מה קורה כשסריקות מזון בעזרת AI טועות

אתם מצלמים את הצהריים שלכם, ה-AI מחזיר מספר קלוריות, ואתם ממשיכים עם היום שלכם. אבל מה אם המספר הזה היה שגוי ב-200 קלוריות? אתם לא תדעו. אין אזעקה, אין אזהרה, אין אינדיקטור חזותי. המספר השגוי פשוט יושב ביומן היומי שלכם, נראה בדיוק כמו מספר נכון. וזה קורה הרבה יותר ממה שרוב האנשים מניחים.

מחקר מ-2023 ב-Journal of the Academy of Nutrition and Dietetics בדק מערכות זיהוי מזון מסחריות בעזרת AI מול הערכות מאושרות על ידי דיאטנים ומצא שגיאות ממוצעות של 25-40% עבור מנות מעורבות. לא מדי פעם — בממוצע. עבור מזונות פשוטים, שגיאות ירדו ל-5-15%. אבל רוב הארוחות בעולם האמיתי אינן בננה אחת על צלחת לבנה.

השאלה שחשובה היא לא אם סריקות מזון בעזרת AI עושות טעויות. הן עושות. השאלה היא מה קורה לאחר מכן. והתשובה תלויה לחלוטין באיזו אפליקציה אתם משתמשים.

7 הכשלים הנפוצים ביותר בסריקות מזון בעזרת AI

לפני שנבחן כיצד כל אפליקציה מתמודדת עם טעויות, הנה תרחישי הכישלון בעולם האמיתי שמייצרים את הפערים הגדולים ביותר בקלוריות.

1. החלפת דגנים: קינואה מזוהה כקוסקוס

קינואה וקוסקוס נראים כמעט זהים בתמונות — קטנים, בהירים, גרגריים. אבל קינואה מבושלת מכילה כ-120 קלוריות ל-100 גרם עם 4.4 גרם חלבון, בעוד קוסקוס מבושל מכיל כ-176 קלוריות ל-100 גרם עם 6 גרם חלבון. זהו פער של 56 קלוריות ל-100 גרם, ומנה טיפוסית היא 150-200 גרם.

השפעת קלוריות: 84-112 קלוריות למנה שנרשמה בצורה שגויה.

זהו סוג של טעות שמערכות AI מתקשות בה באופן עקבי: מזונות דומים חזותית עם פרופילים תזונתיים שונים משמעותית. דוגמאות נוספות כוללות אורז לבן מול אורז כרובית (פער של 100 קלוריות למנה), פסטה רגילה מול פסטה חלבונית, ויוגורט יווני מול יוגורט רגיל.

2. בעיית השמן הבלתי נראה

זו ככל הנראה הטעות השיטתית הגדולה ביותר בסריקות מזון בעזרת AI. כשאתם מצלמים מוקפץ, סלט או ירקות קלויים, ה-AI רואה את רכיבי המזון אך אינו רואה את שמן הבישול. שתי כפות שמן זית מוסיפות 239 קלוריות ו-27 גרם שומן — והן לחלוטין בלתי נראות בתמונה.

השפעת קלוריות: 100-300+ קלוריות לכל ארוחה, בהתאם לשיטת הבישול.

ניתוח מ-2022 שפורסם ב-European Journal of Clinical Nutrition מצא ששמנים ושומנים נוספים היוו את המקור הגדול ביותר של קלוריות בלתי נtracked ברישום מזון מבוסס תמונה, contributing an average daily underestimation of 250-400 calories among study participants using AI photo tracking.

3. בעיית השכבה המוסתרת

אתם מצלמים קערת סמוזי. ה-AI רואה את התוספות — גרנולה, בננה פרוסה, פירות יער. הוא מעריך על סמך מה שנראה. אבל בתחתית הקערה יש 2 כפות חמאת שקדים (190 קלוריות) וכף אבקת חלבון (120 קלוריות) שמוסתרות לחלוטין.

השפעת קלוריות: 190-310 קלוריות מרכיבים בלתי נראים.

זה חל על כל מנה עם שכבות מוסתרות: סנדוויצ'ים (ה-AI לא יכול לראות כמה מיונז יש בפנים), בוריטו (כמויות בלתי נראות של אורז, שעועית ושמנת חמוצה), פיצה (כמות הגבינה מתחת לתוספות), וקינוחים שכבתיים.

4. חישוב שגוי של רוטב ותיבול

סלט עוף גריל שצולם מלמעלה מציג חסה, עגבניות, מלפפון, עוף גריל וכמה ברק. הברק הזה יכול להיות ויניגרט קל (30 קלוריות) או שפע של רוטב ראנצ' (290 קלוריות). ה-AI צריך לנחש.

השפעת קלוריות: 50-260 קלוריות בהתאם לסוג וכמות הרוטב.

5. כישלון בהערכת גודל המנה

הערכת גודל המנה על ידי AI בדרך כלל משתמשת באחת משלוש שיטות: השוואה לגודל הצלחת (בהנחה על ממדי צלחת סטנדרטיים), ידע קודם על מנות ממוצעות, או (במקרה של SnapCalorie) סריקת LiDAR תלת-ממדית על מכשירים תומכים. לכל שלוש השיטות יש מרווחי שגיאה משמעותיים.

מנה של 200 גרם פסטה ומנה של 350 גרם פסטה על אותה צלחת יכולות להיראות דומות מאוד בתמונה מלמעלה. ההבדל הוא כ-195 קלוריות.

השפעת קלוריות: 50-250+ קלוריות בהתאם לדחיסות הקלוריות של המזון ושגיאת המנה.

6. עיוורון לשיטת ההכנה

שוק עוף יכול להיות צלוי (209 קלוריות/100 גרם), מטוגן בשמן (245 קלוריות/100 גרם), או מטוגן עם ציפוי (260 קלוריות/100 גרם). ההבדל החזותי בתמונה הוא עדין — דפוסי חום שונים מעט ומרקם פני השטח. ההבדל בקלוריות הוא משמעותי.

השפעת קלוריות: 50-150 קלוריות לכל מנת חלבון.

7. בעיית הערכת המשקה

צילום כוס מיץ תפוזים, סמוזי או לאטה נותן ל-AI כמעט כלום לעבוד איתו. צבע המשקה הוא הקו החזותי העיקרי. לאטה של 16 אונקיות עם חלב מלא (190 קלוריות), לאטה של 16 אונקיות עם חלב שיבולת שועל (220 קלוריות), ולאטה של 16 אונקיות עם חלב דל שומן (100 קלוריות) נראות כמעט זהות.

השפעת קלוריות: 50-120 קלוריות לכל משקה, ורוב האנשים שותים 2-4 משקאות ביום.

מה כל אפליקציה עושה כשיש טעות ב-AI

כאן ההבדלים הארכיטקטוניים בין המעקב בעזרת AI הופכים לרלוונטיים. כל תרחיש כישלון מתנהל אחרת בהתאם לעיצוב האפליקציה.

Cal AI: הטעות נשארת

Cal AI משתמשת בארכיטקטורה של AI בלבד. כשאתם מצלמים מנה, ה-AI מייצר הערכה ומציג אותה. אם ההערכה הזו שגויה, לאפליקציה אין מנגנון לזהות את הטעות. אין מסד נתונים להשוואה, אין שלב אימות, ואין בקשה לאישור המשתמש על זיהוי המזון.

אתם יכולים לערוך את הרשומה ידנית על ידי הקלדת ערכים שונים, אבל זה דורש מכם לדעת כבר את הערכים הנכונים — מה שמביס את המטרה של שימוש בסריקת AI מלכתחילה. בפועל, רוב המשתמשים מקבלים את הפלט של ה-AI וממשיכים.

לגבי טעות קינואה-כקוסקוס: Cal AI רושמת קלוריות קוסקוס. אתם רואים מספר שנראה סביר. הטעות נמשכת.

לגבי טעות השמן הבלתי נראה: Cal AI לא לוקחת בחשבון שמני בישול שהיא לא יכולה לראות. ה-239 קלוריות משתי כפות שמן זית פשוט לא קיימות ביומן שלכם.

SnapCalorie: הטעות נשארת (עם מנות טובות יותר)

המאפיין הייחודי של SnapCalorie הוא הערכת גודל המנה בתלת-ממד באמצעות חיישני LiDAR על iPhones תואמים. זה באמת משפר את דיוק המנות — הוא יכול להעריך את הנפח בצורה מהימנה יותר מאשר ניתוח תמונה דו-ממדי. עם זאת, יש לה את אותה מגבלה בסיסית כמו Cal AI: הנתונים התזונתיים מגיעים מהמודל של ה-AI, ולא ממסד נתונים מאושר.

אם ה-AI מזהה את המזון לא נכון, הסריקה התלת-ממדית לא עוזרת. אתם מקבלים הערכה מדויקת יותר של המנה השגויה.

לגבי טעות קינואה-כקוסקוס: SnapCalorie עשויה להעריך את גודל המנה בצורה מדויקת יותר אך עדיין רושמת נתוני תזונה של קוסקוס. תשובה מדודה אך שגויה עדיין שגויה.

לגבי בעיית השכבה המוסתרת: הסריקה התלת-ממדית תופסת את הגיאומטריה של השטח אך לא יכולה לראות דרך שכבות. חמאת השקדים מתחת לגרנולה נשארת בלתי נראית.

Foodvisor: מסלול תיקון איטי

Foodvisor מציעה גישה היברידית. היא משתמשת ב-AI לזיהוי ראשוני אך יש לה גם מסד נתונים מאושר. היא גם מספקת גישה לדיאטנים שיכולים לבדוק את היומנים שלכם — אבל זה לא מיידי. משוב מדיאטנים בדרך כלל לוקח שעות עד ימים, מה שאומר שסך הקלוריות היומי שלכם אינו מדויק בזמן אמת ומתקן רק בדיעבד אם אתם משתמשים בפיצ'ר של הדיאטנים.

לגבי טעות בהערכת הרוטב: ה-AI של Foodvisor נתקל באותן מגבלות חזותיות כמו כל המערכות המבוססות על תמונות. פיצ'ר הביקורת של הדיאטנים עשוי בסופו של דבר לתפוס את הטעות, אבל לא לפני שכבר קיבלתם החלטות תזונתיות לשאר היום על סמך מספרים לא מדויקים.

Nutrola: מסד הנתונים תופס את זה

הארכיטקטורה של Nutrola מכניסה מסד נתונים מאושר בין ההצעה של ה-AI לבין הרשומה הסופית. כשאתם מצלמים מנה, ה-AI מזהה את רכיבי המזון ומציע התאמות מתוך מסד הנתונים המאושר של 1.8 מיליון רשומות או יותר. אתם רואים את ההצעות של ה-AI לצד התאמות חלופיות מהמסד.

לגבי טעות קינואה-כקוסקוס: ה-AI עשוי בהתחלה להציע קוסקוס, אבל המסד מציג גם קוסקוס וגם קינואה כאופציות עם הפרופילים התזונתיים המאושרים שלהן. אתם מזהים את הקינואה שלכם ובוחרים את הרשומה הנכונה. הנתונים שנרשמים מגיעים ממקור מאושר.

לגבי טעות השמן הבלתי נראה: לאחר צילום מוקפץ, אתם יכולים להוסיף "שמן זית, 2 כפות" דרך הקלטת קול או חיפוש במסד הנתונים. הרשומה מגיעה מנתונים מאושרים — 239 קלוריות, 27 גרם שומן. העיצוב הרב-שכבתי של Nutrola (צילום פלוס קול פלוס ברקוד פלוס חיפוש ידני) מבטיח שתמיד יש שיטה חלופית למה שהמצלמה לא יכולה לראות.

לגבי בעיית השכבה המוסתרת: ה-AI מזהה את התוספות הגלויות בקערת הסמוזי. אתם מקליטים בקול "להוסיף שתי כפות חמאת שקדים וכף אבקת חלבון" — שניהם נמשכים מרשומות מאושרות במסד הנתונים עם פרופילים תזונתיים מלאים.

טבלת השוואת כישלונות

תרחיש טעות	Cal AI	SnapCalorie	Foodvisor	Nutrola
החלפת מזון דומה חזותית	נתונים שגויים נרשמים בשקט	נתונים שגויים נרשמים בשקט	עשוי לתפוס עם ביקורת דיאטנית (מאוחר)	מסד הנתונים מציג חלופות, המשתמש בוחר את ההתאמה הנכונה
שמן בישול בלתי נראה	לא מזוהה, 100-300 קלוריות חסרות	לא מזוהה, 100-300 קלוריות חסרות	לא מזוהה ללא קלט דיאטני	הקלטה קולית או חיפוש מוסיפים רשומת שמן מאושרת
שכבות רכיבים מוסתרות	לא מזוהות	סריקת תלת-ממד תופסת רק את השטח	לא מזוהות ללא קלט דיאטני	רכיבים נוספים מתווספים דרך קול/חיפוש
כמות רוטב/תיבול	ה-AI מנחש סוג וכמות	ה-AI מנחש סוג וכמות	ה-AI מנחש, דיאטנית עשויה לתקן מאוחר יותר	רשומת מסד נתונים נבחרת לסוג רוטב ספציפי
טעות בגודל המנה	הערכה דו-ממדית בלבד	LiDAR תלת-ממדי עוזר (אם זמין)	הערכה דו-ממדית	מנות סטנדרטיות ממסד הנתונים עם התאמות משתמש
שיטת הכנה לא ידועה	ה-AI מנחש שיטת בישול	ה-AI מנחש שיטת בישול	ה-AI מנחש שיטת בישול	המשתמש בוחר הכנה ספציפית ממסד הנתונים (צלוי מול מטוגן)
הערכת משקה	ניחוש מבוסס צבע	ניחוש מבוסס צבע	ניחוש מבוסס צבע	הקלטת קול של משקה ספציפי, מסד הנתונים מספק נתונים מאושרים

כיצד טעויות קטנות מצטברות לבעיות גדולות

הטעויות האישיות המפורטות למעלה עשויות להיראות ניתנות לניהול. פער של 100 קלוריות כאן, פער של 80 קלוריות שם. אבל ההשפעה המצטברת לאורך יום מלא של אכילה היא מה שהופך את זה לבעיה רצינית במעקב.

יום טיפוסי של טעויות בסריקות בעזרת AI

שקלו יום טיפוסי שנעקב עם סורק רק בעזרת AI.

ארוחה	הערכת AI	קלוריות בפועל	טעות	מקור הטעות
ארוחת בוקר: שיבולת שועל עם דבש ואגוזים	310 קלוריות	420 קלוריות	-110 קלוריות	כמות הדבש והאגוזים הוערכה נמוך
קפה בבוקר: לאטה עם חלב שיבולת שועל	90 קלוריות	220 קלוריות	-130 קלוריות	סוג החלב וגודל הכוס שגויים
צהריים: מוקפץ עוף עם אורז	480 קלוריות	680 קלוריות	-200 קלוריות	שמן בישול לא זוהה, גודל המנה הוערך נמוך
חטיף אחר הצהריים: חטיף חלבון (צולם)	180 קלוריות	210 קלוריות	-30 קלוריות	סוג החטיף זוהה שגוי במעט
ארוחת ערב: פסטה עם רוטב בשר ופרמזן	550 קלוריות	740 קלוריות	-190 קלוריות	שמן ברוטב, כמות הגבינה, גודל המנה
סך יומי	1,610 קלוריות	2,270 קלוריות	-660 קלוריות

משתמש זה חושב שהוא אכל 1,610 קלוריות. בפועל, הוא אכל 2,270. אם היעד שלו מציב אותו על 1,800 קלוריות ביום, הוא מאמין שהוא 190 קלוריות מתחת ליעד. בפועל, הוא 470 קלוריות מעל. במשך שבוע, זהו שינוי של 3,290 קלוריות ממה שהוא חושב שקורה — בערך קילוגרם אחד של משקל גוף שצריך לרדת אך לא ירד.

ההטיה השיטתית בהערכה הנמוכה זוהתה במחקר נראית כאן בבירור. ה-AI באופן עקבי מעריך נמוך את רכיבי המזון העשירים בקלוריות (שמנים, אגוזים, גבינות, רטבים) מכיוון שאלו הם האלמנטים הקשים ביותר להערכה חזותית.

זרימת העבודה לתיקון חשובה

גם כאשר משתמש חושד שיש טעות, זרימת העבודה לתיקון משתנה באופן דרמטי בין האפליקציות.

תיקון באפליקציה רק בעזרת AI

1. המשתמש חושד שהמספר נראה שגוי
2. המשתמש מוחק את הרשומה של ה-AI
3. המשתמש מקליד ידנית תיאור מזון והערכה קלורית
4. הרשומה החדשה היא הניחוש של המשתמש — עדיין לא מאושרת
5. הערכה לא מאושרת אחת מחליפה אחרת

תיקון ב-Nutrola

1. המשתמש חושד שהמספר נראה שגוי
2. המשתמש לוחץ על הרשומה ורואה חלופות ממסד הנתונים
3. המשתמש בוחר את המזון הנכון מתוך רשומות מאושרות
4. או שהמשתמש מתאר בקול את המזון הנכון ובוחר מתוך תוצאות מסד הנתונים
5. או שהמשתמש סורק ברקוד של רכיב ארוז לקבלת נתוני היצרן המדויקים
6. הרשומה המתוקנת מגיעה ממקור מאושר עם 100+ שדות תזונתיים

ההבדל הוא לא רק מהירות. זה שהתיקון עצמו מאושר. באפליקציה רק בעזרת AI, תיקון ניחוש שגוי של AI עם הערכה ידנית הוא החלפת מספר לא מאושר באחר. באפליקציה עם מסד נתונים מאושר, התיקון נמשך מאותו מקור נתונים מאושר שבו משתמשים דיאטנים וחוקרי תזונה.

אילו טעויות מקובלות?

לא כל טעויות המעקב אחרי קלוריות בעייתיות באותה מידה. החומרה תלויה במטרות המשתמש.

למטרות מודעות כלליות: טעויות של 10-20% לכל ארוחה הן נסבלות. מעקב בעזרת AI בסדר. עדיין מקבלים תמונה שימושית של דפוסי האכילה שלכם גם אם המספרים האישיים הם בקירוב.

לניהול משקל מתון: טעויות צריכות להישאר מתחת ל-10% יומי. זה דורש לתפוס את מצבי הכישלון העיקריים (שמנים, רכיבים מוסתרים) גם אם פריטים בודדים יש להם אי דיוקים קטנים. גיבוי ממסד נתונים הופך לערך.

ליעדים מדויקים של חוסר קלוריות או עודף: דיוק יומי צריך להיות בתוך 5%. זה אומר נתונים מאושרים עבור כמה שיותר פריטים, עם AI שמשמש לנוחות ולא כמקור נתונים בלעדי. מסד נתונים מאושר הוא הכרחי.

לטיפול תזונתי רפואי: דרישות הדיוק הן הגבוהות ביותר. מעקב אחרי רכיבי תזונה ספציפיים (נתרן, אשלגן, זרחן, חומצות אמינו ספציפיות) דורש נתונים מאושרים מקיפים ש-AI לא יכול לספק. רק מעקבים עם מסדי נתונים מאושרים עם פרופילים תזונתיים רחבים יכולים לשרת צורך זה.

מה AI עושה טוב בסריקות מזון

למרות מצבי הכישלון המתוארים למעלה, סריקות מזון בעזרת AI מספקות ערך אמיתי שלא כדאי לזלזל בו.

זה מהיר. צילום מנה לוקח 2-3 שניות. חיפוש ידני במסד נתונים עבור כל רכיב של מנה מורכבת יכול לקחת 1-3 דקות. עבור אנשים עסוקים, ההבדל במהירות קובע אם הם יעקבו בכלל.

זה תופס מנות שקשות לרישום ידני. צלחת מורכבת במסעדה עם שבעה רכיבים היא משימה מעיקה לפרק למספר חיפושים במסד הנתונים. סריקת AI מספקת נקודת התחלה סבירה שניתן לחדד.

זה מפחית את המחסום למעקב. החזאי מספר אחד להצלחה במעקב אחרי קלוריות הוא עקביות. אם סריקות AI גורמות למישהו לעקוב אחרי 95% מהארוחות שלו במקום 60%, עלות הדיוק של 5-10% עשויה להיות שווה את זה עבור כיסוי נתונים משופר.

המערכת האופטימלית אינה רק AI או מסד נתונים. זה AI עבור מהירות ונוחות, מגובה על ידי מסד נתונים מאושר עבור דיוק ותיקון. זו בדיוק הארכיטקטורה ש-Nutrola מיישמת — זיהוי תמונה וקול של AI לרישום מהיר ראשוני, עם 1.8 מיליון רשומות מאושרות או יותר המספקות את נתוני התזונה האמיתיים, סריקת ברקוד עבור מזונות ארוזים, והיכולת לחדד כל רשומה מול מקורות מאושרים.

כיצד להגן על עצמכם מפני טעויות בסריקות AI

בין אם אתם משתמשים באפליקציה זו או אחרת, הפרקטיקות הללו מפחיתות את השפעת טעויות בסריקות מזון בעזרת AI.

רשמו שומני בישול בנפרד. תמיד הוסיפו שמני בישול, חמאה או תרסיס כרשומות נפרדות. שום AI לא יכול לראות אותם בתמונה, והם מקור הקלוריות הבלתי נרשמות הגדול ביותר.

השתמשו בסריקת ברקוד עבור מזונות ארוזים. כאשר ברקוד זמין, הוא תמיד מדויק יותר מסריקת תמונה. נתוני התזונה מגיעים ישירות מתווית המוצר.

בדקו הערכות לא רגילות. אם הערכת AI נראית נמוכה או גבוהה באופן מפתיע, האינסטינקט הזה שווה בדיקה. מנה ש"מרגישה כמו" 600 קלוריות אבל סורקת ב-350 כנראה מכילה רכיבים בלתי נראים שה-AI פספס.

השתמשו בהקלטת קול עבור מנות מורכבות. תיאור "פילטת סלמון צלויה במשקל של כ-6 אונקיות עם שתי כוסות ברוקולי קלוי וכף שמן זית" נותן למערכת מגובה במסד נתונים הרבה יותר מידע ממה שתמונה יכולה לספק.

בחרו במעקב עם שכבת אימות. ההגנה הפשוטה ביותר מפני טעויות AI היא להשתמש באפליקציה שבה ה-AI מציע ומסד הנתונים המאושר מאמת. הארכיטקטורה של Nutrola — קלט AI פלוס 1.8 מיליון רשומות מאושרות במחיר של €2.50 לחודש לאחר תקופת ניסיון חינם — קיימת בדיוק כי AI בלבד אינו מהימן מספיק למעקב תזונה רציני. מסד הנתונים אינו תוספת פרימיום. זו הבסיס שמאפשר ל-AI להיות שימושי ולא רק מהיר.

כאשר סריקות מזון בעזרת AI טועות — וזה יקרה, באופן קבוע — הדבר החשוב ביותר הוא אם המעקב שלכם יש מערכת לתפוס את זה. המערכת הזו היא מסד נתונים מאושר. בלעדיו, אתם בונים את האסטרטגיה התזונתית שלכם על הנחות שנראות כמו נתונים.