क्या आपका AI भ्रमित हो रहा है? सामान्य LLMs का आहार सलाह के लिए उपयोग करने का खतरा

"हे ChatGPT, मेरे चिकन स्टर-फ्राई में कितनी कैलोरी हैं?"

उत्तर तुरंत और आत्मविश्वास से आता है: "एक सामान्य चिकन स्टर-फ्राई में प्रति सर्विंग लगभग 350 से 450 कैलोरी होती हैं।" यह सुनने में उचित लगता है। यह मैक्रोज़ का भी विवरण देता है। लेकिन एक समस्या है: यह संख्या गढ़ी गई है। न तो अनुमानित, न ही लगभग सही, बल्कि टेक्स्ट डेटा में सांख्यिकीय पैटर्न से उत्पन्न की गई है, जिसका वास्तविक पोषण डेटाबेस से कोई संबंध नहीं है।

AI शोधकर्ताओं के अनुसार, इसे भ्रम कहा जाता है, और जब यह पोषण के संदर्भ में होता है, तो इसके परिणाम एक खराब निबंध या गलत ट्रिविया उत्तर से कहीं अधिक गंभीर होते हैं। लोग इन संख्याओं के आधार पर वास्तविक आहार निर्णय लेते हैं, और ये निर्णय उनके स्वास्थ्य को प्रभावित करते हैं।

पोषण संदर्भ में "भ्रम" का क्या मतलब है

बड़े भाषा मॉडल की शब्दावली में, भ्रम तब होता है जब मॉडल ऐसी जानकारी उत्पन्न करता है जो सुनने में विश्वसनीय लगती है लेकिन तथ्यात्मक रूप से गलत होती है। LLMs तथ्यों को डेटाबेस में नहीं देखते। वे प्रशिक्षण के दौरान सीखे गए पैटर्न के आधार पर एक क्रम में अगले सबसे संभावित शब्द की भविष्यवाणी करते हैं।

जब आप ChatGPT से किसी खाद्य पदार्थ की कैलोरी सामग्री के बारे में पूछते हैं, तो यह USDA FoodData Central डेटाबेस को क्वेरी नहीं कर रहा है या NCCDB के साथ क्रॉस-रेफरेंस नहीं कर रहा है। यह एक ऐसा उत्तर उत्पन्न कर रहा है जो सांख्यिकीय रूप से उसके प्रशिक्षण डेटा में दिखाई देने वाले उत्तर के समान है। कभी-कभी वह उत्तर सही के करीब होता है। कभी-कभी यह पूरी तरह से गलत होता है।

खतरा यह है कि आत्मविश्वास का स्तर दोनों मामलों में समान होता है। एक भ्रमित कैलोरी गिनती एक सटीक गिनती की तरह ही पढ़ी जाती है।

सामान्य LLMs पोषण में कहाँ गलत होते हैं

हमने ChatGPT (GPT-4o), Gemini, और Claude से सामान्य भोजन के पोषण सामग्री का अनुमान लगाने के लिए एक श्रृंखला के परीक्षण किए। फिर हमने उन अनुमानों की तुलना USDA-प्रमाणित संदर्भ मानों और Nutrola के पोषण विशेषज्ञ द्वारा समीक्षा किए गए डेटाबेस से की। विफलता के पैटर्न लगातार और प्रकट थे।

गढ़ी गई सटीकता

यदि आप LLM से पूछते हैं "एक टेबलस्पून जैतून के तेल में कितनी कैलोरी हैं?" तो आपको अक्सर सही उत्तर मिलेगा: लगभग 119 कैलोरी। इसका कारण यह है कि यह विशेष तथ्य प्रशिक्षण डेटा में अक्सर दिखाई देता है।

लेकिन जब आप पूछते हैं "घर का बना चिकन टिक्का मसाला और नान में कितनी कैलोरी हैं?" तो मॉडल को अनुमान लगाना पड़ता है। हमारे परीक्षणों में, GPT-4o ने विभिन्न वार्तालापों में एक ही वर्णित भोजन के लिए 450 से 750 कैलोरी के बीच अनुमान दिए। वास्तविक मान, एक मानक नुस्खे से प्रमाणित सामग्री डेटा के साथ, 685 कैलोरी था। एक उत्तर करीब था। अन्य 200 कैलोरी से अधिक गलत थे।

मॉडल के पास यह संकेत देने का कोई तरीका नहीं है कि कौन से उत्तर विश्वसनीय हैं और कौन से अनुमानित हैं।

तैयारी विधि की अंधता

LLMs के पास खाद्य पदार्थों के तैयार करने के तरीके के बारे में एक मौलिक अंधता होती है। "ग्रिल्ड चिकन ब्रेस्ट" और "मक्खन में पैन-फ्राइड चिकन ब्रेस्ट" को समान कैलोरी अनुमानों मिल सकते हैं क्योंकि मॉडल मुख्य सामग्री पर ध्यान केंद्रित करता है न कि पकाने के तरीके पर।

हमारे परीक्षण में, जब हमने "सैल्मन" के बारे में पूछा बिना तैयारी को निर्दिष्ट किए, तो उत्तर लगातार 6-औंस फिलेट के लिए 230 से 280 कैलोरी के आसपास बेक्ड या ग्रिल्ड अनुमान पर डिफॉल्ट हो गए। एक 6-औंस सैल्मन फिलेट, जिसे दो टेबलस्पून मक्खन में पैन-फ्राइड किया गया है, वास्तव में 450 से 500 कैलोरी के करीब होता है। यह अंतर समय के साथ कैलोरी घाटे को कमजोर करने के लिए पर्याप्त महत्वपूर्ण है।

सर्विंग साइज का भ्रम

शायद सबसे खतरनाक विफलता मोड सर्विंग साइज का अनुमान है। जब आप किसी सामान्य LLM से किसी खाद्य पदार्थ की कैलोरी के बारे में पूछते हैं, तो उसे एक सर्विंग साइज का अनुमान लगाना पड़ता है। ये अनुमान असंगत और अक्सर अस्पष्ट होते हैं।

"एक कटोरी पास्ता" का अनुमान 300 से 400 कैलोरी हो सकता है। लेकिन किसकी कटोरी? एक मानक 2-औंस सूखी स्पेगेटी के साथ मरीनारा लगभग 280 कैलोरी है। एक रेस्तरां का भाग 4 से 6 औंस सूखी पास्ता के साथ सॉस आसानी से 600 से 900 कैलोरी तक पहुंच सकता है। LLM एक मध्य संख्या चुनता है और इसे तथ्य के रूप में प्रस्तुत करता है।

भोजन योजनाओं में त्रुटियों का संचय

जब उपयोगकर्ता LLMs से पूर्ण भोजन योजनाएँ बनाने के लिए पूछते हैं, तो जोखिम बढ़ जाता है। प्रत्येक व्यक्तिगत अनुमान में त्रुटि होती है, और ये त्रुटियाँ भोजन और दिनों में संचयित होती हैं। एक भोजन योजना जो 1,800 कैलोरी प्रति दिन देने का दावा करती है, वास्तव में 2,200 या 1,400 हो सकती है, त्रुटियों की दिशा के आधार पर।

किसी ऐसे व्यक्ति के लिए जो मधुमेह जैसी चिकित्सा स्थिति को प्रबंधित करने के लिए या विशिष्ट एथलेटिक प्रदर्शन लक्ष्यों को पूरा करने के लिए भोजन योजना का उपयोग कर रहा है, यह स्तर की असंगति केवल अनुपयोगी नहीं है। यह संभावित रूप से हानिकारक है।

क्यों विशेष रूप से निर्मित पोषण AI अलग है

एक सामान्य LLM और एक विशेष रूप से निर्मित पोषण प्रणाली के बीच का अंतर आर्किटेक्चरल है, न कि कॉस्मेटिक।

डेटाबेस-आधारित प्रतिक्रियाएँ

Nutrola का AI कैलोरी अनुमानों को भाषा पैटर्न से उत्पन्न नहीं करता। जब यह किसी खाद्य पदार्थ की पहचान करता है, तो यह उस पहचान को एक प्रमाणित प्रविष्टि से मानचित्रित करता है। डेटाबेस में USDA FoodData Central, कई देशों के राष्ट्रीय पोषण डेटाबेस, और इन-हाउस पोषण विशेषज्ञ द्वारा समीक्षा की गई प्रविष्टियाँ शामिल हैं।

इसका मतलब है कि प्रणाली कैलोरी गिनती को भ्रमित नहीं कर सकती। संख्या एक विशिष्ट, ऑडिटेबल डेटाबेस प्रविष्टि से आती है, न कि सांख्यिकीय भाषा मॉडल से।

दृश्य सत्यापन

जब एक उपयोगकर्ता भोजन की तस्वीर लेता है, तो Nutrola का कंप्यूटर विज़न मॉडल व्यक्तिगत खाद्य पदार्थों की पहचान करता है और दृश्य विश्लेषण के आधार पर भाग के आकार का अनुमान लगाता है। यह दृश्य आधार टेक्स्ट-केवल LLMs द्वारा नहीं किया जा सकता। प्रणाली वास्तव में देख रही है कि आप क्या खा रहे हैं, न कि टेक्स्ट विवरण से अनुमान लगा रही है।

पारदर्शी अनिश्चितता

एक अच्छी तरह से डिज़ाइन की गई पोषण प्रणाली तब अनिश्चितता को स्वीकार करती है जब यह सुनिश्चित नहीं होती। यदि कोई व्यंजन अस्पष्ट है या फोटो से भाग के आकार का अनुमान लगाना कठिन है, तो प्रणाली उस अनिश्चितता को चिह्नित कर सकती है और उपयोगकर्ता से स्पष्टीकरण मांग सकती है। सामान्य LLMs लगभग कभी यह संकेत नहीं देते कि उनकी पोषण संबंधी अनुमानों में आत्मविश्वास कम है, क्योंकि उनके पास तथ्यात्मक दावों पर अपने स्वयं के आत्मविश्वास को मापने का कोई तंत्र नहीं है।

वास्तविक स्वास्थ्य जोखिम

AI से मिली गलत कैलोरी डेटा एक अमूर्त समस्या नहीं है। यह ठोस तरीकों से प्रकट होती है।

वजन प्रबंधन में विफलता। एक निरंतर 200-कैलोरी प्रति दिन की अधिक गिनती या कम गिनती किसी भी आहार के परिणाम को बदल देती है। 30 दिनों में, यह 6,000 कैलोरी की त्रुटि है, जो लगभग 1.7 पाउंड शरीर की चर्बी के बराबर होती है।

सूक्ष्म पोषक तत्वों की अंधता। LLMs शायद ही कभी सूक्ष्म पोषक तत्वों का डेटा प्रदान करते हैं, और जब वे ऐसा करते हैं, तो संख्याएँ कैलोरी अनुमानों की तुलना में और भी कम विश्वसनीय होती हैं। कोई व्यक्ति गर्भावस्था के दौरान आयरन सेवन की निगरानी कर रहा है या उच्च रक्तचाप के लिए सोडियम की निगरानी कर रहा है, वह उत्पन्न अनुमानों पर भरोसा नहीं कर सकता।

झूठा आत्मविश्वास। सबसे कपटी जोखिम यह है कि उपयोगकर्ता मानता है कि उनके पास सटीक डेटा है जबकि वास्तव में ऐसा नहीं है। यह झूठा आत्मविश्वास उन्हें बेहतर उपकरणों की तलाश करने या वास्तविक परिणामों के आधार पर समायोजन करने से रोकता है।

कब LLM से खाद्य पदार्थों के बारे में पूछना ठीक है

सामान्य LLMs पोषण के लिए बेकार नहीं हैं। वे कुछ प्रकार के प्रश्नों के लिए प्रभावी हैं:

• सामान्य शिक्षा: "कौन से खाद्य पदार्थ पोटेशियम में उच्च हैं?" या "घुलनशील और अघुलनशील फाइबर में क्या अंतर है?" ये ज्ञान प्रश्न हैं जहाँ अनुमानित उत्तर उपयुक्त हैं।
• रेसिपी विचार: "मुझे 500 कैलोरी के तहत एक उच्च प्रोटीन लंच आइडिया दें" उपयोगी प्रेरणा उत्पन्न कर सकता है, भले ही सटीक कैलोरी गिनती की पुष्टि की जानी चाहिए।
• धारणाओं को समझना: "कैलोरी घाटा क्या है, इसे समझाएं" या "प्रोटीन मांसपेशियों की रिकवरी में कैसे मदद करता है?" ये ऐसे क्षेत्र हैं जहाँ LLMs अच्छा प्रदर्शन करते हैं।

सीमा स्पष्ट है: पोषण के बारे में जानने के लिए LLMs का उपयोग करें। इसे ट्रैक करने के लिए प्रमाणित, डेटाबेस-आधारित उपकरणों का उपयोग करें।

किसी भी AI पोषण दावे की पुष्टि कैसे करें

चाहे आप एक चैटबॉट का उपयोग कर रहे हों या किसी अन्य उपकरण का, आपके द्वारा प्राप्त डेटा की जांच करने के लिए व्यावहारिक कदम हैं:

1. USDA FoodData Central के साथ क्रॉस-रेफरेंस करें। USDA डेटाबेस मुफ्त, सार्वजनिक और प्रयोगशाला-सत्यापित है। यदि किसी AI का अनुमान USDA प्रविष्टि से महत्वपूर्ण रूप से भिन्न है, तो AI संभवतः गलत है।
2. सर्विंग साइज के अनुमानों की जांच करें। हमेशा पूछें या सत्यापित करें कि अनुमान किस सर्विंग साइज पर आधारित है। बिना सर्विंग साइज के कैलोरी संख्या निरर्थक है।
3. तैयारी विधि का ध्यान रखें। एक ही सामग्री की कैलोरी घनत्व पकाने के तरीके के आधार पर 2 से 3 गुना भिन्न हो सकती है, चाहे वह कच्ची हो, बेक्ड हो, तली हुई हो, या तेल में भुनी हुई हो।
4. गोल संख्याओं पर संदेह करें। यदि AI आपको बताता है कि एक भोजन में "सटीक 500 कैलोरी" हैं, तो यह एक उत्पन्न अनुमान है, न कि मापी गई मात्रा। वास्तविक पोषण डेटा में विशिष्ट संख्याएँ होती हैं जैसे 487 या 523।

अक्सर पूछे जाने वाले प्रश्न

क्या ChatGPT कैलोरी गिनने में सटीक है?

ChatGPT और इसी तरह के बड़े भाषा मॉडल कैलोरी गिनने के लिए विश्वसनीय नहीं हैं। वे प्रमाणित पोषण डेटाबेस में मानों को देखने के बजाय टेक्स्ट पैटर्न के आधार पर अनुमानों को उत्पन्न करते हैं। परीक्षण में, LLM कैलोरी अनुमानों ने एक ही खाद्य पदार्थ के लिए विभिन्न प्रश्नों में 200 से 300 कैलोरी का भिन्नता दिखाई। सरल, ज्ञात वस्तुओं जैसे "एक बड़ा अंडा" के लिए, अनुमान करीब होते हैं क्योंकि डेटा प्रशिक्षण टेक्स्ट में अक्सर दिखाई देता है। तैयार भोजन, रेस्तरां के व्यंजन, और मिश्रित सामग्री वाले खाद्य पदार्थों के लिए, त्रुटि दर काफी बढ़ जाती है।

क्या मैं ChatGPT का उपयोग करके अपने मैक्रोज़ को ट्रैक कर सकता हूँ?

विशिष्ट स्वास्थ्य या फिटनेस लक्ष्यों का पीछा करने वाले किसी भी व्यक्ति के लिए मैक्रो ट्रैकिंग के लिए ChatGPT का उपयोग करने की सिफारिश नहीं की जाती है। मॉडल आपके वास्तविक भाग के आकार, पकाने के तरीकों, या विशिष्ट सामग्री को ध्यान में नहीं रख सकता। यह भी असंगत है; एक ही प्रश्न पूछने पर अलग-अलग मैक्रो ब्रेकडाउन उत्पन्न हो सकते हैं। यदि किसी खाद्य पदार्थ में प्रोटीन या कार्ब्स की उच्चता के बारे में सामान्य जागरूकता के लिए, एक LLM उपयोगी दिशात्मक जानकारी प्रदान कर सकता है। सटीक ट्रैकिंग के लिए, एक विशेष रूप से निर्मित पोषण ऐप जो प्रमाणित डेटाबेस के साथ हो, अधिक सटीक और सुसंगत परिणाम उत्पन्न करेगा।

पोषण में AI भ्रम क्या है?

पोषण में AI भ्रम उस समय को संदर्भित करता है जब एक भाषा मॉडल पोषण संबंधी डेटा, जैसे कैलोरी गिनती, मैक्रो ब्रेकडाउन, या सूक्ष्म पोषक तत्वों के मान उत्पन्न करता है, जो प्रामाणिक लगते हैं लेकिन तथ्यात्मक रूप से गलत होते हैं। मॉडल जानबूझकर झूठ नहीं बोल रहा है; यह पैटर्न के आधार पर विश्वसनीय लगने वाले टेक्स्ट की भविष्यवाणी कर रहा है। परिणामस्वरूप, एक कैलोरी गिनती एक तथ्य की तरह पढ़ती है लेकिन कभी भी किसी पोषण डेटाबेस के खिलाफ सत्यापित नहीं की गई। यह विशेष रूप से खतरनाक है क्योंकि उपयोगकर्ताओं के पास बिना मैन्युअल क्रॉस-रेफरेंसिंग के भ्रमित अनुमान को सटीक से अलग करने का कोई तरीका नहीं है।

कैसे जानूं कि मेरा पोषण AI सटीक डेटा दे रहा है?

तीन चीजें जांचें। पहले, पूछें कि क्या उपकरण एक प्रमाणित पोषण डेटाबेस जैसे USDA FoodData Central या NCCDB से डेटा खींचता है, न कि भाषा मॉडल से अनुमानों को उत्पन्न करता है। दूसरा, यह सुनिश्चित करें कि यह तैयारी विधियों को ध्यान में रखता है, क्योंकि पकाने का तरीका किसी खाद्य पदार्थ की कैलोरी सामग्री को 50 से 200 प्रतिशत बदल सकता है। तीसरा, जांचें कि क्या उपकरण यह निर्दिष्ट करता है कि इसका अनुमान किस सर्विंग साइज पर आधारित है। एक विश्वसनीय पोषण AI को अपने डेटा स्रोतों के बारे में पारदर्शी होना चाहिए और अनिश्चित अनुमानों को चिह्नित करना चाहिए, न कि हर संख्या को समान आत्मविश्वास के साथ प्रस्तुत करना चाहिए।

क्या AI द्वारा बनाई गई भोजन योजना का पालन करना सुरक्षित है?

AI-जनित भोजन योजनाएँ प्रारंभिक ढाँचे के रूप में उपयोगी हो सकती हैं, लेकिन उन्हें विशिष्ट चिकित्सा या प्रदर्शन लक्ष्यों के लिए अंधाधुंध पालन नहीं किया जाना चाहिए। योजना में प्रत्येक कैलोरी अनुमान में संभावित त्रुटि होती है, और ये त्रुटियाँ पूरे दिन के खाने में संचयित होती हैं। यदि योजना 1,800 कैलोरी देने का दावा करती है लेकिन प्रत्येक भोजन का अनुमान 10 से 15 प्रतिशत गलत है, तो वास्तविक दैनिक सेवन 1,500 से 2,100 कैलोरी के बीच हो सकता है। सामान्य स्वस्थ खाने की प्रेरणा के लिए, AI भोजन योजनाएँ एक उचित प्रारंभिक बिंदु हैं। चिकित्सा पोषण प्रबंधन, वजन घटाने के कार्यक्रम, या एथलेटिक प्रदर्शन आहार के लिए, कैलोरी और मैक्रो लक्ष्यों की पुष्टि एक डेटाबेस-आधारित उपकरण के खिलाफ की जानी चाहिए।