המוח הגלובלי: למה רוב ה-AI לא מצליח לזהות בוריאני, ארפאס ודאל

שאלו רוב אפליקציות זיהוי מזון לזהות צלחת של בוריאני עוף, וכנראה שתקבלו תשובות כמו "אורז עם בשר" או, גרוע מכך, "אורז מטוגן." ההערכה הקלורית שתצא בעקבות זאת תהיה לא מדויקת ב-200 עד 400 קלוריות, מכיוון שהמודל לא מבין את האורז הבסמטי המושרה בגהי, את ההשריה המורכבת, או את הבצל המטוגן המעורבב במנה.

זו לא בעיה נישתית. לפי האומות המאוחדות, יותר מ-5.5 מיליארד אנשים חיים מחוץ לאמריקה הצפונית ואירופה. הארוחות היומיות שלהם, מהג'ולוף הניגרי ועד הסביצ'ה הפרואני ועד האוקונומיאקי היפני, מיוצגות באופן שיטתי בצורה חסרה בנתונים שמזינים את ה-AI המזון המיינסטרימי. התוצאה היא טכנולוגיה שעובדת היטב עבור המבורגר, אך נכשלת עבור רוב האוכלוסייה בעולם.

בעיית נתוני האימון הממוקדים במערב

מודלים של ראיית מחשב לומדים מהתמונות שעליהן הם מאומנים. הנתונים הציבוריים הנפוצים ביותר לזיהוי מזון מספרים סיפור ברור לגבי מקום ההטיה.

Food-101, אחד מהמדדים הבסיסיים במחקר זיהוי מזון, מכיל 101 קטגוריות מזון. בערך 70 אחוזים מהן הן מנות מערביות אירופיות או אמריקאיות: המבורגרים, ספגטי בולונז, סלט קיסר, פאי תפוחים. המטבח הדרום אסייתי מיוצג על ידי קטגוריה אחת בלבד. המטבח האפריקאי אינו מיוצג כלל.

UECFOOD-256, שפותח באוניברסיטת אלקטרו-תקשורת בטוקיו, נטוע בעיקר במנות יפניות. הוא מצוין בזיהוי רמנ וטמפורה, אך כמעט ולא מציע כלום למזון מדרום אמריקה או מערב אפריקה.

כאשר מודל מאומן בעיקר על נתונים אלה נתקל בצלחת של צ'ולה בהאטורה, יש לו שתי אפשרויות: לסווג את המנה באופן שגוי לחלוטין, או למפות אותה לשווה ערך מערבי הקרוב ביותר. אף אחת מהאפשרויות לא מספקת הערכת קלוריות מדויקת.

למה סיווג שגוי עולה יותר ממה שאתם חושבים

הפער הקלורי בין סיווג נכון לשגוי יכול להיות עצום. שקלו את הדוגמאות האמיתיות הבאות:

• בוריאני עוף שסווג כ"אורז מטוגן": בוריאני עשוי מגהי ובצל מטוגן יכול להכיל 450 עד 600 קלוריות למנה. רשומה טיפוסית של אורז מטוגן במאגר נתונים גנרי מציינת 300 עד 380 קלוריות. זהו פער פוטנציאלי של 200 קלוריות לכל מנה.
• ארפאס שסווג כ"לחם תירס": ארפאס ממולא בגבינה ושעועית יכול להגיע ל-500 קלוריות. פרוסת לחם תירס נרשמת ב-170 עד 200 קלוריות.
• דאל מכתני שסווג כ"מרק עדשים": החמאה והשמנת בדאל מכתני מסורתי דוחפות אותו ל-350 עד 450 קלוריות לכוס. מרק עדשים בסיסי עומד על 160 עד 200 קלוריות.

במהלך שבוע, שגיאות אלו מצטברות למאות או אפילו אלפי קלוריות שגויות, מספיק כדי undermine לחלוטין דיאטה או עלייה במשקל.

המורכבות של מנות גלובליות

מנות מערביות נוטות להיות בעלות רכיבים נפרדים וברורים: חלבון, פחמימה, ירק. רבות מהמנות שאינן מערביות מציבות אתגר שונה לחלוטין לראיית מחשב.

הכנות שכבות ומעורבות

בוריאני הוא מנה עם שכבות. האורז, הבשר, התבלינים, הבצל המטוגן והשומן משתלבים ולא מוגשים בנפרד. תמונה של השכבה העליונה חושפת רק את החלק העליון. מול נגרו מאואחקה מכיל יותר מ-30 מרכיבים טחונים לרוטב אחד. קארי מסמאן תאי משלב חלב קוקוס, בוטנים קלויים, תפוחי אדמה ובשר בתערובת אחת בלתי ניתנת להבחנה.

כדי שמודל AI יוכל להעריך קלוריות בצורה מדויקת, הוא צריך להבין לא רק איך המנה נראית, אלא גם מה יש בתוכה.

שונות אזורית בתוך אותה מנה

"חומוס" המיוצר בלבנון, סוריה, ישראל וטורקיה ישתנה באופן משמעותי בתכולת שמן זית, יחס טחינה וגודל המנה. בוריאני הודי ביתי שונה מבוריאני מסעדה מלוקנאו הן בטכניקה והן בצפיפות הקלוריות. טמלים משתנים מאזור לאזור במקסיקו ובמרכז אמריקה, עם מילויים הנעים בין עוף רזה לפנקייק שומן.

מודל צריך הקשר אזורי, ולא רק זיהוי ברמת המנה, כדי לספק הערכות אמינות.

תורמים לקלוריות שאינם נראים

מספר מסורות בישול עולמיות מסתמכות על שימוש נדיב בשומנים לבישול שהופכים לבלתי נראים במנה הסופית. הבישול ההודי משתמש בגהי. מנות מערב אפריקאיות משתמשות לעיתים בשמן דקל. המטבח הלטיני כולל שומן חזיר ומנטקה. הבישול מהמזרח התיכון עושה שימוש נדיב בשמן זית ובחמאה.

שומנים אלו נספגים במנה במהלך הבישול. תמונה לא יכולה לחשוף אותם, אך הם יכולים להוות 30 עד 50 אחוז מהקלוריות הכוללות.

איך Nutrola מתקרבת לזיהוי מזון גלובלי

בניית AI מזון שעובד על פני מטבחים שונים דורשת מאמץ מכוון בכל שלב: איסוף נתונים, ארכיטקטורת מודל ומיפוי תזונתי לאחר הזיהוי.

נתוני אימון מגוונים בקנה מידה

מאגר הנתונים של Nutrola כולל תמונות מזון שנאספו מיותר מ-130 מדינות. במקום להסתמך רק על נתונים ציבוריים ממוקדים במערב, המערכת משלבת תמונות שנאספו אזורית עם תוויות מאומתות על ידי תזונאים. זה אומר שהמודל ראה אלפי דוגמאות של אינג'רה עם טיבס, לא רק תמונות סטוק אלא ארוחות אמיתיות שצולמו בבתים ובמסעדות ברחבי אתיופיה וא Eritrea.

פרופילים תזונתיים ברמת המנה

במקום לפרק כל מנה לרכיבים גנריים, Nutrola שומרת על פרופילים תזונתיים עבור מנות כפי שהן מוכנות בפועל. דאל מכתני אינו "עדשים + שומן לא ידוע." זו מנה ספציפית עם שיטת הכנה ידועה, וההערכה הקלורית משקפת את החמאה, השמנת וטכניקת הבישול האיטית שמגדירות אותה.

גישה זו מתרחבת גם לוריאציות אזוריות. המערכת מבחינה בין בוריאני בסגנון קולקטה עם תפוחי אדמה לבוריאני דום היידרבאדי, מכיוון שהפרופילים הקלוריים שונים באמת.

קלט מולטי-מודלי עבור מרכיבים נסתרים

כאשר תמונה לבד אינה מספיקה, Nutrola משתמשת בהנחיות קוליות וטקסטואליות כדי למלא את הפערים. משתמש יכול לומר "זה בושל בשמן קוקוס" או "יש גבינה בתוך הארפאס" והמערכת מתאימה את ההערכה בהתאם. גישה מולטי-מודלית זו פותרת את בעיית הקלוריות הבלתי נראות שמערכות מבוססות תמונה לא יכולות לפתור.

מה המשמעות של זיהוי גלובלי טוב יותר עבור המשתמשים

עבור מיליוני אנשים שאוכלים דיאטות שאינן מערביות מדי יום, AI מזון מדויק הוא לא תכונה יוקרתית. זו ההבדל בין מעקב תזונתי שעובד לבין אחד שמס sabotages בשקט את המטרות שלהם.

מחקר משנת 2023 שפורסם ב-Journal of the Academy of Nutrition and Dietetics מצא כי ההיענות למעקב תזונתי יורדת ב-40 אחוז כאשר משתמשים תופסים את האפליקציה שלהם כלא מדויקת. אם המעקב שלכם מזהה באופן שגוי את הארוחות שלכם באופן קבוע, אתם מפסיקים לסמוך עליו, ואז מפסיקים להשתמש בו.

זיהוי מזון גלובלי מדויק חשוב גם עבור קהילות דיאספוריות. אדם אמריקאי-הודי מהדור השני שאוכל תערובת של דאל, רוטי וסלטים במהלך השבוע זקוק לאפליקציה שמתמודדת עם שני המטבחים בדיוק שווה. סטודנט ניגרי בלונדון שמבשל מרק אגוסי לא צריך להזין ידנית כל מרכיב כי ה-AI לא ראה את המנה.

הדרך קדימה עבור AI מזון

תחום זיהוי המזון מתקרב למגוון גדול יותר, אך ההתקדמות אינה אחידה. מאגרי נתונים חדשים כמו ISIA Food-500 ו-Nutrition5k מרחיבים את הכיסוי, וטכניקות למידת העברה מאפשרות למודלים להסתגל למטבחים לא מיוצגים עם כמויות קטנות יותר של נתונים מסומנים.

המבדיל המרכזי להמשך יהיה נתוני תזונה מאומתים. הכרה בכך שמנה היא בוריאני היא רק חצי מהבעיה. מיפוי ההכרה הזו להערכה מדויקת של קלוריות ומקרו דורש ידע תזונתי ספציפי לאזור שעולה על מה שמאגר מזון גנרי יכול לספק.

לכל מי שעוקב אחר תזונה מחוץ לדיאטה מערבית סטנדרטית, השאלה שיש לשאול לגבי כל AI מזון היא פשוטה: האם המערכת הזו אומנה על המזון שלי?

שאלות נפוצות

מהי האפליקציה הטובה ביותר למעקב קלוריות למזון הודי?

האפליקציה הטובה ביותר למעקב קלוריות למזון הודי צריכה שני דברים: מודל זיהוי מאומן על מנות דרום אסייתיות מגוונות ומאגר תזונה שמתחשב בשיטות הכנה מסורתיות. אפליקציות שאומנו בעיקר על מאגרי נתונים מערביים נוטות לסווג מנות כמו בוריאני, פאניר טיקה ודאל מכתני כנכנסות גנריות, מה שמייצר טעויות קלוריות משמעותיות. המודל של Nutrola מאומן על תמונות מזון מיותר מ-130 מדינות ושומר על פרופילים תזונתיים ספציפיים למנות שמשקפים שיטות בישול אמיתיות, כולל גהי, שמנת ווריאציות אזוריות.

למה המעקב קלוריות שלי נותן תוצאות שגויות למזון אתני?

רוב המעקב המזון המיינסטרימי משתמש במודלי זיהוי שאומנו על מאגרי נתונים המיוצרים על ידי מטבחים מערביים כמו Food-101. כאשר מודלים אלה נתקלים במנות לא מוכרות, הם או מסווגים אותן בטעות כמנה מערבית דומה ויזואלית או נופלים לרשומות גנריות. הפרופילים התזונתיים עבור ההתאמות השגויות הללו לעיתים קרובות לא מדויקים ב- מאות קלוריות, במיוחד עבור מנות המוכנות עם שומנים כמו גהי, שמן דקל או חלב קוקוס שאינם נראים בתמונות.

האם AI יכול לעקוב בצורה מדויקת אחרי קלוריות למזון מהמזרח התיכון?

AI יכול לעקוב בצורה מדויקת אחרי מזון מהמזרח התיכון אם המודל אומן ספציפית על מנות כמו שווארמה, פאטוש, קיבבה ומנסף, ואם מאגר התזונה מתחשב בתכולת שמן זית, טחינה וחמאה. רבות מהמזונות במטבח המזרח תיכוני מקבלים חלק משמעותי מהקלוריות שלהם משומנים שנכנסים במהלך הבישול. מערכת שמשלבת זיהוי תמונה עם פרטי הכנה שסופקו על ידי המשתמש, כמו כמות שמן הזית שנעשה בו שימוש, תספק הערכות אמינות יותר.

איך AI מזון מתמודד עם מנות עם הרבה מרכיבים מעורבים?

מנות מורכבות עם מרכיבים מעורבים או שכבתיים, כמו מול, בוריאני ותבשילים, הן בין האתגרים הקשים ביותר בזיהוי מזון. מערכות מבוססות תמונה בלבד יכולות לנתח רק את השכבה הנראית, ומחמיצות שכבות פנימיות ושומנים שנספגו. AI מזון מתקדם מתמודד עם זה באמצעות זיהוי ברמת המנה, מזהה את המנה המלאה ולא את הרכיבים הבודדים, ובאמצעות קלט מולטי-מודלי שבו המשתמשים יכולים להוסיף פרטים על מרכיבים נסתרים באמצעות טקסט או קול. גישה משולבת זו משפרת משמעותית את הדיוק עבור הכנות מורכבות עם מרכיבים רבים.

האם נתוני מזון שנאספו על ידי קהל מדויקים למטבחים בינלאומיים?

מאגרי נתונים תזונתיים שנאספים על ידי קהל נוטים להיות פחות מדויקים עבור מטבחים בינלאומיים. רשומות עבור מנות כמו ג'ולוף, סביצ'ה או פד תאי נשלחות לעיתים על ידי משתמשים שאולי לא מתחשבים בוריאציות אזוריות, שומנים לבישול או שיטות הכנה אותנטיות. רשומת "בוריאני" אחת לא יכולה לייצג את טווח הקלוריות בין בוריאני ירקות קל לבוריאני כבש עשיר. מאגרי נתונים מאומתים עם פרופילים תזונתיים ספציפיים לאזור ופרטים ברמת הווריאציה מספקים נתונים אמינים הרבה יותר עבור מטבחים שאינם מערביים.