Le cerveau mondial : pourquoi la plupart des IA échouent à reconnaître le biryani, les arepas et le dal

Demandez à la plupart des applications de reconnaissance alimentaire d'identifier une assiette de chicken biryani et vous obtiendrez probablement « riz à la viande » ou, pire encore, « riz frit ». L'estimation calorique qui suit sera erronée de 200 à 400 calories parce que le modèle n'a aucune notion du basmati imbibé de ghee, de la marinade en couches ou des oignons frits incorporés au plat.

Ce n'est pas un problème de niche. Selon les Nations Unies, plus de 5,5 milliards de personnes vivent en dehors de l'Amérique du Nord et de l'Europe. Leurs repas quotidiens, du riz jollof nigérian au ceviche péruvien en passant par l'okonomiyaki japonais, sont systématiquement sous-représentés dans les jeux de données qui alimentent les systèmes d'IA alimentaire grand public. Le résultat est une technologie qui fonctionne bien pour un cheeseburger mais qui échoue pour la majorité de la population mondiale.

Le problème des données d'entraînement centrées sur l'Occident

Les modèles de vision par ordinateur apprennent à partir des images sur lesquelles ils sont entraînés. Les jeux de données alimentaires publics les plus largement utilisés révèlent clairement l'origine du biais.

Food-101, l'un des benchmarks fondamentaux de la recherche en reconnaissance alimentaire, contient 101 catégories d'aliments. Environ 70 pour cent d'entre elles sont des plats d'Europe occidentale ou d'Amérique du Nord : hamburgers, spaghetti bolognaise, salade César, tarte aux pommes. La cuisine sud-asiatique est représentée par une seule catégorie. La cuisine africaine n'a aucune représentation.

UECFOOD-256, développé à l'Université d'Électro-Communications de Tokyo, penche fortement vers les plats japonais. Il est excellent pour reconnaître les ramen et le tempura, mais n'offre pratiquement rien pour les aliments sud-américains ou ouest-africains.

Lorsqu'un modèle entraîné principalement sur ces jeux de données rencontre une assiette de chole bhature, il a deux options : mal classifier le plat entièrement, ou le faire correspondre à l'équivalent occidental le plus proche. Aucune de ces options ne produit un comptage calorique précis.

Pourquoi la mauvaise classification coûte plus que vous ne le pensez

L'écart calorique entre une classification correcte et incorrecte peut être énorme. Considérez ces exemples concrets :

• Le chicken biryani classifié comme « riz frit au poulet » : un biryani préparé avec du ghee et des oignons frits peut contenir 450 à 600 calories par portion. Une entrée typique de riz frit au poulet dans une base de données générique indique 300 à 380 calories. Cela représente un sous-comptage potentiel de 200 calories par repas.
• Les arepas classifiées comme « pain de maïs » : une arepa farcie au fromage et aux haricots peut atteindre 500 calories. Une tranche de pain de maïs est enregistrée à 170 à 200 calories.
• Le dal makhani classifié comme « soupe de lentilles » : le beurre et la crème dans le dal makhani traditionnel le portent à 350 à 450 calories par tasse. Une soupe de lentilles basique se situe à 160 à 200 calories.

Sur le cours d'une semaine, ces erreurs s'accumulent en centaines, voire milliers de calories mal comptées, suffisamment pour compromettre complètement une sèche ou une prise de masse.

La complexité des plats du monde

Les plats occidentaux tendent à avoir des composants relativement visibles et séparables : une protéine, un féculent, un légume. De nombreuses cuisines non occidentales présentent un défi fondamentalement différent pour la vision par ordinateur.

Préparations en couches et mélangées

Le biryani est un plat en couches. Le riz, la viande, les épices, les oignons frits et la matière grasse sont intégrés plutôt que disposés séparément. Une photo de la surface ne révèle que la couche supérieure. Le mole negro d'Oaxaca contient plus de 30 ingrédients broyés en une seule sauce. Le curry massaman thaïlandais combine lait de coco, cacahuètes grillées, pommes de terre et viande en un mélange unique et indifférenciable.

Pour qu'un modèle d'IA estime les calories avec précision, il doit comprendre non seulement à quoi ressemble le plat, mais ce qu'il contient.

Variations régionales au sein d'un même plat

Le « houmous » préparé au Liban, en Syrie, en Israël et en Turquie variera considérablement en termes de quantité d'huile d'olive, de proportion de tahini et de taille de portion. Un biryani hyderabadi fait maison diffère d'un biryani lucknowi de restaurant tant par la technique que par la densité calorique. Les tamales varient d'une région à l'autre au Mexique et en Amérique centrale, avec des garnitures allant du poulet maigre au porc au saindoux.

Un modèle a besoin d'un contexte régional, et pas seulement d'une reconnaissance au niveau du plat, pour produire des estimations fiables.

Les contributeurs caloriques invisibles

De nombreuses traditions culinaires mondiales reposent sur une utilisation généreuse de matières grasses de cuisson qui deviennent invisibles dans le plat final. La cuisine indienne utilise le ghee. Les plats ouest-africains utilisent souvent l'huile de palme. La cuisine latino-américaine incorpore le saindoux et la manteca. La cuisine moyen-orientale emploie des quantités généreuses d'huile d'olive et de beurre.

Ces matières grasses sont absorbées par le plat pendant la cuisson. Une photo ne peut pas les révéler, mais elles peuvent représenter 30 à 50 pour cent des calories totales.

Comment Nutrola aborde la reconnaissance alimentaire mondiale

Construire une IA alimentaire qui fonctionne à travers les cuisines nécessite un effort délibéré à chaque étape : collecte de données, architecture du modèle et cartographie nutritionnelle post-reconnaissance.

Des données d'entraînement diversifiées à grande échelle

Le jeu de données d'entraînement de Nutrola comprend des images alimentaires provenant de plus de 130 pays. Plutôt que de s'appuyer uniquement sur des jeux de données publics centrés sur l'Occident, le système intègre des images collectées régionalement avec des étiquettes vérifiées par des nutritionnistes. Cela signifie que le modèle a vu des milliers d'exemples d'injera avec tibs, pas seulement des photos de banque d'images mais de vrais repas photographiés dans des foyers et des restaurants à travers l'Éthiopie et l'Érythrée.

Profils nutritionnels au niveau du plat

Plutôt que de décomposer chaque plat en composants génériques, Nutrola maintient des profils nutritionnels pour les plats tels qu'ils sont réellement préparés. Le dal makhani n'est pas « lentilles + matière grasse inconnue ». C'est un plat spécifique avec une méthode de préparation connue, et l'estimation calorique reflète le beurre, la crème et la technique de cuisson lente qui le définissent.

Cette approche s'étend aux variantes régionales. Le système distingue un biryani de style Kolkata avec pommes de terre d'un biryani dum hyderabadi, car les profils caloriques sont véritablement différents.

Entrée multimodale pour les ingrédients cachés

Lorsqu'une photo seule ne suffit pas, Nutrola utilise des commandes vocales et textuelles pour combler les lacunes. Un utilisateur peut dire « c'est cuit à l'huile de coco » ou « il y a du fromage à l'intérieur de l'arepa » et le système ajuste l'estimation en conséquence. Cette approche multimodale résout le problème des calories invisibles que les systèmes basés uniquement sur la photo ne peuvent pas résoudre.

Ce que signifie une meilleure reconnaissance mondiale pour les utilisateurs

Pour les millions de personnes qui suivent quotidiennement un régime alimentaire non occidental, une IA alimentaire précise n'est pas une fonctionnalité de luxe. C'est la différence entre un suivi nutritionnel qui fonctionne et un qui sabote silencieusement leurs objectifs.

Une étude de 2023 publiée dans le Journal of the Academy of Nutrition and Dietetics a révélé que l'adhérence au suivi nutritionnel chute de 40 pour cent lorsque les utilisateurs perçoivent leur application comme imprécise. Si votre outil de suivi identifie systématiquement mal vos repas, vous cessez de lui faire confiance, puis vous cessez de l'utiliser.

Une reconnaissance alimentaire mondiale précise est également importante pour les communautés de la diaspora. Un Indo-Américain de deuxième génération qui mange un mélange de dal, roti et salades tout au long de la semaine a besoin d'une application qui gère les deux cuisines avec une précision égale. Un étudiant nigérian à Londres qui cuisine de la soupe egusi ne devrait pas avoir à saisir manuellement chaque ingrédient parce que l'IA n'a jamais vu le plat.

La voie à suivre pour l'IA alimentaire

Le domaine de la reconnaissance alimentaire évolue vers une plus grande diversité, mais les progrès sont inégaux. De nouveaux jeux de données comme ISIA Food-500 et Nutrition5k élargissent la couverture, et les techniques de transfer learning permettent aux modèles de s'adapter aux cuisines sous-représentées avec des quantités plus réduites de données étiquetées.

Le facteur de différenciation clé à l'avenir sera la vérification des données nutritionnelles. Reconnaître qu'un plat est du biryani n'est que la moitié du problème. Associer cette reconnaissance à une estimation précise des calories et des macros nécessite des connaissances nutritionnelles spécifiques à chaque région qui dépassent ce qu'une base de données alimentaire générique peut fournir.

Pour quiconque suit sa nutrition en dehors d'un régime occidental standard, la question à poser à propos de toute IA alimentaire est simple : ce système a-t-il été entraîné sur ma nourriture ?

Questions fréquemment posées

Quelle est la meilleure application de suivi des calories pour la cuisine indienne ?

Le meilleur compteur de calories pour la cuisine indienne nécessite deux choses : un modèle de reconnaissance entraîné sur des plats sud-asiatiques diversifiés et une base de données nutritionnelle qui tient compte des méthodes de préparation traditionnelles. Les applications entraînées principalement sur des jeux de données occidentaux tendent à mal classifier des plats comme le biryani, le paneer tikka et le dal makhani en entrées génériques, produisant des erreurs caloriques significatives. Le modèle de Nutrola est entraîné sur des images alimentaires provenant de plus de 130 pays et maintient des profils nutritionnels spécifiques aux plats qui reflètent les méthodes de cuisson réelles, y compris le ghee, la crème et les variations régionales.

Pourquoi mon compteur de calories donne-t-il des résultats erronés pour la cuisine ethnique ?

La plupart des compteurs de calories grand public utilisent des modèles de reconnaissance entraînés sur des jeux de données dominés par les cuisines occidentales comme Food-101. Lorsque ces modèles rencontrent des plats inconnus, ils les classifient soit incorrectement comme un plat occidental visuellement similaire, soit par défaut comme des entrées de base de données génériques. Les profils nutritionnels de ces correspondances incorrectes sont souvent décalés de centaines de calories, en particulier pour les plats préparés avec des matières grasses de cuisson comme le ghee, l'huile de palme ou le lait de coco qui sont invisibles sur les photos.

L'IA peut-elle suivre avec précision les calories de la cuisine moyen-orientale ?

L'IA peut suivre avec précision la cuisine moyen-orientale si le modèle a été spécifiquement entraîné sur des plats comme le shawarma, le fattoush, le kibbeh et le mansaf, et si la base de données nutritionnelle tient compte de la teneur en huile d'olive, tahini et beurre. De nombreux aliments de la cuisine moyen-orientale tirent une part significative de leurs calories de matières grasses incorporées pendant la cuisson. Un système qui combine la reconnaissance photo avec des détails de préparation fournis par l'utilisateur, comme la quantité d'huile d'olive utilisée, produira des estimations plus fiables.

Comment l'IA alimentaire gère-t-elle les plats avec de nombreux ingrédients mélangés ?

Les plats complexes avec des ingrédients mélangés ou en couches, comme le mole, le biryani et les ragoûts, figurent parmi les défis les plus difficiles de la reconnaissance alimentaire. Les systèmes basés uniquement sur l'image ne peuvent analyser que la surface visible, manquant les couches intérieures et les matières grasses absorbées. L'IA alimentaire avancée résout ce problème grâce à la reconnaissance au niveau du plat, identifiant le plat complet plutôt que les composants individuels, et grâce à l'entrée multimodale où les utilisateurs peuvent ajouter des détails sur les ingrédients cachés par texte ou voix. Cette approche combinée améliore considérablement la précision pour les préparations complexes à ingrédients multiples.

Les données alimentaires participatives sont-elles précises pour les cuisines internationales ?

Les bases de données nutritionnelles participatives tendent à être les moins précises pour les cuisines internationales. Les entrées pour des plats comme le riz jollof, le ceviche ou le pad thaï sont souvent soumises par des utilisateurs qui peuvent ne pas tenir compte des variations régionales, des matières grasses de cuisson ou des méthodes de préparation authentiques. Une seule entrée « biryani » ne peut pas représenter l'éventail calorique allant d'un léger biryani aux légumes à un riche biryani dum au mouton. Les bases de données vérifiées avec des profils nutritionnels spécifiques à chaque région et des détails au niveau des variantes fournissent des données considérablement plus fiables pour les cuisines non occidentales.