Avoin Ravintotieto: Miksi Nutrola Julkaisee Tarkkuusmittauksia, Joita Muut Sovellukset Eivät

Jos olet koskaan käyttänyt kaloriseurantasovellusta, olet luottanut siihen peruskysymyksessä: kuinka paljon oikeasti söin? Päätöksesi annoskoosta, ruokavalinnoista ja viikoittaisista tavoitteista perustuvat kaikki sovelluksen antamiin numeroihin. Mutta tässä on kysymys, jota useimmat käyttäjät eivät koskaan mieti: kuinka tarkkoja nämä numerot ovat, ja miten sen edes voisi tietää?

Vastaus on, että suurimmalle osalle markkinoilla olevista ravitsemussovelluksista et tietäisi. Useimmat sovellukset eivät julkaise tarkkuustietoja. Ne eivät paljasta virheprosentteja. Ne eivät erittele suorituskykyä ruokatyypin, keittiön tai aterian monimutkaisuuden mukaan. Sinua pyydetään luottamaan tulokseen ilman mitään näyttöä, joka oikeuttaisi tämän luottamuksen.

Nutrola toimii toisin. Julkaisemme tarkkuusmittauksemme julkisesti, päivitetään neljännesvuosittain, jaoteltuna ruokakategorioittain, keittiötyypeittäin, aterian monimutkaisuuden mukaan ja kirjausmenetelmien mukaan. Tämä artikkeli selittää, miksi teemme niin, mitä numerot oikeasti kertovat, missä epäonnistumme ja miksi uskomme, että tämänlainen läpinäkyvyys pitäisi olla standardi jokaiselle ravitsemussovellukselle.

Miksi Useimmat Sovellukset Eivät Julkaise Tarkkuustietoja

Ei ole teknisiä esteitä, jotka estäisivät ravitsemussovellusta mittaamasta ja julkaisemasta tarkkuuttaan. Työkalut ovat olemassa. Menetelmät ovat hyvin vakiintuneita. Syyt, miksi useimmat sovellukset pysyvät hiljaa, johtuvat kolmesta tekijästä.

1. Numerot Eivät Ole Suotuisia

Tarkkuuden mittaaminen vaatii sovelluksen tulosten vertaamista todellisiin tietoihin — tyypillisesti punnittuihin ruokadatapisteisiin, jotka on ristiviitattu vahvistettuihin ravintotietokantoihin, kuten USDA FoodData Central. Kun teet tämän vertailun huolellisesti, tulokset paljastavat usein merkittäviä puutteita. Tietokannan merkintä, joka listaa "kana paistettuna" ilman, että öljyn määrä on määritelty, voi olla 200–400 kaloria pielessä. Käyttäjien lähettämä merkintä "kotitekoinen pasta" voi edustaa mitä tahansa 300 kalorin ja 800 kalorin annosta.

Sovellukset, jotka perustuvat väkijoukosta kerättyihin tietokantoihin, joissa on vain vähän vahvistusta, ovat eniten häviämässä läpinäkyvyydestä. Virheprosenttien julkaiseminen paljastaisi heidän tietojensa epäjohdonmukaisuuden.

2. Tarkkuuden Määrittäminen On Vaikeaa

Ei ole yleistä standardia ravitsemussovellusten tarkkuuden mittaamiseksi. Mittaako keskimääräistä virhettä? Mediaanivirhettä? Prosenttia aterioista, jotka ovat 10 prosentin raja-arvossa? Testaako punnittuja aineksia vai ravintosisältömerkintöjä vastaan? Sisällyttääkö käyttäjävirheen mittaukseen vai eristääkö se järjestelmän suorituskyvyn?

Tämä epäselvyys antaa sovelluksille suojaa. Ilman sovittua metodologiaa on helppo väittää "korkeasta tarkkuudesta" markkinointikopiossa ilman, että koskaan määritellään, mitä se tarkoittaa tai todistetaan.

3. Markkinapaineen Puute

Aikaisemmin käyttäjät eivät odottaneet ravitsemussovelluksilta tarkkuuden todistamista. Teollisuus kasvoi luottamuksen varassa — jos sovelluksessa on suuri ruokadatabasa, käyttäjät olettavat, että tiedot ovat oikein. Kilpailijat eivät kyseenalaista toistensa tarkkuutta, koska se kutsuisi tarkasteluun heidän omia lukujaan.

Tämä luo kollektiivisen hiljaisuuden. Kukaan ei julkaise, joten kukaan ei odota julkaisevan, joten kukaan ei tee niin.

Nutrolan Näkemys: Julkaise Kaikki

Uskomme, että jos teet terveydellisiä päätöksiä tietojemme perusteella, sinun on saatava tietää, kuinka luotettavia nämä tiedot ovat. Ei epämääräisesti. Vaan tarkkoina, mitattavina, säännöllisesti päivitettyinä numeroina.

Tässä on, mitä julkaisemme ja miten mittaamme.

Kuinka Mittaamme Tarkkuutta

Benchmark-menetelmä

Tarkkuusmittauksemme perustuvat kahteen rinnakkaiseen prosessiin.

Kontrolloitu testi. Jokaisella neljänneksellä ravitsemustieteellinen tiimimme suorittaa rakenteellisen arvioinnin käyttäen 1,000 ateriaa, jotka on valmistettu kontrolloiduissa olosuhteissa. Jokainen ainesosa punnitaan gramman tarkkuudella. Ravintoarvot lasketaan USDA FoodData Centralista, valmistajatiedoista ja laboratoriossa vahvistetuista viitearvoista. Jokainen ateria kirjataan Nutrolassa kaikilla käytettävissä olevilla menetelmillä — valokuvantunnistus, viivakoodin skannaus, manuaalinen haku ja reseptin tuonti — ja tulokset verrataan viitearvoihin.

Reaaliaikainen validointi. Rekrytoimme vapaaehtoisia käyttäjiä, jotka suostuvat punnitsemaan ruokansa määritellyn ajan ja lähettämään sekä vaa'an mittaukset että normaalit Nutrola-kirjausmerkinnät. Tämä antaa meille todellisia vertailuja realistisissa olosuhteissa — epätäydellisessä valaistuksessa, rento tarjoilu, oikeissa keittiöissä. Viimeisin validointiryhmämme sisälsi 4,200 käyttäjää, jotka antoivat 26,800 vahvistettua ateriatietoa.

Mitä Mittaamme

Jokaisessa benchmark-jaksossa raportoimme seuraavat mittarit:

• Keskimääräinen absoluuttinen prosenttivirhe (MAPE) kaloreissa, proteiineissa, hiilihydraateissa ja rasvassa.
• Prosenttiosuus aterioista, jotka ovat 5%, 10% ja 15% viitearvojen sisällä jokaiselle makroravinteelle.
• Ruoan tunnistustarkkuus — prosenttiosuus aterioista, joissa tekoäly tunnistaa oikein pääraaka-aineet.
• Annosarvion tarkkuus — prosentuaalinen poikkeama grammapainosta tekoälyn annosarvion ja todellisesti mitatun annoksen välillä.
• Järjestelmällinen virheiden suunta — yliarvioivatko vai aliarvioivatko virheet, ja kuinka paljon.

Eritämme nämä mittarit ruokakategorioittain, keittiötyypeittäin, aterian monimutkaisuuden mukaan ja kirjausmenetelmien mukaan. Koko tietojoukko on saatavilla benchmark-sivullamme.

Mitä Numerot Kertovat: Tarkkuus Ruokakategorioittain

Seuraavat taulukot heijastavat Q1 2026 benchmark-tuloksia, jotka yhdistävät kontrolloidun testauksen ja reaaliaikaisen validointidatan.

Kalorimäärän Tarkkuus Ruokakategorioittain

Ruokakategoria	Keskimääräinen Kalorivirhe	5% Sisällä	10% Sisällä	15% Sisällä	Virhesuunta
Yksittäiset kokonaiset ruoat (hedelmät, vihannekset, yksinkertaiset proteiinit)	3.1%	78%	96%	99%	Kevyt yliarviointi (+1.2%)
Pakatut ruoat (viivakoodilla skannattu)	1.8%	91%	98%	100%	Neutraali
Yksinkertaiset valmistetut ateriat (grillattu kana + riisi, salaatti kastikkeella)	5.9%	52%	84%	94%	Kevyt aliarviointi (-2.4%)
Monimutkaiset kotitekoiset ruoat (lasagne, wokki, pataruoat)	9.4%	31%	68%	87%	Aliarviointi (-4.8%)
Leivonnaiset (kotitekoiset)	11.2%	24%	58%	82%	Aliarviointi (-6.1%)
Ravintola- ja takeout-ateriat	10.8%	26%	62%	85%	Aliarviointi (-5.2%)
Juomat (smoothiet, kahvijuomat, cocktailit)	7.6%	42%	76%	91%	Yliarviointi (+3.1%)

Kalorimäärän Tarkkuus Keittiötyypin Mukaan

Keittiö	Keskimääräinen Kalorivirhe	10% Sisällä	15% Sisällä	Pääasiallinen Virhelähde
Amerikkalainen / Lännen standardi	6.8%	79%	93%	Annoskoko vaihtelee
Meksikolainen / Latinalainen Amerikka	9.2%	68%	88%	Piilotetut rasvat (salaattiöljy, juusto, kerma)
Italialainen	8.4%	72%	90%	Oliiviöljyn ja juuston määrät
Kiinalainen	10.1%	64%	86%	Paistoöljy wok-ruoissa
Japanilainen	6.2%	81%	95%	Vähäiset piilotetut rasvat
Intialainen	12.4%	58%	82%	Ghee, kerma, kookosmaito
Thaimaalainen	11.8%	60%	84%	Kookosmaito, palmusokeri, kalakastike
Korealainen	8.8%	70%	89%	Käytetyt mausteet, seesamiöljy
Lähi-idän	9.6%	66%	87%	Oliiviöljy, tahini, pähkinäperusteiset kastikkeet
Etiopialainen / Itä-Afrikkalainen	13.1%	54%	79%	Niter kibbeh (maustettu voi), injera-variatio

Kalorimäärän Tarkkuus Aterian Monimutkaisuuden Mukaan

Aterian Monimutkaisuus	Keskimääräinen Kalorivirhe	10% Sisällä	15% Sisällä
Yksittäinen tuote (1 ruoka)	3.4%	95%	99%
Yksinkertainen lautanen (2-3 erilaista tuotetta)	6.1%	82%	94%
Sekalainen lautanen (4-5 tuotetta)	8.9%	69%	88%
Monimutkainen ruoka (6+ ainesosaa, sekoitettu)	11.6%	57%	81%
Monikurssinen ateria	13.2%	52%	77%

Proteiinin Tarkkuus Ruokakategorioittain

Ruokakategoria	Keskimääräinen Proteiinivirhe	10% Sisällä	15% Sisällä
Yksinkertaiset eläinproteinit (kana, naudanliha, kala)	4.2%	89%	97%
Kasvipohjaiset proteiinit (tofu, tempeh, palkokasvit)	5.8%	80%	94%
Sekaruokia, joissa on proteiinia	8.6%	66%	86%
Proteiinilisäruoat (patukat, shake)	2.4%	95%	99%
Ravintolaruoat, joissa on proteiinia	9.8%	61%	83%

Mitä "Riittävän Tarkka" Tarkoittaa Painonpudotuksessa

Raakatarkkuusluvut ovat merkityksellisiä vain, jos ymmärrät, mikä tarkkuustaso on tarpeen todellisten tulosten saavuttamiseksi. Tässä tiede on armollisempi kuin useimmat ihmiset odottavat.

Tutkimuksen Tausta

Vuoden 2023 systemaattinen katsaus, joka julkaistiin Journal of the Academy of Nutrition and Dietetics -lehdessä, tarkasteli ruokavalion arviointimenetelmiä ja totesi, että keskimääräiset virheet alle 15 prosenttia "eivät todennäköisesti merkittävästi heikennä painonhallintatuloksia, kun seuranta jatkuu pitkään." Vuoden 2024 tutkimus Obesity Reviews -lehdessä havaitsi, että johdonmukaiset käyttäjät, jotka kirjasivat 10-20 prosentin virheellä, menettivät silti 89 prosenttia yhtä paljon painoa kuin ne, jotka kirjasivat alle 10 prosentin virheellä 12 viikon aikana.

Syynä on yksinkertainen: kaloriseuranta toimii ensisijaisesti tietoisuuden ja käyttäytymispalautteen kautta, ei täydellisen mittauksen kautta. Jos aliarvioit saantisi johdonmukaisesti 8 prosentilla, kehosi reagoi silti todelliseen saantiin. Ja jos säädät tavoitteitasi todellisten tulosten (painon trendit, kehon mittaukset) mukaan, järjestelmällinen virhe korjautuu ajan myötä.

Mitä Rajoitukset Tarkoittavat Käytännössä

Tässä on, mitä eri tarkkuustasot tarkoittavat 2,000 kalorin päivittäiselle saannille:

Tarkkuustaso	Kaloripoikkeama	Päivittäinen Virhealue	Viikoittainen Kumulatiivinen Virhe	Vaikutus 500 kcal/päivän Vajeeseen
5% Sisällä	Enintään 100 kcal	1,900 - 2,100	Enintään 700 kcal	Huomaamaton — vaje säilyy
10% Sisällä	Enintään 200 kcal	1,800 - 2,200	Enintään 1,400 kcal	Pieni — vaje vähenee mutta on läsnä
15% Sisällä	Enintään 300 kcal	1,700 - 2,300	Enintään 2,100 kcal	Kohtalainen — vaje voi pysähtyä joillakin viikoilla
20% Sisällä	Enintään 400 kcal	1,600 - 2,400	Enintään 2,800 kcal	Merkittävä — vaje epäluotettava

Useimmille käyttäjille, jotka pyrkivät kohtuulliseen kalorivajeeseen 400–600 kaloria päivässä, tarkkuus 10–15 prosentin sisällä on riittävä edistymisen ylläpitämiseksi. Tämä on se alue, jolla Nutrola toimii suurimmalle osalle aterioista — 88 prosenttia kaikista kirjatuista aterioista on 15 prosentin sisällä viitearvoista kaikissa ruokakategorioissa ja keittiöissä.

Miksi Johdonmukaisuus On Tärkeämpää Kuin Tarkkuus

Sisäinen datamme osoittaa, että käyttäjät, jotka kirjaavat johdonmukaisesti 60 tai enemmän päivää, saavuttavat asetetut tavoitteensa lähes identtisillä nopeuksilla riippumatta siitä, onko heidän keskimääräinen tarkkuutensa 6 prosenttia vai 12 prosenttia. Tavoitteensa saavuttamatta jääneet käyttäjät ovat pääasiassa niitä, jotka lopettavat kirjaamisen — eivät niitä, jotka kirjaavat kohtuullisella virheellä.

Tämä ei tarkoita, että tarkkuus olisi merkityksetöntä. Se tarkoittaa, että sovelluksen ensisijainen tehtävä on olla riittävän tarkka ylläpitääkseen luotettavaa palautesilmukkaa samalla kun se on nopea ja vaivaton, jotta käyttäjät oikeasti jatkavat sen käyttöä. Julkaisemalla benchmarkimme annamme käyttäjille mahdollisuuden tehdä tietoinen arvio siitä, täyttääkö tarkkuutemme heidän tarpeensa.

Missä Epäonnistumme: Rehellinen Arviointi

Läpinäkyvyys tarkoittaa, että julkaistaan numerot, jotka näyttävät meille hyviltä ja ne, jotka eivät. Tässä ovat alueet, joissa tarkkuusmittauksemme paljastavat selkeät heikkoudet.

Piilotetut Rasvat Ovat Suurin Haasteemme

Suurin virhelähde kaikissa kategorioissa on piilotetut ruoanvalmistusrasvat. Kun ruoka valmistetaan öljyssä, voissa tai gheessä, käytetty määrä on usein näkymätön lopullisessa tarjoilussa. Tekoälymme arvioi ruoanvalmistusrasvoja ruokalajin tyypin, keittiön normien ja visuaalisten vihjeiden perusteella, mutta tämä on edelleen päätelmä eikä mittaus.

Ruoissa, joissa on merkittävästi piilotettuja rasvoja — intialaisissa curryissa, kiinalaisissa wok-ruoissa, ravintoloissa paistetuissa ruoissa — keskimääräinen kalorivirhe nousee 7 prosentista (proteiini- ja hiilihydraattikomponenteille) 14 prosenttiin, kun ruoanvalmistusrasva otetaan huomioon. Tämä on pääasiallinen syy, miksi intialaiset ja thaimaalaiset ruoat näyttävät korkeampia virheprosentteja keittiöjakelussamme.

Työskentelemme aktiivisesti tämän parantamiseksi parantamalla koulutusdataa ja käyttäjäavusteisia tarkennuskehotuksia (kysymällä käyttäjiltä, näyttääkö ruoka öljyiseltä vai kuivalta), mutta se on edelleen avoin ongelma kaikille visuaalisiin järjestelmiin perustuville.

Monimutkaiset Monikomponenttiset Ateriat

Kun lautasella on kuusi tai enemmän erilaista tuotetta, erityisesti sekoitetuissa tai kerroksellisissa esityksissä, tunnistustarkkuutemme heikkenee. Tekoäly voi sekoittaa viljasalaatin riisiruoaksi tai unohtaa kastikekomponentin proteiinin alle. Monikurssiset ateriat, jotka on kirjattu yhdeksi merkinnäksi, osoittavat korkeimmat virheprosentit 13.2 prosentin keskimääräisellä poikkeamalla.

Käytännön ratkaisu on kirjata yksittäiset komponentit erikseen, mikä parantaa tarkkuutta, mutta lisää vaivannäköä. Työskentelemme paremman monituote-erottelun parissa tekoälyputkessamme, mutta emme ole vielä ratkaisseet tätä tyydyttävällä tavalla.

Aliedustetut Keittiöt

Tarkkuutemme on selvästi huonompi keittiöille, joita on aliedustettu koulutusdatassamme. Etiopialaiset, Länsi-Afrikkalaiset, Keski-Aasialaiset ja Tyynenmeren saarten keittiöt osoittavat virheprosentteja 30-50 prosenttia korkeampia kuin lännen keittiöt. Tämä on dataprobleema, ei algoritminen, ja käsittelemme sitä laajentamalla viitetietojamme ja yhteistyössä ravitsemustutkijoiden kanssa näillä alueilla.

Seuraamme ja julkaisemme tarkkuutta keittiöittäin erityisesti, jotta käyttäjät näistä ruokaperinteistä voivat nähdä, missä järjestelmämme seisoo ja tehdä tietoisia päätöksiä siitä, kuinka täydentää tekoälyn kirjaamista manuaalisilla säädöillä.

Annosten Arviointi Epämääräisille Annoksille

Ruoat, joilla ei ole selkeitä visuaalisia koko viittauksia — esimerkiksi kasa perunamuusia, pino pastaa, kulhollinen keittoa — ovat vaikeampia tekoälylle arvioida tarkasti kuin ruoat, joilla on määriteltyjä muotoja. Kanafileellä on suunnilleen ennustettava paino-koko-suhde. Riisipallo ei ole.

Annosarvioinnin MAPE epämääräisille ruoille on 16.4 prosenttia, verrattuna 7.8 prosenttiin ruoille, joilla on määriteltyjä muotoja. Viittausobjektin sisällyttäminen kuvaan (haarukka, standardi lautanen) parantaa tätä 11.2 prosenttiin, minkä vuoksi kehotamme käyttäjiä kuvaamaan aterioita standardin mukaisilla astioilla, kun se on mahdollista.

Läpinäkyvyyden Perustelu

Miksi Uskomme, Että Jokaisen Sovelluksen Tulisi Tehdä Näin

Tarkkuusmittausten julkaiseminen ei ole meille markkinointistrategia. Se on tuotevaatimus, joka perustuu yksinkertaiseen periaatteeseen: ihmiset, jotka tekevät terveydellisiä päätöksiä tietojen perusteella, ansaitsevat tietää, kuinka luotettavia nämä tiedot ovat.

Kuvittele vaihtoehto. Käyttäjä, jolla on tyypin 2 diabetes, hallitsee hiilihydraattinsa kaloriseurantasovelluksen avulla. Jos sovelluksen hiilihydraattiarviot ovat systemaattisesti 20 prosenttia liian alhaiset, tämä käyttäjä tekee kliinisiä päätöksiä virheellisten tietojen perusteella. Heillä ei ole tapaa tietää tätä, ellei sovellus kerro heille, eikä sovelluksella ole kannustinta kertoa heille, ellei läpinäkyvyys ole rakennettu tuotefilosofiaan.

Tämä ei ole hypoteettista. Väkijoukosta kerätyt ravitsemustietokannat — useimpien kilpailevien sovellusten selkäranka — sisältävät asiakirjoitettuja virheprosentteja 20-30 prosenttia käyttäjien lähettämille merkinnöille, vuoden 2024 analyysin mukaan, joka julkaistiin Nutrients-lehdessä. Merkinnät ovat usein toistettuja ristiriitaisilla tiedoilla, viitaten eri annoskokoihin tai kopioitu epäluotettavista lähteistä. Ilman systemaattista validointia nämä virheet etenevät hiljaa.

Mitä Läpinäkyvyys Mahdollistaa

Kun tarkkuustiedot ovat julkisia, useita asioita tulee mahdollisiksi:

Käyttäjät voivat kalibroida odotuksiaan. Jos tiedät, että ravintola-aterioiden arviot sisältävät keskimäärin 10.8 prosentin virheen, voit sisällyttää tämän epävarmuuden suunnitelmaasi. Saatat pyrkiä hieman suurempaan vajeeseen päivinä, jolloin syöt ulkona, tai voit vahvistaa avainaterioita manuaalisilla säädöillä.

Tutkijat voivat arvioida työkaluja objektiivisesti. Ravintotieteilijöiden, jotka tutkivat ruokavalion seurannan työkalujen tehokkuutta, on tarpeen saada tarkkuustietoja arvioidakseen, mitkä työkalut ovat sopivia kliiniseen tai tutkimuskäyttöön. Julkaistut benchmarkit tekevät Nutrolasta saatavilla olevan itsenäiseen arviointiin tavalla, johon läpinäkymättömät sovellukset eivät pysty.

Teollisuus paranee. Jos yksi sovellus julkaisee benchmarkit ja käyttäjät alkavat vaatia samaa kilpailijoilta, koko kategoria siirtyy kohti korkeampaa tarkkuutta ja vastuullisuutta. Tämä on hyvä kaikille, myös meille — mieluummin kilpailemme dokumentoidun suorituskyvyn perusteella kuin markkinointiväitteiden.

Pidämme itsemme vastuullisina. Julkaisemalla benchmarkit neljännesvuosittain tarkoittaa, että emme voi hiljaa antaa tarkkuuden heikentyä. Jokaisella neljänneksellä numerot ovat julkisia, ja mahdollinen heikkeneminen on näkyvissä. Tämä luo sisäistä painetta jatkuvaan parantamiseen, mikä on juuri tarkoitus.

Kuinka Benchmarkimme Vertautuvat Tutkimustietoihin

Asettaaksemme numeromme kontekstiin, tässä on, kuinka Nutrolan tarkkuus vertautuu julkaistuihin tutkimuksiin ruokavalion arviointimenetelmistä:

Menetelmä	Keskimääräinen Kalorivirhe (Julkaistu Tutkimus)	Lähde
Itse ilmoitettu ruokavalion muistiinpanot (24 tuntia)	15 - 30%	Journal of Nutrition, 2022
Ruokavalion tiheyskyselyt	20 - 40%	American Journal of Clinical Nutrition, 2023
Manuaalinen kaloriseuranta (ilman vaa'aa)	12 - 25%	Nutrients, 2024
Tekoälypohjainen valokuvakirjaus (alan keskiarvo)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola yhteensä (kaikki menetelmät yhdistettynä)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola tekoälyn valokuvakirjaus vain	8.9%	Nutrola Q1 2026 Benchmark
Nutrola viivakoodiskannaus	1.8%	Nutrola Q1 2026 Benchmark
Punnitut ruokarekisterit (kultastandardi)	2 - 5%	British Journal of Nutrition, 2021

Yhteensä 6.8 prosentin tarkkuutemme asettaa Nutrolan punnittujen ruokarekisterimenetelmien ja parhaiden tekoälypohjaisten järjestelmien väliin. Tämä heijastaa monimenetelmällisen lähestymistavan hyötyä — monet Nutrola-käyttäjät yhdistävät valokuvakirjauksen valmistetuille aterioille viivakoodiskannaukseen pakatuista ruoista, mikä tuo yhdistetyn tarkkuuden hyvin alle sen, mitä mikään yksittäinen menetelmä saavuttaa yksin.

Mitä Teemme Parantaaksemme

Benchmarkien julkaiseminen ei ole vain nykytilan raportointia. Se on julkisen parantamisen aikakirja ajan myötä.

Tässä on, kuinka keskimääräinen kalorivirheemme on muuttunut siitä lähtien, kun aloitimme julkaisemisen:

Neljännes	Keskimääräinen Kalorivirhe	10% Sisällä	15% Sisällä
Q1 2025	10.4%	64%	83%
Q2 2025	9.1%	70%	87%
Q3 2025	8.2%	74%	89%
Q4 2025	7.4%	77%	91%
Q1 2026	6.8%	79%	93%

Jokaisella neljänneksellä kohdistamme erityisiä kategorioita parantamiseen sen perusteella, missä tiedot osoittavat suurimmat puutteet. Nykyiset prioriteetti-alueet Q2 2026:lle sisältävät:

• Piilotettujen rasvojen arviointi: Uuden mallin koulutus öljymäärämerkittyjen tietojoukkojen avulla yhteistyössä kulinaaristen koulujen kanssa.
• Etelä-Aasian keittiön tarkkuus: Laajennettu viitetietojoukko, johon kuuluu 3,200 uutta vahvistettua intialaista, pakistanilaista, sri lankaista ja bangladeshilaista ruokaa.
• Monituoteaterian erottelu: Päivitetty tietokonenäköputki monimutkaisempien lautasien komponenttien paremman erottelun parantamiseksi.
• Annosarviointi epämääräisille ruoille: Syvyyden arvioinnin parantaminen monikulmaisilla valokuvasyötteillä.

Usein Kysytyt Kysymykset

Kuinka usein benchmarkit päivitetään?

Julkaisemme täydelliset benchmark-raportit neljännesvuosittain. Väliaikaisia päivityksiä julkaistaan, jos mallipäivitys tuottaa tilastollisesti merkittävän muutoksen tarkkuudessa (yli 0.5 prosenttiyksikköä kokonais-MAPE:ssa).

Voinko nähdä raakatietoja benchmarkeista?

Kyllä. Julkaisemme yhteenvetotaulukot benchmark-sivullamme ja teemme anonymisoidun, aggregoidun tietojoukon saataville ladattavaksi. Yksittäisiä ateriatietoja ei koskaan sisällytetä — vain kategorian tason tilastot.

Muuttuuko Nutrolan tarkkuus sen mukaan, mitä puhelinta käytän?

Kameran laatu vaikuttaa valokuvapohjaisen kirjaamisen tarkkuuteen. Testauksessamme huippuluokan puhelimet vuodelta 2024 ja myöhemmin (iPhone 15 ja uudemmat, Samsung Galaxy S24 ja uudemmat, Google Pixel 8 ja uudemmat) tuottavat tuloksia, jotka ovat yhdenmukaisia julkaistujen benchmarkiemme kanssa. Vanhemmat tai budjettimallit, joissa on alhaisemman resoluution kamerat, osoittavat keskimäärin noin 1-2 prosenttiyksikköä korkeampaa virhettä, pääasiassa annosarvioinnin vähäisen yksityiskohtaisuuden vuoksi.

Kuinka Nutrola käsittelee ruokia, joita se ei voi tunnistaa?

Kun tekoälyn luottamusaste alittaa määritellyn rajan, sovellus merkitsee merkinnän ja pyytää käyttäjää vahvistamaan tai korjaamaan tunnistuksen. Noin 5.2 prosenttia valokuvakirjatuista aterioista laukaisee tämän vahvistuskehotteen. Nämä merkittyjä merkintöjä ei sisällytetä tarkkuusmittauksiimme, mikä tarkoittaa, että julkaistut numerot edustavat aterioita, joissa järjestelmä oli varma tunnistuksestaan.

Ovatko ravintola-ateriat vähemmän tarkkoja ravintolan vai ruoan tyypin vuoksi?

Molemmat. Ravintola-ateriat sisältävät korkeampia virheitä kahdesta syystä. Ensinnäkin, todellinen valmistus (ruoanvalmistusrasvojen määrät, kastikkeiden määrät, annoskoot) vaihtelee ravintoloiden välillä eikä ole näkyvissä valokuvassa. Toiseksi, ravintolaruoat ovat yleensä monimutkaisempia kuin kotitekoiset ateriat, joissa on enemmän piilotettuja ainesosia. Datamme osoittaa, että yksinkertaiset ravintola-annokset (grillattu kanasalaatti, pala sushia) ovat lähes yhtä tarkkoja kuin kotitekoiset vastineensa. Tarkkuusero kasvaa pääasiassa paistettujen ruokien, kastikkeiden ja ei-näkyvien lisättyjen rasvojen kohdalla.

Entä pakatut ruoat, joiden valmistajatiedot ovat virheellisiä?

Tämä on tunnettu ongelma koko alalla. FDA:n säädökset sallivat ravintosisältömerkintöjen poiketa jopa 20 prosenttia ilmoitetuista arvoista useimmissa ravintoaineissa. Viivakooditarkkuutemme 1.8 prosenttia heijastaa vastaavuutta tietojemme ja valmistajan etiketin välillä — ei välttämättä sitä, mitä paketissa oikeasti on. Kun riippumattomat laboratoriotestit paljastavat etiketin virheitä suosituista tuotteista, merkitsemme nämä tietokantaamme ja säädämme viitearvoja vastaavasti.

Kuinka Nutrolan tarkkuus vertautuu rekisteröidyn ravitsemusterapeutin arvioon?

Vuoden 2025 tutkimus Journal of the American Dietetic Association -lehdessä havaitsi, että rekisteröidyt ravitsemusterapeutit arvioidessaan aterioiden kaloreita valokuvista tekivät keskimäärin 10.2 prosentin virheen, ja merkittävä vaihtelu riippui ravitsemusterapeutin kokemuksesta ja aterian monimutkaisuudesta. Nutrolan valokuvapohjainen tarkkuus 8.9 prosenttia on samalla alueella, hieman parempi keskimäärin, vaikka ravitsemusterapeutit ylittävät tekoälyn tietyissä monimutkaisissa tai epätavallisissa ruoissa.

Huomasin, että kirjattuja kokonaislukuja näyttää jatkuvasti alhaisilta. Onko tämä tunnettu ongelma?

Kyllä. Benchmarkimme osoittavat järjestelmällisen aliarviointivirheen, joka on noin 3-5 prosenttia useimmissa ruokakategorioissa, mikä johtuu pääasiassa piilotettujen rasvojen aliarvioinnista. Ilmoitamme virhesuunnan benchmark-taulukoissamme, jotta käyttäjät voivat säätää tarvittaessa. Jos epäilet jatkuvaa aliarviointia, ruoanvalmistusrasvojen kirjaaminen erikseen (sen sijaan, että luotat tekoälyn päätelmiin) vähentää tätä virhettä merkittävästi.

Yhteenveto

Useimmat ravitsemussovellukset pyytävät luottamustasi ilman, että antavat sinulle syytä myöntää se. Ne näyttävät sinulle kalorilukuja itsevarmasti samalla, kun niiden virheprosentit pysyvät näkymättöminä.

Nutrola julkaisee tarkkuusmittauksensa, koska uskomme, että päinvastainen lähestymistapa on oikea. Tässä ovat numerot: olemme tarkkoja 10 prosentin sisällä 79 prosentissa aterioista ja 15 prosentin sisällä 93 prosentissa aterioista. Heikkoutemme on monimutkaisissa ruoissa, joissa on piilotettuja rasvoja, aliedustetuissa keittiöissä ja monikurssisissa aterioissa. Olemme parantaneet kokonaisvaltaista tarkkuuttamme 10.4 prosentin keskimääräisestä virheestä 6.8 prosenttiin viimeisen vuoden aikana, ja julkaisemme erityiset alueet, joihin tähtäämme lisäparannuksia.

Nämä numerot eivät ole täydellisiä, emmekä väitä, että ne ovat. Mutta ne ovat todellisia, ne ovat julkisia, ja ne päivitetään joka neljännes. Tämä on standardi, jota pidämme itseämme kohtaan, ja se on standardi, jonka uskomme jokaisen ravitsemussovelluksen tulisi täyttää.

Jos valitset kaloriseurantasovellusta, kysy yksinkertainen kysymys: voiko tämä sovellus näyttää minulle tarkkuustietonsa? Jos vastaus on ei, kysy itseltäsi, miksi ei.