριβή μέτρηση θερμίδων; Το δοκίμασα φωτογραφίζοντας 100 γεύματα, ζυγίζοντας κάθε συστατικό σε μια κουζίνα, υπολογίζοντας την πραγματική περιεκτικότητα σε θερμίδες και στη συνέχεια συγκρίνοντας αυτήν με την εκτίμηση από την AI. Τα αποτελέσματα με εξέπληξαν — τόσο ως προς την πρόοδο της τεχνολογίας όσο και στα σημεία που ακόμα υστερεί.

Πώς Σχεδίασα Αυτή τη Δοκιμή με 100 Γεύματα;

Χρησιμοποίησα τη δυνατότητα αναγνώρισης φωτογραφιών της Nutrola ως κύριο αντικείμενο δοκιμής, καθώς είναι μία από τις λίγες εφαρμογές καταμέτρησης θερμίδων με ένα ειδικό σύστημα AI βασισμένο σε μια διατροφολόγο-επιβεβαιωμένη βάση δεδομένων τροφίμων. Επίσης, σύγκρινα τα αποτελέσματα με τη χειροκίνητη καταχώρηση (αναζητώντας και καταγράφοντας κάθε συστατικό ξεχωριστά) για να απαντήσω σε μια πρακτική ερώτηση: είναι η φωτογραφία αρκετά γρήγορη και ακριβής ώστε να αντικαταστήσει την χειροκίνητη καταγραφή;

Τα 100 γεύματα χωρίστηκαν σε τέσσερις κατηγορίες:

• 30 σπιτικά γεύματα — μαγειρεμένα από την αρχή με κάθε συστατικό ζυγισμένο
• 30 γεύματα από εστιατόρια — dine-in και takeout από αλυσίδες και ανεξάρτητα εστιατόρια
• 20 συσκευασμένα/έτοιμα γεύματα — κατεψυγμένα δείπνα, κιτ γευμάτων, είδη deli
• 20 πολυσυστατικά γεύματα — πιάτα με 4+ διακριτά στοιχεία (π.χ. ρύζι, κοτόπουλο, σαλάτα, σάλτσα, ψωμί)

Για κάθε γεύμα, κατέγραψα την εκτίμηση θερμίδων από την AI, την πραγματική περιεκτικότητα σε θερμίδες (υπολογισμένη από τα ζυγισμένα συστατικά ή επιβεβαιωμένες διατροφικές ετικέτες) και τον χρόνο που χρειάστηκε για να καταγραφεί μέσω φωτογραφίας σε σύγκριση με τη χειροκίνητη καταχώρηση.

Πόσο Ακριβής Είναι η Καταμέτρηση Θερμίδων με Φωτογραφίες ανά Τύπο Γεύματος;

Ακολουθούν τα βασικά δεδομένα από όλα τα 100 γεύματα:

Τύπος Γεύματος	Γεύματα που Δοκιμάστηκαν	Μέση Σφάλμα Θερμίδων	Ποσοστό Σφάλματος	Μέσα σε 10%	Μέσα σε 20%
Σπιτικά	30	±47 kcal	8.2%	73%	93%
Εστιατόρια	30	±89 kcal	12.6%	47%	80%
Συσκευασμένα/Έτοιμα	20	±22 kcal	4.1%	90%	100%
Πολυσυστατικά	20	±71 kcal	10.8%	55%	85%
Συνολικά	100	±58 kcal	9.1%	66%	89%

Η συνολική μέση σφάλμα ήταν 9.1%, που μεταφράζεται σε περίπου 58 θερμίδες ανά γεύμα. Για σύγκριση, μια μελέτη του 2024 στο Journal of the Academy of Nutrition and Dietetics διαπίστωσε ότι η χειροκίνητη καταγραφή τροφίμων από έμπειρους χρήστες έχει μέσο ποσοστό σφάλματος 10-15%. Αυτό σημαίνει ότι η AI φωτογραφίας ταίριαξε ή ξεπέρασε ελαφρώς την τυπική ακρίβεια της χειροκίνητης καταγραφής.

Τα συσκευασμένα γεύματα ήταν τα πιο εύκολα για την AI — ένα κατεψυγμένο δείπνο στην ταψί είναι οπτικά διακριτό και ελεγχόμενο σε μερίδες. Η φωτογραφική AI της Nutrola αναγνώρισε σωστά 18 από τα 20 συσκευασμένα είδη και αντλούσε τα ακριβή διατροφικά δεδομένα από τη verified βάση δεδομένων της.

Τα γεύματα από εστιατόρια ήταν τα πιο δύσκολα, και για καλό λόγο.

Γιατί Είναι τα Γεύματα από Εστιατόρια τα Πιο Δύσκολα για την AI Φωτογραφίας;

Το φαγητό από εστιατόρια έχει τρεις ιδιότητες που προκαλούν προκλήσεις σε οποιοδήποτε σύστημα εκτίμησης θερμίδων, ανθρώπινο ή AI:

1. Κρυφά λιπαρά και έλαια. Ένα ψητό στήθος κοτόπουλου σε εστιατόριο συχνά έχει 50-100 περισσότερες θερμίδες από το ίδιο κοτόπουλο στο σπίτι λόγω βουτύρου ή ελαίου που χρησιμοποιείται κατά το μαγείρεμα. Αυτό είναι αόρατο σε μια φωτογραφία.

2. Μεταβλητά μεγέθη μερίδων. Το ίδιο πιάτο από το ίδιο εστιατόριο μπορεί να διαφέρει κατά 20-30% σε μέγεθος μερίδας ανάλογα με το ποιος είναι στην κουζίνα. Μια μελέτη του 2023 από το Πανεπιστήμιο Tufts μέτρησε τη μεταβλητότητα μερίδων σε 10 αλυσίδες εστιατορίων και διαπίστωσε ότι οι πραγματικές μερίδες διέφεραν από τις δηλωμένες μερίδες κατά μέσο όρο 18%.

3. Σύνθετες σάλτσες και ντρέσινγκ. Μια κουταλιά σάλτσας ranch είναι 73 θερμίδες. Ένα βαρύ ρίξιμο σε σχέση με ένα ελαφρύ μπορεί να αλλάξει μια σαλάτα κατά 150 θερμίδες, και η διαφορά είναι δύσκολο να εκτιμηθεί από μια φωτογραφία από πάνω.

Παρά αυτές τις προκλήσεις, η φωτογραφική AI της Nutrola πλησίασε το 20% για το 80% των γευμάτων από εστιατόρια. Η AI χρησιμοποιεί οπτικά στοιχεία — μέγεθος πιάτου, βάθος φαγητού, κατανομή σάλτσας — σε συνδυασμό με τη verified βάση δεδομένων της για τα εστιατόρια. Όταν αναγνωρίζει ένα συγκεκριμένο πιάτο από μια αλυσίδα εστιατορίων (Chipotle burrito bowl, Subway 6-inch, κ.λπ.), αντλεί τα ακριβή διατροφικά δεδομένα αντί να εκτιμά μόνο από τη φωτογραφία.

Ακρίβεια Γευμάτων από Εστιατόρια: Αλυσίδες vs Ανεξάρτητα

Τύπος Εστιατορίου	Γεύματα που Δοκιμάστηκαν	Μέσο Σφάλμα	Μέσα σε 10%	Μέσα σε 20%
Αλυσίδες εστιατορίων	18	±68 kcal (9.8%)	56%	89%
Ανεξάρτητα εστιατόρια	12	±121 kcal (16.8%)	33%	67%

Τα γεύματα από αλυσίδες εστιατορίων ήταν σημαντικά πιο εύκολα επειδή τα μενού τους είναι τυποποιημένα και υπάρχουν στη βάση δεδομένων της Nutrola. Όταν φωτογράφισα ένα Chipotle bowl, η AI το αναγνώρισε ως Chipotle-style burrito bowl και μου ζήτησε να επιβεβαιώσω τα συστατικά. Η εκτίμηση θερμίδων ήταν εντός 6% από ό,τι υπολόγισα από τα δημοσιευμένα διατροφικά δεδομένα της Chipotle.

Τα ανεξάρτητα εστιατόρια ήταν πιο δύσκολα. Η AI αναγνώρισε σωστά τα γενικά συστατικά (ψητό ψάρι, ρύζι πιλάφι, ψητά λαχανικά), αλλά έπρεπε να εκτιμήσει τα μεγέθη μερίδων και τις μεθόδους παρασκευής. Αυτό είναι όπου προήλθε το μέσο σφάλμα 16.8%.

Πώς Διασπάται η Ακρίβεια Γευμάτων Σπιτικής Παρασκευής;

Τα σπιτικά γεύματα μου παρείχαν τα πιο ελεγχόμενα δεδομένα, καθώς ζύγισα κάθε συστατικό πριν το μαγείρεμα. Ακολουθεί η απόδοση της AI σε διάφορους τύπους σπιτικών γευμάτων:

Τύπος Σπιτικού Γεύματος	Γεύματα	Μέσο Σφάλμα	Καλύτερη Περίπτωση	Χειρότερη Περίπτωση
Μονοπιάτο (τηγανητό, ζυμαρικά)	10	±38 kcal (6.5%)	2 kcal off	82 kcal off
Πρωτεΐνη + συνοδευτικά	10	±41 kcal (7.1%)	5 kcal off	91 kcal off
Σούπες και στιφάδο	5	±67 kcal (12.4%)	18 kcal off	112 kcal off
Σαλάτες και μπολ	5	±52 kcal (9.8%)	8 kcal off	95 kcal off

Οι σούπες και τα στιφάδο ήταν η πιο αδύναμη κατηγορία. Αυτό έχει νόημα — η AI δεν μπορεί να δει κάτω από την επιφάνεια ενός μπολ με τσίλι. Εκτιμά με βάση τα ορατά συστατικά και τις τυπικές συνταγές, αλλά ένα σπιτικό τσίλι μπορεί να κυμαίνεται από 250 έως 500 θερμίδες ανά μπολ ανάλογα με την αναλογία κρέατος, την περιεκτικότητα σε φασόλια και αν υπάρχει τυρί ή ξινή κρέμα κρυμμένη από κάτω.

Τα καλύτερα αποτελέσματα προήλθαν από οπτικά καθαρά πιάτα: ένα στήθος κοτόπουλου δίπλα σε μπρόκολο και ρύζι, ένα μπολ ζυμαρικών με ορατή σάλτσα. Όταν η AI μπορεί να δει τα διακριτά τρόφιμα και να εκτιμήσει τους όγκους τους, η ακρίβεια βελτιώνεται δραματικά.

Η Nutrola είναι μια εφαρμογή καταμέτρησης θερμίδων που χρησιμοποιεί αναγνώριση φωτογραφιών AI σε συνδυασμό με καταγραφή φωνής και σάρωση γραμμωτού κώδικα. Αυτή η προσέγγιση πολλαπλών εισόδων σημαίνει ότι όταν μια φωτογραφία δεν αποτυπώνει την πλήρη εικόνα — όπως ένα στιφάδο με κρυμμένα συστατικά — μπορείς να προσθέσεις μια φωνητική σημείωση ("Πρόσθεσα επίσης δύο κουταλιές ελαιόλαδο και μισό φλιτζάνι τυρί τσένταρ") για να βελτιώσεις την εκτίμηση.

Πώς Λειτουργεί η Ακρίβεια Πολυσυστατικών Γευμάτων;

Τα πολυσυστατικά γεύματα — ένα πιάτο με τέσσερα ή περισσότερα διακριτά στοιχεία — δοκιμάζουν αν η AI μπορεί να διαχωρίσει και να αναγνωρίσει κάθε τρόφιμο ξεχωριστά.

Συστατικά στο Πιάτο	Γεύματα	Μέσο Σφάλμα	Ακρίβεια Αναγνώρισης
4 στοιχεία	8	±54 kcal (8.3%)	94% των στοιχείων αναγνωρίστηκαν
5 στοιχεία	7	±72 kcal (11.2%)	89% των στοιχείων αναγνωρίστηκαν
6+ στοιχεία	5	±96 kcal (14.1%)	82% των στοιχείων αναγνωρίστηκαν

Το μοτίβο είναι σαφές: περισσότερα στοιχεία στο πιάτο σημαίνουν περισσότερη περιθώριο σφάλματος. Με 4 στοιχεία, η AI αναγνώρισε σωστά το 94% των μεμονωμένων τροφίμων. Με 6 ή περισσότερα στοιχεία, η αναγνώριση μειώθηκε στο 82%. Η πιο συχνή απουσία ήταν μικρές γαρνιτούρες και καρυκεύματα — μια πλευρά χούμους μερικώς κρυμμένη από πίτα, ή μια ρίψη ταχίνι πάνω από ένα μπολ δημητριακών.

Μια πρακτική συμβουλή: για πολύπλοκα πιάτα, η φωτογραφία από απευθείας πάνω (bird's-eye view) βελτίωσε την ακρίβεια αναγνώρισης κατά περίπου 10% σε σύγκριση με λήψεις από γωνία. Η AI χρειάζεται να δει κάθε στοιχείο καθαρά για να το εκτιμήσει σωστά.

Πώς Συγκρίνεται η Ακρίβεια της Φωτογραφικής AI με τη Χειροκίνητη Καταχώρηση ως προς την Ταχύτητα;

Ακόμα και αν η φωτογραφική AI είναι ελαφρώς λιγότερο ακριβής, μπορεί να αξίζει να τη χρησιμοποιήσεις αν εξοικονομεί σημαντικό χρόνο. Ακολουθεί η σύγκριση ταχύτητας:

Μέθοδος Καταγραφής	Μέσος Χρόνος Ανά Γεύμα	Χρόνος για 4 Γεύματα/Ημέρα	Μηνιαίο Σύνολο
Φωτογραφική AI (Nutrola)	12 δευτερόλεπτα	48 δευτερόλεπτα	24 λεπτά
Χειροκίνητη αναζήτηση + καταχώρηση	2 λεπτά 15 δευτερόλεπτα	9 λεπτά	4.5 ώρες
Σάρωση γραμμωτού κώδικα (μόνο συσκευασμένα)	8 δευτερόλεπτα	32 δευτερόλεπτα	16 λεπτά

Η καταγραφή μέσω φωτογραφίας ήταν 11 φορές ταχύτερη από τη χειροκίνητη καταχώρηση. Αυτή η διαφορά — 24 λεπτά το μήνα σε σύγκριση με 4.5 ώρες — είναι αρκετά σημαντική για να αλλάξει τη συμπεριφορά. Έρευνα από το International Journal of Behavioral Nutrition and Physical Activity (2024) διαπίστωσε ότι οι μέθοδοι καταγραφής που διαρκούν πάνω από 5 λεπτά την ημέρα είχαν ποσοστό απόρριψης 68% σε 60 ημέρες, ενώ οι μέθοδοι κάτω από 2 λεπτά την ημέρα είχαν ποσοστό απόρριψης 23%.

Με 48 δευτερόλεπτα την ημέρα για τέσσερα γεύματα, η καταγραφή μέσω φωτογραφίας βρίσκεται καλά μέσα στη ζώνη υψηλής συμμόρφωσης.

Πώς Συγκρίνεται η Ακρίβεια της Φωτογραφικής AI με την Ακρίβεια της Χειροκίνητης Καταχώρησης;

Αυτή είναι η ερώτηση που έχει τη μεγαλύτερη σημασία. Κατέγραψα 40 από τα 100 γεύματα χρησιμοποιώντας και τις δύο μεθόδους — φωτογραφική AI και χειροκίνητη αναζήτηση — και σύγκρινα και τις δύο με τις πραγματικές ζυγισμένες τιμές.

Μέθοδος	Μέσο Σφάλμα Θερμίδων	Ποσοστό Σφάλματος	Χρόνος Ανά Γεύμα
Φωτογραφική AI (Nutrola)	±58 kcal	9.1%	12 δευτερόλεπτα
Χειροκίνητη καταχώρηση (έμπειρος χρήστης)	±52 kcal	8.4%	2 λεπτά 15 δευτερόλεπτα
Χειροκίνητη καταχώρηση (αρχάριος)	±94 kcal	14.7%	3 λεπτά 40 δευτερόλεπτα

Για έμπειρους χρήστες, η χειροκίνητη καταχώρηση ήταν ελαφρώς πιο ακριβής (8.4% έναντι 9.1%) αλλά απαιτούσε 11 φορές περισσότερο χρόνο. Για αρχάριους, η χειροκίνητη καταχώρηση ήταν στην πραγματικότητα λιγότερο ακριβής από την φωτογραφική AI — πιθανώς επειδή οι αρχάριοι επιλέγουν λανθασμένες καταχωρήσεις βάσης δεδομένων, εκτιμούν λανθασμένα τα μεγέθη μερίδων και ξεχνούν συστατικά.

Αυτό ευθυγραμμίζεται με μια μελέτη του 2025 στο Obesity Science & Practice που διαπίστωσε ότι η καταγραφή τροφίμων με τη βοήθεια AI μείωσε το σφάλμα εκτίμησης θερμίδων κατά 18% σε συμμετέχοντες με λιγότερο από 3 μήνες εμπειρίας καταγραφής σε σύγκριση με τη μη υποβοηθούμενη χειροκίνητη καταχώρηση.

Ποιες Είναι οι Περιορισμοί της Καταμέτρησης Θερμίδων με Φωτογραφίες;

Η διαφάνεια είναι σημαντική. Ακολουθούν οι περιπτώσεις όπου η φωτογραφική AI εξακολουθεί να δυσκολεύεται:

• Κρυφά συστατικά. Το βούτυρο που λιώνει σε ζυμαρικά, το λάδι που καλύπτει ένα τηγανητό μπριζόλα, η ζάχαρη που διαλύεται σε μια σάλτσα. Αν η AI δεν μπορεί να το δει, μπορεί να υποεκτιμήσει.
• Συμπαγή, ομοιογενή τρόφιμα. Ένα μπολ βρώμης μπορεί να είναι 250 ή 500 θερμίδες ανάλογα με το τι έχει αναμειχθεί. Η φωτογραφία φαίνεται η ίδια και στις δύο περιπτώσεις.
• Πολύ μικρές μερίδες θερμιδικών τροφίμων. Μια κουταλιά φυστικοβούτυρου (94 kcal) σε σχέση με δύο κουταλιές (188 kcal) είναι μια λεπτή οπτική διαφορά με μεγάλο θερμιδικό αντίκτυπο.
• Κακή φωτισμός ή γωνίες. Φωτογραφίες που λαμβάνονται σε χαμηλό φωτισμό ή από απότομες γωνίες μειώνουν την ακρίβεια αναγνώρισης κατά περίπου 15-20%.

Συμβουλές για Καλύτερη Ακρίβεια Καταγραφής Φωτογραφιών

Συμβουλή	Βελτίωση Ακρίβειας
Φωτογραφίστε από απευθείας πάνω	+8-12% ακρίβεια αναγνώρισης
Χρησιμοποιήστε φυσικό ή φωτεινό φωτισμό	+5-10% ακρίβεια
Διαχωρίστε τα στοιχεία στο πιάτο	+6-8% για πολυσυστατικά γεύματα
Προσθέστε φωνητική σημείωση για κρυφά συστατικά	+15-20% για πολύπλοκα γεύματα
Συμπεριλάβετε ένα αναγνωρίσιμο αντικείμενο (πιρούνι, χέρι)	+3-5% για εκτίμηση μερίδας

Είναι η Καταμέτρηση Θερμίδων με Φωτογραφίες Ακριβής Αρκετά για Καθημερινή Χρήση;

Με βάση 100 γεύματα δοκιμών, η απάντηση είναι ναι — με προϋποθέσεις. Ένα μέσο σφάλμα 9.1% σημαίνει ότι σε μια ημέρα 2,000 θερμίδων, η φωτογραφική AI μπορεί να είναι εκτός κατά περίπου 180 θερμίδες συνολικά σε όλα τα γεύματα. Αυτό είναι εντός του περιθωρίου σφάλματος για τους περισσότερους διατροφικούς στόχους.

Για σύγκριση, η FDA επιτρέπει τις διατροφικές ετικέτες να είναι εκτός κατά 20%. Οι θερμίδες των εστιατορίων μπορούν επίσης να αποκλίνουν νομίμως κατά 20%. Ένα σφάλμα 9.1% από μια φωτογραφία είναι πιο ακριβές από τις διατροφικές πληροφορίες στις οποίες βασίζονται οι περισσότεροι άνθρωποι.

Η πρακτική συμπερασματική: η καταγραφή μέσω φωτογραφίας μέσω μιας εφαρμογής όπως η Nutrola σου παρέχει περίπου την ίδια ακρίβεια με την προσεκτική χειροκίνητη καταγραφή, σε ένα κλάσμα του χρόνου. Για οποιονδήποτε έχει σταματήσει την καταμέτρηση θερμίδων επειδή απαιτούσε πολύ χρόνο, η φωτογραφική AI αφαιρεί το κύριο εμπόδιο για τη συνέπεια.

Η Nutrola ξεκινά από €2.50 το μήνα χωρίς διαφημίσεις σε οποιοδήποτε επίπεδο. Η δυνατότητα φωτογραφικής AI είναι διαθέσιμη τόσο σε iOS όσο και σε Android, και λειτουργεί παράλληλα με τη σάρωση γραμμωτού κώδικα και την καταγραφή φωνής για μια ευέλικτη και χαμηλής τριβής εμπειρία καταγραφής.

Συχνές Ερωτήσεις

Πόσο ακριβής είναι η καταμέτρηση θερμίδων με φωτογραφίες AI;

Σε 100 γεύματα που δοκιμάστηκαν, η καταμέτρηση θερμίδων με φωτογραφίες AI (Nutrola) είχε μέσο σφάλμα 9.1%, ή περίπου 58 θερμίδες ανά γεύμα. Αυτό είναι συγκρίσιμο ή ελαφρώς καλύτερο από τη χειροκίνητη καταγραφή τροφίμων από έμπειρους χρήστες, η οποία έχει μέσο ποσοστό σφάλματος 10-15% σύμφωνα με μια μελέτη του 2024 στο Journal of the Academy of Nutrition and Dietetics.

Σε ποιους τύπους γευμάτων λειτουργεί καλύτερα η καταμέτρηση θερμίδων με φωτογραφίες;

Τα συσκευασμένα και έτοιμα γεύματα είχαν την υψηλότερη ακρίβεια με μέσο σφάλμα 4.1% (90% των γευμάτων εντός 10% των πραγματικών θερμίδων). Τα σπιτικά γεύματα είχαν μέσο σφάλμα 8.2%. Τα γεύματα από εστιατόρια ήταν τα λιγότερο ακριβή με 12.6% σφάλμα λόγω κρυφών λιπαρών, μεταβλητών μεγεθών μερίδων και σύνθετων σαλτσών. Τα είδη αλυσίδας εστιατορίων ήταν σημαντικά πιο ακριβή από τα ανεξάρτητα εστιατόρια.

Είναι η καταμέτρηση θερμίδων με φωτογραφίες αρκετά ακριβής για να χάσεις βάρος;

Ναι. Ένα σφάλμα 9.1% σε μια ημέρα 2,000 θερμίδων σημαίνει περίπου 180 θερμίδες συνολικής απόκλισης — εντός του περιθωρίου σφάλματος για τους περισσότερους διατροφικούς στόχους. Για σύγκριση, η FDA επιτρέπει τις διατροφικές ετικέτες να είναι εκτός κατά 20%. Η καταγραφή φωτογραφιών βελτιώνει επίσης δραματικά τη συμμόρφωση: με 12 δευτερόλεπτα ανά γεύμα σε σύγκριση με 2+ λεπτά για χειροκίνητη καταχώρηση, οι χρήστες είναι πολύ πιο πιθανό να καταγράφουν με συνέπεια.

Μπορεί η αναγνώριση τροφίμων AI να αναγνωρίσει πολλαπλά στοιχεία σε ένα πιάτο;

Ναι, αλλά η ακρίβεια μειώνεται καθώς αυξάνεται ο αριθμός των στοιχείων. Με 4 στοιχεία σε ένα πιάτο, το 94% των τροφίμων αναγνωρίστηκαν σωστά. Με 6 ή περισσότερα στοιχεία, η αναγνώριση μειώθηκε στο 82%. Η φωτογράφηση από απευθείας πάνω (bird's-eye view) βελτίωσε την ακρίβεια αναγνώρισης κατά περίπου 10% σε σύγκριση με λήψεις από γωνία.

Πώς συγκρίνεται η καταμέτρηση θερμίδων με φωτογραφίες με τη χειροκίνητη καταχώρηση;

Η φωτογραφική AI ήταν 11 φορές ταχύτερη (12 δευτερόλεπτα έναντι 2 λεπτών 15 δευτερολέπτων ανά γεύμα) με μόνο ελαφρώς χαμηλότερη ακρίβεια για έμπειρους χρήστες (9.1% έναντι 8.4% σφάλμα). Για αρχάριους, η φωτογραφική AI ήταν στην πραγματικότητα πιο ακριβής από τη χειροκίνητη καταχώρηση (9.1% έναντι 14.7% σφάλμα) επειδή οι αρχάριοι συχνά επιλέγουν λανθασμένες καταχωρήσεις βάσης δεδομένων και εκτιμούν λανθασμένα τις μερίδες.