הבעיה הסמויה בשמן: איך AI מולטימודלי רואה מה שאתה לא יכול

צילם תמונה של ירקות מוקפצים. זה נראה כמו ארוחה נקייה ובריאה: ברוקולי, פלפלים, אפונה, כמה רצועות עוף על אורז. מערכת מעקב קלוריות מבוססת תמונה עשויה להעריך 400 עד 500 קלוריות.

עכשיו שקול מה שהתמונה לא יכולה להראות: שלוש כפות שמן צמחי שחומם בווק לפני שהירקות נכנסו. זה מוסיף 360 קלוריות ו-42 גרם שומן שנמצאים פיזית במנה, אך לגמרי בלתי נראים בתמונה.

זו הבעיה הסמויה בשמן, והיא מקור השגיאה הגדול ביותר במעקב קלוריות מבוסס תמונה.

היקף הקלוריות הבלתי נראות

שומני בישול הם המרכיב עם הצפיפות הקלורית הגבוהה ביותר במטבח, עם 9 קלוריות לגרם, יותר מכפליים מהצפיפות הקלורית של חלבונים או פחמימות. אפילו שימוש מתון מוסיף קלוריות משמעותיות למנה, שקשה לזהותן ויזואלית לאחר שהאוכל מבושל.

הנה מה שכמויות נפוצות של שומני בישול תורמות בפועל:

שומן בישול	כמות	קלוריות נוספות
שמן זית	2 כפות	239
חמאה	2 כפות	204
שמן קוקוס	2 כפות	234
שמן צמחי	3 כפות	360
גהי	2 כפות	270
שמן שומשום	1 כף	120

ארוחת ערב ביתית שנראית כמו 500 קלוריות יכולה בקלות להיות 800 עד 900 קלוריות ברגע שמוסיפים את שומני הבישול. במהלך יום אחד, קלוריות בלתי נראות אלו יכולות להצטבר ל-500 עד 700 קלוריות שלא נחשבות, מספיק כדי לבטל לחלוטין חיסכון קלורי מתוכנן.

זה לא רק שמן

הבעיה של קלוריות סמויות חורגת משמן בישול למגוון תוספות צפופות קלורית שהופכות לבלתי נראות במנה הסופית:

• חמאה שנמסה באורז או פסטה: 1 כף מוסיפה 102 קלוריות, ולא ניתן לראות זאת ברגע שהיא נמסה
• שמנת שמעורבבת במרק: רבע כוס שמנת כבדה מוסיפה 205 קלוריות לקערת מרק עגבניות שנראית זהה לגרסה ללא שמנת
• רטבים שסופגים לתוך הירקות: שתי כפות רוטב ראנצ' מוסיפות 145 קלוריות, ורובו נשאר בתחתית הקערה או נספג לתוך חסה
• מרינדות על בשר צלוי: מרינדת טריאקי יכולה להוסיף 50 עד 100 קלוריות למנה דרך סוכר ושמן
• סוכר ברטבים: כף דבש ברוטב מוקפץ מוסיפה 64 קלוריות שלא ניתן לזהות ויזואלית

למה מעקב רק בתמונה נכשל כאן

החזון הממוחשב התקדם בצורה מרשימה בזיהוי מזון. מודלים מודרניים יכולים לזהות פריטי מזון בודדים על צלחת, להעריך גדלים בעזרת ניתוח עומק ואפילו להבחין בין מנות דומות ויזואלית. אך יש להם מגבלה בסיסית אחת: הם יכולים לנתח רק מה שנראה.

הבעיה ברמת השטח

תמונה תופסת את פני השטח של מנה. היא לא יכולה לראות שמן שסופג לתוך גרגרי אורז, חמאה שנמסה ברוטב, או שמנת שמעורבבת בקארי. המראה הוויזואלי של מוקפץ שבושל בכף שמן אחת כמעט זהה לזה שבושל בארבע כפות. אך ההבדל הקלורי הוא 360 קלוריות.

לא משנה כמה שיפורים יהיו ברזולוציית התמונה, בארכיטקטורת המודל או בנתוני האימון, הבעיה הזו לא תיפתר, כי המידע פשוט לא קיים בתמונה.

ממוצעים סטטיסטיים לא מספקים

חלק מהמערכות המבוססות על תמונות מנסות לקחת בחשבון שומנים סמויים דרך ממוצעים סטטיסטיים: הנחה על כמות "טיפוסית" של שמן בהתאם לסוג המנה. זה טוב יותר מאשר להתעלם לחלוטין משומני הבישול, אך זה מביא לטעויות משלו.

בישול ביתי משתנה באופן דרמטי. בישול "מוקפץ" של אדם אחד משתמש בריסוס קל של שמן בישול. אחר משתמש בכמות נדיבה. הכנות במסעדות לעיתים קרובות משתמשות בכמות שומן כפולה או משולשת מאשר בישול ביתי. ממוצע סטטיסטי יהיה שגוי כמעט עבור כולם, רק בכיוונים שונים.

איך AI מולטימודלי פותר את בעיית הקלוריות הסמויות

AI מולטימודלי מתייחס למערכות שמשלבות סוגי קלט שונים, כמו תמונות, טקסט וקול, כדי לבנות תמונה מלאה יותר ממה שסוג קלט אחד יכול לספק. בהקשר של מעקב תזונתי, זה אומר להוסיף למה שהמצלמה רואה עם מידע שהמשתמש מספק.

תמונה פלוס קול: תמונה מלאה

העבודה פשוטה. משתמש מצלם את המוקפץ שלו, וה-AI מזהה את המרכיבים הנראים: ברוקולי, עוף, פלפלים, אורז. לאחר מכן המשתמש מוסיף הערה קולית: "השתמשתי בכשתי כפות שמן שומשום וכף רוטב סויה."

עכשיו יש למערכת שני זרמי נתונים: זיהוי ויזואלי של פריטי מזון ופרטי הכנה שדווחו על ידי המשתמש. השילוב שלהם מפיק הערכת קלוריות שמתחשבת גם ברכיבים הנראים וגם באלו הבלתי נראים של המנה.

הגישה המולטימודלית של Nutrola מאפשרת למשתמשים להוסיף את ההקשר הזה דרך קול או טקסט ברגע הלוג. המערכת מעבדת את שני הקלטים יחד, מתאימה את ההערכה התזונתית בהתאם לשיטת ההכנה, סוג השמן וכמותו.

שאלות חכמות עבור נקודות עיוורון נפוצות

מערכת חכמה לא מסתמכת רק על המשתמש שיתנדב במידע. כאשר ה-AI מזהה סוג מנה שכולל בדרך כלל שומנים סמויים, הוא יכול להנחות את המשתמש בשאלה ממוקדת.

צלם צלחת פסטה, והמערכת עשויה לשאול: "האם זה נעשה עם רוטב שמן או חמאה?" לוג קארי, והיא שואלת: "האם זה נעשה עם חלב קוקוס, שמנת או שמן?"

שאלות הקשר אלו מוסיפות 5 עד 10 שניות לתהליך הלוג, אך יכולות לשפר את הדיוק ב-20 עד 35 אחוז עבור מנות עם תוכן שומן סמוי משמעותי.

למידת דפוסי המשתמש

עם הזמן, מערכת מולטימודלית לומדת את דפוסי הבישול האישיים. אם משתמש מדווח באופן עקבי על שימוש בשתי כפות שמן זית כאשר הוא מבשל ירקות, המערכת יכולה להחיל את הבסיס הזה על מנות ירקות עתידיות אוטומטית, ולבקש אישור במקום להתחיל מאפס בכל פעם.

זה מפחית את החיכוך במתן פרטי הכנה תוך שמירה על יתרון הדיוק.

בעיית המסעדות

קלוריות סמויות מתעצמות בהגדרות מסעדה, שבהן המשתמש לא רואה את שיטות ההכנה. מטבחים במסעדות משתמשים בדרך כלל ביותר שומן ממה שבשלנים ביתיים מצפים.

מחקר משנת 2016 שפורסם ב-Journal of the American Academy of Nutrition and Dietetics מצא כי מנות במסעדות הכילו בממוצע 1,205 קלוריות, כאשר שומני הבישול תרמו כ-30 אחוז מהקלוריות הכוללות, פרופורציה שהוערכה באופן עקבי נמוך על ידי משתתפי המחקר.

איך AI מולטימודלי מתמודד עם מנות במסעדות

למנות במסעדות, הגישה המולטימודלית משלבת זיהוי תמונה עם ידע הקשרי. כאשר המערכת מזהה מנה במסעדה, היא יכולה:

1. להחיל הנחות ספציפיות למסעדות לגבי גודל המנה ושיטות ההכנה במקום ברירות מחדל של בישול ביתי
2. לשאול את המשתמש על פרטים נראים: "האם המנה נראתה שומנית?" או "האם היה רוטב נוכח?"
3. להתייחס לנתוני מסעדות ידועים עבור מסעדות רשת עם מידע תזונתי שפורסם
4. לחשב על בסיסי סוגי מטבח: מסעדות איטלקיות נוטות להשתמש ביותר שמן זית; מסעדות הודיות משתמשות ביותר גהי ושמנת; מסעדות סיניות משתמשות ביותר שמן צמחי בחום גבוה

הגישה הרב-שכבתית הזו לא משיגה דיוק מעבדתי, אך היא מצמצמת משמעותית את הפער בין תוכן הקלוריות המוערך לנתוני הקלוריות בפועל.

אסטרטגיות מעשיות למעקב אחרי שומנים סמויים

אפילו עם AI מולטימודלי, מודעות לקלוריות סמויות משפרת את דיוק המעקב. הנה אסטרטגיות מבוססות ראיות.

מדוד לפני הבישול

האסטרטגיה היעילה ביותר היא למדוד את שומני הבישול לפני הוספתם למחבת. משקל מטבח או כף מדידה לוקחים 10 שניות ומבטלים את חוסר הוודאות לחלוטין. לאחר מכן תוכל לדווח על הכמות המדויקת לאפליקציית המעקב שלך.

הכירו את המנות בסיכון גבוה

סוגי מנות מסוימות נושאות באופן עקבי יותר קלוריות סמויות מאחרות:

• מוקפצים ומנות מוקפצות: שמן הוא אמצעי הבישול העיקרי
• קארי ותבשילים: לעיתים קרובות מכילים חלב קוקוס, שמנת או גהי
• ירקות קלויים: בדרך כלל מושלכים ב-2 עד 4 כפות שמן לפני הקלייה
• מנות פסטה: מסיימות עם חמאה או שמן זית
• סלטים עם רוטב: רוטב לעיתים קרובות תורם יותר קלוריות מאשר הירקות

השתמשו בהרגל רישום קולי

הפוך את זה להרגל להוסיף הערה קולית של 3 שניות לאחר כל לוג תמונה: "בושל בשמן זית" או "בלי שמן נוסף, טיגון באוויר." תוספת קטנה זו משפרת משמעותית את דיוק הלוג שלך עם מאמץ מינימלי.

ברירת מחדל גבוהה כשאין וודאות

אם לא הכנת את המנה ואינך יכול להעריך את תוכן השומן, מועיל יותר להניח הנחה גבוהה מאשר נמוכה. תת-אומדן של שומן בישול הוא הרבה יותר נפוץ מאשר אומדן יתר, במיוחד עבור מנות במסעדות.

שאלות נפוצות

כמה קלוריות סמויות מוסיף שמן בישול לארוחה?

כף אחת של כל שמן בישול מכילה כ-120 קלוריות ו-14 גרם שומן. רוב הארוחות הביתיות משתמשות בשתי עד שלוש כפות, מה שמוסיף 240 עד 360 קלוריות בלתי נראות. מנות במסעדות לעיתים קרובות משתמשות אפילו יותר. מכיוון שהשמן נספג באוכל במהלך הבישול, קלוריות אלו אינן ניתנות לזיהוי על ידי בדיקה ויזואלית או מעקב מבוסס תמונה בלבד. במהלך יום שלם של ארוחות ביתיות, שומני בישול סמויים יכולים להוסיף 400 עד 700 קלוריות שהלוג הסטנדרטי מפספס.

למה מעקב קלוריות מבוסס תמונה אינו מדויק?

מעקב קלוריות מבוסס תמונה מדויק בזיהוי פריטי מזון נראים והערכת גדלים, אך אינו יכול לזהות מרכיבים שסופגים לתוך האוכל במהלך הבישול. שמני בישול, חמאה נמסה, רטבים על בסיס שמנת, סוכר במרינדות ורטבים שסופגים לתוך סלטים הם כולם בלתי נראים בתמונה. זו מגבלה בסיסית של ניתוח מבוסס תמונה, ולא פגם בטכנולוגיה של אפליקציה ספציפית. AI מולטימודלי, שמשלב זיהוי תמונה עם הקשר שסיפק המשתמש לגבי שיטות ההכנה, פותר מגבלה זו.

מה זה AI מולטימודלי במעקב מזון?

AI מולטימודלי מתייחס למערכות אינטליגנציה מלאכותית שמעבדות סוגים שונים של קלט בו זמנית. במעקב מזון, זה אומר לשלב זיהוי תמונה (קלט ויזואלי) עם הערות קוליות או תיאורים טקסטואליים (קלט לשוני) כדי לבנות הערכה תזונתית מלאה יותר. לדוגמה, תמונה מזהה את פריטי המזון על הצלחת שלך בעוד שהערה קולית מוסיפה שאתה השתמשת בשמן קוקוס לבישול. המערכת משלבת את שני זרמי הנתונים כדי להפיק הערכה שמתחשבת במקורות קלוריות נראים ובלתי נראים.

איך אני יכול לעקוב אחרי קלוריות בצורה מדויקת יותר כשאני מבשל בבית?

הגישה היעילה ביותר משלבת שלוש פרקטיקות. ראשית, מדוד את שומני הבישול עם כף מדידה או משקל מטבח לפני הוספתם למחבת. שנית, השתמש באפליקציית מעקב מולטימודלית המאפשרת לך להוסיף פרטי הכנה דרך קול או טקסט לצד התמונה של המזון שלך. שלישית, פתח מודעות למקורות קלוריות סמויים בסיכון גבוה: שמני בישול, חמאה, שמנת, רטבים וסוגי רטבים על בסיס סוכר. רישום תוספות אלו לוקח שניות אך יכול לשפר את דיוק הקלוריות היומי שלך ב-20 עד 35 אחוז.

האם מסעדות משתמשות ביותר שמן מאשר בישול ביתי?

כן, באופן משמעותי. מחקרים מראים שמנות במסעדות מכילות כ-30 אחוז מהקלוריות שלהן משומני בישול נוספים, ושפים משתמשים בדרך כלל ביותר שמן, חמאה ושמנת מאשר בשלנים ביתיים כדי לשפר את הטעם והמרקם. מוקפץ במסעדה עשוי להשתמש בשלוש עד ארבע פעמים יותר שמן מאשר גרסה ביתית של אותה מנה. זו אחת הסיבות לכך שמנות במסעדות עולות על הציפיות הקלוריות גם כאשר גודל המנה נראה סביר.