Comment la base de données alimentaire de Nutrola est construite : des données USDA à 12 millions d'entrées vérifiées

Lorsque vous recherchez "poitrine de poulet grillée" dans une application de suivi des calories et que vous voyez "165 calories pour 100 grammes", ce chiffre ne sort pas de nulle part. Quelqu'un l'a mesuré. Quelqu'un l'a vérifié. Quelqu'un a décidé qu'il était suffisamment précis pour être affiché à des millions d'utilisateurs prenant des décisions de santé basées sur ces données.

La qualité d'une base de données alimentaire est la fondation invisible sous chaque application de suivi des calories. Si la base de données est erronée, tout ce qui en découle l'est aussi : votre total calorique quotidien, votre répartition des macronutriments, votre tendance hebdomadaire, les recommandations de votre coach, et finalement vos résultats. Pourtant, la plupart des utilisateurs ne se demandent jamais d'où proviennent ces chiffres, et la plupart des applications ne l'expliquent jamais.

Cet article décrit exactement comment la base de données alimentaire de Nutrola est construite, des données gouvernementales aux 12 millions d'entrées vérifiées qu'elle contient aujourd'hui. Il explique également pourquoi la qualité des bases de données varie si fortement entre les applications et ce que cela signifie pour l'exactitude de votre suivi.

La Fondation : USDA FoodData Central

Chaque base de données nutritionnelle sérieuse commence avec le Département de l'Agriculture des États-Unis. L'USDA mesure le contenu nutritionnel des aliments depuis les années 1890, et sa base de données moderne, FoodData Central, représente la collection de données sur la composition des aliments la plus complète et rigoureusement validée au monde.

FoodData Central contient plusieurs ensembles de données. SR Legacy fournit des profils nutritionnels détaillés pour environ 7 600 aliments courants, chacun étant le résultat d'analyses en laboratoire, et non d'estimations. Les aliments sont physiquement achetés, préparés selon des protocoles standardisés, et analysés à l'aide de méthodes de chimie analytique validées. Foundation Foods est son successeur plus récent et détaillé, fournissant des mesures de variabilité, des tailles d'échantillons, et des métadonnées sur la variété, la race, l'origine et la saison de récolte. FNDDS couvre les plats mixtes et les recettes telles qu'ils sont couramment consommés, avec des données sur la taille des portions liées aux mesures domestiques. Branded Foods contient des données sur les aliments emballés obtenues par le biais d'un partenariat avec Label Insight (aujourd'hui NielsenIQ).

Nutrola ingère les quatre ensembles de données, les normalise selon un schéma cohérent, et croise les entrées pour résoudre les écarts. Lorsque SR Legacy et Foundation Foods contiennent toutes deux des données pour le même article, les valeurs de Foundation Foods prévalent car elles sont basées sur des analyses plus récentes.

Cette fondation USDA fournit environ 400 000 entrées alimentaires uniques. C'est un bon point de départ, mais ce n'est pas suffisant pour une application moderne de suivi des calories. La plupart des gens ne mangent pas "poulet, broiler, poitrine, viande uniquement, cuite, rôtie". Ils mangent un sandwich Chick-fil-A, un plat surgelé Trader Joe's, ou un plat fait maison selon une recette que leur grand-mère a rapportée d'un autre pays. Couvrir l'ensemble de ce que les gens mangent réellement nécessite d'aller bien au-delà des données gouvernementales.

Ajout de données sur les aliments de marque

La couche d'aliments de marque représente la plus grande expansion unique de la base de données. Les aliments emballés avec des étiquettes Nutrition Facts constituent une part importante du régime alimentaire typique aux États-Unis et dans d'autres pays développés, et les utilisateurs s'attendent à trouver leurs produits spécifiques lorsqu'ils effectuent une recherche.

Nutrola obtient des données sur les aliments de marque par plusieurs canaux.

Partenariats directs avec les fabricants fournissent les données de marque les plus fiables. Lorsqu'un fabricant partage des données nutritionnelles directement, celles-ci proviennent des mêmes analyses en laboratoire utilisées pour générer le panneau Nutrition Facts. Nutrola maintient des accords de partage de données avec des centaines de fabricants alimentaires.

Intégration de bases de données de codes-barres capture la longue traîne de produits via des bases de données de codes-barres open source, des registres gouvernementaux d'étiquettes alimentaires et des fournisseurs de données commerciaux. Lorsqu'un utilisateur scanne un code-barres non reconnu, le système déclenche un flux de travail de vérification avant que l'entrée ne soit disponible pour tous les utilisateurs.

Scan d'étiquettes et OCR construit des entrées à partir de panneaux Nutrition Facts physiques. Chaque entrée dérivée de l'OCR passe par une validation qui vérifie les erreurs d'extraction courantes : points décimaux mal lus, chiffres transposés et valeurs en dehors des plages plausibles.

Cycles de rafraîchissement périodiques garantissent que les données de marque restent à jour. Les fabricants reformulent régulièrement leurs produits. Nutrola effectue des cycles de rafraîchissement trimestriels pour les produits à fort volume et des rafraîchissements annuels pour le catalogue plus large, signalant les entrées dont les valeurs ont changé.

Cette couche d'aliments de marque ajoute environ 1,5 million d'entrées à la base de données, chacune liée à des codes-barres UPC/EAN spécifiques et à des identifiants de produits.

Entrées contribué par les utilisateurs et le problème de l'exactitude

La plupart des grandes bases de données de suivi des calories s'appuient fortement sur des données crowdsourcées, des entrées soumises par des utilisateurs qui saisissent manuellement des informations nutritionnelles à partir d'étiquettes, de recettes ou de leurs propres estimations. Cette approche se développe rapidement. Elle constitue également la plus grande source d'erreurs dans l'industrie du suivi nutritionnel.

Les problèmes liés aux données alimentaires crowdsourcées sont bien documentés. Une revue de 2020 publiée dans Nutrients par Evenepoel et al. a trouvé des taux d'erreur de 15 à 25 % dans les valeurs de macronutriments à travers les bases de données nutritionnelles crowdsourcées. Les types d'erreurs incluent les suivants.

Erreurs de saisie de données. Un utilisateur tape 52 grammes de protéines au lieu de 5,2 grammes. Une erreur de point décimal qui fait qu'une portion de yaourt semble contenir autant de protéines qu'une poitrine de poulet entière. Ces erreurs sont courantes car la saisie manuelle de données est intrinsèquement sujette à des erreurs, et la plupart des systèmes crowdsourcés n'ont aucun mécanisme pour les détecter avant que l'entrée ne soit publiée.

Entrées en double et conflictuelles. Recherchez "banane" dans une grande base de données crowdsourcée et vous pourriez trouver trente entrées avec des valeurs caloriques différentes. Certaines listent une petite banane, d'autres une moyenne, d'autres une grande. Certaines incluent le poids de la peau, d'autres non. Certaines sont exactes, d'autres sont complètement fausses. L'utilisateur doit deviner quelle entrée est correcte, et il n'a aucun moyen fiable de le déterminer.

Informations sur les produits obsolètes. Un utilisateur soumet des données pour une barre de granola en 2022. Le fabricant reformule le produit en 2024, réduisant le sucre et augmentant les fibres. L'ancienne entrée reste dans la base de données indéfiniment, renvoyant des valeurs incorrectes pour quiconque la sélectionne.

Estimation plutôt que mesure. Certaines entrées soumises par les utilisateurs ne sont pas basées sur des données d'étiquettes, mais sur l'estimation personnelle de l'utilisateur du contenu nutritionnel d'un aliment. Ces entrées peuvent s'écarter des valeurs réelles de 50 % ou plus.

Tailles de portions incohérentes. Une entrée pour "riz, cuit" utilise une portion de 100 grammes. Une autre utilise une tasse. Une autre utilise "une portion" sans définir ce que cela signifie. Les utilisateurs sélectionnant entre ces entrées peuvent ne pas remarquer la différence de taille de portion, entraînant des erreurs qui se cumulent au fil des repas.

Nutrola accepte les entrées contribué par les utilisateurs car elles sont essentielles pour capturer la diversité complète des aliments que les gens mangent, y compris les plats régionaux, les articles spécifiques aux restaurants et les recettes faites maison qui n'existent dans aucune base de données officielle. Cependant, chaque entrée soumise par un utilisateur entre dans un pipeline de vérification avant de devenir largement disponible. L'entrée est immédiatement utilisable par la personne qui l'a créée, mais elle n'est pas accessible aux autres utilisateurs tant qu'elle n'a pas été validée.

Le Pipeline de Vérification

Chaque entrée alimentaire dans Nutrola, quelle que soit sa source, passe par un processus de vérification en plusieurs étapes avant d'atteindre la base de données générale.

Étape 1 : Vérifications de plausibilité automatisées. Un algorithme examine les valeurs nutritionnelles soumises par rapport à des contraintes connues. Les calories doivent être cohérentes avec les macronutriments déclarés (protéines, glucides, graisses) dans une tolérance définie. Le système Atwater fournit les facteurs de conversion : 4 calories par gramme de protéines, 4 calories par gramme de glucides, 9 calories par gramme de graisses, et 7 calories par gramme d'alcool. Si un utilisateur soumet une entrée affirmant 200 calories, 30 grammes de protéines, 20 grammes de glucides, et 15 grammes de graisses, la valeur calorique calculée est de 335, pas 200. L'entrée est signalée pour révision.

Cette étape vérifie également les valeurs implausibles au sein des catégories alimentaires. Une entrée de fruit affirmant 40 grammes de graisses par portion, une entrée de légume affirmant 60 grammes de protéines pour 100 grammes, ou toute entrée où un seul macronutriment dépasse le poids total de la portion sont automatiquement signalées. Ces vérifications attrapent la majorité des erreurs de saisie de données, y compris les erreurs de point décimal et de confusion d'unités.

Étape 2 : Correspondance par croisement. Le système compare l'entrée soumise avec les entrées existantes pour les mêmes aliments ou des aliments similaires. Si la base de données USDA contient une entrée de référence pour "fromage cheddar" et qu'un utilisateur soumet une entrée de fromage cheddar de marque avec des valeurs caloriques 40 % inférieures à la référence USDA, l'entrée est signalée pour révision manuelle. De petites déviations sont attendues car les produits de marque varient. De grandes déviations indiquent probablement des erreurs.

Étape 3 : Révision par un nutritionniste. Les entrées qui passent les vérifications automatisées mais tombent dans des catégories à haute importance, telles que les aliments de base, les articles de recherche à fort volume, ou les entrées avec des scores de plausibilité limites, sont dirigées vers la file d'attente de révision des nutritionnistes. L'équipe de diététiciens et de scientifiques de l'alimentation de Nutrola examine ces entrées par rapport à des sources autorisées, vérifiant les valeurs sur les sites Web des fabricants, les bases de données gouvernementales de plusieurs pays, et les tables de composition alimentaire publiées.

Étape 4 : Consensus communautaire. Pour les entrées qui sont dans la base de données depuis un certain temps, les modèles d'utilisation fournissent un signal de qualité supplémentaire. Si de nombreux utilisateurs sélectionnent une entrée et qu'aucun ne la signale comme inexacte, c'est un signal positif. Si les utilisateurs sélectionnent fréquemment une entrée puis modifient immédiatement les valeurs, ce modèle suggère que l'entrée originale peut contenir des erreurs. Ces signaux comportementaux alimentent le pipeline de révision, mettant en lumière les entrées potentiellement problématiques pour une réexamination.

Le Processus de Révision par un Nutritionniste

La couche de révision humaine est ce qui distingue une base de données vérifiée d'une base de données crowdsourcée. Les vérifications automatisées attrapent les erreurs évidentes, mais les inexactitudes subtiles nécessitent un jugement humain.

L'équipe de révision des nutritionnistes de Nutrola fonctionne sur un système basé sur les priorités. Les aliments sont classés par ordre de priorité pour la révision en fonction du volume de recherche, de la probabilité d'erreur et de l'importance nutritionnelle. Une erreur dans le compte calorique de l'eau (qui devrait être zéro) n'a aucune conséquence pratique. Une erreur dans le compte calorique de l'huile d'olive, l'un des aliments les plus denses en calories, pourrait fausser le total quotidien d'un utilisateur de plusieurs centaines de calories.

Le processus de révision pour une seule entrée implique d'identifier la source la plus autorisée (données de laboratoire USDA pour les produits bruts, données des fabricants pour les produits de marque, informations nutritionnelles publiées pour les plats de restaurant), de comparer tous les nutriments rapportés avec cette source, d'évaluer l'exactitude de la taille de portion, et de vérifier les métadonnées de recherche afin que les utilisateurs puissent réellement trouver l'entrée.

Une entrée complexe comme un plat régional traditionnel sans recette standardisée peut nécessiter 30 minutes ou plus de recherche. Les vérifications de produits de marque simples prennent moins d'une minute. L'équipe priorise les entrées à fort impact, concentrant le temps de révision là où cela produit la plus grande amélioration de l'exactitude globale de la base de données.

Comment les Erreurs Sont Détectées et Corrigées

Aucune base de données de 12 millions d'entrées n'est exempte d'erreurs. L'objectif n'est pas la perfection, mais la réduction systématique des erreurs au fil du temps, combinée à une correction rapide des erreurs lorsqu'elles sont identifiées.

Nutrola utilise plusieurs mécanismes de détection des erreurs fonctionnant en parallèle.

Signalement par les utilisateurs. Chaque entrée alimentaire dans l'application comprend une option "Signaler un problème". Les utilisateurs peuvent signaler des entrées comme ayant des calories incorrectes, des macros erronées, des informations obsolètes, des tailles de portions incorrectes, ou d'autres problèmes. Les rapports sont triés par volume et gravité. Un seul rapport sur une entrée à faible volume entre dans la file d'attente de révision standard. Plusieurs rapports sur une entrée à fort volume déclenchent une révision immédiate.

Détection automatisée des anomalies. Des modèles statistiques surveillent la base de données pour des entrées qui s'écartent significativement des normes de leur catégorie alimentaire. Si la densité calorique moyenne de toutes les entrées de fromage dans la base de données est de 350 calories pour 100 grammes, une entrée pour un produit fromager affirmant 35 calories pour 100 grammes est automatiquement signalée. Ces modèles fonctionnent en continu et détectent des erreurs que les utilisateurs individuels pourraient ne pas remarquer ou signaler.

Vérification par scan de code-barres. Lorsque les utilisateurs scannent un code-barres de produit, les données retournées sont comparées aux données les plus récentes disponibles du fabricant. Si le fabricant a mis à jour ses informations nutritionnelles et que l'entrée de la base de données n'a pas encore été rafraîchie, la divergence déclenche un flux de travail de mise à jour.

Réconciliation entre bases de données. Nutrola croise périodiquement ses entrées avec les publications mises à jour de la base de données USDA, des bases de données internationales sur la composition des aliments, et des flux de données partenaires. Les entrées qui ont divergé de leurs sources de référence sont signalées pour révision et correction.

Audits de cohérence nutritionnelle. Des audits périodiques examinent des échantillons aléatoires dans chaque catégorie alimentaire, vérifiant la cohérence interne. Ces audits ont identifié des grappes d'erreurs telles que des lots d'entrées importées où les valeurs de fibres étaient confondues avec les valeurs de sucre en raison d'erreurs de mappage de colonnes.

Lorsqu'une erreur est confirmée, la correction est appliquée immédiatement et propagée à tous les utilisateurs. Les utilisateurs qui ont récemment enregistré l'aliment concerné reçoivent une notification, leur permettant de revoir et d'ajuster leurs enregistrements.

Bases de Données Alimentaires Régionales pour la Cuisine Internationale

Une base de données alimentaire construite exclusivement sur des données américaines est inadéquate pour une base d'utilisateurs mondiale. Un utilisateur au Japon cherchant "onigiri" a besoin de résultats précis. Un utilisateur en Inde cherchant "dal makhani" a besoin d'une entrée qui reflète les méthodes de préparation et les ingrédients réellement utilisés dans les cuisines indiennes, et non une adaptation restaurant américaine.

Nutrola intègre des données de composition alimentaire provenant de bases de données gouvernementales dans plus de 30 pays et régions.

Europe : Le réseau EuroFIR coordonne les données à travers les pays européens. Les bases de données nationales du Royaume-Uni (McCance et Widdowson), d'Allemagne (Bundeslebensmittelschluessel), et de France (CIQUAL) fournissent des entrées pour des aliments régionaux et des produits de marque locaux.

Est de l'Asie : Les Tables Standard de Composition Alimentaire du Japon, la Base de Données Nationale de Composition Alimentaire de Corée du Sud, et les Tables de Composition Alimentaire de Chine contribuent des milliers d'entrées pour des aliments spécifiques à la région, y compris des variantes spécifiques de préparation. La différence entre le riz cuit et le riz frit, entre le tofu cru et le tofu frit, n'est pas triviale, et ces bases de données capturent ces distinctions.

Asie du Sud : L'Institut National de Nutrition de l'Inde fournit des données pour des aliments uniques au sous-continent, y compris des céréales régionales, des préparations de légumineuses, et des produits laitiers comme le paneer et le ghee avec des profils nutritionnels distincts de leurs équivalents occidentaux.

Amérique Latine et Moyen-Orient/Afrique : Les tables de composition alimentaire du Brésil (TACO), du Mexique (BDCA), et des bases de données régionales à travers le Moyen-Orient et l'Afrique contribuent des données pour des aliments de base comme le teff, l'injera, les plats à base de tahini, et des préparations régionales absentes des bases de données nord-américaines.

L'intégration de ces sources n'est pas une simple importation de données. Différents pays utilisent différentes méthodes analytiques, définitions de nutriments, et conventions de portion. Une "tasse" est de 240 ml aux États-Unis, 200 ml au Japon, et 250 ml en Australie. L'équipe d'ingénierie des données de Nutrola maintient une couche de normalisation qui convertit toutes les données internationales entrantes en une norme cohérente : unités métriques, définitions de nutriments standardisées, et codes de classification alimentaire unifiés.

Comparaison des Sources de Données

Le tableau suivant résume les caractéristiques de chaque source de données majeure qui contribue à la base de données alimentaire de Nutrola.

Source	Entrées	Exactitude	Couverture	Fréquence de mise à jour	Limitations
USDA FoodData Central	~400,000	Très élevée (analysée en laboratoire)	Forte pour les produits bruts et les aliments de marque américains	Publications majeures annuelles, mises à jour continues	Aliments internationaux limités, articles de restaurant limités
Étiquettes des fabricants	~1,500,000	Élevée (réglementée, audité par la FDA)	Excellente pour les produits emballés	Varie selon le fabricant ; rafraîchissement trimestriel chez Nutrola	Couvre uniquement les produits emballés, 20 % de variance autorisée par la FDA
Bases de données gouvernementales internationales	~2,000,000	Élevée (analysée en laboratoire, varie selon le pays)	Excellente pour les aliments régionaux	Annuelle ou moins fréquente	Normes incohérentes entre les pays, certaines obsolètes
Crowdsourcé (contribué par les utilisateurs)	~6,000,000	Variable (taux d'erreur de 15 à 25 % avant vérification)	Couverture la plus large incluant des articles de niche	Continue	Nécessite un pipeline de vérification ; données brutes peu fiables
Vérifié par un nutritionniste	~2,100,000	Très élevée (croisée, revue par des humains)	Priorisé par volume de recherche	Révision continue priorisée	Ressources intensives, ne peut pas couvrir chaque entrée

Ces sources ne sont pas mutuellement exclusives. Un seul aliment peut avoir des données provenant de plusieurs sources. En cas de conflit, la hiérarchie de résolution est la suivante : données de laboratoire USDA ou équivalentes en premier, données des fabricants en second, données vérifiées par des nutritionnistes en troisième, et données crowdsourcées vérifiées en quatrième. Cette hiérarchie garantit que les données les plus rigoureusement validées prévalent toujours.

Pourquoi l'Exactitude Compte Plus Que la Taille

Certaines applications concurrentes annoncent des tailles de bases de données de 15, 20, voire 30 millions d'entrées. La taille sans qualité est sans signification et peut être activement nuisible.

Une base de données de 30 millions d'entrées avec un taux d'erreur de 20 % contient 6 millions d'entrées erronées. Un utilisateur qui enregistre l'une de ces entrées suit maintenant des données inexactes avec une pleine confiance dans leur exactitude. L'erreur se cumule : si une entrée de petit-déjeuner habituelle surestime les protéines de 10 grammes et que vous la mangez cinq fois par semaine, vous croyez avoir consommé 200 grammes de protéines de plus par mois que ce n'est réellement le cas. Si vous réduisez vos protéines ailleurs sur la base de ces données, les effets en aval sont réels.

C'est pourquoi Nutrola privilégie le nombre d'entrées vérifiées plutôt que le nombre brut d'entrées. Une entrée qui n'existe pas est neutre. Une entrée qui existe mais qui est incorrecte est activement nuisible.

Comment la Base de Données Grandit

La base de données n'est pas statique. Elle croît continuellement par plusieurs canaux. Des systèmes automatisés surveillent les demandes de scan de codes-barres, identifiant les produits que les utilisateurs recherchent mais qui n'existent pas encore, et priorisent les articles à forte demande pour ajout. Les soumissions des utilisateurs ajoutent des plats régionaux, des articles de restaurant, et des recettes faites maison qui ne sont couvertes par aucune base de données officielle. Les partenariats avec les fabricants garantissent que lorsqu'une chaîne majeure lance un nouvel article au menu, les données nutritionnelles sont disponibles dès le jour du lancement. Et les publications périodiques de l'USDA et des bases de données internationales sont ingérées dès qu'elles deviennent disponibles.

Questions Fréquemment Posées

Quelle est l'exactitude de la base de données alimentaire de Nutrola par rapport à d'autres applications ?

Les entrées vérifiées de Nutrola ont une exactitude moyenne dans un rayon de 5 % des valeurs mesurées en laboratoire pour les macronutriments, basée sur des audits internes comparant les entrées à des données analytiques indépendantes. Les bases de données crowdsourcées non vérifiées affichent généralement des taux d'erreur de 15 à 25 %. La différence provient du pipeline de vérification que chaque entrée doit traverser avant de devenir largement disponible.

Que se passe-t-il lorsque je scanne un code-barres et que le produit n'est pas trouvé ?

L'application vous invite à entrer les informations nutritionnelles à partir de l'étiquette. Votre entrée est immédiatement disponible pour votre propre usage, puis entre dans le pipeline de vérification avant d'être affichée aux autres utilisateurs. Les produits à forte demande sont prioritaires pour une vérification rapide.

À quelle fréquence la base de données est-elle mise à jour ?

En continu. Les entrées contribué par les utilisateurs sont traitées quotidiennement. Les données sur les produits de marque sont rafraîchies trimestriellement pour les produits à fort volume. Les publications USDA et internationales sont intégrées dans les deux semaines suivant leur publication. Les corrections d'erreurs sont généralement appliquées dans les 24 à 48 heures suivant leur confirmation.

Puis-je faire confiance aux comptes caloriques pour les repas de restaurant ?

Pour les grandes chaînes qui publient des données nutritionnelles officielles, les entrées sont obtenues directement et sont aussi précises que les propres mesures de la chaîne. Pour les restaurants indépendants, les entrées sont des estimations basées sur des recettes avec une marge d'incertitude plus large. Nutrola signale les entrées de restaurant avec un indicateur de confiance afin que vous puissiez voir si les données proviennent d'une source officielle ou d'une estimation.

Pourquoi Nutrola affiche-t-il parfois des valeurs différentes de celles de l'étiquette de mon aliment ?

Trois raisons courantes : le fabricant peut avoir reformulé le produit, les définitions de taille de portion peuvent différer, ou les règles d'arrondi des Nutrition Facts créent de petites divergences (généralement dans une fourchette de 5 à 10 calories). Signaler une divergence via l'application déclenche une mise à jour.

Comment Nutrola gère-t-il les recettes faites maison ?

Vous construisez des entrées de recettes personnalisées en combinant des entrées d'ingrédients individuels provenant de la base de données vérifiée, ajustées pour les portions. Étant donné que les entrées d'ingrédients sont vérifiées, la principale source d'erreur est la mesure des portions plutôt que de mauvaises données.

Qu'est-ce qui rend la base de données de Nutrola différente des alternatives open-source ?

Les bases de données open-source comme Open Food Facts fournissent des données précieuses mais fonctionnent sans vérification systématique. Les entrées sont soumises par des bénévoles et publiées sans vérifications de plausibilité ou révisions par des nutritionnistes. Nutrola utilise les données open-source comme une entrée parmi d'autres, soumettant toutes les entrées importées au même pipeline de vérification que toute autre source.

Le Travail Continu

Construire une base de données alimentaire n'est pas un projet avec une ligne d'arrivée. Les aliments changent. De nouveaux produits sont lancés. Les anciens produits sont reformulés ou retirés. Les méthodes analytiques s'améliorent.

Les 12 millions d'entrées dans la base de données de Nutrola aujourd'hui ne seront pas les mêmes 12 millions d'entrées dans un an. Certaines seront mises à jour, certaines supprimées, et des centaines de milliers de nouvelles entrées seront ajoutées. Le pipeline de vérification attrapera les erreurs qui ont échappé aux itérations précédentes. L'équipe de révision des nutritionnistes augmentera progressivement la proportion d'entrées qui portent une confiance vérifiée par des humains.

Personne ne télécharge une application de suivi des calories parce qu'il est excité par la normalisation des données de composition alimentaire. Mais chaque compte calorique exact, chaque répartition macro fiable, chaque total quotidien digne de confiance dépend de cette infrastructure qui fonctionne correctement, invisiblement, derrière chaque résultat de recherche. Lorsque vous enregistrez votre déjeuner et que les chiffres sont corrects, ce n'est pas un accident. C'est le résultat d'un système construit spécifiquement pour garantir leur exactitude.