מעבדת המחקר של Nutrola: כיצד אנו מאמתים את דיוק זיהוי המזון של ה-AI מול ניתוח מעבדתי

האמון במערכת מעקב תזונה מבוססת AI תלוי בשאלה אחת: עד כמה המספרים שהיא מספקת קרובים למציאות? מערכת המדווחת על 450 קלוריות כאשר הספירה האמיתית היא 620 לא רק שאינה מדויקת; היא פוגעת בכל החלטה תזונתית המתבססת על נתונים אלה. ב-Nutrola, אנו מאמינים שטענות דיוק ללא מתודולוגיה שקופה אינן שוות ערך.

מאמר זה מסביר בדיוק כיצד מעבדת המחקר של Nutrola מאמתת את דיוק זיהוי המזון. אנו מתארים את פרוטוקולי הבדיקה שלנו, את הסטנדרטים המפנים שאנו מודדים מולם, כיצד אנו מקטלגים ומפחיתים שגיאות, ואת המדדים שאנו מפרסמים. המטרה שלנו היא לספק למשתמשים, לדיאטנים, למפתחים ולחוקרים הבנה ברורה של מה זה "דיוק" בהקשר שלנו וכיצד אנו פועלים לשיפורו.

מדוע האימות חשוב

רוב אפליקציות התזונה מדווחות על דיוק באמצעות מדדים פנימיים המותאמים לתוצאות חיוביות. פרקטיקה נפוצה היא לבדוק על חלק מהנתונים ששמרו, שהם גם חלק מהנתונים ששימשו לאימון, מה שמניב מספרי דיוק מנופחים שאינם משקפים את הביצועים במציאות. מודל עשוי להשיג 95 אחוז דיוק על קבוצת הבדיקה שלו, בעוד שהוא מתקשה עם המזונות שהמשתמשים שלו אוכלים בפועל.

אימות נכון דורש בדיקה מול אמת עצמאית תוך שימוש בפרוטוקולים המפחיתים הטיות. בהקשרים רפואיים ומדעיים, זה נקרא אימות אנליטי, והוא כולל השוואת הפלט של המערכת מול סטנדרט ידוע תוך שימוש בפרוטוקול שנרשם מראש. מעבדת המחקר של Nutrola מיישמת עיקרון זה על זיהוי המזון.

הסטנדרט המפנה שלנו: ארוחות ניתוח מעבדתי

כיצד אנו יוצרים ארוחות מפנות

הבסיס לתהליך האימות שלנו הוא ספרייה של ארוחות עם הרכב תזונתי מאומת במעבדה. כך אנו יוצרים אותן:

1. בחירת ארוחות: אנו בוחרים ארוחות המייצגות את המגוון של המזונות שנעשים במעקב על ידי משתמשי Nutrola. זה כולל ארוחות נפוצות (עוף בגריל עם אורז, פסטה עם רוטב עגבניות), מנות מורכבות (ביבימבאפ, צלחות תאלי מעורבות), מקרים מאתגרים (מרקים, שייקים, מנות עם רוטב כבד), ומוצרים ממטבחים פחות מיוצגים.

2. הכנה ושקילה: כל ארוחה מוכנה במטבח הניסוי שלנו או נרכשת ממסעדות. כל מרכיב נשקל על משקל מעבדה מכויל (דיוק של 0.1 גרם) לפני ובמהלך ההכנה. שמני בישול, רטבים, תיבול וקישוטים נמדדים בדיוק.

3. צילום: הארוחה המוכנה מצולמת בתנאים שונים:

   • תאורה מבוקרת (5500K אור יום, מפוזר)
   • אור יום טבעי (תנאים משתנים)
   • תאורה מלאכותית פנימית (פלורסנטית, ניאון, LED חם)
   • זוויות שונות (מעל, 45 מעלות, בגובה העין)
   • מכשירים שונים (אייפון עדכני, סמסונג גלקסי, פיקסל, אנדרואיד בינוני)
   • מרחקים והרכבים משתנים

   כל ארוחה מייצרת 15 עד 30 תמונות בתנאים אלה, מה שמניב קבוצת בדיקה המשקפת את השונות הצילומית במציאות.

4. ניתוח מעבדתי: עבור תת-קבוצה של ארוחות שדורשות את הדיוק הגבוה ביותר, אנו שולחים דגימות מוכנות למעבדה לניתוח מזון מוסמכת (באמצעות שיטות AOAC International). המעבדה מודדת:

   • אנרגיה כוללת (קלורימטריה بمפצץ)
   • חלבון (שיטת קיידלה או שיטת דומס)
   • שומן כולל (הידרוליזה חומצית ולאחר מכן הוצאת סוקסלט)
   • פחמימות (על פי הפרש: משקל כולל פחות חלבון, שומן, לחות ואפר)
   • סיבים תזונתיים (שיטת אנזימטית-גרבימטרית)
   • תכולת לחות ואפר

5. ערכים מפנים מחושבים: עבור ארוחות שבהן לא מתבצע ניתוח מעבדתי, אנו מחשבים ערכים תזונתיים מפנים ממשקלי המרכיבים באמצעות נתוני USDA FoodData Central (מאגרי SR Legacy ו-FNDDS) ונתוני יצרן מאומתים עבור מוצרים ממותגים. ערכים מחושבים אלה משמשים כסטנדרטים מפנים משניים.

גודל ספריית הארוחות המפנות

נכון לרבעון הראשון של 2026, ספריית המפנות של מעבדת המחקר של Nutrola מכילה:

קטגוריה	מספר
ארוחות ייחודיות עם ערכים מפנים מחושבים	4,200+
ארוחות ייחודיות עם ערכים מפנים מנותחים במעבדה	680+
סך כל התמונות המפנות	78,000+
מטבחים מיוצגים	42
דפוסי תזונה מכוסים (קטו, טבעוני, חלאל וכו')	18

אנו מוסיפים כ-50 ארוחות מפנות חדשות מדי חודש ומבצעים בדיקות מחדש של ארוחות קיימות מול מודלים מעודכנים אחת לרבעון.

פרוטוקול בדיקה עיוור

מה זה "עיוור" בהקשר זה

פרוטוקול הבדיקה שלנו מיועד למנוע מהמודל לקבל יתרון לא הוגן על ארוחות הבדיקה. אנו אוכפים שלושה רמות של הפרדה:

1. הפרדת נתונים: אף תמונה של ארוחה מפנה לא הופיעה מעולם באף קבוצת נתוני אימון. אנו שומרים על הפרדה מוחלטת בין ספריית הבדיקה לנתוני האימון, המיושמת באמצעות דדופליקציה מבוססת האש hash ומערכת אחסון נפרדת עם בקרות גישה.

2. עיוורון של המעריכים: חברי הצוות המכינים ומצלמים את הארוחות המפנות שונים מאלו המפתחים ומאמנים את המודלים. מפתחי המודלים לא רואים את ספריית הבדיקה עד שהתוצאות מתפרסמות.

3. הערכה אוטומטית: לאחר שהתמונות נתפסות והערכים המפנים מתועדים, צינור ההערכה פועל אוטומטית. התמונות מוגשות ל-API הייצור (אותו קצה שמשרת משתמשים אמיתיים) ללא דגלים, כותרות או עיבוד מקדים מיוחדים. התוצאות מושוות לערכים המפנים באופן תוכנתי, מה שמבטל שיפוט סובייקטיבי.

קצב הבדיקות

אנו מבצעים שלושה סוגי בדיקות אימות:

בדיקות רגרסיה מתמשכות: כל עדכון מודל מוערך מול ספריית המפנות המלאה לפני ההשקה. מודל שמראה ירידה בכל קטגוריית מזון מרכזית לא מושק עד שהירידה נפתרת. זה קורה עם כל שחרור מודל, בדרך כלל אחת לשבועיים.

הערכה כוללת רבעונית: כל רבעון, אנו מבצעים הערכה מלאה הכוללת ארוחות מפנות חדשות, מדדי דיוק מעודכנים בכל הקטגוריות, השוואה לרבעונים קודמים וניתוח דפוסי שגיאות.

ביקורת חיצונית שנתית: אחת לשנה, אנו מעסיקים מעריך עצמאי (מחלקת מדעי המזון באוניברסיטה או מעבדה עצמאית) כדי להריץ תת-קבוצה של הפרוטוקול שלנו תוך שימוש בארוחות שהן מכינות ומצלמות באופן עצמאי. זה מגן מפני הטיות מערכתיות בפרקטיקות ההכנה או הצילום שלנו.

כיצד אנו מודדים דיוק

מדדי זיהוי מזון

דיוק Top-1: אחוז התמונות הנבדקות שבהן התחזית עם הביטחון הגבוה ביותר של המודל תואמת את תווית המזון המפנה. אנו מדווחים על כך בשלוש רמות:

• באופן כללי (כל קטגוריות המזון)
• לפי מטבח (למשל, יפני, מקסיקני, הודי, איטלקי)
• לפי רמת קושי (פריט פשוט, צלחת מרובת מרכיבים, מנות מעורבות)

דיוק Top-3: אחוז התמונות הנבדקות שבהן תווית המזון הנכונה מופיעה בשלוש התחזיות המובילות של המודל. זה רלוונטי כי מקרים רבים של אמביגואציה (למשל, מרק פטריות מול מרק עוף) נפתרים על ידי בחירת המשתמש מרשימה קצרה.

זיכרון זיהוי: עבור צלחות עם מספר פריטים, אחוז הפריטים המזון המפנים שמזוהים על ידי המודל. צלחת עם עוף, אורז וברוקולי שבה המודל מזהה את העוף ואת האורז אך מפספס את הברוקולי יש לה זיכרון זיהוי של 66.7 אחוז.

מדדי דיוק תזונתי

שגיאה מוחלטת ממוצעת (MAE): ההפרש המוחלט הממוצע בין הערכים התזונתיים החזויים לערכים המפנים, מדווח בגרמים עבור מקרונוטריינטים ובקלוריות עבור אנרגיה.

שגיאה מוחלטת ממוצעת באחוזים (MAPE): MAE המובע כאחוז מהערך המפנה. זה מנרמל בין גדלי מנות שונים וצפיפות קלוריות. אנו מדווחים על MAPE בנפרד עבור קלוריות, חלבון, פחמימות, שומן וסיבים.

מקדם מתאם (r): המתאם פירסון בין הערכים החזויים לערכים המפנים על פני קבוצת הבדיקה. מתאם גבוה (r > 0.90) מצביע על כך שהמודל מדרג באופן אמין את הארוחות מהנמוך לגבוה בתכולת קלוריות/נוטריינטים, גם אם הערכים האבסולוטיים מציגים סטייה כלשהי.

ניתוח בלנד-אלטמן: עבור הערכת תזונה, אנו משתמשים בגרפים של בלנד-אלטמן כדי להמחיש את ההסכמה בין הערכים החזויים לערכים המפנים. שיטה זו, הסטנדרטית במחקרי השוואת שיטות קליניות, מגלה אם השגיאות עקביות על פני טווח הערכים (הטיה אחידה) או אם הדיוק מתדרדר עבור מנות קטנות מאוד או גדולות מאוד (הטיה פרופורציונלית).

מדדי דיוק נוכחיים (רבעון ראשון 2026)

מדד	כללי	פריטים פשוטים	מרובי רכיבים	מנות מעורבות
דיוק זיהוי מזון Top-1	89.3%	94.1%	87.6%	78.4%
דיוק זיהוי מזון Top-3	96.1%	98.7%	95.2%	90.3%
זיכרון זיהוי (מרובי רכיבים)	91.8%	N/A	91.8%	85.2%
MAPE קלוריות	17.2%	12.8%	18.4%	24.6%
MAPE חלבון	19.8%	14.3%	21.2%	27.1%
MAPE פחמימות	18.5%	13.6%	19.7%	25.8%
MAPE שומן	22.4%	16.1%	23.8%	31.2%
מתאם קלוריות (r)	0.94	0.97	0.93	0.88

הערות: "פריטים פשוטים" הם תמונות של מזון בודד (למשל, תפוח, קערת שיבולת שועל). "צלחות מרובות רכיבים" מכילות שני פריטים נפרדים או יותר, נראים בנפרד. "מנות מעורבות" הן פריטים שבהם המרכיבים משולבים (מרקים, קאסרולות, קארי, שייקים). MAPE שומן הוא המדד עם השגיאה הגבוהה ביותר באופן עקבי מכיוון ששומנים בשימוש בבישול הם הקשים ביותר לזיהוי ויזואלי.

קטגוריזציה של שגיאות

הבנה היכן מתרחשות שגיאות היא חשובה כמו מדידת גודל השגיאות. אנו מקטלגים שגיאות לחמישה סוגים:

סוג 1: זיהוי שגוי

המודל מזהה את המזון הלא נכון לחלוטין. דוגמה: סיווג עוף בזיליקום תאילנדי כעוף קונג פאו. שגיאות אלה משפיעות על דיוק הזיהוי ועל הערכת התזונה. שגיאות זיהוי שגוי ירדו מ-15.2 אחוז מכל התחזיות ב-2024 ל-10.7 אחוז ברבעון הראשון של 2026.

סוג 2: שגיאת הערכת מנה

המזון מזוהה נכון אך ההערכה של המנה שגויה באופן משמעותי. דוגמה: זיהוי נכון של פסטה אך הערכת 200 גרם כאשר המשקל האמיתי הוא 140 גרם. שגיאות במנות הן הגורם הגדול ביותר ל-MAPE קלוריות, אחראיות על כ-55 אחוז מהתקציב הכולל של שגיאות תזונתיות.

סוג 3: רכיב חסר

המודל נכשל בזיהוי פריט מזון הנמצא בתמונה. דוגמה: לא מזהה את שמן הזית שנשפך על סלט, או מפספס רוטב קטן בצד. שגיאות אלה גורמות להערכה שיטתית נמוכה מדי, והן בעייתיות במיוחד עבור פריטים עתירי קלוריות שעשויים להיות עדינים מבחינה ויזואלית.

סוג 4: שגיאת שיטת הכנה

המזון מזוהה נכון ברמת הפריט אך שיטת ההכנה שגויה. דוגמה: זיהוי חזה עוף נכון אך סיווגו כגריל כאשר הוא מטוגן בשמן. שגיאות שיטת הכנה משפיעות באופן לא פרופורציונלי על הערכות שומן מכיוון ששיטות בישול משנות באופן דרמטי את תכולת השומן.

סוג 5: שגיאת מיפוי למסד נתונים

המזון מזוהה נכון והמנה מוערכת באופן סביר, אך רשומת מסד הנתונים אליה הוא ממופה אינה מייצגת במדויק את הגרסה הספציפית. דוגמה: מיפוי לחם שום של מסעדה לרשומת לחם שום גנרית שאינה לוקחת בחשבון את השימוש הנוסף בחמאה של המסעדה. שגיאות אלה מטופלות באמצעות הרחבת מסד הנתונים ורשומות ספציפיות למסעדות.

הפצת שגיאות (רבעון ראשון 2026)

סוג שגיאה	תדירות	תרומה לשגיאת קלוריות
סוג 1: זיהוי שגוי	10.7% מהתחזיות	22% משגיאת קלוריות
סוג 2: הערכת מנה	34.2% מהתחזיות	55% משגיאת קלוריות
סוג 3: רכיב חסר	8.3% מהתחזיות	11% משגיאת קלוריות
סוג 4: שיטת הכנה	5.8% מהתחזיות	8% משגיאת קלוריות
סוג 5: מיפוי למסד נתונים	3.1% מהתחזיות	4% משגיאת קלוריות

כיצד אנו מפחיתים שגיאות

שיפור מתמשך של המודל

אסטרטגיית הפחתת השגיאות העיקרית שלנו היא צינור הלמידה הפעילה. כאשר משתמשים מתקנים זיהוי מזון או מתאימים גודל מנה, התיקון נכנס לתור האימות. תיקונים התואמים לפרופילים תזונתיים ידועים (למשל, צפיפות הקלוריות של הפריט המתוקן נמצאת בטווח סביר) משולבים בנתוני האימון לעדכון המודל הבא.

אנו מאמנים מחדש את המודלים שלנו לזיהוי בקצב שבועי. כל עדכון כולל תיקונים מאומתים על ידי משתמשים, תמונות מפנות חדשות מהמעבדה, וכריית שליליות קשה (ממוקדת במיוחד על זוגות מזון שהמודל מתבל).

תוכניות שיפור דיוק ממוקדות

כאשר ההערכה הרבעונית שלנו מגלה קטגוריה עם דיוק מתחת ליעד, אנו משיקים תוכנית שיפור ממוקדת:

1. לאסוף נתוני אימון נוספים עבור הקטגוריה הפחות מוצלחת
2. לנתח את דפוסי השגיאות הספציפיים (האם מדובר בזיהוי שגוי, הערכת מנה או מיפוי למסד נתונים?)
3. ליישם תיקונים ממוקדים (נתוני אימון נוספים, התאמות בארכיטקטורת המודל, עדכוני מסד נתונים)
4. לאמת את השיפור מול ספריית המפנות
5. להשיק ולנטר

ב-2025, הפעלנו תוכניות ממוקדות עבור קארי מדרום-מזרח אסיה, אוכל רחוב מקסיקני ומנות מזטה מהמזרח התיכון, והשגנו שיפורים של 8-14 אחוזים בכל קטגוריה.

השוואת USDA

עבור כל מזון במסד הנתונים שלנו, אנו משווים את הערכים התזונתיים מול USDA FoodData Central. כאשר הערכים התזונתיים החזויים של Nutrola עבור מזון מזוהה נכון נוטים יותר מ-15 אחוז מהערך המפנה של USDA עבור המנה המוערכת, המערכת מסמנת את התחזית לבדיקה.

השוואת זו תופסת שני סוגי בעיות:

• תחזיות המודל שהן זיהויים טכניים נכונים אך ממופים לרשומות מסד נתונים שגויות
• רשומות מסד נתונים המכילות שגיאות או שאינן מעודכנות

אנו מעדכנים את מסד הנתונים התזונתי שלנו מדי חודש, תוך שילוב עדכונים מ-USDA FoodData Central, שינויים במוצרים של יצרנים ותיקונים המזהים דרך השוואת נתונים.

בקרת איכות משוב משתמשים

לא כל התיקונים של המשתמשים הם באותה מידה של אמינות. משתמש שמשנה "אורז לבן" ל"אורז כרובית" מבצע תיקון משמעותי. משתמש שמשנה גדלי מנות באופן אקראי עשוי להכניס רעש. אנו מיישמים מסנני בקרת איכות:

• תיקונים ממשתמשים עם היסטוריות מעקב עקביות נחשבים כבעלי משקל גבוה יותר
• תיקונים שמאושרים על ידי מספר משתמשים עבור אותו פריט מזון מקבלים עדיפות
• תיקונים שיביאו לערכים תזונתיים לא סבירים (למשל, סלט עם 2,000 קלוריות) מסומנים לבדיקה ידנית
• אנו משתמשים בזיהוי חריגים סטטיסטיים כדי לזהות ולשלול תיקונים פוטנציאליים שגויים

שקיפות ומגבלות

מה אנו מפרסמים

מעבדת המחקר של Nutrola מפרסמת את המידע הבא:

• מדדי דיוק רבעוניים בכל הקטגוריות (כפי שמוצג בטבלאות למעלה)
• מגמות דיוק משנה לשנה
• מגבלות ידועות וקטגוריות מזון מאתגרות
• מתודולוגיית הבדיקה שלנו (מאמר זה)

מגבלות ידועות שאנו שקופים לגביהן

מרכיבים נסתרים נשארים מקור השגיאה הגדול ביותר שאינו ניתן לשליטה. שמני בישול, חמאה, סוכר ומלח המוספים במהלך ההכנה אינם נראים בתמונות. המודלים שלנו משתמשים בהנחות לגבי שיטות הכנה כדי להעריך את התרומות של מרכיבים נסתרים, אך אלה ממוצעים סטטיסטיים שעשויים לא להתאים לפרקטיקות של מסעדה או טבח ביתי ספציפי.

מזונות הומוגניים (מרקים, שייקים, פירות) יש להם שיעורי שגיאה גבוהים יותר. כאשר התכונות הוויזואליות מוגבלות, המודל מסתמך במידה רבה על רמזים הקשריים ועל קלט המשתמש. אנו מתקשרים בבירור על ביטחון נמוך יותר עבור קטגוריות אלה באפליקציה.

ארוחות במסעדות קשות יותר באופן מהותי מאשר ארוחות ביתיות. מתכונים סטנדרטיים משתנים לפי מיקום, שף ויום. סלט קיסר במסעדה עשוי להכיל כפול רוטב מגרסה של מסעדה אחרת, ושניהם אינם תואמים לרשומה הגנרית של USDA.

דיוק נמוך יותר עבור מטבחים עם פחות נתוני אימון. בעוד שאנו מרחיבים באופן פעיל את הכיסוי שלנו, חלק מהמטבחים האזוריים (מרכז אפריקה, מרכז אסיה, האוקיינוס השקט) כוללים פחות דוגמאות אימון ולכן דיוקם נמוך יותר. אנו מציגים אינדיקטורים של ביטחון כך שהמשתמשים יכולים לראות מתי המודל פחות בטוח.

מסלול שיפור הדיוק

במהלך 18 החודשים האחרונים, דיוק זיהוי המזון של Nutrola עוקב אחרי מסלול שיפור עקבי:

רבעון	דיוק Top-1	MAPE קלוריות	שיפור משמעותי
רבעון 3 2024	82.1%	23.8%	קו בסיס לאחר שדרוג הארכיטקטורה
רבעון 4 2024	84.7%	21.4%	הרחבת נתוני אימון למטבח האסייתי
רבעון 1 2025	86.3%	20.1%	הערכת מנות משופרת בעזרת LiDAR
רבעון 2 2025	87.5%	19.2%	שדרוג של מודל הבסיס
רבעון 3 2025	88.1%	18.6%	אינטגרציה של הקשר רב-מודאלי
רבעון 4 2025	88.9%	17.8%	שיפור בפירוק מנות מעורבות
רבעון 1 2026	89.3%	17.2%	התאמת מודל מותאם אישית

כל אחוז שיפור ברמה זו דורש מאמץ exponentially יותר מהקודם. השגיאות הנותרות מרוכזות במקרים הקשים ביותר: מנות עם אמביגואציה ויזואלית, מרכיבים נסתרים, גדלי מנות לא רגילים ומזונות נדירים. המשך ההתקדמות דורש גם מודלים טובים יותר וגם נתוני הפניה טובים יותר.

שאלות נפוצות

כיצד דיוק Nutrola משתווה למתחרים?

השוואה ישירה קשה מכיוון שרוב המתחרים אינם מפרסמים את מתודולוגיית האימות או את מדדי הדיוק שלהם באותה רמת פירוט. במדדים ציבוריים כמו Food-101 ו-ISIA Food-500, המודל של Nutrola פועל בטופ של תוצאות שפורסמו. הדיוק במציאות שלנו, המאומת מול ארוחות ניתוח מעבדתי, הוא מה שאנו רואים כמדד המשמעותי יותר, ואנו מעודדים חברות אחרות לאמץ פרקטיקות אימות דומות.

מדוע הערכת שומן פחות מדויקת מהערכת חלבון או פחמימות?

שומן הוא המקרונוטריינט הקשה ביותר להערכה ויזואלית מכיוון שחלק גדול ממנו מוסתר. שמני בישול הנספגים במזון, חמאה המומסת ברטבים, ושומן המפוזר בבשר אינם נראים או כמעט אינם נראים בתמונות. בנוסף, לשומן יש את צפיפות הקלוריות הגבוהה ביותר (9 קלוריות/גרם מול 4 קלוריות/גרם עבור חלבון ופחמימות), כך שגם שגיאות קטנות בהערכות שומן מתורגמות לשגיאות קלוריות גדולות יותר.

כיצד אתם מתמודדים עם מזונות שאינם במסד הנתונים שלכם?

כאשר המודל נתקל במזון שהוא לא יכול לסווג בוודאות מספקת, הוא מציג למשתמש את התחזיות הטובות ביותר שלו ואופציה לחפש או להזין את הפריט ידנית. מפגשים עם ביטחון נמוך אלה נרשמים ומקבלים עדיפות לכלול בנתוני האימון בעתיד. אם מזון לא מזוהה מסוים מופיע לעיתים קרובות אצל מספר משתמשים, הוא מקבל עדיפות להוספה הן למודל הזיהוי והן למסד הנתונים התזונתי.

האם אני יכול לסמוך על הדיוק עבור הדיאטה הספציפית שלי?

דיוק משתנה לפי סוג המזון, כפי שמוצג במדדי הדיוק שלנו. אם אתה אוכל בעיקר מנות פשוטות ומוגדרות היטב (חלבונים בגריל, דגנים פשוטים, ירקות טריים), תוכל לצפות לדיוק בקצה הגבוה של טווחנו. אם אתה אוכל לעיתים קרובות מנות מעורבות מורכבות, ארוחות במסעדות עם שיטות הכנה לא ידועות או מזונות ממטבחים עם נתוני אימון מוגבלים, הדיוק יהיה בקצה הנמוך יותר. אינדיקטור הביטחון באפליקציית Nutrola משקף את השונות הזו על בסיס כל תחזית.

האם Nutrola מוכרת או משתפת את התמונות שלי עבור אימון?

פרקטיקות הנתונים של Nutrola מכוסות במדיניות הפרטיות שלנו. תיקונים ותמונות מזון של משתמשים משמשים לשיפור המודלים שלנו לזיהוי רק עם הסכמת המשתמש המפורשת דרך תוכנית תרומת הנתונים שלנו. משתמשים שבוחרים לא להשתתף עדיין נהנים מהמודל המשופר (כי תרומות של משתמשים אחרים משפרות אותו) מבלי לתרום את הנתונים שלהם. אין נתוני מזון מזהים אישית שנמכרים לצדדים שלישיים.

כמה פעמים המודל מעודכן?

מודל הזיהוי מאומן מחדש ומעודכן בערך אחת לשבוע. שינויים משמעותיים בארכיטקטורה מתרחשים לעיתים רחוקות יותר, בדרך כלל פעם או פעמיים בשנה. כל עדכון עובר את פרוטוקול הבדיקות המלא שלנו מול ספריית המפנות לפני ההשקה לייצור. משתמשים מקבלים עדכוני מודל אוטומטית דרך האפליקציה מבלי שיצטרכו לעדכן את האפליקציה עצמה.

סיכום

אימות אינו תכונה שאנו משיקים פעם אחת ושוכחים. זו דיסציפלינה מתמשכת הפועלת במקביל עם כל שיפור מודל. מעבדת המחקר של Nutrola קיימת כי אנו מאמינים שדיווח שקוף על דיוק בונה את האמון שדרוש למעקב תזונה מבוסס AI להיות באמת שימושי.

המתודולוגיה שלנו, ארוחות ניתוח מעבדתי, פרוטוקולי בדיקה עיוורים, השוואת USDA, קטגוריזציה שיטתית של שגיאות ומדדים מפורסמים, נועדו להחזיק אותנו באחריות לסטנדרט גבוה יותר מאשר מדדים פנימיים. איננו מושלמים. מדדי הדיוק שלנו מוכיחים זאת. אבל אנו יודעים בדיוק היכן אנו נופלים, ויש לנו תהליכים שיטתיים לסגירת הפערים.

למשתמשים, ההשלכה המעשית היא פשוטה: Nutrola מספקת לך הערכות תזונתיות ששקופות לגבי חוסר הוודאות שלהן, שמשתפרות בצורה מדידה עם הזמן, ומאומתות מול הסטנדרט המפנה הקפדני ביותר שאנו יכולים לבנות. זה מה שמעקב תזונה אחראי מבוסס AI נראה.