המילון המלא לטכנולוגיית תזונה מבוססת AI: 50+ מונחים מוסברים

הצומת של אינטליגנציה מלאכותית ומדע התזונה יצר אוצר מילים חדש שמשלב בין מושגים מעולם המחשבים לבין מונחים תזונתיים. אם אתה מפתח בונה מוצרים בתחום המזון, תזונאי המעריך כלים מבוססי AI, או משתמש סקרן שמעוניין להבין מה קורה מאחורי הקלעים כשאתה מצלם את ארוחת הצהריים שלך, המילון הזה הוא מדריך הייחוס שלך.

ארגנו יותר מ-50 מונחים לחמישה קטגוריות: AI ולמידת מכונה, זיהוי מזון, מדע התזונה, תכונות אפליקציות ופלטפורמות, ומדדי דיוק. כל הגדרה מסבירה כיצד המושג קשור לאקוסיסטם הרחב של מעקב תזונה מבוסס AI.

AI ולמידת מכונה

רשת עצבית קונבולוציונית (CNN)

רשת עצבית קונבולוציונית היא סוג של מודל למידה עמוקה שנועד במיוחד לעבד נתונים בצורת רשת כמו תמונות. רשתות CNN משתמשות בשכבות של פילטרים נלמדים שמחליקים על פני התמונה כדי לזהות תבניות כמו קצוות, מרקמים וצורות. בזיהוי מזון, רשתות CNN מהוות את הבסיס כמעט לכל מערכת מודרנית, ומחלצות תכנים ויזואליים מתמונה של ארוחה ומעבירות אותם דרך שכבות סיווג כדי לזהות פריטי מזון בודדים.

למידה עמוקה

למידה עמוקה מתייחסת לתת-קטגוריה של למידת מכונה שמשתמשת ברשתות עצביות עם שכבות רבות נסתרים כדי ללמוד ייצוגים היררכיים של נתונים. ה"עמוק" בלמידה עמוקה מתאר את מספר השכבות המוערמות, מה שמאפשר למודל לתפוס תכנים מופשטים יותר. מערכות זיהוי מזון תלויות בלמידה עמוקה מכיוון שהמגוון הוויזואלי של ארוחות, מסלט מסודר ועד קארי מעורב, דורש מודלים שיכולים ללמוד תבניות מורכבות ורב-שכבתיות הרבה מעבר למה שיכולים להתמודד אלגוריתמים מסורתיים.

למידת העברה

למידת העברה היא טכניקה שבה מודל שאומן על סט נתונים גדול אחד מותאם למשימה שונה אך קשורה. במקום לאמן רשת CNN לזיהוי מזון מאפס על מאות אלפי תמונות מזון, מהנדסים מתחילים ממודל שאומן מראש על סט נתונים רחב כמו ImageNet ולאחר מכן מתאימים אותו לנתונים ספציפיים למזון. זה מפחית באופן דרמטי את זמן האימון ואת דרישות הנתונים תוך שיפור דיוק, מכיוון שהשכבות התחתונות של הרשת כבר מבינות מושגים ויזואליים כלליים כמו קצוות וגרדיאנטים צבעוניים.

סיווג רב-תיוגי

סיווג רב-תיוגי הוא משימת למידת מכונה שבה קלט אחד, כמו תמונה, יכול להשתייך ליותר מקטגוריה אחת בו זמנית. תמונה של צלחת ערב עשויה להכיל עוף בגריל, אורז חום וברוקולי מאודה, שכל אחד מהם הוא תווית נפרדת. זה שונה מסיווג רב-קטגורייתי סטנדרטי, שבו מוקצה רק תווית אחת, וזה חיוני למעקב אחר ארוחות בעולם האמיתי שבו צלחות rarely contain a single food.

עיבוד שפה טבעית (NLP)

עיבוד שפה טבעית הוא תחום ב-AI שמתמקד בהנחיית מחשבים להבין, לפרש וליצור שפה אנושית. באפליקציות תזונה, NLP מניע את רישום המזון המבוסס על טקסט: משתמש יכול להקליד "שניים ביצים מקושקשות עם פרוסת לחם חיטה מלאה וחצי אבוקדו", והמערכת מפרשת את הקלט בשפה טבעית לנתוני תזונה מובנים. NLP וראיית מחשב פועלים לעיתים קרובות יחד, כאשר NLP מטפל בשאילתות טקסט וכניסות קול בעוד שראיית מחשב מעבדת תמונות.

ראיית מחשב

ראיית מחשב היא תחום ב-AI שמאמן מחשבים לפרש ולקבל החלטות על סמך נתונים ויזואליים מהעולם האמיתי. זה כולל סיווג תמונות, זיהוי אובייקטים, סגמנטציה ועוד. בתחום טכנולוגיית התזונה, ראיית מחשב היא הדיסציפלינה הכללית שבה פועלים זיהוי מזון, הערכת מנות וזיהוי מזון מרובה.

רשת עצבית

רשת עצבית היא מערכת חישובית בהשראת רשתות עצביות ביולוגיות במוח האנושי. היא מורכבת מקשרים בין נוירונים מאורגנים בשכבות שמעבדים נתונים על ידי התאמת קשרים משוקללים במהלך האימון. רשתות עצביות הן הבסיס שעליו נבנות רשתות CNN, רשתות חוזרות וארכיטקטורות טרנספורמר, מה שהופך אותן לטכנולוגיה הליבה מאחורי כלים מודרניים לתזונה מבוססת AI.

נתוני אימון

נתוני אימון הם האוסף של דוגמאות מסומנות שמשמשות לאימון מודל למידת מכונה. עבור מערכת זיהוי מזון, נתוני אימון כוללים אלפי עד מיליוני תמונות מזון, כל אחת מהן מסומנת בתוויות שמזהות אילו פריטי מזון נמצאים ולעיתים גם היכן הם מופיעים בתמונה. המגוון, הנפח והדיוק של נתוני האימון קובעים ישירות כמה טוב המודל פועל על פני מטבחים שונים, תנאי תאורה וסגנונות הגשה.

אינפרנציה

אינפרנציה היא התהליך שבו מודל מאומן עושה תחזיות על נתונים חדשים, שלא נראו קודם. כאשר אתה מצלם ארוחה והאפליקציה מחזירה הערכות קלוריות בתוך שניות, זו אינפרנציה המתרחשת על שרת או ישירות על המכשיר שלך. מהירות האינפרנציה חשובה לחוויית המשתמש; מודל שלוקח עשר שניות להחזיר תוצאות מרגיש איטי בהשוואה לאחד שעונה בפחות משתי שניות.

דיוק המודל

דיוק המודל הוא מדד כללי כמה פעמים מודל למידת מכונה מייצר תחזיות נכונות. בזיהוי מזון, דיוק יכול להימדד בדרכים שונות, כולל דיוק Top-1, דיוק Top-5, ומדויק ממוצע, כל אחד מהם תופס מימד שונה של ביצועים. דיוק גבוה של המודל הוא הכרחי אך לא מספיק לחוויית משתמש טובה, מכיוון שגם מודל שמזהה נכונה פריטי מזון יכול להיכשל בהערכת מנות.

התאמה מדויקת

התאמה מדויקת היא התהליך של לקיחת מודל שאומן מראש והמשך האימון שלו על סט נתונים קטן יותר, ספציפי למשימה. מערכת זיהוי מזון עשויה להתאים מודל תמונה כללי על סט נתונים שנבחר של מנות אזוריות כדי לשפר את הביצועים על, למשל, מטבח יפני או מקסיקני. התאמה מדויקת מתאימה את המשקלים של חלק או כל השכבות ברשת, מה שמאפשר למודל להתמחות מבלי לזרוק את הידע הכללי שהוא רכש במהלך האימון המוקדם.

הגברת נתונים

הגברת נתונים היא טכניקה שמרחיבה באופן מלאכותי את סט הנתונים של האימון על ידי יישום טרנספורמציות על תמונות קיימות, כמו סיבוב, הפיכה, שינוי צבע, חיתוך והוספת רעש. עבור זיהוי מזון, ההגברה עוזרת למודל להכליל על פני תנאי תאורה שונים, זוויות מצלמה וכיווני צלחת. תמונה אחת של קערת פסטה יכולה לייצר עשרות וריאציות, כל אחת מלמדת את המודל לזהות את המנה בתנאים מעט שונים.

זיהוי מזון

סגמנטציה של תמונה

סגמנטציה של תמונה היא התהליך של חלוקת תמונה לאזורים משמעותיים, כאשר כל פיקסל משויך לקטגוריה ספציפית. בזיהוי מזון, סגמנטציה סמנטית מזהה אילו פיקסלים שייכים לאורז, אילו שייכים לעוף ואילו שייכים לצלחת. הבנה ברמת הפיקסל הזו היא מפורטת יותר מזיהוי אובייקטים וקריטית להערכת מנות מדויקת, מכיוון שהיא חושפת את השטח המדויק שכל פריט מזון תופס.

זיהוי אובייקטים

זיהוי אובייקטים הוא משימת ראיית מחשב שמזהה וממקמת אובייקטים בתוך תמונה באמצעות קופסאות גבול. בניגוד לסיווג, שאומר רק מה יש בתמונה, זיהוי אובייקטים גם אומר היכן נמצא כל פריט. מערכות זיהוי מזון משתמשות בזיהוי אובייקטים כשלב ראשון כדי לזהות מזונות בודדים על צלחת לפני שהן מעבירות כל אזור מזוהה למודלים מתמחים יותר לסיווג והערכת מנות.

הערכת מנות

הערכת מנות היא התהליך של קביעת הכמות או גודל המנה של פריט מזון מתמונה. זה נחשב לרוב לבעיה הקשה ביותר במעקב מזון מבוסס AI, מכיוון שתמונה שטוחה חסרה מידע עומק, ואותו מזון יכול להיראות גדול יותר או קטן יותר בהתאם לצלחת, לזווית המצלמה ולמרחק. מערכות מתקדמות משלבות סגמנטציה של תמונה עם הערכת עומק ואובייקטים ייחודיים כדי להעריך את הנפח ומכאן את המשקל והתוכן הקלורי.

טקסונומיה של מזון

טקסונומיה של מזון היא מערכת סיווג היררכית שמארגנת מזונות לקטגוריות, תתי קטגוריות ופריטים בודדים. טקסונומיה מעוצבת היטב עשויה לקבץ "דגנים" ברמה העליונה, ולאחר מכן "אורז" ברמה הבאה, ולאחר מכן "אורז חום", "אורז לבן" ו"אורז בסמטי" כפריטים ספציפיים. טקסונומיות מזון עוזרות למודלים של AI לבצע תחזיות מובנות ומאפשרות למערכת לחזור לקטגוריה עליונה כאשר היא אינה יכולה להבחין בין מזונות קרובים.

זיהוי מזון מרובה

זיהוי מזון מרובה הוא היכולת של מערכת AI לזהות ולנתח בנפרד מספר פריטי מזון בתמונה אחת. תמונת ארוחה מהעולם האמיתי כמעט תמיד מכילה יותר מאוכל אחד, והמערכת חייבת לזהות כל פריט בנפרד כדי לספק נתוני תזונה מדויקים לכל פריט. זיהוי מזון מרובה משלב זיהוי אובייקטים או סגמנטציה עם סיווג רב-תיוגי כדי להתמודד עם צלחות וקערות מורכבות.

הערכת עומק

הערכת עומק היא טכניקת ראיית מחשב שמניחה את המרחק של אובייקטים מהמצלמה, ובכך משחזרת תחושה של תלת-ממדיות מתמונה דו-ממדית. חלק ממערכות המעקב אחרי מזון משתמשות בהערכת עומק, לעיתים בעזרת חיישני LiDAR על סמארטפונים מודרניים, כדי להעריך טוב יותר את הנפח של פריטי מזון. בשילוב עם סגמנטציה של תמונה, הערכת עומק משפרת באופן משמעותי את הדיוק בהערכות מנות עבור מזונות נערמים או שכבתיים.

קופסת גבול

קופסת גבול היא גבול מלבני שמצויר סביב אובייקט מזוהה בתמונה, המוגדר על ידי הקואורדינטות שלו. בזיהוי מזון, קופסאות גבול מבודדות כל פריט מזון כך שהמודלים הבאים יכולים להתמקד בפריט אחד בכל פעם. בעוד שקופסאות גבול הן פשוטות ויעילות מבחינה חישובית, הן פחות מדויקות ממסכות סגמנטציה עבור מזונות בעלי צורות לא סדירות כמו בננה או פרוסת פיצה.

מפה תכונה

מפה תכונה היא הפלט של שכבת קונבולוציה ב-CNN, המייצגת את נוכחותם של תכנים נלמדים ספציפיים במיקומים מרחביים שונים בתמונה. השכבות המוקדמות מייצרות מפות תכונה לדפוסים פשוטים כמו קצוות ופינות, בעוד ששכבות עמוקות יותר מייצרות מפות תכונה לדפוסים מורכבים כמו מרקמים או צורות של מזון. מפות תכונה הן מה שמאפשר ל-CNN "לראות" את ההבדל בין מאפה אוכמניות למאפה שוקולד, אפילו כאשר הצורות שלהם כמעט זהות.

מדע התזונה

הוצאה אנרגטית יומית כוללת (TDEE)

הוצאה אנרגטית יומית כוללת היא מספר הקלוריות הכולל שגופך שורף בפרק זמן של 24 שעות, כולל מטבוליזם בסיסי, פעילות גופנית, והאפקט התרמי של מזון. TDEE היא החישוב המרכזי מאחורי כל תכנית תזונה מבוססת קלוריות: אכול מתחת ל-TDEE שלך כדי לרדת במשקל, מעליו כדי לעלות במשקל, או בשמירה כדי להישאר באותו מצב. אפליקציות תזונה מבוססות AI מעריכות TDEE באמצעות נתונים אישיים כמו גיל, משקל, גובה, רמת פעילות ולעיתים גם נתוני מכשירים לבישים.

קצב חילוף חומרים בסיסי (BMR)

קצב חילוף חומרים בסיסי הוא מספר הקלוריות שגופך זקוק להן במנוחה מוחלטת כדי לשמור על פונקציות בסיסיות כמו נשימה, מחזור דם וייצור תאים. BMR בדרך כלל מהווה 60 עד 75 אחוז מ-TDEE ומוערך בדרך כלל באמצעות משוואות כמו נוסחת מיפלין-סנט ג'ור. אפליקציות תזונה משתמשות ב-BMR כנקודת התחלה לחישוב TDEE, תוך הוספת מכפילים לפעילות ונתוני אימון.

מקרונוטריינט

מקרונוטריינט הוא אחד משלושת התזונתיים העיקריים שהגוף זקוק להם בכמויות גדולות: חלבון, פחמימה ושומן. כל מקרונוטריינט מספק מספר ספציפי של קלוריות לגרם (4 עבור חלבון, 4 עבור פחמימות, 9 עבור שומן) ומשרת תפקידים פיזיולוגיים שונים. מעקב מקרו, הפרקטיקה של ניטור גרמים של כל מקרונוטריינט שנצרך, הוא תכונה מרכזית של אפליקציות תזונה מבוססות AI ומספקת תמונה מעודנת יותר של איכות התזונה מאשר ספירת קלוריות בלבד.

מיקרונוטריינט

מיקרונוטריינט הוא ויטמין או מינרל שהגוף זקוק לו בכמויות קטנות לתפקוד פיזיולוגי תקין. דוגמאות כוללות ברזל, ויטמין D, סידן, אבץ וויטמיני B. בעוד שרוב אפליקציות התזונה מבוססות על מקרונוטריינטים, פלטפורמות מתקדמות גם עוקבות אחרי מיקרונוטריינטים כדי לעזור למשתמשים לזהות חוסרים פוטנציאליים, במיוחד עבור אנשים שעוקבים אחרי דיאטות מגבילות.

גירעון קלורי

גירעון קלורי מתרחש כאשר אתה צורך פחות קלוריות מ-TDEE שלך, מה שמאלץ את הגוף להשתמש באנרגיה שמאוחסנת (בעיקר שומן גוף) כדי להשלים את ההפרש. גירעון מתון וממושך של 300 עד 500 קלוריות ביום מומלץ בדרך כלל לירידה בטוחה ובריאה במשקל. כלים מבוססי AI עוזרים למשתמשים לשמור על גירעון על ידי מתן משוב בזמן אמת על צריכת המזון ביחס למטרה הקלורית האישית שלהם.

עודף קלורי

עודף קלורי מתרחש כאשר אתה צורך יותר קלוריות מ-TDEE שלך, מה שמספק לגוף אנרגיה עודפת שיכולה להיות מאוחסנת כשומן או משומשת לבניית רקמת שריר כאשר היא משולבת עם אימוני התנגדות. אנשים שמחפשים לעלות במסת שריר שומרים בדרך כלל על עודף מבוקר, בדרך כלל 200 עד 400 קלוריות מעל תחזוקה. דיוק במעקב אחרי עודף הוא חשוב מכיוון שעודף מופרז מוביל לעלייה מיותרת בשומן.

צריכה יומית מומלצת (RDI)

צריכה יומית מומלצת היא הנחיה המצביעה על כמות יומית של רכיב תזונתי שנחשבת מספקת כדי לענות על דרישות רוב האנשים הבריאים. ערכי RDI משתנים לפי גיל, מין ושלב חיים. אפליקציות תזונה מתייחסות לערכי RDI כדי להציג ברים של התקדמות והתראות, שמראות למשתמשים כמה קרובים הם למטרות היומיות שלהם עבור ויטמינים, מינרלים ומקרונוטריינטים.

צריכת תזונה יומית (DRI)

צריכת תזונה יומית היא סט של ערכי ייחוס שפורסמו על ידי רשויות בריאות לאומיות שכוללים את RDI, דרישה ממוצעת משויכת, צריכה מספקת ורמות צריכה עליונות סבירות לכל רכיב תזונתי. DRI מספקת מסגרת יותר שלמה מאשר RDI בלבד, ופלטפורמות תזונה מתקדמות משתמשות בנתוני DRI כדי להציע המלצות מותאמות אישית שמתחשבות בשונות האישית.

מדד גליקמי (GI)

המדד הגליקמי הוא סולם מספרי מ-0 עד 100 שמדרג מזונות המכילים פחמימות לפי כמה מהר הם מעלים את רמות הגלוקוז בדם לאחר צריכה. מזונות בעלי GI גבוה כמו לחם לבן גורמים לעליות מהירות, בעוד שמזונות בעלי GI נמוך כמו עדשים מייצרים עלייה איטית ומדודה יותר. חלק מאפליקציות התזונה מבוססות AI מציגות ערכי GI לצד מקרונוטריינטים, דבר שיכול להיות מועיל במיוחד למשתמשים המנהלים סוכרת או עמידות לאינסולין.

סיווג NOVA

מערכת הסיווג NOVA ממיינת מזונות לארבע קבוצות על סמך היקף ומטרת העיבוד התעשייתי: מזונות לא מעובדים או מעובדים במעט, מרכיבי בישול מעובדים, מזונות מעובדים ומזונות מעובדים יתר על המידה. מחקרים קישרו בין צריכה גבוהה של מזונות מעובדים יתר על המידה (קבוצה 4 של NOVA) לבין סיכון מוגבר להשמנה ומחלות כרוניות. פלטפורמות תזונה שמשלבות סיווג NOVA מעניקות למשתמשים תובנות לגבי איכות המזון מעבר לתוכן הקלורי והמקרונוטריינטי בלבד.

האפקט התרמי של מזון (TEF)

האפקט התרמי של מזון הוא האנרגיה המושקעת במהלך העיכול, הספיגה והעיבוד המטבולי של רכיבי תזונה. TEF בדרך כלל מהווה כ-10 אחוזים מהצריכה הקלורית הכוללת, אם כי הוא משתנה לפי מקרונוטריינט: לחלבון יש TEF של 20 עד 30 אחוז, לפחמימות 5 עד 10 אחוז, ולשומן 0 עד 3 אחוז. TEF הוא אחד משלושת המרכיבים של TDEE, לצד BMR ופעילות גופנית, והוא מסביר מדוע דיאטות עשירות בחלבון יכולות להציע יתרון מטבולי קל.

חומצת אמינו

חומצת אמינו היא מולקולה אורגנית שמשמשת כמרכיב הבניין של חלבון. יש 20 חומצות אמינו סטנדרטיות, מתוכן תשע הן חיוניות, כלומר הגוף לא יכול לסנתז אותן והן חייבות להגיע מהמזון. מעקב תזונה מתקדם יכול לפרק את צריכת החלבון לפי פרופיל חומצות האמינו, דבר שחשוב עבור ספורטאים ואנשים בדיאטות צמחיות שצריכים לוודא שהם מקבלים את כל חומצות האמינו החיוניות ממקורות מזון משלימים.

תכונות אפליקציות ופלטפורמות

Snap and Track

Snap and Track היא תכונה המאפשרת למשתמשים לצלם את הארוחה שלהם עם מצלמת סמארטפון ולקבל פירוט תזונתי אוטומטי. המערכת משתמשת בראיית מחשב כדי לזהות את המזונות בתמונה, מעריכה את המנות ושואלת ממאגר נתוני תזונה כדי להחזיר נתוני קלוריות ומקרונוטריינטים. Snap and Track מפחיתה את זמן הרישום מכמה דקות של חיפוש ידני והזנה למספר שניות, מה שמשפר באופן דרמטי את ההיענות של המשתמשים.

סריקת ברקוד

סריקת ברקוד היא תכונה המאפשרת למשתמשים לסרוק את הברקוד על מוצרים ארוזים כדי לקבל מיד מידע תזונתי ממאגר נתונים. האפליקציה קוראת את הברקוד באמצעות מצלמת המכשיר, מתאימה אותו לרשומת מוצר ומזינה את נתוני התזונה המתאימים. סריקת ברקוד היא מדויקת מאוד עבור מזונות ארוזים מכיוון שהיא מושכת נתונים מדויקים מדיווחי היצרן, מה שהופך אותה לתוספת אמינה לזיהוי מזון מבוסס AI עבור ארוחות לא ארוזות.

מאגר נתוני מזון

מאגר נתוני מזון הוא אוסף מובנה של מידע תזונתי עבור אלפי עד מיליוני פריטי מזון, כולל ספירות קלוריות, פיצול מקרונוטריינטים, פרופילים של מיקרונוטריינטים וגודל מנות. הדיוק והשלמות של מאגר נתוני מזון קובעים ישירות את איכות ההערכות התזונתיות שאפליקציה יכולה לספק. מאגרי נתונים יכולים להיות מקורבים מרשויות ממשלתיות כמו USDA, נתוני יצרן, ניתוחים מעבדתיים, או שילוב של כל השלושה.

תווית תזונה

תווית תזונה היא הפאנל המידע הסטנדרטי שנמצא על מוצרים ארוזים שמפרט את גודל המנה, קלוריות, מקרונוטריינטים ובחירות מיקרונוטריינטים נבחרות. מערכות AI יכולות להשתמש בזיהוי תוויזואלי (OCR) כדי לקרוא תוויות תזונה מתמונות, מה שמאפשר למשתמשים לרשום מוצרים מותאמים אישית או אזוריים שעשויים לא להופיע במאגר הברקוד של האפליקציה. זה מגשר על הפער בין סריקת ברקוד להזנה ידנית.

API (ממשק תכנות יישומים)

API הוא סט של פרוטוקולים וכלים המאפשרים למערכות תוכנה שונות לתקשר זו עם זו. בטכנולוגיית תזונה, APIs מחברים את האפליקציה הניידת למודלים מבוססי ענן של זיהוי מזון, מאגרי נתונים של מזון ואחסון נתוני משתמשים. API מעוצב היטב מאפשר למפתחים צד שלישי לשלב מעקב תזונה באפליקציות כושר, פלטפורמות בריאות ומכשירים לבישים, ומרחיב את ההגעה של כלים לתזונה מבוססת AI מעבר לאפליקציה אחת.

פרטיות נתונים

פרטיות נתונים מתייחסת לפרקטיקות ולמדיניות המנחות כיצד מידע משתמש, כולל תמונות מזון, הרגלי תזונה, מדדי בריאות ופרטים אישיים, נאסף, מאוחסן ומשותף. אפליקציות תזונה מטפלות בנתוני בריאות רגישים, שעבורם ברוב השיפוטים חלים תקנות כמו GDPR או HIPAA. פרקטיקות פרטיות נתונים חזקות, כולל הצפנה, אנונימיזציה ומדיניות הסכמה שקופה, הן קריטיות לשמירה על אמון המשתמשים.

רישום NLP

רישום NLP הוא שיטת הזנת מזון מבוססת טקסט שמשתמשת בעיבוד שפה טבעית כדי לפרש תיאורים חופשיים של ארוחות לנתוני תזונה מובנים. משתמש עשוי להקליד "לטה גדולה עם חלב שיבולת שועל ומאפה בננה אגוזים", ומנוע ה-NLP מזהה כל פריט, מתאים אותו לרשומות במאגר הנתונים ומזין את התזונה. רישום NLP מציע חלופה מהירה לרישום מבוסס תמונה או חיפוש ידני, במיוחד עבור ארוחות או חטיפים פשוטים.

מדדי דיוק

דיוק Top-1

דיוק Top-1 הוא מדד שמודד כמה פעמים התחזית הגבוהה ביותר של מודל תואמת את התווית הנכונה. אם מודל זיהוי מזון מסתכל על תמונה וההנחה הגבוהה ביותר שלו היא "פד תאי", דיוק Top-1 מודד כמה פעמים ההנחה הזו נכונה. זהו מדד הדיוק המחמיר ביותר ונמדד בדרך כלל במחקרי ראיית מחשב כמדד הבסיסי לביצועי סיווג.

דיוק Top-5

דיוק Top-5 מודד כמה פעמים התווית הנכונה מופיעה בכל מקום בין חמש התחזיות הגבוהות ביותר של המודל. מדד זה סלחני יותר מ-Top-1 והוא רלוונטי במיוחד לזיהוי מזון, שבו מנות דומות ויזואלית (כמו סוגים שונים של קארי או צורות פסטה שונות) עשויות להיות קשות להבחנה. מודל עם 85 אחוז דיוק Top-1 עשוי להשיג 97 אחוז דיוק Top-5, מה שאומר שהוא כמעט תמיד כולל את התשובה הנכונה ברשימה הקצרה שלו.

דיוק ממוצע (mAP)

דיוק ממוצע הוא מדד מקיף שמשמש להערכת מודלים של זיהוי אובייקטים. הוא מחשב את הדיוק הממוצע על פני כל הקטגוריות של מזון ובמספר ספים של חפיפה, ומפיק ציון אחד שתופס גם כמה טוב המודל מזהה מזונות וגם כמה מדויק הוא ממקם אותם. mAP הוא המדד הסטנדרטי למשימות זיהוי והוא במיוחד אינפורמטיבי עבור תרחישים של זיהוי מזון מרובה שבהם המודל חייב למצוא ולסווג מספר פריטים בתמונה אחת.

חפיפה על פני האיחוד (IoU)

חפיפה על פני האיחוד היא מדד שמ quantifies כמה טוב קופסת גבול או מסכת סגמנטציה שנחזתה חופפת עם האנוטציה האמיתית. הוא מחושב על ידי חלוקת שטח החפיפה בין האזורים החזויים והאמיתיים על שטח האיחוד שלהם. IoU של 1.0 משמעה חפיפה מושלמת, בעוד ש-IoU של 0 משמעה שאין חפיפה כלל. בזיהוי מזון, ספי IoU (בדרך כלל 0.5 או 0.75) קובעים אם זיהוי נחשב לחיובי אמיתי כאשר מחשבים mAP.

שגיאה ממוצעת מוחלטת (MAE)

שגיאה ממוצעת מוחלטת היא מדד שמודד את ממוצע גודלי השגיאות בקבוצת תחזיות, מבלי להתחשב בכיוונן. עבור הערכת מנות ותחזיות קלוריות, MAE תופס כמה רחוקות התחזיות של המודל ממוצע: MAE של 30 קלוריות משמעה שהתחזיות של המודל הן, בממוצע, 30 קלוריות מעל או מתחת לערך האמיתי. MAE נמוך מצביע על מעקב קלורי מהימן יותר ומשפיע ישירות על תוצאות המשתמש.

דיוק

דיוק הוא מדד שמודד את היחס בין תחזיות חיוביות שהן באמת נכונות. בזיהוי מזון, דיוק עונה על השאלה: "מתוך כל פריטי המזון שהמודל אמר שהוא מצא, כמה באמת היו שם?" דיוק גבוה משמעה שיש מעט מאוד חיוביים שגויים, כך שהמודל לעיתים נדירות "ממציא" מזונות שאינם על הצלחת. דיוק הוא חשוב במיוחד במעקב תזונה מכיוון שפריטי מזון דמיוניים היו מגדילים את ספירת הקלוריות.

זיכרון

זיכרון הוא מדד שמודד את היחס בין מקרים חיוביים אמיתיים שהמודל מזהה נכון. בזיהוי מזון, זיכרון עונה על השאלה: "מתוך כל פריטי המזון שנמצאים באמת על הצלחת, כמה המודל מצא?" זיכרון גבוה משמעה שיש מעט מאוד שליליים שגויים, כך שהמודל לעיתים נדירות מפספס מזונות שנמצאים. במעקב קלורי, זיכרון נמוך הוא מסוכן מכיוון שפריטי מזון שהוחמצו מובילים לדיווח תת-דווח על צריכה, מה שעלול undermine את המטרות התזונתיות של המשתמש.

שאלות נפוצות

מדוע יש כל כך הרבה מדדי דיוק שונים עבור AI זיהוי מזון?

מדדים שונים תופסים היבטים שונים של ביצועים. דיוק Top-1 ו-Top-5 מודדים את נכונות הסיווג, ואומרים לך אם המודל מזהה את המזון הנכון. mAP ו-IoU מודדים את איכות הזיהוי והמיקום, ואומרים לך אם המודל מוצא פריטים במקומות הנכונים. MAE מודד את שגיאות ההערכה עבור ערכים רציפים כמו קלוריות או גרמים. דיוק וזיכרון תופסים את המסחר בין חיוביים שגויים לשליליים שגויים. אין מספר אחד שמספר את כל הסיפור, ולכן חוקרים ומפתחים משתמשים בשילוב של מדדים כדי להעריך מערכת זיהוי מזון בצורה הוליסטית.

כיצד למידת העברה מקלה על גישה למודלים של זיהוי מזון?

אימון מודל למידה עמוקה מאפס דורש מיליוני תמונות מסומנות ומשאבי חישוב משמעותיים. למידת העברה עוקפת הרבה מהעלות הזו על ידי התחלה עם מודל שכבר למד תכנים ויזואליים כלליים מסט נתונים גדול כמו ImageNet. מהנדסים לאחר מכן מתאימים את המודל הזה לסט נתונים קטן יותר, ספציפי למזון. גישה זו מאפשרת גם לחברות קטנות יותר ללא תשתית נתונים גדולה לבנות מערכות זיהוי מזון תחרותיות, מה שהיה גורם מרכזי בצמיחה המהירה של אפליקציות תזונה מבוססות AI בשנים האחרונות.

מה ההבדל בין BMR ל-TDEE, ולמה זה חשוב במעקב קלורי?

BMR הוא האנרגיה שגופך משתמש במנוחה מוחלטת כדי לשמור על חייך, בעוד ש-TDEE הוא סך כל הוצאת הקלוריות שלך במהלך יום שלם, כולל פעילות גופנית והאפקט התרמי של מזון. המטרה הקלורית שלך באפליקציית תזונה מבוססת על TDEE, ולא על BMR, מכיוון ש-TDEE משקף את הצרכים האנרגטיים האמיתיים שלך. אם אפליקציה קבעה את היעד הקלורי שלך על פי BMR, היית במצב גירעון גדול מדי בימים פעילים, מה שעלול לפגוע במסת השריר ובבריאות המטבולית. לכן, הערכת TDEE מדויקת, המושפעת מנתוני פעילות ממכשירים לבישים ונתוני אימון מדווחים, היא קריטית לקביעת מטרות תזונה בטוחות ויעילות.

האם AI זיהוי מזון יכול להתמודד עם מנות מעורבות ומזון ביתי?

מנות מעורבות ומזון ביתי הם בין האתגרים הגדולים ביותר עבור AI זיהוי מזון. קערת מוקפץ, תבשיל או תבשיל ביתי מכילים מספר מרכיבים מעורבים יחד, מה שמקשה על סגמנטציה של תמונה להפריד בין רכיבים בודדים. מערכות מודרניות מתקרבות לבעיה זו בכמה דרכים: חלקן משתמשות בסיווג רב-תיוגי כדי לתייג את המרכיבים הסבירים, אחרות מתייחסות למאגר נתונים של מתכונים נפוצים כדי להעריך את הפרופיל התזונתי המשולב, וחלקן מבקשות מהמשתמש לאשר או להתאים את המרכיבים המזוהים. הדיוק עבור מנות מעורבות משתפר אך עדיין לא מגיע לביצועים על פני מזונות מופרדים וברורים.

כיצד הגברת נתונים משפרת את זיהוי המזון על פני תרבויות ומטבחים שונים?

מזון משתנה מאוד בין תרבויות, ומודל שאומן בעיקר על מנות מערביות יפעל רע על מטבחים בדרום אסיה, אפריקה או דרום מזרח אסיה. הגברת נתונים עוזרת על ידי יצירת וריאציות ויזואליות של תמונות אימון קיימות, אך זו רק חלק מהפתרון. האסטרטגיה המשמעותית יותר היא לאסוף נתוני אימון מגוונים המייצגים את כל טווח המזון הגלובלי, סגנונות הבישול ומסורות ההגשה. הגברת נתונים לאחר מכן מחזקת את סט הנתונים המגוון הזה על ידי סימולציה של תנאי תאורה, זוויות ורקעים שונים. יחד, איסוף נתונים מגוון והגברה אגרסיבית מפחיתים הטיות תרבותיות במערכות זיהוי מזון ומקדמים את התחום לעבר כיסוי גלובלי אמיתי.

מה עלי לחפש במאגר הנתונים של אפליקציית תזונה כדי להבטיח דיוק?

מאגר נתונים אמין של מזון צריך להתבסס על מקורות מאומתים כמו מרכזי נתוני המזון של USDA, מאגרי נתונים תזונתיים לאומיים ונתוני יצרן שנבדקו במעבדה ולא להסתמך רק על הזנות משתמשים המיועדות, אשר נוטות לשגיאות וחזרות. חפש אפליקציה שמסמנת בבירור את מקור הנתונים שלה, מספקת אפשרויות גודל מנות שמתאימות למנות בעולם האמיתי, ומעדכנת את מאגר הנתונים שלה באופן קבוע כדי לשקף מוצרים חדשים ורפורמציות. מאגר הנתונים צריך גם לכסות מגוון רחב של מטבחים ושיטות בישול, ולא רק מזונות ארוזים מערביים. לבסוף, בדוק אם האפליקציה משתמשת ב-AI כדי להשוות ולאמת רשומות, שכן שכבת בקרת איכות נוספת זו יכולה לתפוס את חוסר ההתאמה שמתרחש תמיד במאגרי נתונים גדולים של מזון.