עד כמה מדויק Cal AI? בדיקת 20 מזונות מול ערכי USDA

Cal AI היא אפליקציה למעקב קלוריות על בסיס תמונות, המשתמשת בראייה ממוחשבת כדי להעריך קלוריות מתמונות של מזון. הרעיון מעניין: צלם תמונה של הארוחה שלך וקבל הערכת קלוריות מיידית, מבלי לחפש בבסיסי נתונים, לסרוק ברקודים או להקליד דבר. אין צורך בהזנה ידנית, בבחירת מזון מרשימות או במשקל מנות.

אך הערכת קלוריות על בסיס תמונות נתקלת באתגרים טכניים בסיסיים שלא נפתרו לחלוטין, גם לא עם כל השכלולים של ה-AI. תמונה דו-ממדית של מזון תלת-ממדי אינה יכולה לתפוס עומק, צפיפות, שכבות מוסתרות או קלוריות בלתי נראות משמנים ורטבים. השאלה אינה האם Cal AI מושלם — אף אחד לא מצפה לכך — אלא האם הוא מדויק מספיק כדי להניב תוצאות משמעותיות למשתמשים המנסים לנהל את התזונה שלהם.

בדקנו את Cal AI באמצעות המתודולוגיה הסטנדרטית שלנו: 20 מזונות נפוצים, במשקל מדויק, צולמו בתנאי תאורה רגילים בבית, ונבדקו מול ערכי ה-USDA FoodData Central.

איך Cal AI עובד

Cal AI משתמש במודלים של ראייה ממוחשבת כדי לנתח תמונות מזון ולהעריך את תוכן הקלוריות. התהליך מתבצע בשלושה שלבים:

1. זיהוי מזון. ה-AI מזהה אילו מזונות נמצאים בתמונה.
2. הערכת מנות. ה-AI מעריך את כמות כל מזון מזוהה בהתבסס על רמזים ויזואליים כמו גודל הצלחת, פרופורציות המזון, והפניות גודל שנלמדו.
3. חישוב קלוריות. המנות המוערכות מוכפלות בערכי קלוריות לגרם כדי להניב הערכת קלוריות כוללת.

אין בסיס נתונים מאומת שממנו התמונה נובעת. ההערכה הקלורית נובעת מנתוני האימון של מודל ה-AI והקשרים שהוא למד בין תכונות המזון הוויזואליות לתוכן הקלורי. אין סורק ברקודים, אין רישום קולי, ואין חיפוש ידני בבסיסי נתונים — התמונה היא שיטת הקלט היחידה.

בדיקת דיוק 20 המזונות: Cal AI מול ערכי USDA

כל מזון נשקל על משקל מטבח מכויל, הוגש בצורה רגילה (לא מפוזר או מסודר באופן מלאכותי), וצולם מזווית אכילה טבעית בתנאי תאורה סטנדרטיים. ערכי ה-USDA הם מ-FoodData Central עבור המשקל המדוד המדויק.

#	פריט מזון	משקל (גרם)	ערך USDA (קלוריות)	הערכת Cal AI (קלוריות)	סטייה (קלוריות)	סטייה (%)
1	חזה עוף, צלוי	150	248	220	-28	-11.3%
2	אורז חום, מבושל	200	248	275	+27	+10.9%
3	בננה, בינונית	118	105	110	+5	+4.8%
4	חלב מלא (כוס)	244	149	170	+21	+14.1%
5	פילה סלמון, אפוי	170	354	310	-44	-12.4%
6	אבוקדו, שלם	150	240	200	-40	-16.7%
7	יוגורט יווני, טבעי (קערה)	200	146	160	+14	+9.6%
8	בטטה, אפויה	180	162	145	-17	-10.5%
9	שקדים, טבעיים (קערה קטנה)	30	174	210	+36	+20.7%
10	לחם חיטה מלאה (2 פרוסות)	50	130	140	+10	+7.7%
11	ביצה, גדולה, מקושקשת	61	91	105	+14	+15.4%
12	ברוקולי, מאודה	150	52	45	-7	-13.5%
13	שמן זית (כף על צלחת)	14	119	60	-59	-49.6%
14	חמאת בוטנים (על לחם)	32	190	155	-35	-18.4%
15	גבינת צ'דר (פרוסה)	40	161	140	-21	-13.0%
16	פסטה, מבושלת (צלחת)	200	262	290	+28	+10.7%
17	תפוח, בינוני	182	95	90	-5	-5.3%
18	בשר טחון, 85% רזה (קציצה)	120	272	240	-32	-11.8%
19	שיבולת שועל, יבשה (קערה)	40	152	180	+28	+18.4%
20	עדשים, מבושלות (קערה)	180	207	185	-22	-10.6%

סטטיסטיקות סיכום

• סטיית ממוצע מוחלטת: 22.2 קלוריות לכל פריט מזון
• סטיית מקסימום: 59 קלוריות (שמן זית)
• סטיית אחוז ממוצעת: 13.3%
• מזונות בטווח של 5% מערכי USDA: 2 מתוך 20 (10%)
• מזונות בטווח של 10% מערכי USDA: 5 מתוך 20 (25%)
• מזונות עם סטיית אפס: 0 מתוך 20 (0%)

הסטיות לכל פריט גדולות משמעותית ממה שאנחנו רואים ממעקבים מבוססי נתונים. שמן זית — כף שנמצאת על צלחת — הוערך בפחות מ-50%, מה שמדגיש את האתגר הבסיסי בהערכת נוזלים עתירי קלוריות מתמונה.

דיוק התמונות לפי סוג ארוחה

דיוק Cal AI משתנה באופן דרמטי בהתאם למה שאתה מצלם. הרחבנו את הבדיקה מעבר ל-20 המזונות האישיים כדי להעריך תרחישי ארוחה שלמה.

סוג ארוחה	דיוק זיהוי	דיוק הערכת קלוריות	סטיית טיפוסית
מזון שלם בודד (תפוח, בננה)	~85%	±8%	±8-12 קלוריות
ארוחה פשוטה (חלבון + צד אחד)	~78%	±15%	±40-80 קלוריות
צלחת מורכבת עם מרכיבים רבים	~60%	±25%	±80-150 קלוריות
מזון במסעדה	~55%	±30%	±100-200 קלוריות
מזון ארוז (ללא ברקוד)	~75%	±18%	±30-60 קלוריות
ארוחות בקערה (סלטים, קערות דגנים)	~65%	±22%	±60-120 קלוריות
מרקים ומזון נוזלי	~50%	±35%	±80-180 קלוריות

הדפוס ברור: הדיוק פוחת ככל שהמורכבות של הארוחה עולה. בננה אחת מצולמת בתאורה טובה היא בעיה יחסית קלה לראייה ממוחשבת. צלחת במסעדה עם חלבון, פחמימה, ירקות, רוטב וקישוט — שבהם המזונות חופפים, רטבים מכסים משטחים, והמנות מעוצבות ולא נמדדות — היא בעיה קשה מאוד.

בעיית הערכת המנות

המקור הגדול ביותר לדיוק הנמוך של Cal AI אינו זיהוי המזון — אלא הערכת המנות. הנה למה.

תמונות דו-ממדיות של מזון תלת-ממדי

תמונה ממקדת מזון תלת-ממדי לתמונה דו-ממדית. צלחת רחבה רדודה וקערה עמוקה צריכות להכיל נפחים שונים באופן דרמטי, בעוד שהן נראות דומות מלמעלה. חזה עוף יכול להיות עבה או דק, ותמונה מלמעלה אינה יכולה להבחין ביניהם.

תרחיש ויזואלי	מה Cal AI רואה	מה באמת קיים	שגיאה
קערה גבוהה של אורז	עיגול בינוני של מזון לבן	350 גרם אורז (קערה עמוקה)	מתחת למינון ב-30-40%
אורז דק מפוזר על צלחת	עיגול גדול של מזון לבן	150 גרם אורז (מפוזר שטוח)	מעל למינון ב-20-30%
חזה עוף עבה	חלבון לבן מלבני	200 גרם (חתך עבה)	מתחת למינון ב-15-25%
חזה עוף דק	צורה מלבנית דומה	120 גרם (חתך דק)	מעל למינון ב-10-20%

אין מודל AI קיים הפותר את בעיית תפיסת העומק הזו באופן מהימן עם תמונה אחת. כמה גישות משתמשות באובייקטים רפרנס (כמו הנחת מטבע ליד המזון) או צילום סטריאו, אך Cal AI משתמשת בתמונה אחת לא מוגבלת, מה שמגביל את הערכת העומק להנחות שנלמדו.

בעיית הקלוריות המוסתרות

מרכיבים עתירי קלוריות מסוימים אינם נראים או כמעט אינם נראים בתמונות:

• שמנים הנספגים במזון במהלך טיגון או צלייה מוסיפים 40-120 קלוריות לכל כף אך אינם משאירים עקבות נראים.
• חמאה שנמסה לתוך אורז, פסטה או ירקות עשויה להיות בלתי נראית בתמונה.
• רטבים ותיבול מתחת ללפת, מעורבים בפסטה, או מוזלים מתחת לחלבון מוסתרים חלקית או לחלוטין.
• גבינה שנמסה במנות מתמזגת ויזואלית עם המזון שמתחתיה.
• סוכר המומס במשקאות הוא לחלוטין בלתי נראה.

בבדיקת שמן הזית שלנו, כף (119 קלוריות) שנמצאת על צלחת הוערכה ב-60 קלוריות בלבד. כאשר אותה כמות של שמן זית שימשה לבישול עוף ולא הייתה נראית יותר, Cal AI העריך 0 קלוריות נוספות מהשמן — החמצה של 119 קלוריות מכף אחת של שומן בישול.

זה אינו פגם במימוש הספציפי של Cal AI. זו מגבלה בסיסית של הערכת קלוריות מתמונות. כל מערכת מבוססת תמונות תתקשה עם קלוריות בלתי נראות.

הצטברות שגיאות יומית: מה זה אומר ±160 קלוריות

במהלך יום שלם של אכילה, ההערכות המבוססות על תמונות של Cal AI מייצרות סטיית ממוצע יומית של כ-±160 קלוריות מערכי ה-USDA.

• ±160 קלוריות ביום במשך 7 ימים = ±1,120 קלוריות בשבוע
• חיסרון של 500 קלוריות ביום הופך לחיסרון של 340 עד 660 קלוריות
• במשך 30 ימים, השגיאה המצטברת מגיעה ל-±4,800 קלוריות — בערך 1.4 פאונד של שומן גוף של חוסר ודאות

בניגוד למעקבים מבוססי נתונים שבהם השגיאות יחסית עקביות (אותו רישום מזון מחזיר את אותן קלוריות בכל פעם), השגיאות של Cal AI משתנות. אותה ארוחה שצולמה מזווית שונה, בתאורה שונה, או על צלחת שונה יכולה להניב הערכות קלוריות שונות. השונות הזו מקשה על המשתמשים לפתח אינטואיציה מדויקת לגבי הצריכה שלהם.

עבור מישהו שעוקב באופן לא פורמלי כדי לבנות מודעות כללית לדפוסי האכילה שלו, ±160 קלוריות ביום עשויות להיות מקובלות — זה יזהה נכון יום של 3,000 קלוריות מול יום של 1,500 קלוריות. עבור כל מי שמבצע מעקב אחר יעד קלורי ספציפי לניהול משקל, טווח השגיאה רחב מספיק כדי להסתיר אותות התקדמות משמעותיים.

היכן Cal AI מדויק

Cal AI פועל בצורה הטובה ביותר בתנאים ספציפיים ומועילים.

ארוחות פשוטות, מוגשות היטב עם פריט אחד. חזה עוף צלוי על צלחת לבנה, תפוח אחד, או קערה של שיבולת שועל פשוטה — אלו תרחישים שבהם ל-AI יש נתוני אימון חזקים והמזון ברור. הדיוק לארוחות פשוטות מתקרב ל-±8-10%, מה שמקובל לרישום מהיר.

ארוחות מצולמות באופן עקבי. אם אתה אוכל ארוחות דומות באופן קבוע ומצלם אותן בתנאים דומים, השגיאות הופכות לעקביות ולמדיוק מסוים. זה פחות על דיוק ויותר על דיוק — המספרים עשויים להיות לא מדויקים, אבל הם לא מדויקים באותו אופן בכל פעם, מה ששומר על האות היחסית.

מהירות ונוחות. הערך העיקרי של Cal AI אינו דיוק — אלא מהירות. צילום תמונה לוקח 3 שניות. חיפוש בבסיס נתונים, בחירת הרשומה הנכונה והזנת גודל המנה לוקח 30-60 שניות לכל פריט מזון. עבור משתמשים שלא היו עוקבים בכלל, ההפחתה במאמץ של Cal AI היא בעלת ערך אמיתי.

יומני מזון ויזואליים. הגישה על בסיס תמונות יוצרת רישום ויזואלי של מה שאכלת, שיש לו יתרונות התנהגותיים בלתי תלויים בדיוק הקלורי. מחקרים מציעים שצילום מזון מגביר את המודעות התזונתית גם ללא נתוני קלוריות מדויקים.

היכן Cal AI נכשל

צלחות מעורבות ומנות מורכבות. כל ארוחה עם יותר מ-2-3 מרכיבים שונים רואה ירידה מהירה בדיוק. אכילה בעולם האמיתי — צלחת ערב עם חלבון, פחמימה, ירקות ורוטב — היא מורכבת מטבעה, וכאן הסטייה של ±25-30% של Cal AI הופכת את הערכות הקלוריות לבלתי מהימנות.

רטבים, שמנים וקלוריות מוסתרות. כפי שהודגם בתוצאות הבדיקה, מרכיבים עתירי קלוריות אך עדינים מבחינה ויזואלית מוערכים בצורה חמורה מדי או מפוספסים לחלוטין. ארוחה ביתית עם 2 כפות שמן זית בשימוש בבישול עשויה להיות מוערכת בפחות מ-200 קלוריות רק מהשמן הבלתי נראה.

תאורה עמומה ותנאי צילום לקויים. תאורת מסעדות, תאורת מטבח בערב, וכל סביבה שבה המזון אינו מואר בבירור מפחיתים את הדיוק בזיהוי ובהערכת המנות. ה-AI זקוק לנתונים ויזואליים ברורים כדי לעבוד.

אין גיבוי לזיהוי כושל. כאשר Cal AI אינה מצליחה לזהות מזון — מה שקורה עם כ-20-45% מהפריטים בהתאם למורכבות — אין סורק ברקודים, אין חיפוש בבסיסי נתונים, ואין רישום קולי להסתמך עליו. המשתמש נשאר עם הערכה לא מלאה או לא נכונה ואין חלופה בתוך האפליקציה.

אין בסיס נתונים מאומת. Cal AI אינה מקשרת מזונות מזוהים לבסיס נתונים תזונתי מאומת. ההערכה הקלורית נובעת מהקשרים שנלמדו על ידי מודל ה-AI, מה שאומר שאין מקור סמכותי המאמת את ערכי הקלוריות לגרם המשמשים בחישוב. אם המודל למד קשר שגוי (למשל, הערכת יתר של צפיפות הקלוריות של אורז מבושל), השגיאה הזו תיכנס לכל הערכה עתידית של מזון זה.

מזונות מקובצים ומסודרים. סנדוויץ' שצולם מלמעלה מציג את פרוסת הלחם העליונה. ה-AI חייב לנחש מה יש בפנים בהתבסס על רמזים ויזואליים מהקצוות. המבורגר עם פאטי עבה, גבינה ורבים נוספים יוערך בצורה שונה בהתאם למה שנראה מזווית המצלמה.

איך Cal AI משווה למעקבים מבוססי נתונים

מדד	Cal AI	Nutrola	MacroFactor	FatSecret
סטיית ממוצע יומית	±160 קלוריות	±78 קלוריות	±110 קלוריות	±175 קלוריות
שיטת קלט	רק תמונה	תמונה + קול + חיפוש + ברקוד	חיפוש + ברקוד	חיפוש + ברקוד
זיהוי מזון	ראיית AI	ראיית AI + בסיס נתונים מאומת	ידני (נבחר)	ידני (נאסף מהקהל)
הערכת מנות	AI מתמונה	AI + התאמה ידנית	ידני (המשתמש שוקל)	ידני (המשתמש שוקל)
סורק ברקודים	לא	כן (3M+ מוצרים, 47 מדינות)	כן	כן
רישום קולי	לא	כן (~90% דיוק)	לא	לא
גיבוי בבסיס נתונים	אין	1.8M+ רשומות מאומתות	בסיס נתונים נבחר	בסיס נתונים נאסף מהקהל
מהירות רישום	~3 שניות	~5-10 שניות	~30-60 שניות	~30-60 שניות

היתרון של Cal AI הוא מהירות. החיסרון הוא שכל מדד דיוק אחר גרוע יותר מהאלטרנטיבות שמשתמשות בבסיסי נתונים מאומתים או נבחרים. האפליקציה ממלאת נישה ספציפית: משתמשים שמעריכים נוחות על פני דיוק, ושלא היו עוקבים בכלל אם היו נדרשים לחפש בבסיסי נתונים או לסרוק ברקודים.

עבור משתמשים שרוצים את נוחות ה-AI בתמונות מבלי לוותר על דיוק מבוסס בסיס נתונים, Nutrola מציעה זיהוי תמונות AI שמקושר לבסיס נתונים מאומת על ידי תזונאים של מעל 1.8 מיליון רשומות, מה שמספק את יתרון המהירות של רישום תמונות עם דיוק של נתונים תזונתיים מאומתים. Nutrola גם מספקת רישום קולי וסריקת ברקודים כשיטות קלט חלופיות כאשר תמונה אינה מעשית, דבר ש-Cal AI אינה יכולה להציע. Nutrola זמינה ב-iOS וב-Android במחיר של €2.50/month ללא פרסומות.

שאלות נפוצות

האם Cal AI יכולה להחליף אפליקציית מעקב קלוריות מסורתית?

עבור מודעות תזונתית לא פורמלית — הבנה אם אכלת הרבה או מעט ביום מסוים — Cal AI יכולה לספק הערכות שימושיות. עבור יעדים קלוריים ספציפיים, פרוטוקולי ניהול משקל, או כל מטרה התלויה בדיוק של 100-200 קלוריות ביום, הסטייה היומית של ±160 קלוריות של Cal AI עושה אותה לא מהימנה ככלי מעקב ראשי. משתמשים עם יעדי דיוק ימצאו את עצמם משרתים טוב יותר על ידי אפליקציות עם בסיסי נתונים מאומתים ושיטות קלט רבות.

למה Cal AI מתקשה בהערכת מנות?

האתגר הבסיסי הוא שתמונה דו-ממדית אחת אינה יכולה לתפוס את התכונות התלת-ממדיות של המזון — עומק, צפיפות ונפח. קערה עמוקה של מרק וצלחת רדודה של פסטה עשויות להיראות דומות מלמעלה אך להכיל כמויות שונות מאוד של מזון. בנוסף, מרכיבים עתירי קלוריות כמו שמנים, חמאה וסוכר שמעורבים במזון או נספגים בו אינם נראים בתמונות. אלו מגבלות פיזיקליות החלות על כל מערכות הערכה מבוססות תמונות, ולא רק על Cal AI.

האם Cal AI מדויק יותר עבור מזונות מסוימים מאשר אחרים?

כן, באופן משמעותי. מזונות שלמים בודדים עם צורות עקביות (תפוחים, בננות, ביצים) מייצרים הערכות בטווח של ±5-8% מערכי הייחוס. ארוחות פשוטות עם מרכיבים נראים ובולטים משיגות ±15%. צלחות מעורבות מורכבות, ארוחות במסעדות ומרקים צונחות לדיוק של ±25-35%. ככל שהארוחה מורכבת יותר וכוללת שכבות רבות יותר, כך ההערכה פחות מדויקת.

האם Cal AI לומדת מתיקונים ומשתפרת עם הזמן?

מודל ה-AI של Cal AI מתעדכן דרך אימון מודלים כללי, ולא מתיקונים של משתמשים בודדים. אם אתה מתקן הערכה באפליקציה, זה לא משפר את ההערכות העתידיות עבור אותו מזון בחשבון שלך. שיפורי המודל מתרחשים דרך עדכוני נתוני אימון רחבים שמשוחררים כעדכוני אפליקציה. זה אומר ששגיאות שיטתיות עבור סוגי מזון ספציפיים ימשיכו להתקיים עד שהמודל יוכשר מחדש.

איך Cal AI מתמודדת עם ארוחות עם מספר פריטים על צלחת אחת?

ה-AI מנסה לחלק את התמונה לאזורים נפרדים של מזון ולהעריך כל רכיב בנפרד. זה עובד באופן סביר כאשר המזונות מופרדים בבירור על צלחת (חלבון בצד אחד, ירקות בצד שני). זה מתדרדר משמעותית כאשר המזונות חופפים, מעורבים יחד, או מכוסים ברטבים. עבור צלחת עם 4-5 פריטי מזון שונים, צפה ש-1-2 מהם יזוהו לא נכון או יהיו עם הערכות מנות שגויות באופן משמעותי.