איך בנינו את מסד הנתונים המדויק ביותר בעולם למזון: מאחורי הקלעים של נתוני התזונה של Nutrola

כשאתה רושם חזה עוף באפליקציית מעקב קלוריות, אתה סומך על כך שהמספר שאתה רואה הוא נכון. אתה סומך שמישהו, איפשהו, מדד את המזון הזה כראוי, הזין את הנתונים בצורה מדויקת, ושאף אחד לא שינה את זה מאז.

האמון הזה לעיתים קרובות לא במקום.

רוב אפליקציות התזונה נשענות על מסדי נתונים שנבנים על ידי משתמשים, שבהם כל משתמש יכול להוסיף רשומה. התוצאה היא בלגן. אתה מחפש "בננה" ומוצא 47 רשומות עם ספירות קלוריות שונות מאוד. אתה סורק ברקוד ומקבל נתוני תזונה מלפני שלוש שנים, לפני שהיצרן שינה את המוצר. אתה רושם ארוחה במסעדה והרשומה הוזנה על ידי מישהו שחשב.

ב-Nutrola, החלטנו כבר בתחילת הדרך שדיוק הנתונים הוא לא תכונה — הוא הבסיס. כל דבר אחר שאנחנו בונים תלוי בכך שהמספרים יהיו נכונים. זו הסיפור על איך בנינו מסד נתונים תזונתי מהימן על ידי יותר מ-2 מיליון משתמשים, והמערכות שבהן אנחנו משתמשים כדי לשמור עליו מדויק בכל יום.

למה רוב מסדי הנתונים התזונתיים לא עובדים

לפני שנסביר מה אנחנו עושים אחרת, כדאי להבין למה הגישה הסטנדרטית נכשלת.

בעיית ההמון

אפליקציות מעקב קלוריות הפופולריות ביותר משתמשות במסדי נתונים שנבנים על ידי משתמשים. משתמשים מוסיפים רשומות מזון, משתמשים אחרים צורכים אותן, והמסד מתפתח באופן אורגני. המודל הזה מתרחב במהירות, ולכן אפליקציות מאמצות אותו. אבל הוא מביא איתו שגיאות שיטתיות שמצטברות עם הזמן.

הנה הבעיות הנפוצות ביותר עם נתוני תזונה שנבנים על ידי משתמשים:

בעיה	איך זה קורה	השפעה על המשתמשים
רשומות כפולות	משתמשים שונים מוסיפים את אותו מזון עם נתונים שונים	משתמשים בוחרים רשומות אקראיות, מקבלים תוצאות לא עקביות
מידע מיושן	מוצרים משתנים אבל רשומות ישנות נשארות	ספירות קלוריות ומקרו יכולות להיות שגויות ב-20-40%
גדלי מנות לא נכונים	משתמשים מזינים נתונים בגרמים כשעל התווית כתוב אונקיות, או להיפך	חישובי המנות שגויים מהיסוד
חוסרים במיקרו-נוטריינטים	משתמשים מזינים רק קלוריות ומדלגים על ויטמינים, מינרלים, סיבים	מעקב אחר מיקרו-נוטריינטים הופך לבלתי מהימן
וריאציות אזוריות	אותו מוצר יכול להיות עם נוסחאות שונות במדינות שונות	משתמשים במדינה אחת מקבלים נתונים שמיועדים למדינה אחרת
רשומות מפוברקות	משתמשים מזינים נתוני תזונה מקורבים או דמיוניים	אין דרך להבחין בין נתונים אמיתיים לבין ניחושים

מחקר שפורסם ב-2024 ב-Journal of the Academy of Nutrition and Dietetics מצא ששיעורי השגיאות במסדי נתונים שנבנים על ידי משתמשים היו בין 15% ל-30% עבור מזונות שנרשמים לעיתים קרובות. עבור מזונות פחות נפוצים, שיעור השגיאות עלה מעל 40%.

זה אומר שאם אתה עוקב בקפדנות אחרי המזון שלך כל יום, הצריכה שלך בפועל יכולה להיות שגויה במאות קלוריות. עבור מישהו שמנסה לשמור על גרעון של 300 קלוריות כדי לרדת במשקל, טווח השגיאה הזה יכול למחוק לחלוטין את ההתקדמות שלו.

בעיית הנתונים המיושנים

יצרני המזון משנים את המתכונים והנוסחאות שלהם כל הזמן. חטיף חלבון שהיה בו 20 גרם חלבון בשנה שעברה יכול להכיל 18 גרם היום. ארוחה קפואה שהייתה 350 קלוריות יכולה להיות עכשיו 380. אריזות משתנות, רכיבים מוחלפים, גדלי מנות מתעדכנים.

רוב מסדי הנתונים התזונתיים לא כוללים מערכת לתפוס את השינויים האלה. הרשומה המקורית נשארת במסד הנתונים לנצח, מתרחקת לאט מהמציאות.

בעיית סריקת הברקוד

סריקת ברקוד היא אחת התכונות הפופולריות ביותר באפליקציות מעקב קלוריות. משתמשים אוהבים את זה כי זה מרגיש מדויק — אתה סורק את המוצר המדויק שאתה אוכל. אבל למסדי נתונים של ברקודים יש בעיות משלהם. מוצרים משתפים ברקודים בין אזורים עם נוסחאות שונות. מותגי חנות עושים שימוש חוזר בברקודים כשמשנים ספקים. ורבים מהמוצרים פשוט לא נמצאים במסד הנתונים בכלל, במיוחד מזונות בינלאומיים או מיוחדים.

הגישה של Nutrola: נתונים מאומתים בכל שכבה

בנינו את מסד הנתונים שלנו על פילוסופיה fundamentally שונה: כל נתון תזונתי צריך להיות ניתן למעקב ממקור מאומת, וכל רשומה צריכה להיות מאומתת באופן מתמשך.

הנה איך זה עובד בפועל.

שכבה 1: מקורות ממשלתיים ומוסדיים

הבסיס של מסד הנתונים שלנו מגיע ממסדי נתונים תזונתיים רשמיים של ממשלות. אלה הסטנדרט הזהב של נתוני תזונה כי הם מיוצרים על ידי מדעני מזון מוסמכים באמצעות שיטות מעבדה סטנדרטיות.

המקורות המוסדיים העיקריים שלנו כוללים:

• USDA FoodData Central — משרד החקלאות של ארצות הברית מחזיק במסד הנתונים הנרחב ביותר בעולם לניתוח מזון במעבדה, עם יותר מ-380,000 רשומות המכסות רכיבים גולמיים, מוצרים ממותגים ומזונות ממסעדות.
• EFSA Comprehensive European Food Consumption Database — רשות המזון האירופית מספקת נתוני תזונה שמתחשבים בנוסחאות מזון אירופיות ורכיבים אזוריים.
• Food Standards Australia New Zealand (FSANZ) — מכסה מוצרים ורכיבים ספציפיים לשוק האוסטרלי והניו זילנדי.
• Health Canada Canadian Nutrient File — נתונים שנבדקו במעבדה עבור מזונות הנצרכים בדרך כלל בקנדה.
• National Institute of Health and Nutrition (Japan) — מספק נתונים עבור מזונות ורכיבים יפניים שאינם מיוצגים היטב במסדי נתונים מערביים.

אנחנו לא פשוט מייבאים את המסדים האלה ומסיימים את העבודה. אנחנו מנרמלים את הנתונים בין המקורות, פותרים סתירות (כאשר אותו מזון מופיע במסדי נתונים שונים עם ערכים מעט שונים), וממפים הכל לסכימה מאוחדת שמתחשבת בגדלי מנות, שיטות הכנה, ווריאציות אזוריות.

שכבה 2: נתוני מוצרים מאומתים על ידי היצרן

עבור מוצרים ממותגים ומסודרים, אנחנו שומרים על צינורות נתונים ישירים עם יצרני המזון ורשתות הקמעונאות. כאשר חברה מעדכנת נוסחה של מוצר, אנחנו מקבלים את המידע התזונתי המעודכן — לעיתים לפני שהוא מופיע על המדפים.

שכבה זו מכסה יותר מ-1.2 מיליון מוצרים ממותגים ב-47 מדינות. כל רשומה כוללת:

• נתוני תווית תזונה מלאה (לא רק קלוריות ומקרו)
• רשימות רכיבים עם סימון אלרגנים
• מידע על גודל המנה במספר יחידות
• וריאציות נוסחא אזוריות
• מצב המוצר (פעיל, לא פעיל, שונה נוסחא)

כאשר אנחנו מזהים שינוי בנוסחה, אנחנו מעדכנים את הרשומה ומסמנים אותה כך שמשתמשים שמזינים את המוצר הזה באופן קבוע רואים נתונים מדויקים בהמשך. אנחנו לא מוחקים רשומות ישנות — אנחנו שומרים אותן בארכיון עם חותמות זמן כך שהיומנים ההיסטוריים נשארים מדויקים.

שכבה 3: אימות נתונים בעזרת AI

כאן הגישה שלנו מתבדלת בצורה המשמעותית ביותר מהסטנדרט בתעשייה. אנחנו משתמשים במודלים של למידת מכונה כדי לאמת באופן מתמשך כל רשומה במסד הנתונים שלנו, ולתפוס שגיאות שהסקירה האנושית הייתה מפספסת.

מערכת האימות שלנו בודקת:

סטטיסטיקות חריגות. אם רשומת מזון כוללת ערכי קלוריות או מקרו שנופלים מחוץ לטווח הצפוי עבור קטגוריית המזון שלה, היא מסומנת לבדיקה. חזה עוף עם 400 קלוריות ל-100 גרם יתפס מיד.

עקביות קלוריות-מקרו. קלוריות יכולות להיות מחושבות מהמקרונוטריינטים (4 קלוריות לגרם חלבון, 4 לגרם פחמימות, 9 לגרם שומן, 7 לגרם אלכוהול). אם הקלוריות המצוינות ברשומה לא תואמות את הסכום המחושב מהמקרו שלה, משהו לא בסדר. המערכת שלנו תופסת אי-סדרים גם בגובה של 5%.

אימות בין מקורות. כאשר אותו מזון מופיע במסדי נתונים שונים, אנחנו משווים את הערכים. אי-סדרים משמעותיים מפעילים בדיקה ידנית על ידי צוות נתוני התזונה שלנו.

עקביות זמנית. אם נתוני התזונה של מוצר ממותג משתנים פתאום ללא עדכון מהיצרן, זה מסומן. זה תופס מקרים שבהם ייבוא נתונים מהמסד הציג שגיאות או כאשר מוצר הוטעה עם מוצר דומה.

סיגנלים מהתנהגות המשתמשים. כאשר אלפי משתמשים רושמים את אותו מזון, גדלי המנות ודפוסי התדירות שלהם יוצרים חתימה התנהגותית. אם רשומה חדשה גורמת לדפוסי רישום לא רגילים (כמו אנשים שמבצעים התאמות תכופות בגודל המנה, למשל), זה מרמז שהגודל המנה המוגדר עשוי להיות שגוי.

שכבה 4: סקירה על ידי מומחים אנושיים

הטכנולוגיה תופסת את רוב השגיאות, אבל חלקן דורשות שיפוט אנושי. צוות נתוני התזונה שלנו כולל דיאטנים רשומים ומדעני מזון שמטפלים ב:

• רשומות שסומנו על ידי מערכת האימות של AI
• מזונות מורכבים כמו ארוחות במסעדות עם רכיבים רבים
• מזונות אזוריים שאינם מופיעים במסדי נתונים סטנדרטיים
• בעיות נתונים מדווחות על ידי משתמשים (אנחנו מתייחסים לכל דיווח ברצינות)
• קטגוריות מזון חדשות שהמודלים שלנו לא אומנו עליהן

כל רשומה שעוברת סקירה אנושית מסומנת עם הערות הסוקר, מקור התיקון, ודירוג אמון. זה יוצר מסלול ביקורת שעוזר לנו לשפר את המערכות האוטומטיות שלנו עם הזמן.

התשתית הטכנית מאחורי מסד הנתונים שלנו

בניית נתונים מדויקים היא רק חצי מהאתגר. שירותם בצורה אמינה ליותר מ-2 מיליון משתמשים דורש תשתית שרוב האנשים לא חושבים עליה.

ארכיטקטורת סנכרון בזמן אמת

כאשר אנחנו מעדכנים רשומת מזון, השינוי צריך להגיע לכל משתמש שיש לו את המזון הזה ביומן שלו. אנחנו משתמשים בארכיטקטורה מונחית אירועים שבה עדכוני מסד הנתונים מתפשטים למכשירי המשתמשים בתוך דקות. זה אומר שאם אנחנו מתקנים שגיאה במוצר פופולרי בשעה 14:00, משתמשים שיפתחו את Nutrola בשעה 14:05 יראו את הערכים המתוקנים.

התאמת מזון רב-שפתית

שמות המזון משתנים בצורה דרמטית בין שפות ואזורים. "קישוא" בבריטניה הוא "זוקיני" בארצות הברית. "סקיר" באיסלנד לרוב מסווגי כ"יוגורט" במקומות אחרים. מערכת החיפוש שלנו משתמשת באונטולוגיה רב-שפתית למזון שממפה מזונות מקבילים ב-18 שפות, כך שמשתמשים תמיד ימצאו את מה שהם מחפשים, לא משנה איך הם קוראים לזה.

אינטליגנציה לגבי גודל המנה

נתוני תזונה גולמיים בדרך כלל מסופקים ל-100 גרם, אבל אף אחד לא חושב במונחים של 100 גרם. אנשים חושבים במונחים של "חופן", "כוס", "תפוח בינוני", או "פרוסה אחת". אנחנו שומרים על מסד נתונים מקיף של גדלי מנות שממפה תיאורי מנות נפוצים למשקל בגרמים עבור כל קטגוריית מזון.

המערכת הזו גם מפעילה את זיהוי התמונה של Nutrola. כאשר אתה מצלם את הארוחה שלך, המודל שלנו מעריך לא רק איזה מזון יש על הצלחת שלך, אלא גם כמה ממנו יש — והוא מתייחס לאותם נתוני גודל מנה מאומתים כדי לחשב את הפירוט התזונתי.

איך אנחנו מתמודדים עם המקרים הקשים ביותר

חלק מהמזונות באמת קשים לספק עבורם נתוני תזונה מדויקים. הנה איך אנחנו מתמודדים עם הקטגוריות הקשות ביותר.

ארוחות במסעדות ובמזון מהיר

מסעדות רשת בדרך כלל מפרסמות מידע תזונתי, אבל מסעדות עצמאיות לא. עבור מסעדות רשת, אנחנו שומרים על קשרים ישירים כדי לקבל נתוני תזונה ולעדכן אותם כאשר התפריטים משתנים. עבור מסעדות עצמאיות, אנחנו משתמשים בגישה של הערכת מתכונים: המערכת שלנו מפרקת מנה לרכיבים שלה, מעריכה כמויות על בסיס שיטות הכנה סטנדרטיות במסעדות, ומחשבת את הפרופיל התזונתי הכולל.

זה לא מושלם, אבל זה הרבה יותר מדויק מהאלטרנטיבה (ניחוש, או שימוש ברשומת "סנדוויץ' עוף במסעדה" כללית). האימון של Nutrola גם עוזר למשתמשים להבין את אי הוודאות: אם אנחנו פחות בטוחים לגבי נתוני התזונה של ארוחה במסעדה, אנחנו אומרים לך.

מזונות ביתיים ומבוססי מתכונים

כאשר אתה מבשל בבית, הפרופיל התזונתי של הארוחה שלך תלוי ברכיבים ובכמויות הספציפיות שלך. Nutrola מתמודדת עם זה דרך בונה המתכונים שלנו, שמאפשר לך להזין את רכיביך ומחשב את הפירוט התזונתי ליחידת הגשה באמצעות נתוני הרכיבים המאומתים שלנו. הדיוק של הפלט תלוי רק בדיוק של הקלט, ולכן אנחנו גם תומכים ברישום מבוסס תמונה עבור ארוחות ביתיות.

מזונות בינלאומיים ומיוחדים

רבות מאפליקציות התזונה מוטות מאוד כלפי מזונות אמריקאיים. אם אתה אוכל מזון יפני, הודי, אתיופי, או כל מטבח אחר שאינו מיוצג היטב במסדי נתונים מערביים, לעיתים קרובות אתה נתקל בנתונים חסרים או לא מדויקים. השקענו רבות בהרחבת הכיסוי שלנו למזונות בינלאומיים, תוך עבודה עם מסדי נתונים תזונתיים אזוריים, מדעני מזון מקומיים, ומשוב מהקהילה כדי למלא את הפערים הללו.

המסד שלנו כולל כיום רשומות מאומתות עבור מזונות מיותר מ-120 מטבחים, עם עומק מיוחד בקטגוריות מזון אסייתיות, אמריקאיות לטיניות, מזרח תיכוניות ואפריקאיות.

מדידת הדיוק: איך אנחנו יודעים שזה עובד

טענות לגבי דיוק הן חסרות משמעות ללא מדידה. הנה איך אנחנו מאמתים את איכות המסד שלנו.

בדיקות פנימיות

כל רבעון, הצוות שלנו בוחר 500 רשומות אקראיות ממסד הנתונים שלנו ומשווה אותן לניתוח מעבדה עדכני או לערכים האחרונים ממסדי נתונים ממשלתיים. אנחנו עוקבים אחרי השגיאה המוחלטת הממוצעת בקלוריות, חלבון, פחמימות, שומן וסיבים. המדד הנוכחי שלנו: 97.4% דיוק עבור רשומות עם מקורות מאומתים על ידי ממשלה או יצרן.

מחקרי דיוק משתמשים

שיתפנו פעולה עם תוכניות תזונה באוניברסיטאות כדי להשוות יומני מזון שנרשמו ב-Nutrola מול רשומות מזון מדודות (הסטנדרט הזהב במחקר תזונתי). מחקרים אלה מראים באופן עקבי שמשתמשי Nutrola משיגים התאמה קרובה יותר לצריכה בפועל מאשר משתמשי אפליקציות מעקב פופולריות אחרות.

מעקב אחר שיעור השגיאות

אנחנו עוקבים אחרי מספר התיקונים שנעשו לחודש כאחוז מה entries הכוללים במסד הנתונים. שיעור השגיאות הנוכחי שלנו הוא 0.03% — כלומר 99.97% מהרשומות לא דורשות תיקון בכל חודש. לשם הקשר, במסדי נתונים שנבנים על ידי משתמשים שיעורי גילוי שגיאות חודשיים נעים בין 2% ל-5%.

מדד	Nutrola	ממוצע בתעשייה (מבוסס על משתמשים)
דיוק מול ניתוח מעבדה	97.4%	70-85%
שיעור שגיאות חודשי	0.03%	2-5%
רשומות עם נתוני מיקרו-נוטריינטים מלאים	89%	30-45%
זמן ממוצע לעדכון מוצרים ששונו נוסחא	48 שעות	6-18 חודשים
שיעור רשומות כפולות	< 0.1%	15-30%

מה זה אומר עבורך

אם קראת עד כאן, ייתכן שאתה חושב: "אני רק רוצה לרשום את האוכל שלי. למה אני צריך לדאוג לארכיטקטורת המסד?"

הנה למה זה חשוב: כל החלטת תזונה שאתה מקבל על סמך נתונים שנרשמו היא טובה רק כמו הנתונים עצמם.

אם האפליקציה שלך אומרת שאכלת 1,800 קלוריות היום אבל המספר האמיתי הוא 2,100, הגרעון של 300 קלוריות שלך לא קיים. אם האפליקציה שלך אומרת שהגעת ל-150 גרם חלבון אבל המספר האמיתי הוא 125, תוכנית הבניית השרירים שלך לא מצליחה. אם האפליקציה שלך עוקבת אחרי הנתרן שלך ב-2,000 מ"ג אבל זה בעצם 2,800 מ"ג, אסטרטגיית ניהול לחץ הדם שלך יש לה נקודת עיוורון.

נתונים מדויקים הם לא משהו נחמד שיהיה. זה ההבדל בין תוכנית תזונה שעובדת לבין אחת שנראית כאילו היא אמורה לעבוד.

ב-Nutrola, זו הסטנדרט שאנחנו מחזיקים את עצמנו אליו. לא כי זה קל — זה באמת אחד האתגרים הטכניים הקשים ביותר בטכנולוגיית התזונה — אלא כי המשתמשים שלנו מקבלים החלטות בריאותיות אמיתיות על סמך המספרים שאנחנו מציגים להם. המספרים האלה חייבים להיות נכונים.

מה קורה הלאה

אנחנו ממשיכים להשקיע בתשתית מסד הנתונים שלנו. חלק ממה שאנחנו עובדים עליו:

• הרחבת שיתופי פעולה עם מעבדות כדי לנתח ישירות מזונות שאינם מיוצגים היטב במסדי נתונים קיימים
• שיפור מודלי האימות שלנו בעזרת AI עם נתוני אימון חדשים מהבסיס המשתמשים שלנו המתרחב
• בניית אינטגרציות מעמיקות יותר עם יצרנים כדי לתפוס שינויים במוצרים אפילו מהר יותר
• פיתוח מסדי נתונים אזוריים למזון עבור שווקים שבהם נתוני תזונה קיימים מוגבלים
• שיפור מנוע ניתוח המתכונים שלנו כדי להעריך טוב יותר את התזונה עבור ארוחות מורכבות עם רכיבים רבים

המטרה מעולם לא השתנתה: לספק לכל משתמש של Nutrola את התמונה המדויקת ביותר של מה שהם אוכלים, כך שיוכלו לקבל החלטות מושכלות לגבי בריאותם.

שאלות נפוצות

כמה מזונות יש במסד הנתונים של Nutrola?

מסד הנתונים של Nutrola מכיל יותר מ-3 מיליון רשומות מזון מאומתות, כולל רכיבים גולמיים, מוצרים ממותגים מ-47 מדינות, ארוחות ממסעדות רשת ומנות ביתיות נפוצות. כל רשומה מקושרת למקור מאומת ומאומתת באופן מתמשך על ידי מערכת בקרת האיכות של AI שלנו.

איך הדיוק של מסד הנתונים של Nutrola משתווה לאפליקציות אחרות?

בדיקות עצמאיות מראות ש-Nutrola משיגה 97.4% דיוק מול ניתוח מעבדה, לעומת ממוצע בתעשייה של 70-85% עבור אפליקציות המשתמשות במסדי נתונים שנבנים על ידי משתמשים. ההבדל המרכזי הוא תהליך האימות הרב-שכבתי שלנו, שתופס שגיאות לפני שהן מגיעות למשתמשים במקום להסתמך על כך שמשתמשים ידווחו עליהן.

מה קורה כאשר מוצר מזון משנה את המתכון או הנוסחא שלו?

Nutrola שומרת על צינורות נתונים ישירים עם יצרני המזון ומנטרת מסדי נתונים של מוצרים לשינויים. כאשר שינוי נוסחא מזוהה, אנחנו בדרך כלל מעדכנים את הרשומה בתוך 48 שעות. הנתונים התזונתיים הישנים נשמרים בארכיון כך שיומני המזון ההיסטוריים שלך יישארו מדויקים עבור התקופה שבה אכלת את הנוסחא המקורית.

האם אני יכול לדווח על שגיאה במסד הנתונים?

כן. כל רשומת מזון ב-Nutrola כוללת אפשרות "דווח על בעיה". דיווחים מגיעים ישירות לצוות נתוני התזונה שלנו לבדיקה, ותיקונים מתבצעים בדרך כלל בתוך 24 שעות. אנחנו מתייחסים לכל דיווח ברצינות כי משוב מהמשתמשים הוא אחד הסיגנלים החשובים ביותר שלנו לאיכות.

האם Nutrola מכסה מזונות בינלאומיים ואזוריים?

Nutrola כוללת נתוני תזונה מאומתים עבור מזונות מיותר מ-120 מטבחים. אנחנו מקבלים נתונים ממסדי נתונים תזונתיים ממשלתיים אזוריים, מוסדות מדעי מזון מקומיים, ובחלק מהמקרים ניתוח מעבדה ישיר. אם אתה אוכל באופן קבוע מזונות ממטבח מסוים שאתה מרגיש שאינו מיוצג היטב, אנחנו מעודדים אותך לפנות אלינו — הרחבת הכיסוי שלנו היא עדיפות מתמשכת.

למה אפליקציות שונות למעקב קלוריות מציגות מספרים שונים עבור אותו מזון?

אפליקציות שונות משתמשות במקורות נתונים שונים. אפליקציות שתולות על נתוני משתמשים עשויות להכיל מספר רשומות עבור אותו מזון עם דיוקים משתנים. Nutrola משתמשת במקורות מאומתים (מסדי נתונים ממשלתיים, נתוני יצרנים, ניתוח מעבדה) ומאמתת כל רשומה באמצעות AI וסקירה אנושית, ולכן המספרים שלנו עקביים ומהימנים.