שלחנו 50 ארוחות למעבדה ובדקנו את דיוק הקלוריות של AI מול תוויות מול נתוני USDA

כל מספר קלוריה שקראת אי פעם הוא הערכה. תווית התזונה על חטיף החלבון שלך, הערך של "חזה עוף בגריל" ב-USDA, המספר שהאפליקציה שלך מציגה כשאתה מצלם את ארוחת הצהריים שלך — כולם הם הערכות של התוכן האנרגטי האמיתי שנמצא על הצלחת שלך. השאלה שאף אחד לא שואל היא: עד כמה רחוקות ההערכות הללו מהמציאות, ואיזה מקור מתקרב ביותר לאמת?

החלטנו לגלות. במהלך שלושה חודשים, צוות Nutrola רכש, הכין או הזמין 50 ארוחות אמיתיות, צילם כל אחת מהן, רשם את הערכים מתוויות ונתוני USDA, ואז שלח מנות זהות למעבדה מוסמכת לניתוח באמצעות קלורימטריה — הסטנדרט המוזהב למדידת התוכן הקלורי האמיתי של מזון.

פוסט זה מציג את התוצאות המלאות. בלי בחירות סלקטיביות, בלי השמטת חריגים. כל ארוחה, כל מספר, כל הפתעה.

למה עשינו את זה

תעשיית התזונה פועלת על בסיס אמון. צרכנים סומכים על כך שהתווית על מזון ארוז מדויקת. דיאטנים סומכים על כך שנתוני ה-USDA משקפים מנות אמיתיות. מפתחי אפליקציות סומכים על כך שהמאגר שלהם מספיק קרוב. אבל מעטים מאוד בדקו את ההנחות הללו מול ניתוח מעבדתי — והמחקרים הקיימים נוטים להתמקד באופן צר במזון ארוז או במרכיבים בודדים.

רצינו תמונה רחבה יותר. רצינו לדעת איך כל מקור קלוריות מרכזי — תוויות, מאגרי נתונים ממשלתיים, והערכות תמונה מבוססות AI — מתפקד על פני כל הספקטרום של המזון שאנשים באמת אוכלים: חטיפים ארוזים, מזונות שלמים פשוטים, מנות ביתיות, ארוחות במסעדות, ומאכלים בינלאומיים. ורצינו לבדוק את המוצר שלנו, Nutrola, באותה רמה של קפדנות שהחלה על כל דבר אחר.

המטרה לא הייתה להוכיח ש-Nutrola מושלמת. היא לא. המטרה הייתה להבין היכן כל מקור קלוריות מצטיין, היכן הוא נכשל, ומה זה אומר עבור מיליוני אנשים שסומכים על המספרים הללו כדי לנהל את בריאותם.

מתודולוגיה

בחירת הארוחות

בחרנו 50 ארוחות בחמישה קטגוריות, עם 10 ארוחות בכל אחת:

קטגוריה	דוגמאות
מזון ארוז	חטיפי חלבון, ארוחות קפואות, מרקים משומרים, דגני בוקר, גביעי יוגורט
מזונות שלמים פשוטים	בננה, חזה עוף חי, ביצים מבושלות, אורז חום, אבוקדו
מנות ביתיות	ספגטי בולונז, תבשיל עוף, מרק עדשים, סלט קיסר, פנקייקים עם בננה
ארוחות במסעדות	המבורגר מהיר, מגש סושי, קארי ירוק תאילנדי, פרוסת פיצה, קערת בוריטו
מנות בינלאומיות	עוף חמאה הודי, רמנ יפני, טמלה מקסיקני, מגש אינג'רה אתיופי, ביבימבאפ קוריאני

הארוחות נרכשו או הוכנו בדבלין, אירלנד, ונבחרו לייצג מזונות שעוקבים אחריהם משתמשים אמיתיים. הכנסנו במכוון פריטים הידועים כקשים למאגרי נתונים ולמערכות AI: מנות עם רוטב כבד, מזונות מטוגנים, מנות מרובות רכיבים, ומזונות שבהם קשה להעריך את כמות השמן או החמאה.

ניתוח מעבדתי

כל הדגימות נשלחו למעבדה לבדיקת מזון מוסמכת ISO 17025. כל ארוחה ניתוחה באמצעות קלורימטריה, השיטה המובילה לקביעת התוכן האנרגטי הגולמי של מזון.

בקלורימטריה, דגימת מזון במשקל מדויק ממוקמת בחדר סגור, עשיר בחמצן (ה"בומב") ומוצת. החום המשתחרר במהלך הבעירה המלאה נמדד על ידי המים הסובבים. הערך המתקבל, המובע בקילוקלוריות, מייצג את סך האנרגיה הכימית במזון. מתבצע תיקון כדי לקחת בחשבון את חלק האנרגיה שהגוף האנושי אינו יכול להפיק (בעיקר מסיבים), מה שמניב את ערך האנרגיה המטבולית — המספר שצריך להופיע על תווית התזונה.

כל אחת מ-50 הארוחות ניתוחה בשלוש חזרות (שלוש ריצות עצמאיות), והערך הממוצע שימש כערך ייחוס מעבדתי. מקדם השונות בין החזרות היה מתחת ל-2% עבור כל הדגימות, מה שמאשר דיוק מדידה גבוה.

מקורות השוואה

עבור כל ארוחה, רשמנו ערכי קלוריות מארבעה מקורות:

1. מעבדה (קלורימטריה) — האמת המוחלטת
2. Nutrola AI — הערכת הקלוריות שנוצרה על ידי מערכת ה-AI של Nutrola מתמונה בודדת של הארוחה, צולמה בתנאי תאורה רגילים על צלחת ערב סטנדרטית, ללא משקל או אובייקט ייחוס
3. תווית תזונה — הערך המופיע על האריזות (למזון ארוז) או ספירת הקלוריות שפרסמה המסעדה (לארוחות במסעדות). עבור מזונות שלמים ומנות ביתיות, עמודה זו משתמשת בתווית היצרן כאשר היא זמינה או מסומנת N/A
4. USDA FoodData Central — הערך שהושג על ידי חיפוש כל מרכיב במאגר הנתונים של USDA וסכימת המרכיבים על סמך משקלים מדודים

עבור מנות ביתיות, הערך של USDA חושב על ידי שקילת כל מרכיב גולמי על משקל מטבח, חיפוש ערך הקלוריות לגרם במאגר USDA FoodData Central, וסכימתם — השיטה שהעוקבים הידניים הקפדניים ביותר היו משתמשים בה.

עבור הערכת Nutrola AI, כל ארוחה צולמה בדיוק פעם אחת. לא חזרנו על הצילומים, לא שינינו זוויות, ולא סיפקנו הקשר נוסף מעבר למה שמשתמש רגיל היה מספק. מערכת ה-AI זיהתה את המזון, העריכה את המנות, והחזירה ערך קלוריות.

גישה סטטיסטית

דיוק מדווח כ-שגיאה יחסית ממוצעת מוחלטת (MAPE) — הממוצע של הסטיות היחסיות המוחלטות מהערך המעבדתי, מחושב כך:

MAPE = (1/n) * SUM(|Estimated - Lab| / Lab * 100)

אנו מדווחים גם על שגיאה ממוצעת חתומה (כדי להראות חישוב יתר או חישוב חסר שיטתי), סטיית תקן של שגיאות, ורווחי ביטחון של 95% היכן שמספרי הדגימה מאפשרים זאת.

תוצאות

דיוק כללי: כל 50 הארוחות

מקור	שגיאה מוחלטת ממוצעת (MAPE)	שגיאה ממוצעת חתומה	סטיית תקן	רווח ביטחון של 95% עבור MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
הפניה USDA	8.1%	-2.8%	6.7%	6.2% - 10.0%
תוויות תזונה*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*נתוני תוויות תזונה זמינים עבור 30 מתוך 50 הארוחות (מזון ארוז, חלק מהארוחות במסעדות). MAPE חושב על סמך נתונים זמינים בלבד.

הממצא הראשון שראוי לציון: תוויות התזונה הראו את הסטייה הממוצעת הגדולה ביותר מהערכים המעבדתיים, והן באופן עקבי מגזימות את הקלוריות. השגיאה החתומה החיובית של +6.3% משמעותה שתוויות, בממוצע, טוענות ליותר קלוריות ממה שהמזון באמת מכיל. זה תואם למחקרים קודמים המראים שיצרנים נוטים לעגל כלפי מעלה ולא כלפי מטה כדי להישאר בטווחי הסבירות של ה-FDA והאיחוד האירופי.

AI של Nutrola ומאגר הנתונים של USDA ביצעו באופן דומה מבחינת דיוק כללי, כאשר Nutrola הראתה MAPE נמוך במעט (7.4% לעומת 8.1%). ההבדל אינו משמעותי סטטיסטית בגודל דגימה זה (p = 0.41, בדיקת t זוגית על שגיאות מוחלטות). עם זאת, דפוסי השגיאות השתנו באופן משמעותי בין שני המקורות, כפי שמראה הפירוט לפי קטגוריות.

דיוק לפי קטגוריית ארוחה

קטגוריה (n=10 כל אחת)	Nutrola AI MAPE	USDA MAPE	Label MAPE	מקור הטוב ביותר
מזון ארוז	6.2%	4.8%	9.7%	USDA
מזונות שלמים פשוטים	4.1%	3.2%	11.4%*	USDA
מנות ביתיות	7.9%	6.4%	N/A	USDA
ארוחות במסעדות	8.6%	14.2%	16.8%	Nutrola AI
מנות בינלאומיות	10.1%	15.7%	N/A	Nutrola AI

*ערכי תוויות עבור מזונות שלמים מבוססים על טענות לפי מנה על האריזות (למשל, שקית תפוחים המפרטת "95 קלוריות לתפוח בינוני").

כאן הסיפור מתפתח.

עבור מזונות ארוזים ומזונות שלמים פשוטים, מאגר הנתונים של USDA מנצח. זה הגיוני. נתוני USDA נגזרים מניתוחים מעבדתיים של פריטי מזון סטנדרטיים. כשאתה אוכל ביצה מבושלת פשוטה או בננה גולמית, הערך של USDA הוא בעצם תוצאה מעבדתית בעצמה, והוא תואם מאוד את הממצאים העצמאיים שלנו.

עבור ארוחות במסעדות ומנות בינלאומיות, AI של Nutrola מתעלה על שני המקורות האחרים. ארוחות במסעדות הראו MAPE של USDA של 14.2% לעומת 8.6% של Nutrola. הסיבה לכך היא פשוטה: נתוני USDA מתארים מרכיבים אידיאליים, ולא מה שמטבח מסעדה באמת שם על הצלחת. הערכה מבוססת USDA עבור "עוף טריאקי עם אורז" אינה יכולה לקחת בחשבון את כמות השמן שהשף השתמש בו, את עובי הרוטב או את גודל המנה בפועל — אבל מערכת AI ויזואלית המנתחת את הצלחת בפניך יכולה.

10 ההפתעות הגדולות ביותר

הארוחות הבודדות הללו יצרו את הפערים הגדולים ביותר בין לפחות מקור אחד לערך המעבדה:

ארוחה	מעבדה (קלוריות)	Nutrola AI	תווית	USDA	מקור השגיאה הגדול ביותר	שגיאה
פד תאי במסעדה	738	692	520*	584	תווית	-29.5%
לזניה קפואה "רזה"	412	388	310	395	תווית	-24.8%
עוף חמאה עם נאן	943	874	N/A	716	USDA	-24.1%
תערובת פירות יבשים ארוזה (מנה אחת)	287	264	230	271	תווית	-19.9%
סלט קיסר ביתי	486	421	N/A	347	USDA	-28.6%
המבורגר כפול מהיר	832	898	740	780	תווית	-11.1%
ביבימבאפ קוריאני	687	742	N/A	531	USDA	-22.7%
מרק עגבניות משומר (1 קופסה)	189	202	180	184	Nutrola AI	+6.9%
רמנ טונקוטסו יפני	891	824	N/A	648	USDA	-27.3%
ספגטי בולונז (ביתית)	623	581	N/A	527	USDA	-15.4%

כמה דפוסים עולים מהחריגים:

ספירות קלוריות שפורסמו על ידי מסעדות הן הפחות אמינות. הפד תאי שצוין ב-520 קלוריות בתפריט המסעדה הכיל למעשה 738 קלוריות במעבדה — תת-דיווח של 29.5%. זה לא יוצא דופן. מחקר מ-2013 שפורסם ב-Journal of the American Medical Association מצא כי ארוחות במסעדות הכילו בממוצע 18% יותר קלוריות ממה שצוין, כאשר חלקן חורגות מהמספרים שפורסמו ביותר מ-30%.

נתוני USDA נוטים להמעיט בהערכת קלוריות של מזונות מוכנים. עוף חמאה, ביבימבאפ, רמנ, בולונז וסלט קיסר הראו כולן שגיאות שליליות גדולות כאשר הוערכו באמצעות חיפוש מרכיבי USDA. הקו המשותף הוא שומן הבישול. ער entries של USDA עבור "שמן צמחי" או "חמאה" מדויקים לגרם, אבל כמות השומן שבאמת השתמשו בבישול — במיוחד במנות במסעדות ובמנות בינלאומיות — קשה מאוד להעריך ללא מדידה ישירה. רוטב סלט קיסר ביתי יכול להכיל לבד 3-4 כפות שמן, שהן כמעט בלתי נראות לאחר שהן מתערבבות עם חסה.

AI של Nutrola נוטה להמעיט בהערכת מנות שומניות ולהגזים במעט במזונות פשוטים. השגיאה החתומה עבור ארוחות במסעדות הייתה -3.8% (תת-דיווח קל), בעוד שמזונות שלמים פשוטים הראו שגיאה חתומה של +1.9% (הגזמה קלה). זה מציע שה-AI שמרני במעט כאשר מדובר בהערכת שומנים נוספים — אתגר ידוע לכל מערכת הערכה ויזואלית, שכן שמן שנספג במהלך טיגון אינו נראה על פני השטח.

סטיית תקן ועקביות

דיוק גולמי חשוב, אבל גם עקביות. מקור שגוי ב-5% כל הזמן הוא שימושי יותר למעקב אחר מגמות מאשר מקור שגוי ב-0% חצי מהזמן ו-30% חצי מהזמן השני.

מקור	סטיית תקן של שגיאות	טווח (שגיאה מינימלית עד מקסימלית)	% של ארוחות בתוך 10% מהמעבדה
Nutrola AI	5.9%	-12.4% עד +8.7%	74% (37/50)
הפניה USDA	6.7%	-28.6% עד +4.1%	62% (31/50)
תוויות תזונה	9.4%	-29.5% עד +14.2%	53% (16/30)

Nutrola AI הראתה את סטיית התקן הנמוכה ביותר ואת טווח השגיאות הצמוד ביותר מכל שלושת המקורות. 74% מההערכות של Nutrola נפלו בתוך 10% מהערך המעבדתי, בהשוואה ל-62% עבור USDA ו-53% עבור תוויות תזונה. יתרון העקביות הזה אומר שאפילו כש-Nutrola טועה, היא נוטה לטעות בכמות צפויה וקטנה — מה שיכול להיות יותר יקר ערך עבור מישהו שעוקב אחר מגמת קלוריות שבועית מאשר דיוק מושלם מדי פעם עם החמצות גדולות.

דיוק בפירוק מקרו-נוטריאנטים

השווינו גם את הערכות המקרו-נוטריאנטים (חלבון, שומן, פחמימות) מול ערכים מעבדתיים עבור תת-קבוצה של 20 ארוחות. התוצאות מחזקות את הממצאים לגבי קלוריות:

מקרו-נוטריאנט	Nutrola AI MAPE	USDA MAPE	Label MAPE
חלבון	8.2%	6.1%	10.8%
שומן	11.4%	12.7%	14.1%
פחמימות	6.8%	5.9%	9.3%

הערכת שומן היא הנקודה החלשה ביותר בכל המקורות. זה צפוי: תכולת השומן היא המקרו-נוטריאנט הקשה ביותר להערכה ויזואלית (עבור AI) והמשתנה ביותר בהכנה (עבור מאגרי נתונים). כף אחת יותר או פחות של שמן בישול מוסיפה בערך 14 גרם שומן ו-120 קלוריות, ולא מצלמה ולא ערך במאגר יכולים לתפוס את השונות הזו במלואה.

ממצאים מרכזיים

1. תוויות תזונה משתמשות בטולרנס הרגולטורי שלהן — בנדיבות

בארצות הברית, ה-FDA מתיר לתוויות תזונה לסטות עד 20% מהערך המוצהר עבור קלוריות, והתווית נחשבת לעומדת בדרישות כל עוד הערך האמיתי אינו עולה על התווית ביותר מ-20%. האיחוד האירופי מפעיל מסגרת טולרנס דומה. הנתונים שלנו מציעים שהיצרנים מודעים היטב לטולרנס הזה ומשתמשים בו באופן אסטרטגי.

מבין 20 המזונות הארוזים וארוחות המסעדות בתוכנית שלנו, 14 (70%) העריכו קלוריות ביחס לערך המעבדה. ההערכה הממוצעת הייתה 8.9%. רק 4 מנות (20%) הגזימו קלוריות, ושניים היו בטווח של 2% מהערך המעבדתי.

הטיית כיוון הזו אינה מקרית. תת-דיווח קלוריות גורם למוצר להיראות "קל יותר" ומושך יותר לצרכנים המודעים לבריאות. ארוחה קפואה שטוענת ל-310 קלוריות אבל מכילה בפועל 412 קלוריות (כפי שמצאנו עם אחת הלזניות "הרזות") יכולה למקם את עצמה באיילה הידידותית לדיאטה תוך שהיא מספקת הרבה יותר אנרגיה ממה שמפורסם.

עבור כל מי שסומך על תוויות כדי לשמור על גרעון קלורי, תת-דיווח זה הוא בעיה רצינית. אם התוויות שלך טועות בממוצע ב-8.9%, ואתה אוכל שלוש מנות עם תוויות ביום ביעד של 1,800 קלוריות, אתה עלול לצרוך בערך 1,960 קלוריות — מספיק כדי לחתוך את הגרעון הקלורי המיועד שלך כמעט בחצי.

2. נתוני USDA מצטיינים עבור מרכיבים גולמיים, מתקשים עם מזון מוכן

מאגר הנתונים של USDA FoodData Central הוא משאב מרשים. עבור מזונות פשוטים ולא מעובדים — בננה, חזה עוף, כוס אורז — הוא מדויק מאוד. הנתונים שלנו הראו MAPE של רק 3.2% עבור מזונות שלמים פשוטים, שזה כמעט טוב כמו מדידות מעבדה חוזרות.

אבל ברגע שהבישול מתחיל, הדיוק של USDA מתדרדר. עבור מנות ביתיות, MAPE עלה ל-6.4%. עבור ארוחות במסעדות, הוא קפץ ל-14.2%. עבור מנות בינלאומיות, הוא הגיע ל-15.7%.

הבעיה אינה במאגר הנתונים עצמו אלא בפער בין הער entries במאגר לבין הכנה בעולם האמיתי. ער entry של USDA עבור "ירקות מוקפצים" מניח כמות מסוימת של שמן, זמן בישול מסוים, ותערובת ירקות מסוימת. ההקפצה שלך — או זו המוגשת במסעדה התאילנדית המקומית שלך — עשויה להשתמש בכפליים מהשמן, לכלול ירקות שומניים יותר, ולהגיע במנה גדולה יותר. המאגר אינו יכול לקחת בחשבון את השונות הללו; הוא יכול רק לתאר ממוצע.

זה משפיע על עוקבים ידניים שמתגאים ב"רישום מדויק" על ידי שקילת מרכיבים וחיפוש אותם במאגרים. גישה זו עובדת היטב עבור מנות פשוטות המוכנות בבית עם מרכיבים מדודים. היא מתפרקת כשמדובר באכילה בחוץ, הזמנה הביתה, או בישול מתכונים שבהם כמויות השומן הן בערך.

3. הערכת תמונה מבוססת AI מדויקת יותר ממה שציפינו — במיוחד עבור ארוחות מהעולם האמיתי

לפני שנערוך את המחקר הזה, ההנחה הפנימית שלנו הייתה שה-AI של Nutrola יפעל היטב עבור מזונות פשוטים ויתפקד רע עבור מנות מורכבות. הנתונים חלקית תמכו בכך וחלקית סתרו את זה.

כפי שציפינו, הביצועים הטובים ביותר של ה-AI היו על מזונות שלמים פשוטים (4.1% MAPE). בננה נראית כמו בננה, והנתונים של ה-AI כוללים אלפי תמונות של בננות עם משקלים וערכי קלוריות ידועים.

מה שהפתיע אותנו היה הביצועים היחסיים של ה-AI על ארוחות במסעדות ומנות בינלאומיות. עם 8.6% ו-10.1% MAPE בהתאמה, Nutrola התעלתה באופן משמעותי על הגישה המבוססת על USDA (14.2% ו-15.7%). ה-AI נראה שהרוויח מכמה יתרונות בקטגוריות הללו:

• הערכת גודל המנה מציוני ויזואלי. ה-AI משתמש בצלחת, קערה, וכלים כאובייקטים ייחוס כדי להעריך את נפח המזון, מה שמקיף את המנה האמיתית המוגשת ולא "מנה סטנדרטית" מוערכת.
• זיהוי רוטב ותוספות. המודל מאומן לזהות רטבים נראים, ציפויים, גבינה מומסת, ותוספות קלוריות אחרות שעשויות להחמיץ חיפוש במאגר.
• כיול ספציפי למטבח. הנתונים של Nutrola כוללים עשרות אלפי תמונות מתויגות ממסעדות ומאכלים בינלאומיים, מה שמאפשר למודל ללמוד דפוסים ספציפיים למטבח (למשל, קערת רמנ מכילה בדרך כלל יותר שומן ממה שהמראה שלה מרמז).

עם זאת, ה-AI לא היה מושלם. הרגעים החלשים ביותר שלו היו עם שומנים מוסתרים — שמן שנספג במזונות מטוגנים, חמאה שהומסה ברטבים, ושמנת שהוספה למרקים. קלוריות אלו נוכחות פיזית אך בלתי נראות, והן מייצגות תקרה קשה על מה שמערכת מבוססת מצלמה יכולה להשיג ללא קלט נוסף מהמשתמש.

4. האשמים הסמויים בקלוריות

בעבור כל 50 הארוחות, מקור השגיאה הגדול ביותר — עבור כל שיטה, כולל ה-AI — היה שומן בישול נוסף. שמן, חמאה, גהי, שמנת ושומנים אחרים ששימשו במהלך ההכנה היוו את רוב הסטיות הגדולות.

שקול את סלט הקיסר הביתי. המעבדה שלנו מדדה 486 קלוריות. ההערכה המבוססת על USDA הגיעה ל-347 קלוריות — תת-דיווח של 28.6%. הפער היה כמעט כולו נובע מהרוטב: רוטב קיסר ביתי שכולל שמן זית, חלמון ביצה, פרמזן, ופסטו אנשובי. ההערכה של USDA השתמשה בכמות "סטנדרטית" של רוטב, אבל הכמות בפועל הייתה נדיבה בהרבה.

באופן דומה, עוף חמאה הגיע ל-943 קלוריות במעבדה לעומת 716 קלוריות מ-USDA — פער של 24.1% שנגרם על ידי כמות החמאה והשמנת במתכון של המסעדה, שהייתה הרבה מעבר לכמויות המוערכות בער entries הסטנדרטיים.

ממצאים אלו מהדהדים עיקרון מוכר במדעי התזונה: שומן הוא המקרו-נוטריאנט הקלורי ביותר (9 קלוריות/גרם לעומת 4 קלוריות/גרם עבור חלבון ופחמימות) והקשה ביותר להערכה במדויק. שגיאות קטנות בהערכת שומן גורמות לשגיאות קלוריות גדולות. כף אחת בודדת של שמן שלא נלקחה בחשבון על ידי כל שיטת הערכה מוסיפה 119 קלוריות שלא נחשבות.

מה זה אומר עבור עוקבים יומיומיים

אם אתה עוקב אחרי קלוריות כדי לנהל את המשקל שלך, לממצאים הללו יש כמה השלכות מעשיות:

אל תסמוך על כך שהתווית היא דבר קדוש. תוויות תזונה הן נקודות התחלה שימושיות, אבל הן יכולות להמעיט בתוכן הקלורי בפועל ב-10-20% או יותר, במיוחד עבור מנות ארוזות וספירות שפורסמו על ידי מסעדות. אם הירידה במשקל שלך נעצרה ואתה אוכל "בדיוק" מה שהתוויות אומרות, עודף סמוי זה יכול להיות ההסבר.

חיפושי USDA הם האמינים ביותר עבור מנות פשוטות, מוכנות בבית. אם אתה מבשל בבית, שוקל את המרכיבים שלך, ומשתמש בעיקר במזונות שלמים, גישה מבוססת USDA יכולה להיות מדויקת מאוד. ככל שהמנות שלך מורכבות יותר ומושפעות ממסעדות, כך השיטה הזו פחות אמינה.

מעקב תמונות מבוסס AI מספק את האיזון הטוב ביותר עבור אכילה מהעולם האמיתי. עבור אנשים שאוכלים תמהיל של מנות ביתיות, מסעדות ומזון ארוז — מה שמתאר את רוב המבוגרים — מערכת מבוססת AI כמו Nutrola מספקת את הדיוק הקונסיסטנטי ביותר על פני הקטגוריות. היא לא תעקוף חיפוש מדויק של USDA עבור חזה עוף פשוט, אבל היא תתעלה משמעותית על הגישה הזו עבור הפד תאי שהזמנת ביום שישי בערב.

תמיד תהיה חשדן לגבי מנות שומניות. ללא קשר לשיטת המעקב שלך, מנות שכוללות טיגון, רטבים כבדים, שמנת, חמאה או גבינה הן אלו שסביר להניח שיתקבלו בהערכה נמוכה. כשאתה בספק, הוסף רזרבה קטנה (50-100 קלוריות) עבור מנות שנראות או טועמות עשירות. ב-Nutrola, אתה יכול גם להתאים את ההערכה של ה-AI לאחר סקירה, והמערכת לומדת מהתיקונים שלך עם הזמן.

עקביות חשובה יותר ממצוינות. הנתונים שלנו הראו שהיתרון המובהק של Nutrola לא היה בדיוק הממוצע אלא בעקביות — סטיית התקן הנמוכה ביותר ואחוז ההערכות הגבוה ביותר בתוך 10% מהערכים המעבדתיים. עבור מעקב ארוך טווח, מערכת שהיא באופן קבוע לא מדויקת ב-5-7% היא הרבה יותר שימושית מאשר אחת שלפעמים מדויקת ולפעמים לא מדויקת ב-25%. הטיית עקביות יכולה להיות מתוקנת; שגיאה לא סדירה אינה יכולה.

מגבלות

אנו רוצים להיות שקופים לגבי המגבלות של מחקר זה:

• גודל דגימה. חמישים ארוחות מספיקות כדי לזהות דפוסים אבל לא מספיקות כדי להגיע למסקנות סטטיסטיות חד משמעיות בכל תת-קטגוריה. כל קטגוריה הכילה רק 10 ארוחות. מחקרים גדולים יותר יגדילו את הביטחון בממצאים לפי קטגוריות.
• אזור גיאוגרפי בודד. כל הארוחות נרכשו באירלנד. גודל המנות במסעדות, שיטות הבישול, ומקורות המרכיבים משתנים לפי מדינה ואפילו לפי עיר. התוצאות עשויות להשתנות באזורים אחרים.
• מערכת AI בודדת נבדקה. בדקנו רק את AI של Nutrola. מערכות מעקב קלוריות מבוססות AI אחרות עשויות לפעול בצורה שונה. אנו מעודדים מוצרים מתחרים לערוך ולפרסם ניתוחים דומים.
• תנאי צילום. כל התמונות צולמו על ידי חברי צוות המוכרים את שיטות הצילום הטובות ביותר. משתמש טיפוסי שלוקח צילום במהירות בתנאי תאורה גרועים עשוי לחוות דיוק AI נמוך יותר.
• קלורימטריה מודדת אנרגיה גולמית. בעוד שתיקונים הוחלו עבור אנרגיה מטבולית, הבדלים אינדיבידואליים בעיכול ובספיגה עשויים לגרום לכך שהקלוריות "האמיתיות" שאדם מסוים מפיק ממזון עשויות להיות שונות מהערך המעבדתי בכמה אחוזים.

מסקנה

מספר הקלוריות על הצלחת שלך הוא תמיד הערכה — אבל לא כל ההערכות נוצרות שוות.

תוויות תזונה, למרות המראה הרשמי שלהן, הן המקור הפחות מדויק שנבדק, עם נטייה שיטתית להמעיט בקלוריות. נתוני USDA מצוינים עבור מזונות פשוטים, גולמיים ומוכנים בבית, אך מתקשים עם המציאות המורכבת של בישול במסעדות ומאכלים בינלאומיים. מעקב מבוסס תמונה AI, כפי שמיושם ב-Nutrola, מספק את הביצועים הקונסיסטנטיים ביותר על פני כל טווח המזונות שאנשים באמת אוכלים, עם דיוק כולל של 7.4% סטיית ממוצע מוחלט מהערכים המעבדתיים.

שיטה למעקב אינה מושלמת. המזונות שמטעים את ה-AI גם מטעים את המאגרים ואת התוויות — מנות עם רוטב כבד, עשירות בשמן, ומרובות רכיבים נותרות הקשות ביותר להערכה עבור כל מערכת. אבל עבור העוקב היומיומי שרוצה דרך אמינה וללא מאמץ להבין מה הוא אוכל, הנתונים מציעים שמערכת AI מאומנת היטב המסתכלת על הצלחת שלך מתקרבת יותר לאמת מאשר תווית המודפסת במפעל או ער entry במאגר שנכתב עבור מתכון אידיאלי.

Nutrola בנויה על העיקרון שהדיוק לא צריך לדרוש מאמץ. אתה מצלם תמונה, וה-AI עושה את העבודה. מחקר זה היה הדרך שלנו להחזיק את עצמנו אחראים להבטחה הזו — ולשתף את התוצאות, כולל החולשות שלנו, עם האנשים שסומכים עלינו עם נתוני התזונה שלהם.

אם אתה רוצה לנסות את Nutrola בעצמך, התוכניות מתחילות ב-€2.50 לחודש, עם אפס פרסומות בכל רמה. אנחנו מעדיפים להרוויח את האמון שלך עם נתונים מדויקים מאשר למכור את תשומת הלב שלך למפרסמים.

טבלאות הנתונים הגולמיים ממחקר זה זמינות לפי בקשה עבור חוקרים, עיתונאים ודיאטנים שמעוניינים לערוך ניתוחים משלהם. צור קשר עם research@nutrola.com.