המדע מאחורי מעקב קלוריות בעזרת AI: איך פועלת זיהוי התמונות
הסבר טכני על תהליך הראייה הממוחשבת מאחורי מעקב קלוריות בעזרת AI: סיווג תמונות, זיהוי אובייקטים, הערכת גודל מנות, הערכת נפח, התאמת נתונים, וטבלאות דיוק לפי טכניקות עם הפניות למחקרים שפורסמו.
כאשר אתה מצלם את הארוחה שלך ואפליקציית מעקב קלוריות מזהה את המזון ומעריכה את התוכן התזונתי שלו בתוך שניות, התוצאה היא תוצר של תהליך ראייה ממוחשבת רב-שלבי הכולל סיווג תמונות, זיהוי אובייקטים, הערכת גודל מנות, והתאמת נתונים. כל שלב מציג את האתגרים והטעויות שלו. הבנת כיצד התהליך הזה עובד, ואיפה הוא עלול להיכשל, היא חיונית להערכה האם מעקב קלוריות בעזרת AI הוא כלי אמין למעקב תזונתי.
מאמר זה מספק ניתוח טכני של תהליך הראייה הממוחשבת מאחורי זיהוי המזון, כולל הארכיטקטורות של למידת מכונה המעורבות, מדדי דיוק שפורסמו, התפקיד הקריטי של בסיס הנתונים התזונתי מאחורי ה-AI, ומצב המדע הנוכחי.
תהליך מעקב קלוריות בעזרת AI: שישה שלבים
זיהוי מזון בעזרת AI אינו טכנולוגיה אחת. זהו תהליך שלבים עוקבים, כאשר כל אחד מהם חייב לפעול בצורה מספקת כדי שההערכה הסופית של הקלוריות תהיה משמעותית.
| שלב | משימה טכנית | אתגר מרכזי | תרומת שגיאות |
|---|---|---|---|
| 1. עיבוד תמונה | נורמליזציה של תאורה, רזולוציה, כיוון | תנאי צילום משתנים בעולם האמיתי | נמוך (פתרון טוב) |
| 2. זיהוי מזון | מציאת אזורי מזון בתמונה | מזונות מרובים, פריטים חופפים, חצאים מוסתרים | מתון |
| 3. סיווג מזון | זיהוי מהו כל פריט מזון | דמיון חזותי בין מזונות (סוגי אורז, גבינות) | מתון עד גבוה |
| 4. הערכת מנות | קביעת כמות כל מזון נוכח | חוסר קנה מידה מוחלט ברוב התמונות | גבוה |
| 5. התאמת נתונים | קישור המזון המזוהה לכניסת בסיס נתונים תזונתי | התאמות מעורפלות, שונות בשיטות הכנה | נמוך עד מתון (תלוי בבסיס הנתונים) |
| 6. חישוב רכיבים תזונתיים | הכפלת כמות × רכיבי תזונה לכל יחידה | שגיאה מצטברת מכל השלבים הקודמים | תלוי בדיוק התהליך |
שלב 1: עיבוד תמונה
לפני שמתרחש כל זיהוי מזון, יש לנרמל את התמונה הגולמית. זה כולל התאמה של:
- שונות תאורה. תמונות שצולמו בתאורה פלורסנטית, ניאון, טבעית או פלאש מייצרות פרופילים צבעוניים שונים לאותו מזון. תהליכי עיבוד מודרניים משתמשים באלגוריתמים של קונסטנטיות צבע ולמידה נורמלית כדי להפחית שגיאות סיווג תלויות תאורה.
- רזולוציה ופורמט. תמונות ממכשירים שונים מגיעות ברזולוציות שונות. תהליך העיבוד משנה את גודל התמונות לממדי קלט סטנדרטיים (בדרך כלל 224×224 או 384×384 פיקסלים עבור מודלים של סיווג, גבוה יותר עבור מודלים של זיהוי).
- כיוון. תמונות עשויות להילקח מלמעלה (מבט על, אידיאלי להערכת מנות) או בזוויות שונות. נורמליזציה גיאומטרית מתאימה את זווית הצפייה כאשר זה אפשרי.
שלב זה נפתר היטב על ידי הטכנולוגיה הנוכחית ותורם שגיאה מינימלית לתהליך הכללי.
שלב 2: זיהוי מזון (זיהוי אובייקטים)
זיהוי מזון עונה על השאלה: "איפה בתמונה זו נמצאים פריטי המזון?" זו בעיית זיהוי אובייקטים, והיא הופכת למורכבת כאשר תמונה אחת מכילה מספר פריטי מזון על צלחת אחת או במספר מנות.
הארכיטקטורות בשימוש
YOLO (You Only Look Once). משפחת המזהים YOLO (YOLOv5, YOLOv8, והגרסאות הבאות) מעבדת את התמונה כולה במעבר אחד, ומפיקה קופסאות גבול וחזויות סוגים בו זמנית. YOLO מועדף במערכות זיהוי מזון ייצוריות בשל מהירותה בזמן אמת, בדרך כלל משיגה זמני אינפרנציה מתחת ל-50 מילישניות על חומרה ניידת.
Faster R-CNN. מזהה בשני שלבים שמציע תחילה אזורי עניין ולאחר מכן מסווג כל אזור. Faster R-CNN משיגה דיוק גבוה יותר במעט מאשר מזהים בשלב אחד על סצנות מורכבות, אך במחיר של זמן אינפרנציה גבוה יותר.
DETR (Detection Transformer). מזהה מבוסס טרנספורמר של Facebook AI Research משתמש במנגנוני תשומת לב כדי לחזות ישירות קופסאות גבול של אובייקטים ללא הצעות עוגן. DETR מתמודד טוב יותר עם פריטי מזון חופפים ומוסתרים מאשר שיטות מבוססות עוגן, מה שהופך אותו למתאים לסצנות ארוחה מורכבות.
אתגרי זיהוי בתמונות מזון
זיהוי מזון מציב אתגרים ייחודיים בהשוואה לזיהוי אובייקטים כללי:
- אין גבולות ברורים. מזונות על צלחת לרוב נוגעים או חופפים (רוטב על פסטה, גבינה על סלט). בניגוד למכוניות או להולכי רגל, פריטי מזון rarely have crisp edges.
- הצגה משתנה. אותו מזון יכול להיראות שונה מאוד בהתאם לשיטת ההכנה, סגנון ההגשה, ומזונות נלווים.
- שונות בסקלה. שקדים בודדים ופיצה שלמה עשויים להופיע באותה תמונת ארוחה, מה שדורש זיהוי על פני טווח רחב של גדלים.
אגילר ואחרים (2018), שפרסמו ב-Multimedia Tools and Applications, העריכו מודלים לזיהוי מזון ומצאו שדיוק הזיהוי (נמדד על ידי ממוצע דיוק ממוצע, mAP) נע בין 60 ל-85 אחוזים בהתאם למורכבות הסצנה. תמונות של פריט אחד השיגו שיעורי זיהוי מעל 90 אחוזים, בעוד שמנות מורכבות עם חמישה פריטים או יותר ירדו מתחת ל-70 אחוזים.
שלב 3: סיווג מזון (סיווג תמונות)
לאחר שפריטי המזון זוהו ומוקמו, יש לסווג כל אזור מזון: האם זה עוף, דג, טופו או טמפה? זו בעיית סיווג תמונות, והיא השלב הנחקר ביותר בתהליך זיהוי המזון.
הארכיטקטורות בשימוש
רשתות עצביות קונבולוציוניות (CNNs). ארכיטקטורות ResNet, EfficientNet ו-Inception היו העבודה הקשה של מחקר סיווג המזון. מודלים אלה מוציאים תכנים חזותיים היררכיים (מרקם, צורה, דפוסי צבע) דרך שכבות קונבולוציה רצופות. מאיירס ואחרים (2015), במאמר Im2Calories של גוגל, השתמשו בארכיטקטורת Inception לסיווג מזון ודיווחו על דיוק של כ-79 אחוזים על קבוצת נתונים של 2,500 סוגי מזון.
Vision Transformers (ViT). הוצגו על ידי דוסוביצקי ואחרים (2021), Vision Transformers מיישמים את מנגנון תשומת הלב מעיבוד שפה טבעית לזיהוי תמונות. ViTs מחלקים תמונות לפאצ'ים ומעבדים אותם כסדרות, מה שמאפשר למודל לתפוס את ההקשר הגלובלי של התמונה ש-CNNs עם שדות קלט מוגבלים עשויים לפספס. עבודות סיווג מזון עדכניות שמשתמשות בארכיטקטורות ViT ו-Swin Transformer דיווחו על שיפורים של 3-7 אחוזים על פני בסיסי CNN בסטנדרטים לזיהוי מזון.
ארכיטקטורות היברידיות. מערכות ייצור מודרניות משלבות לעיתים קרובות הוצאת תכנים מ-CNN עם הסקת מסקנות מבוססת טרנספורמר, תוך ניצול היתרונות של שתי הגישות.
דיוק סיווג לפי קטגוריית מזון
דיוק הסיווג משתנה באופן משמעותי לפי סוג המזון.
| קטגוריית מזון | דיוק טיפוסי Top-1 | אתגר מרכזי |
|---|---|---|
| פירות שלמים (תפוח, בננה, תפוז) | 90–95% | הבחנה חזותית גבוהה |
| חלבונים עם מרכיב אחד (סטייק, פילט דג) | 80–90% | שונות בשיטות בישול |
| דגנים ופחמימות (אורז, פסטה, לחם) | 75–85% | מראה דומה בין סוגים שונים |
| מנות מעורבות (מוקפץ, קאסרולה, קארי) | 55–70% | הרכב המרכיבים לא נראה מהמשטח |
| משקאות | 40–60% | נוזלים זהים חזותית עם הרכבים שונים |
| רטבים ותיבול | 30–50% | מראה חזותי דומה, צפיפות קלוריות שונה מאוד |
נתונים שנאספו ממאיירס ואחרים (2015), בוסארד ואחרים (2014), ות'יימס ואחרים (2021).
אתגר הסיווג הוא החמור ביותר עבור מזונות שנראים דומים אך יש להם פרופילים תזונתיים שונים מאוד. אורז לבן ואורז כרובית דומים חזותית אך שונים פי חמישה בצפיפות קלוריות. חלב שלם וחלב דל שומן אינם נראים שונים. סודה רגילה ודיאטטית לא ניתנות להבחנה על פי המראה בלבד.
קבוצות נתונים להשוואה
Food-101 (בוסארד ואחרים, 2014). 101 קטגוריות מזון עם 1,000 תמונות כל אחת. קבוצת הנתונים הנמצאת בשימוש הנרחב ביותר למחקר סיווג מזון. מודלים מהשורה הראשונה כיום משיגים דיוק Top-1 מעל 95 אחוזים בקבוצה זו, אם כי מספר הקטגוריות הקטן יחסית (101) עושה אותה פחות מייצגת של המגוון בעולם האמיתי.
ISIA Food-500 (מין ואחרים, 2020). 500 קטגוריות מזון עם כ-400,000 תמונות. מייצגת יותר את המגוון של מזון בעולם האמיתי. דיוק Top-1 בקבוצה זו נמוך באופן משמעותי, בדרך כלל 65-80 אחוזים.
UEC Food-256 (קאוואנו ויאנגידה, 2015). 256 קטגוריות מזון יפניות. מדגימה את האתגר של זיהוי מזון תרבותי, שכן מודלים שהוכשרו על קבוצות נתונים של מזון מערבי מבצעים גרוע על מטבחים אסייתיים ולהפך.
שלב 4: הערכת גודל מנות
הערכת גודל המנות נחשבת לרוב לקישור החלש ביותר בתהליך מעקב הקלוריות בעזרת AI. גם אם המזון מזוהה כראוי, הערכה לא נכונה של המנה מתורגמת ישירות למספר קלוריות לא נכון.
טכניקות
קנה מידה של אובייקט ייחודי. חלק מהאפליקציות מבקשות מהמשתמשים לכלול אובייקט ייחודי (כרטיס אשראי, מטבע, או אצבע של המשתמש) בתמונה. הממדים הידועים של האובייקט הייחודי מספקים קנה מידה להערכת ממדי המזון. דהייס ואחרים (2017) העריכו שיטות אובייקט ייחודי ומצאו שגיאות בהערכת המנות של 15-25 אחוזים כאשר אובייקט ייחודי היה נוכח.
הערכת עומק. מערכות מצלמות סטריאו (שתי עדשות) או חיישני LiDAR (זמינים בכמה סמארטפונים) מספקות מידע על עומק שמאפשר שיחזור תלת-ממדי של פני השטח של המזון. בשילוב עם הנחות על גיאומטריית המיכל וצפיפות המזון, נתוני עומק מאפשרים הערכה נפחית. מאיירס ואחרים (2015) דיווחו כי הערכת עומק צמצמה את שגיאות ההערכה בהשוואה לשיטות של תמונה אחת, אך חיישני עומק אינם זמינים על כל המכשירים.
הערכת עומק מונוקולרית. מודלים של למידת מכונה מאומנים להעריך עומק מתמונות בודדות יכולים להעריך גיאומטריה תלת-ממדית של המזון ללא חומרה מיוחדת. הדיוק נמוך יותר מאשר חיישני עומק פיזיים אך ניתן ליישום על כל מצלמת סמארטפון.
הערכת נפח נלמדת. מודלים מאומנים מקצה לקצה על קבוצות נתונים של תמונות מזון בשילוב עם נפחים ידועים יכולים לחזות ישירות את גודל המנה ללא שיחזור תלת-ממדי מפורש. ת'יימס ואחרים (2021) העריכו מודלים כאלה ודיווחו על שגיאות ממוצעות בהערכת מנות של 20-40 אחוזים.
טבלת דיוק הערכת מנות
| שיטה | שגיאה ממוצעת מוחלטת | דורש חומרה מיוחדת | הפניה |
|---|---|---|---|
| אובייקט ייחודי (כרטיס אשראי) | 15–25% | לא (רק האובייקט הייחודי) | דהייס ואחרים (2017) |
| עומק מצלמת סטריאו | 12–20% | כן (מצלמה כפולה) | מאיירס ואחרים (2015) |
| עומק LiDAR | 10–18% | כן (טלפון עם LiDAR) | מדדים לא מפורסמים לאחרונה |
| הערכת עומק מונוקולרית (ML) | 20–35% | לא | ת'יימס ואחרים (2021) |
| נפח נלמד (מקצה לקצה) | 20–40% | לא | ת'יימס ואחרים (2021) |
| הערכת משתמש עצמית (בלי AI) | 20–50% | לא | ויליאמסון ואחרים (2003) |
הטבלה מראה שכל השיטות האוטומטיות עולות על הערכה אנושית לא מסייעת (ויליאמסון ואחרים, 2003, Obesity Research), אך אף אחת מהן לא משיגה שגיאות מתחת ל-10 אחוזים באופן עקבי. לצורך הקשר, שגיאה של 25 אחוזים בהערכת גודל מנה על ארוחה של 400 קלוריות מתורגמת לסטייה של 100 קלוריות, דבר שיכול לבטל מחסור קלורי מתון אם מצטבר על פני מספר ארוחות.
שלב 5: התאמת נתונים — השלב הקריטי
זהו השלב שמקבל את הפחות תשומת לב בדיונים טכניים אך יש לו את ההשפעה הגדולה ביותר על הדיוק הסופי. לאחר שה-AI מזהה מזון ומעריך את המנה, עליו להתאים את המזון המזוהה לכניסת בסיס נתונים תזונתי כדי לשחזר ערכי קלוריות ורכיבים תזונתיים.
איכות ההתאמה הזו תלויה לחלוטין באיכות בסיס הנתונים הבסיסי. אם ה-AI מזהה נכון "חזה עוף בגריל, 150 גרם" אך מתאים אותו לכניסת בסיס נתונים שנאספה על ידי קהל המפרטת 130 קלוריות ל-100 גרם (בניגוד לערך שניתח ה-USDA של 165 קלוריות ל-100 גרם), ההערכה הסופית של הקלוריות תהיה נמוכה ב-27 אחוזים, לא בגלל שה-AI נכשל, אלא בגלל שבסיס הנתונים מאחוריו אינו מדויק.
זו התובנה הבסיסית שמפרידה בין אפליקציות מעקב קלוריות שונות בעזרת AI: דיוק זיהוי המזון של AI שימושי רק כמו בסיס הנתונים התזונתי מאחוריו.
השוואת התאמת נתונים
| אפליקציית מעקב AI | זיהוי מזון | בסיס נתונים | מהימנות כללית |
|---|---|---|---|
| Nutrola | זיהוי תמונה + קול | 1.8M כניסות מאושרות על ידי תזונאים מבוססות USDA | זיהוי גבוה + דיוק נתונים גבוה |
| Cal AI | הערכת תמונה בעזרת AI | בסיס נתונים פרטי (שקיפות מוגבלת) | זיהוי מתון + דיוק נתונים לא בטוח |
| אפליקציות המוסיפות AI לבסיס נתונים שנאסף על ידי קהל | זיהוי תמונה בעזרת AI | כניסות שנאספו על ידי קהל, לא מאושרות | זיהוי מתון + דיוק נתונים נמוך |
הארכיטקטורה של Nutrola תוכננה במיוחד כדי להתמודד עם תלות קריטית זו. תכונות זיהוי התמונה והקלט הקולי של AI מטפלות בשלבי הזיהוי והערכת המנות, בעוד שבסיס הנתונים של 1.8 מיליון כניסות מאושרות על ידי תזונאים שנלקחו מ-USDA FoodData Central מבטיח שהנתונים התזונתיים הקשורים לכל מזון מזוהה יהיו מדויקים מדעית. ההפרדה הזו בין התחומים מבטיחה ששיפורים בזיהוי המזון של AI מתורגמים ישירות לשיפורים בדיוק המעקב, מבלי להיות מושפעים משגיאות בבסיס הנתונים בהמשך.
דרישות נתוני אימון
אימון מודל זיהוי מזון דורש קבוצות נתונים גדולות ומסומנות של תמונות מזון. איכות ומגוון נתוני האימון משפיעים ישירות על ביצועי המודל.
גודל קבוצת הנתונים. מודלים מהשורה הראשונה של זיהוי מזון מאומנים בדרך כלל על קבוצות נתונים של 100,000 ועד כמה מיליון תמונות מסומנות. Im2Calories של גוגל (מאיירס ואחרים, 2015) השתמשה בקבוצת נתונים פרטית של מיליוני תמונות מזון. קבוצות נתונים זמינות לציבור כמו Food-101 (101,000 תמונות) ו-ISIA Food-500 (400,000 תמונות) קטנות באופן משמעותי.
איכות התוויות. כל תמונת אימון חייבת להיות מסומנת במדויק עם קטגוריית המזון. נתוני אימון לא מסומנים כראוי מייצרים מודלים שלומדים אסוציאציות שגויות. עבור תמונות מזון, תיוג דורש מומחיות בתחום כי מזונות דומים (אורז יסמין מול אורז בסמטי, דג גולש מול דג קוד) קשים להבחנה עבור לא מומחים.
דרישות מגוונות. נתוני האימון חייבים לייצג את כל המגוון של הצגת המזון: מטבחים שונים, סגנונות הגשה, תנאי תאורה, זוויות צילום, וגודל מנות. מודלים שאומנו בעיקר על תמונות מזון מערביות מבצעים גרוע על מטבחים אסייתיים, אפריקאיים, או מזרח תיכוניים.
תיוגי מנות. עבור אימון הערכת מנות, תמונות חייבות להיות משויכות עם מדידות משקל אמיתיות. יצירת תוויות אלו דורשת צילום המזונות לפני ואחרי שקילתם, תהליך שדורש עבודה רבה שמגביל את גודל קבוצות האימון להערכת מנות.
בעיית השגיאה המצטברת
הקונספט הטכני החשוב ביותר במעקב קלוריות בעזרת AI הוא השגיאה המצטברת. כל שלב בתהליך מביא עמו אי ודאות, ואי ודאויות אלו מצטברות.
שקול ארוחה של סלמון בגריל עם אורז וברוקולי:
- דיוק זיהוי: 90% (כל פריט מזון ממוקם כראוי).
- דיוק סיווג: 85% (כל פריט מזון מזוהה כראוי).
- דיוק הערכת מנות: 75% (המנה בתוך 25% מהאמיתי).
- דיוק התאמת נתונים: 95% (לבסיס נתונים מאומת) או 80% (לבסיס נתונים שנאסף על ידי קהל).
הסיכוי המשולב שכל השלבים יצליחו עבור שלושת פריטי המזון:
- עם בסיס נתונים מאומת: (0.90 × 0.85 × 0.75 × 0.95)^3 = 0.548^3 = 16.5% סיכוי שכל שלושת הפריטים יהיו מדויקים לחלוטין.
- עם בסיס נתונים שנאסף על ידי קהל: (0.90 × 0.85 × 0.75 × 0.80)^3 = 0.459^3 = 9.7% סיכוי שכל שלושת הפריטים יהיו מדויקים לחלוטין.
חישובים אלו מדגימים מדוע השגיאה המצטברת עושה את הדיוק המושלם לבלתי ניתן להשגה עם הטכנולוגיה הנוכחית. עם זאת, הם גם מראים ששיפור בכל שלב בודד משפר את התהליך הכללי. שלב התאמת הנתונים הוא הקל ביותר לאופטימיזציה (שימוש בבסיס נתונים מאומת במקום בבסיס נתונים שנאסף על ידי קהל) ומספק שיפור מהותי בדיוק בכל ארוחה.
מצב השיא הנוכחי והמגבלות
מה עובד טוב
- זיהוי פריט בודד. זיהוי פריט מזון בודד, שצולם בבירור ממטבח ידוע, משיג דיוק מעל 90 אחוזים עם הארכיטקטורות המודרניות.
- מזונות נפוצים. המזונות הנצרכים ביותר יש להם נתוני אימון בשפע ומזוהים באופן מהימן.
- הגדלת ברקוד. כאשר מזון ארוז יכול להיות מזוהה על ידי ברקוד ולא על ידי תמונה, דיוק הזיהוי מתקרב ל-100 אחוזים (מוגבל רק על ידי קריאות הברקוד).
מה נשאר מאתגר
- מנות מעורבות. תבשילים, קאסרולות, מוקפצים ומנות מעורבות אחרות שבהן לא ניתן להפריד בין המרכיבים באופן חזותי נשארות קשות. המודל יכול להעריך את המנה הכוללת אך לא את הרכב המרכיבים הספציפי שלה.
- מרכיבים מוסתרים. שמנים, חמאה, סוכר, ורוטבים המוספים במהלך הבישול הם בעלי משמעות קלורית אך לעיתים קרובות בלתי נראים במנה המוגשת הסופית. מנה של ירקות מוקפצים שבושלה ב-2 כפות שמן נראית דומה לזו שבושלה בתרסיס בישול, אך ההבדל הקלורי הוא כ-240 קלוריות.
- דיוק המנות. הערכה נפחית מתמונות דו-ממדיות נשארת הקישור החלש ביותר, עם שגיאות של 20-40 אחוזים הנחשבות טיפוסיות עבור השיטות הנוכחיות.
- מגוון המזון התרבותי. מודלים שאומנו על מטבח מערבי מבצעים גרוע על מזונות אסייתיים, אפריקאיים, מזרח תיכוניים ולטיניים, המהווים חלק משמעותי מצריכת המזון העולמית.
שאלות נפוצות
עד כמה מדויק מעקב קלוריות מבוסס AI?
מערכות זיהוי המזון הנוכחיות משיגות דיוק זיהוי מזון של 75-95 אחוזים עבור פריטים בודדים מקטגוריות מזון מיוצגות היטב. עם זאת, הערכת המנות מוסיפה שגיאה משמעותית (20-40 אחוזים לפי ת'יימס ואחרים, 2021). הדיוק הסופי של ההערכה הקלורית תלוי באפקט המצטבר של דיוק הזיהוי, דיוק המנות, ואיכות בסיס הנתונים מאחורי ההתאמה. אפליקציות כמו Nutrola שמזוגות זיהוי AI עם בסיס נתונים מאומת מבוסס USDA ממזערות את רכיב השגיאה של בסיס הנתונים.
אילו מודלים של למידת מכונה משתמשות אפליקציות זיהוי מזון?
רוב מערכות זיהוי המזון בייצור משתמשות ברשתות עצביות קונבולוציוניות (ResNet, EfficientNet) או Vision Transformers (ViT, Swin Transformer) עבור סיווג, YOLO או DETR עבור זיהוי, ומודלים נפרדים עבור הערכת מנות. הארכיטקטורות והפרטים של האימון הם לרוב קנייניים עבור רוב האפליקציות המסחריות.
האם AI יכול להבחין בין מזונות דומים כמו אורז לבן ואורז כרובית?
זהו אתגר משמעותי. מזונות דומים חזותית עם פרופילים תזונתיים שונים הם מגבלה ידועה של זיהוי המזון בעזרת ראייה ממוחשבת. מודלים יכולים ללמוד רמזים חזותיים עדינים (מרקם, מבנה גרגרים) שמפרידים בין כמה מזונות דומים, אך הדיוק יורד באופן משמעותי במקרים אלה. זו אחת הסיבות לכך שזיהוי AI צריך להיות משולב עם אישור משתמש ובסיס נתונים מאומת ולא להיות בשימוש כמערכת אוטונומית לחלוטין.
מדוע חשוב בסיס הנתונים מאחורי זיהוי המזון של AI?
זיהוי המזון של AI קובע מהו המזון. בסיס הנתונים קובע את הערכים התזונתיים הקשורים לאותו מזון. אפילו זיהוי מזון מושלם מייצר הערכות קלוריות לא מדויקות אם כניסת בסיס הנתונים שגויה. בסיס נתונים מאומת המגובה על ידי USDA FoodData Central (כמו 1.8 מיליון הכניסות של Nutrola) מבטיח שהמזונות המזוהים כראוי מתאימים לנתונים תזונתיים מדעיים מדויקים. זו הסיבה לכך שאיכות בסיס הנתונים חשובה כמו איכות מודל ה-AI עבור דיוק המעקב הכולל.
כיצד ישתפר מעקב קלוריות בעזרת AI בעתיד?
שלושה תחומי מחקר פעילים יובילו לשיפורים: (1) קבוצות נתונים גדולות ומגוונות יותר ישפרו את דיוק הסיווג על פני מטבחים עולמיים; (2) חיישני עומק LiDAR ורב-מצלמות על סמארטפונים ישפרו את הערכת המנות; (3) מודלים מולטי-מודליים המשלבים זיהוי חזותי עם הקשר טקסטואלי/קולי (מה שהמשתמש אומר שהוא אוכל) יפחיתו את האמביגואיות. השילוב של Nutrola בין AI לתמונות ורישום קולי כבר מיישם גישה מולטי-מודלית זו, תוך שימוש בשני קלטים חזותיים ולשוניים כדי לשפר את דיוק זיהוי המזון.
מוכנים לשנות את מעקב התזונה שלכם?
הצטרפו לאלפים ששינו את מסע הבריאות שלהם עם Nutrola!
