Miksi Foodvisor ei tunnista ei-eurooppalaista ruokaa?

Kun osoitat Foodvisorin kulhoosi pho-keittoa, se luulee sitä kasvissopaksi. Skannaamalla jollof-riisiannoksesi saat tulokseksi "riisiä tomaattikastikkeella". Äitisi biryani muuttuu "keltaruoaksi". Tamalesit eivät tuota tulosta lainkaan. Jos syöt mitään muuta kuin tavallista läntistä eurooppalaista ruokaa, Foodvisorin tekoälyn ruokantunnistus muuttuu nopeasti hyödyttömäksi.

Tämä ei ole vain pieni vaiva. Jos sovellus ei pysty tarkasti tunnistamaan ruokiasi, se ei voi myöskään seurata ravitsemustasi oikein. Ja jos olet yksi niistä miljardeista ihmisistä, jotka syövät päivittäin aasialaista, latinalaisamerikkalaista, lähi-idän, afrikkalaista, eteläaasialaista tai kaakkoisaasialaista ruokaa, Foodvisor epäonnistuu perustoiminnassaan.

Miksi Foodvisorilla on vaikeuksia ei-eurooppalaisten ruokien kanssa?

Selitys juontaa juurensa yrityksen alkuperään ja siihen, miten tekoälymallit oppivat.

Foodvisor on ranskalainen yritys, jolla on ranskalainen koulutusdata

Foodvisor perustettiin Pariisissa, Ranskassa. Yrityksen alkuperäinen tekoälymalli koulutettiin pääasiassa ranskalaisen ja laajemman eurooppalaisen keittiön ympärille: patonkeja, croissantteja, salade niçoisea, coq au vina, pastaa, pizzaa, schnitzeliä, tapaksia. Koulutusdata heijasti niitä ruokia, joita perustajajoukkue ja heidän alkuperäiset käyttäjänsä söivät päivittäin.

Tekoälyn ruokantunnistusmallit oppivat tutkimalla tuhansia merkittyjä kuvia kustakin ruoasta. Jos koulutusdatassa on 10 000 kuvaa patongista ja 50 kuvaa dosasta, malli tunnistaa patongit virheettömästi ja väärintunnistaa dosan crepiksi, pannukakuksi tai ei tunnista sitä lainkaan. Minkä tahansa tekoälymallin tarkkuus on suoraan verrannollinen sen koulutusdatan monimuotoisuuteen ja määrään.

EU-keskeinen ruokadatabas lisää ongelmaa

Vaikka Foodvisorin tekoäly tunnistaisi oikein ei-eurooppalaisen ruoan, ravintotietoja ei välttämättä ole sen tietokannassa. Ranskalaisella sipulikeitolla on yksityiskohtainen merkintä vahvistetuista makro- ja mikroravinteista. Mutta onko tietokannassa merkintöjä laksa-ruoasta, mole poblano -kastikkeesta, rendangista, injerasta doro watin kanssa tai kheeristä? Usein ei. Tai jos on, merkintä on yleinen ja epätarkka, puuttuen alueelliset vaihtelut, jotka vaikuttavat merkittävästi ravintosisältöön.

Rajoitettu kansainvälinen käyttäjäkunta kriittisen kehityksen aikana

Tekoälymallit paranevat käyttäjäpalautteen kautta. Kun käyttäjät korjaavat väärintunnistettuja ruokia, korjaukset muuttuvat koulutusdataksi, joka parantaa tulevaa tarkkuutta. Foodvisorin varhaiset käyttäjät olivat pääasiassa ranskalaisia ja eurooppalaisia. Parannuksia ohjaava palautesilmukka oli hallitsevasti eurooppalaisten ruokien korjauksilla. Ei-eurooppalaiset ruoat saivat vähemmän korjauksia, mikä tarkoitti, että malli parani hitaasti näissä kategorioissa, mikä johti siihen, että ei-eurooppalaiset käyttäjät kokivat huonomman käyttökokemuksen, ja vähemmän ei-eurooppalaisia käyttäjiä jäi antamaan korjauksia. Tämä on itseään vahvistava sykli.

Visuaalinen samankaltaisuus eri keittiöiden välillä

Monet ruoat eri keittiöistä näyttävät valokuvissa samankaltaisilta, mutta niillä on valtavasti erilaiset ravintoprofiilit. Intialainen curry, thaimaalainen curry ja japanilainen curry näyttävät samankaltaisilta kuvassa, mutta niiden kalorimäärät, rasvapitoisuus ja ainesosakoostumukset eroavat dramaattisesti. Tekoälymalli, joka on koulutettu pääasiassa yhden keittiön version ympärille, soveltaa sen keittiön ravintoprofiilia kohdatessaan visuaalisen kaavan, mikä tuottaa virheitä, jotka voivat olla satojen kalorien heittoja.

Miten tekoälyn koulutuksen vinouma vaikuttaa oikeisiin käyttäjiin?

Seuraukset ulottuvat pidemmälle kuin satunnaisiin väärintunnistuksiin.

Systemaattinen kalorien väärinlaskenta ei-eurooppalaisissa ruokavalioissa

Jos syöt pääasiassa aasialaista, latinalaisamerikkalaista tai lähi-idän ruokaa ja Foodvisor jatkuvasti väärintunnistaa ateriasi, kalori- ja ravintotietosi ovat systemaattisesti vääriä. Tämä ei ole satunnainen virhe, joka tasoittuu. Se on johdonmukainen vinouma yhteen suuntaan, tyypillisesti kohti eurooppalaisia ravintoprofiileja visuaalisesti samankaltaisille ruoille.

Kulhollinen ramenia, joka on väärintunnistettu minestroneksi, voi näyttää 200 kaloria, kun todellinen määrä on lähempänä 500. Paistetut plantainit, jotka on väärintunnistettu perunalohkoiksi, voivat näyttää erilaisen rasvapitoisuuden, koska valmistusmenetelmät eroavat. Nämä eivät ole satunnaisia virheitä — ne ovat systemaattisia vinoumia, jotka vääristävät tietojasi ajan myötä.

Koko ruokakulttuurien sulkeminen pois

Käyttäjille, joiden päivittäinen ruokavalio koostuu ruoista, joita tekoäly ei yksinkertaisesti tunnista, sovellus muuttuu hyödyttömäksi sen päätoiminnassa. Jos syöt päivittäin ugalia, fufua, chapatia, congeeta tai arepasia, ja tekoäly ei voi tunnistaa näitä, joudut pakottamaan itsesi etsimään tietokannasta manuaalisesti — missä näitä ruokia ei ehkä myöskään ole. Sovellus on käytännössä sulkenut pois koko ruokakulttuurisi.

Jatkuvan korjauksen tuska

Kun jokainen toinen ateria vaatii manuaalista korjausta, koska tekoäly on erehtynyt, valokuvaskannauksen aikasyyt häviävät. Käyttäjät, jotka käyttävät enemmän aikaa tekoälyn virheiden korjaamiseen kuin mitä he olisivat käyttänyt manuaaliseen hakuun, hylkäävät ominaisuuden ja sitten sovelluksen. Tekoälyn, joka piti vähentää hankaluuksia, luo enemmän niitä ei-eurooppalaiselle ruoalle.

Kulttuurinen herkkyys väärintunnistuksessa

On olemassa lisäkerros turhautumista, kun ruoka, joka edustaa kulttuuriperintöäsi, tunnistetaan jotain geneeristä. Kun näet isoäitisi huolellisesti valmistetun biryanin muuttuvan "keltaruoaksi" tai perheesi molen tunnistettavan "suklaakastikkeena", se tuntuu väheksyvältä. Tekninen epäonnistuminen kantaa kulttuurista painoa.

Onko tämä Foodvisorin erityinen ongelma vai koko alan ongelma?

Koulutusdatavinouma vaikuttaa kaikkiin tekoälyn ruokantunnistusjärjestelmiin, mutta aste vaihtelee merkittävästi.

Koulutusdatan monimuotoisuuden spektri

Sovellukset, joita kehittävät suuremmat, kansainvälisesti monimuotoiset tiimit tai jotka ovat erityisesti investoineet globaaliin ruokakoulutusdataan, toimivat paremmin eri keittiöissä. Avaintekijät ovat:

Koulutusdatan alkuperä: Mistä koulutusdata on kerätty? Malli, joka on koulutettu datalla 50 maasta, ylittää mallin, joka on koulutettu datalla 5 eurooppalaisesta maasta.

Tietokannan laajuus: Sisältääkö ravintotietokanta merkintöjä kansainvälisistä ruoista alueellisesti tarkasti? Globaali tietokanta, jossa on yli 1,8 miljoonaa vahvistettua ruokaa, kattaa paljon enemmän kulinaarista kenttää kuin alueellisesti keskittynyt tietokanta.

Kieli ja lokalisointi: Tukeeko sovellus useita kieliä? Monikielinen tuki korreloi tyypillisesti kansainvälisen ruokadatainvestoinnin kanssa, koska 15 kielellä palveleminen edellyttää, että on olemassa ruokia, jotka ovat relevantteja 9 kielelliselle markkinalle.

Aktiivinen kansainvälinen käyttäjäpalautte: Sovellukset, joilla on suuri ja monimuotoinen käyttäjäkunta, hyötyvät korjausdatan keräämisestä eri keittiöistä, mikä luo positiivisen palautesilmukan tarkkuuden parantamiseksi.

Foodvisorin asema tällä spektrillä

Foodvisor sijaitsee eurooppalais-keskeisen spektrin päässä. Sen ranskalainen alkuperä, eurooppalainen koulutusdata ja pääasiassa eurooppalainen käyttäjäkunta ovat tuottaneet mallin, joka loistaa eurooppalaisessa keittiössä ja kamppailee kaiken muun kanssa. Jotkut kilpailijat ovat investoineet aggressiivisemmin globaaliin ruokakattavuuteen, kun taas toiset jakavat samanlaisia rajoituksia.

Mitä etsiä globaalisti tarkasta ruokaseurannasta?

Jos ruokavaliosi sisältää ei-eurooppalaista ruokaa, priorisoi seuraavat ominaisuudet.

Suuri, kansainvälisesti vahvistettu tietokanta

Tietokannan koko on tärkeä, mutta myös sen maantieteellinen monimuotoisuus. Yli 1,8 miljoonan vahvistetun ruoan tietokanta, joka kattaa useita mantereita ja keittiöitä, sisältää merkintöjä ruoista, joita alueellisesti keskittynyt tietokanta ei lainkaan sisällä.

Monikielinen tuki globaalin investoinnin indikaattorina

Sovellus, joka tukee 15 kieltä, on lähes varmasti investoinut ruokadatabas, jotka ovat relevantteja jokaiselle näistä kielimarkkinoista. Kielituki on vahva signaali kansainvälisestä ruokakattavuudesta, koska et voi palvella käyttäjiä japaniksi, hindiksi tai portugaliksi ilman, että sinulla on käytettävissä ruoat, joita nämä käyttäjät syövät.

Useita syöttötapoja varasuunnitelmana

Jopa paras tekoäly tekee virheitä. Kun tekoäly ei tunnista ruokiasi, tarvitset luotettavia varasuunnitelmia: viivakoodiskannaus pakattuille ruoille, puhekirjaus nopeaa kuvausta varten ja tekstihaku kattavasta tietokannasta. Sovellus, joka tarjoaa kaikki nämä, varmistaa, että voit aina kirjata ruokasi, vaikka tekoäly kompuroisi.

Monimuotoinen tekoälyn koulutusdata

Etsi sovelluksia, jotka mainitsevat nimenomaan kouluttavansa tekoälyään kansainvälisellä keittiöllä tai joilla on monimuotoisia käyttäjäkuntia, jotka tarjoavat jatkuvaa palautetta. Sovellukset, jotka toimivat useissa maissa lokalisoiduilla tietokannoilla, todennäköisesti tunnistavat ruokasi tarkasti.

Miten Foodvisor vertautuu globaalisti suuntautuneisiin vaihtoehtoihin?

Ominaisuus	Foodvisor	Nutrola	MyFitnessPal	Cronometer
Tekoälyn valokuvaskannaus	Kyllä (EU-keskeinen)	Kyllä (kansainvälisesti koulutettu)	Rajoitettu	Ei
Puhekirjaus	Ei	Kyllä	Ei	Ei
Viivakoodiskannaus	Kyllä	Kyllä	Kyllä	Kyllä
Tietokannan koko	Alueellinen keskittyminen	Yli 1,8M vahvistettua globaalisti	Suurin (käyttäjien lisäämä)	Laboratorio vahvistettu (rajoitettu)
Kansainvälinen ruokakattavuus	Heikko EU:n ulkopuolella	Vahva (9 kielimarkkinaa)	Kohtalainen (käyttäjien lisäämä)	Rajoitettu
Tuetut kielet	Ranska, englanti, rajallisesti muita	15 kieltä	Useita	Useita
Aasialaisen ruoan tarkkuus	Huono	Vahva	Kohtalainen	Rajoitetut merkinnät
Latinalaisamerikkalaisen ruoan tarkkuus	Huono	Vahva	Kohtalainen	Rajoitetut merkinnät
Lähi-idän ruoan tarkkuus	Huono	Vahva	Kohtalainen	Rajoitetut merkinnät
Afrikkalaisen ruoan tarkkuus	Huono	Kohtalainen-vahva	Heikko	Erittäin rajoitettu
Seurattavat ravinteet	~60	100+	~20	80+
Reseptin tuonti	Ei	Kyllä (mikä tahansa URL)	Manuaalinen	Manuaalinen
Älykellotuki	Ei	Apple Watch + Wear OS	Apple Watch	Ei
Kuukausihinta	~7,99 €/kk	2,50 €/kk	Ilmainen / 19,99 € premium	Ilmainen / 5,99 € Gold
Mainokset	Ei	Ei	Kyllä (ilmainen taso)	Ei

Suurempi kuva: Tekoälyn vinouma terveydenhuollon teknologiassa

Foodvisorin koulutusdatan rajoitus on osa laajempaa kaavaa terveydenhuollon teknologiassa.

Edustus koulutusdatassa on tärkeää

Tekoälyjärjestelmät heijastavat dataa, jolla ne on koulutettu. Jos koulutusdata edustaa pääasiassa yhtä kulttuuria, maantieteellistä aluetta tai demografiaa, järjestelmä toimii hyvin kyseiselle ryhmälle ja huonosti kaikille muille. Ravintoapplikaatioissa tämä tarkoittaa, että aliedustetuista ruokakulttuureista tulevat ihmiset saavat huonompaa seurantatarkkuutta, mikä johtaa huonompiin terveysvaikutuksiin työkaluista, joiden on tarkoitus parantaa niitä.

Vastuu globaalista kattavuudesta

Mikä tahansa sovellus, joka markkinoi itseään kansainvälisesti, on vastuussa kansainvälisten käyttäjien tehokkaasta palvelemisesta. Tekoäly ruokaskannerin julkaiseminen, joka toimii hyvin Pariisissa mutta epäonnistuu Tokiossa, Mexico Cityssä tai Lagosissa — samalla markkinoimalla kaikkia kolmea kaupunkia — luo harhaanjohtavan tuotekokemuksen.

Käyttäjät voivat äänestää valinnoillaan

Tehokkain tapa edistää monimuotoisuutta tekoälyn ruokantunnistuksessa on valita sovelluksia, jotka ovat investoineet globaaliin tarkkuuteen. Kun käyttäjät siirtyvät alueellisesti rajoitetuista sovelluksista globaaleihin kattaviin, markkinoinnin kannustin investoida monimuotoiseen koulutusdataan kasvaa.

Usein kysytyt kysymykset

Miksi Foodvisor väärintunnistaa aasialaisen ruoan?

Foodvisorin tekoäly on koulutettu pääasiassa ranskalaisen ja eurooppalaisen keittiön ympärille. Koulutusdatassa on rajoitetusti esimerkkejä aasialaisista ruoista, mikä tarkoittaa, että malli ei ole oppinut erottamaan visuaalisesti samankaltaisia, mutta ravitsemuksellisesti erilaisia aasialaisia ruokia. Kulho tom yumia, pho-keittoa ja ramenia saattaa kaikki näyttää "keitolta" mallille, jota ei ole koulutettu jokaiselle ruoalle erikseen.

Voiko Foodvisor parantaa kansainvälisen ruoan tunnistusta?

Kyllä, merkittävällä investoinnilla monimuotoiseen koulutusdataan, kansainvälisen tietokannan laajentamiseen ja aktiiviseen palautesilmukkaan ei-eurooppalaisilta käyttäjiltä. Tämä kuitenkin edellyttää strategista päätöstä yritykseltä priorisoida globaalia kattavuutta, mikä tarkoittaisi resurssien ohjaamista heidän eurooppalaiselta ydinmarkkinaltaan.

Mikä on tarkin tekoälyn ruokaskanneri kansainväliselle keittiölle?

Tarkkuus kansainvälisessä keittiössä riippuu tekoälyn koulutusdatan monimuotoisuudesta ja ravintotietokannan laajuudesta. Nutrola, joka on koulutettu monimuotoisesta kansainvälisestä keittiöstä ja jota tukee yli 1,8 miljoonan vahvistetun ruoan tietokanta 9 kielimarkkinalla, tarjoaa vahvaa tarkkuutta aasialaisille, latinalaisamerikkalaisille, lähi-idän ja eurooppalaisille ruoille.

Tunnistaako MyFitnessPal kansainvälisiä ruokia paremmin kuin Foodvisor?

MyFitnessPalin käyttäjien lisäämä tietokanta sisältää merkintöjä monista kansainvälisistä ruoista, koska sillä on suuri, globaali käyttäjäkunta. Kuitenkin näiden merkintöjen tarkkuus vaihtelee, koska ne ovat käyttäjien lisäämiä, eivätkä vahvistettuja. MyFitnessPalin tekoälyn valokuvatoiminnot ovat rajoitettuja. Vahvistetun kansainvälisen ruokadatan ja tekoälyn skannauksen osalta Nutrola on vahvempi vaihtoehto.

Kuinka tärkeä kielituki on ruokadatabasin laadulle?

Kielituki on vahva indikaattori kansainvälisestä ruokadatainvestoinnista. Sovellus, joka tukee 15 kieltä, on lähes varmasti rakentanut tai hankkinut ruokadatabas, jotka ovat relevantteja jokaiselle kielimarkkinalle. Nutrolan 9 kielen tuki heijastaa sen investointeja lokalisoituihin ruokadatabas, jotka kattavat monimuotoisia kansainvälisiä keittiöitä.

Mitä tehdä, jos ravintoappi ei voi tunnistaa ruokaani?

Jos tekoäly epäonnistuu, käytä viivakoodiskannausta pakattuille ruoille, puhekirjausta kuvaamaan ateria omilla sanoillasi tai manuaalista tekstihakua. Jos ruokaa ei ole lainkaan tietokannassa, harkitse siirtymistä sovellukseen, jolla on suurempi, kansainvälisesti kattavampi tietokanta. Nutrolan yli 1,8 miljoonaa vahvistettua ruokaa ja 9 kielen tuki kattavat laajimman valikoiman kansainvälisiä keittiöitä tekoälypohjaisissa seurannassa.