AI पोषण ट्रैकिंग के लिए साक्ष्य आधार: प्रकाशित शोध क्या कहता है सटीकता के बारे में

AI-संचालित पोषण ट्रैकिंग कितनी सटीक है? यह सवाल उन सभी के लिए महत्वपूर्ण है जो अपने आहार को प्रबंधित करने के लिए फोटो-आधारित कैलोरी काउंटर पर निर्भर करते हैं, और यह सवाल प्रकाशित शोध के माध्यम से अधिक सटीकता के साथ उत्तर दिया जा सकता है।

पिछले एक दशक में, कंप्यूटर विज्ञान, पोषण विज्ञान और नैदानिक चिकित्सा के शोधकर्ताओं ने AI खाद्य पहचान प्रणालियों का परीक्षण किया है, वास्तविक डेटा के खिलाफ कैलोरी अनुमान त्रुटियों को नियंत्रित परिस्थितियों में मापा है, और AI-सहायता प्राप्त ट्रैकिंग की पारंपरिक विधियों के साथ तुलना की है। यह लेख इस शोध के प्रमुख निष्कर्षों को संक्षेपित करता है, जिसमें गहरे शिक्षण मानक, भाग आकार अनुमान अध्ययन, नैदानिक मान्यता परीक्षण, और वर्तमान प्रणालियों की स्वीकार्य सीमाएँ शामिल हैं।

AI खाद्य पहचान अनुसंधान का विकास

प्रारंभिक छवि-आधारित आहार मूल्यांकन

आहार सेवन का मूल्यांकन करने के लिए छवियों का उपयोग करने का विचार गहरे शिक्षण से पहले का है। प्रारंभिक शोध ने यह जांचा कि क्या भोजन की तस्वीरें, जिन्हें प्रशिक्षित मानव मूल्यांकनकर्ताओं द्वारा विश्लेषित किया गया, सटीक पोषण अनुमान उत्पन्न कर सकती हैं।

मार्टिन और अन्य (2009) ने रिमोट फूड फोटोग्राफी मेथड (RFPM) विकसित किया और दिखाया कि प्रशिक्षित विश्लेषक भोजन की तस्वीरों से कैलोरी सेवन का अनुमान 3 से 10 प्रतिशत के भीतर कर सकते हैं। यह एक महत्वपूर्ण आधार स्थापित करता है: भोजन का दृश्य मूल्यांकन, यहां तक कि मानव द्वारा, जब व्यवस्थित रूप से किया जाए, तो महत्वपूर्ण सटीकता प्राप्त कर सकता है (British Journal of Nutrition, 101(3), 446-456)।

स्वचालित छवि विश्लेषण की दिशा में संक्रमण 2014-2016 के आसपास गहरे शिक्षण के आवेदन के साथ गंभीरता से शुरू हुआ, जब संकुचन तंत्रिका नेटवर्क ने छवि वर्गीकरण मानकों पर पारंपरिक कंप्यूटर दृष्टि दृष्टिकोणों की तुलना में नाटकीय रूप से बेहतर प्रदर्शन करना शुरू किया।

खाद्य पहचान में गहरे शिक्षण का क्रांति

मेज़गेक और कोरौसीक सेलजाक (2017) ने Nutrients, 9(7), 657 में खाद्य पहचान के लिए गहरे शिक्षण दृष्टिकोणों की पहली व्यापक समीक्षाओं में से एक प्रकाशित की। उनकी समीक्षा ने हाथ से बनाए गए दृश्य विशेषताओं से अंत-से-अंत गहरे शिक्षण मॉडल तक की तेजी से प्रगति को कवर किया और मानक डेटा सेट पर पारंपरिक विधियों की तुलना में 20 से 30 प्रतिशत अंक की सटीकता में सुधार का दस्तावेजीकरण किया।

समीक्षा ने इन सुधारों को प्रेरित करने वाले कई प्रमुख तकनीकी उन्नतियों की पहचान की: बड़े पैमाने पर छवि डेटा सेट से ट्रांसफर लर्निंग (विशेषकर ImageNet), खाद्य छवियों के लिए विशिष्ट डेटा संवर्धन तकनीकें, और मल्टी-टास्क लर्निंग आर्किटेक्चर जो खाद्य वस्तुओं की पहचान और भागों का अनुमान एक साथ कर सकते हैं (मेज़गेक और कोरौसीक सेलजाक, 2017)।

मानक डेटा सेट और सटीकता मेट्रिक्स

AI खाद्य पहचान क्षेत्र मानकीकृत बेंचमार्क डेटा सेट पर निर्भर करता है ताकि मॉडल प्रदर्शन को मापा और तुलना की जा सके। इन बेंचमार्क को समझना पोषण ऐप द्वारा किए गए सटीकता के दावों के लिए संदर्भ प्रदान करता है।

प्रमुख बेंचमार्क डेटा सेट

डेटा सेट	वर्ष	खाद्य श्रेणियाँ	छवियाँ	उद्देश्य
Food-101	2014	101 श्रेणियाँ	101,000	खाद्य वर्गीकरण
ISIA Food-500	2020	500 श्रेणियाँ	399,726	बड़े पैमाने पर खाद्य वर्गीकरण
Nutrition5k	2021	5,006 व्यंजन	5,006	कैलोरी और मैक्रो अनुमान
ECUST Food-45	2017	45 श्रेणियाँ	4,500	मात्रा और कैलोरी अनुमान
UEC Food-100	2012	100 श्रेणियाँ	14,361	जापानी खाद्य पहचान
UEC Food-256	2014	256 श्रेणियाँ	31,395	विस्तारित जापानी खाद्य पहचान
Food-2K	2021	2,000 श्रेणियाँ	1,036,564	बड़े पैमाने पर वैश्विक खाद्य पहचान

Food-101: मानक बेंचमार्क

Food-101, जिसे बॉसार्ड और अन्य (2014) द्वारा यूरोपीय कंप्यूटर दृष्टि सम्मेलन में पेश किया गया, में 101 खाद्य श्रेणियों में 101,000 छवियाँ शामिल हैं। यह खाद्य पहचान मॉडलों के मूल्यांकन के लिए एक मानक बन गया है।

Food-101 पर प्रदर्शन लगातार सुधर रहा है:

मॉडल / दृष्टिकोण	वर्ष	शीर्ष-1 सटीकता
रैंडम फॉरेस्ट (बेसलाइन)	2014	50.8%
GoogLeNet (फाइन-ट्यून)	2016	79.2%
ResNet-152	2017	88.4%
EfficientNet-B7	2020	93.0%
विज़न ट्रांसफार्मर (ViT-L)	2021	94.7%
बड़े पैमाने पर पूर्व-प्रशिक्षित मॉडल	2023-2025	95-97%

लगभग एक दशक में 50.8% से 95% से अधिक शीर्ष-1 सटीकता तक की प्रगति गहरे शिक्षण के खाद्य पहचान प्रदर्शन पर नाटकीय प्रभाव को दर्शाती है (बॉसार्ड और अन्य, 2014, ECCV)।

ISIA Food-500: वास्तविक दुनिया की विविधता के लिए स्केलिंग

मिन और अन्य (2020) ने ISIA Food-500 पेश किया, जो 500 खाद्य श्रेणियों और लगभग 400,000 छवियों के साथ एक महत्वपूर्ण रूप से बड़ा और विविध डेटा सेट है। इस अधिक चुनौतीपूर्ण बेंचमार्क पर प्रदर्शन Food-101 की तुलना में कम है क्योंकि श्रेणियों की संख्या और आंतरिक वर्ग विविधता अधिक है, लेकिन अत्याधुनिक मॉडल फिर भी 65% से अधिक की शीर्ष-1 सटीकता और 85% से अधिक की शीर्ष-5 सटीकता प्राप्त करते हैं (Proceedings of the 28th ACM International Conference on Multimedia)।

Food-101 और ISIA Food-500 के प्रदर्शन के बीच का अंतर एक महत्वपूर्ण वास्तविकता को उजागर करता है: सीमित संख्या में श्रेणियों पर बेंचमार्क सटीकता वास्तविक दुनिया की सटीकता में सीधे अनुवाद नहीं होती है, जो वैश्विक व्यंजनों की पूरी श्रृंखला को कवर करती है।

Nutrition5k: वर्गीकरण से कैलोरी अनुमान तक

थेम्स और अन्य (2021) ने IEEE/CVF सम्मेलन में Nutrition5k पेश किया। पहले के डेटा सेटों के विपरीत, जो खाद्य वर्गीकरण पर केंद्रित थे, Nutrition5k 5,006 व्यंजनों के लिए वास्तविक कैलोरी और मैक्रोन्यूट्रिएंट डेटा प्रदान करता है, जिन्हें ऊपर और साइड एंगल से फोटो खींचा गया है और एक सटीक तराजू पर तौला गया है।

इस डेटा सेट ने शोधकर्ताओं को कैलोरी अनुमान सटीकता का सीधे मूल्यांकन करने की अनुमति दी। प्रारंभिक परिणामों ने दिखाया कि छवि-केवल दृष्टिकोणों का उपयोग करते समय कैलोरी अनुमान के लिए औसत प्रतिशत त्रुटियाँ 15 से 25 प्रतिशत के बीच थीं, जबकि गहराई की जानकारी या मल्टी-व्यू छवियों के साथ छवि विश्लेषण को मिलाने पर महत्वपूर्ण सुधार हुआ (थेम्स और अन्य, 2021)।

भाग आकार अनुमान: कठिन समस्या

खाद्य पहचान सटीकता केवल समीकरण का एक हिस्सा है। यह अनुमान लगाना कि प्रत्येक खाद्य पदार्थ में कितना हिस्सा है — भाग आकार अनुमान — को व्यापक रूप से अधिक चुनौतीपूर्ण कार्य माना जाता है।

भाग अनुमान सटीकता पर शोध

फैंग और अन्य (2019) ने पर्ड्यू विश्वविद्यालय में एक छवि-आधारित भाग अनुमान प्रणाली विकसित की और इसे तौले गए खाद्य रिकॉर्ड के खिलाफ मूल्यांकन किया। उनकी प्रणाली ने विभिन्न खाद्य प्रकारों के लिए भाग वजन अनुमान के लिए 15 से 25 प्रतिशत की औसत प्रतिशत त्रुटियाँ प्राप्त कीं। अध्ययन ने यह नोट किया कि खाद्य प्रकार के आधार पर अनुमान सटीकता में महत्वपूर्ण भिन्नता थी, ठोस, नियमित आकार के खाद्य पदार्थ (जैसे चिकन ब्रेस्ट) की तुलना में अमोर्फिक खाद्य पदार्थ (जैसे स्टर-फ्राई) का अनुमान अधिक सटीकता से लगाया गया (IEEE Journal of Biomedical and Health Informatics, 23(5), 1972-1979)।

लो और अन्य (2020) ने भाग अनुमान के लिए गहराई-संवेदन दृष्टिकोणों का अन्वेषण किया, जिसमें स्टेरियो कैमरे और संरचित प्रकाश का उपयोग करके खाद्य वस्तुओं के 3D मॉडल बनाए गए। इस दृष्टिकोण ने 2D छवि-केवल विधियों की तुलना में भाग अनुमान त्रुटियों को 20 से 35 प्रतिशत तक कम कर दिया, जो यह सुझाव देता है कि मल्टी-सेंसर दृष्टिकोण सटीकता में सुधार के लिए एक आशाजनक दिशा का प्रतिनिधित्व करते हैं (Proceedings of the IEEE International Conference on Multimedia and Expo)।

खाद्य प्रकार के अनुसार भाग अनुमान त्रुटि

खाद्य प्रकार	सामान्य अनुमान त्रुटि	कारण
ठोस प्रोटीन (चिकन, स्टेक)	8-15%	नियमित आकार, दृश्य सीमाएँ
अनाज और स्टार्च (चावल, पास्ता)	10-20%	परिवर्तनीय घनत्व और सेवा शैली
सब्जियाँ (सलाद, ब्रोकोली)	12-22%	अनियमित आकार, परिवर्तनीय पैकिंग
तरल और सूप	15-25%	गहराई और कंटेनर भिन्नता
मिश्रित व्यंजन (करी, स्टू)	18-30%	सामग्री व्यक्तिगत रूप से दृश्य नहीं होतीं
सॉस और तेल	25-40%	अक्सर अदृश्य या आंशिक रूप से दृश्य

अध्ययनों में लगातार यह पाया गया है कि छिपे हुए या अमोर्फिक खाद्य पदार्थ बड़े अनुमान त्रुटियों का उत्पादन करते हैं, जो किसी भी छवि-आधारित दृष्टिकोण की एक अंतर्निहित सीमा है।

AI बनाम मैनुअल ट्रैकिंग: तुलनात्मक अध्ययन

कई अध्ययनों ने सीधे AI-सहायता प्राप्त आहार मूल्यांकन की सटीकता की तुलना पारंपरिक मैनुअल विधियों से की है।

व्यवस्थित तुलना

बौशे और अन्य (2017) ने तकनीक-सहायता प्राप्त आहार मूल्यांकन विधियों की समीक्षा की और निष्कर्ष निकाला कि छवि-आधारित दृष्टिकोणों ने 10 से 20 प्रतिशत की त्रुटियों के साथ कैलोरी अनुमान उत्पन्न किए, जबकि मैनुअल आत्म-रिपोर्ट में 20 से 50 प्रतिशत की कमी का दस्तावेजीकरण किया गया (Journal of the Academy of Nutrition and Dietetics, 117(8), 1156-1166)।

विधि	सामान्य कैलोरी त्रुटि	पूर्वाग्रह दिशा
AI फोटो-आधारित ट्रैकिंग	10-20%	मिश्रित (अधिक और कम)
मैनुअल ऐप लॉगिंग	20-35%	प्रणालीगत कमी
पेपर खाद्य डायरी	25-50%	प्रणालीगत कमी
24-घंटे का आहार पुनःकाल	15-30%	प्रणालीगत कमी
तौला गया खाद्य रिकॉर्ड	2-5%	न्यूनतम (स्वर्ण मानक)

एक महत्वपूर्ण अंतर यह है कि त्रुटियों की दिशा। मैनुअल विधियाँ लगातार सेवन को कम रिपोर्ट करती हैं क्योंकि लोग वस्तुओं को भूल जाते हैं, भागों का कम आकलन करते हैं, और नाश्ते को छोड़ देते हैं। AI आधारित त्रुटियाँ अधिक यादृच्छिक रूप से वितरित होती हैं — कभी अधिक आकलन, कभी कम आकलन — जिसका अर्थ है कि वे आहार योजना को बाधित करने वाले प्रणालीगत पूर्वाग्रह उत्पन्न करने की संभावना कम होती हैं।

नैदानिक मान्यता

पेंडरगास्ट और अन्य (2017) ने ऑटोमेटेड सेल्फ-एडमिनिस्टरड 24-घंटे के आहार मूल्यांकन उपकरण (ASA24) का मूल्यांकन किया और पाया कि तकनीक-सहायता प्राप्त आहार मूल्यांकन ने बिना सहायता वाली विधियों की तुलना में खाद्य सेवन रिकॉर्ड की सटीकता और पूर्णता में सुधार किया। अध्ययन ने दिखाया कि तकनीक ने प्रतिभागियों पर समय का बोझ और गायब या अधूरे प्रविष्टियों की दर को कम किया (Journal of Nutrition, 147(11), 2128-2137)।

साहित्य में स्वीकार की गई सीमाएँ

शोध समुदाय AI-संचालित पोषण मूल्यांकन की वर्तमान सीमाओं के बारे में पारदर्शी रहा है।

ज्ञात चुनौतियाँ

छिपे हुए सामग्री: झू और अन्य (2015) ने नोट किया कि छवि-आधारित विधियाँ उन सामग्रियों का विश्वसनीय रूप से पता नहीं लगा सकतीं जो तस्वीरों में दृश्य नहीं होतीं, जैसे कि खाना पकाने के तेल, तैयारी में उपयोग किया गया मक्खन, या पेय में घुला हुआ चीनी। यह सीमा मान्यता अध्ययन में देखी गई कैलोरी अनुमान त्रुटि का एक महत्वपूर्ण हिस्सा बनाती है (IEEE Journal of Biomedical and Health Informatics, 19(1), 377-388)।

संस्कृतिक और क्षेत्रीय पूर्वाग्रह: एगे और यानाई (2019) ने दिखाया कि खाद्य पहचान मॉडल जो मुख्य रूप से पश्चिमी खाद्य डेटा सेट पर प्रशिक्षित होते हैं, एशियाई, अफ्रीकी, और मध्य पूर्वी व्यंजनों पर महत्वपूर्ण रूप से खराब प्रदर्शन करते हैं। जब कम प्रतिनिधित्व वाले व्यंजनों पर मूल्यांकन किया जाता है, तो शीर्ष-1 सटीकता 15 से 25 प्रतिशत अंक तक गिर सकती है, जो वैश्विक विविधता वाले प्रशिक्षण डेटा की आवश्यकता को उजागर करता है (Proceedings of ACM Multimedia)।

मिश्रित व्यंजनों में भाग अनुमान: लु और अन्य (2020) ने पाया कि जब एकल-खाद्य छवियों से मिश्रित प्लेटों पर कैलोरी अनुमान त्रुटि लगभग दोगुनी हो जाती है। मिश्रित व्यंजन में व्यक्तिगत सामग्री के लिए मात्रा का आकलन करना एक खुला शोध समस्या बनी हुई है (Nutrients, 12(11), 3368)।

एकल-छवि गहराई अस्पष्टता: बिना गहराई की जानकारी के, एक एकल दो-आयामी तस्वीर से खाद्य पदार्थों की तीन-आयामी मात्रा का अनुमान लगाना खाद्य ऊँचाई और घनत्व के बारे में धारणाओं की आवश्यकता करता है। मेयर्स और अन्य (2015) ने गूगल रिसर्च में इसे मोनोकोलर छवि-आधारित मूल्यांकन की एक मौलिक जानकारी सीमा के रूप में दस्तावेज किया (Proceedings of IEEE International Conference on Computer Vision Workshops)।

Nutrola इस शोध को कैसे लागू करता है

Nutrola का AI पोषण ट्रैकिंग का दृष्टिकोण इस शोध में दस्तावेजीकृत निष्कर्षों से सूचित है।

ज्ञात सीमाओं को संबोधित करना

छिपे हुए सामग्रियों को सटीकता के एक प्रमुख अंतराल के रूप में पहचानने के आधार पर, Nutrola फोटो पहचान के साथ प्राकृतिक भाषा इनपुट को जोड़ता है, जिससे उपयोगकर्ता उन तरीकों के बारे में नोट्स जोड़ सकते हैं जो कैमरा नहीं देख सकता, जैसे कि खाना पकाने के तरीके, तेल, और सॉस। यह बहु-मोडल दृष्टिकोण झू और अन्य (2015) द्वारा पहचानी गई सीमा को संबोधित करता है।

एगे और यानाई (2019) द्वारा दस्तावेजीकृत सांस्कृतिक पूर्वाग्रह से लड़ने के लिए, Nutrola के खाद्य पहचान मॉडल 47 देशों के व्यंजनों से फैले वैश्विक विविधता वाले डेटा सेट पर प्रशिक्षित होते हैं, और निरंतर रूप से कम प्रतिनिधित्व वाले क्षेत्रों में विस्तार करते रहते हैं।

भाग अनुमान के लिए, Nutrola संदर्भ वस्तु स्केलिंग और तौले गए खाद्य डेटा के खिलाफ कैलिब्रेटेड सीखे गए भाग मॉडल का उपयोग करता है, जो फैंग और अन्य (2019) और लो और अन्य (2020) द्वारा मान्य दृष्टिकोणों पर आधारित है।

उपयोगकर्ता फीडबैक के माध्यम से निरंतर सुधार

जब उपयोगकर्ता खाद्य पहचान को सही करते हैं या भाग अनुमान को समायोजित करते हैं, तो यह फीडबैक समय के साथ मॉडल की सटीकता में सुधार के लिए एकत्रित किया जाता है। यह बंद-लूप प्रणाली वास्तविक दुनिया में खाद्य पहचान प्रणालियों के लिए मेज़गेक और कोरौसीक सेलजाक (2017) द्वारा अनुशंसित निरंतर सीखने के दृष्टिकोण को दर्शाती है।

सटीकता के आधार के रूप में सत्यापित डेटाबेस

चाहे AI खाद्य पदार्थ की पहचान कितनी भी सटीकता से करे, लौटाए गए पोषण मान केवल उस डेटाबेस के रूप में अच्छे होते हैं जिनका वे संदर्भ लेते हैं। Nutrola का एक बहु-स्रोत सत्यापित डेटाबेस का उपयोग, जिसमें 3 मिलियन से अधिक प्रविष्टियाँ शामिल हैं, सरकारी डेटाबेस जैसे USDA FoodData Central के खिलाफ क्रॉस-रेफरेंस किया गया है, यह सुनिश्चित करता है कि सही पहचान किए गए खाद्य पदार्थ सटीक पोषण डेटा लौटाते हैं।

सटीकता सुधार की प्रवृत्ति

AI खाद्य पहचान अनुसंधान में प्रवृत्ति की रेखा तेजी से ऊपर की ओर है। Food-101 पर शीर्ष-1 सटीकता 50.8% से बढ़कर एक दशक में 95% से अधिक हो गई है। कैलोरी अनुमान त्रुटियाँ प्रारंभिक प्रणालियों में 25-40% से घटकर वर्तमान अत्याधुनिक दृष्टिकोणों में 10-20% हो गई हैं। मल्टी-सेंसर और मल्टी-व्यू सिस्टम भाग अनुमान सटीकता की सीमाओं को आगे बढ़ाते रहते हैं।

जैसे-जैसे प्रशिक्षण डेटा सेट अधिक विविध होते जाते हैं, मॉडल अधिक जटिल होते जाते हैं, और मोबाइल उपकरणों पर सेंसर प्रौद्योगिकी में सुधार होता है, AI अनुमान और वास्तविकता के बीच का अंतर लगातार कम होता रहेगा। यहाँ समीक्षा की गई शोध यह विश्वास दिलाती है कि AI पोषण ट्रैकिंग पहले से ही उन मैनुअल विधियों से अधिक सटीक है जो अधिकांश लोग उपयोग करते हैं, और यह तेजी से बेहतर हो रहा है।

अक्सर पूछे जाने वाले प्रश्न

प्रकाशित शोध में AI खाद्य पहचान की सटीकता कितनी है?

मानक Food-101 बेंचमार्क पर, अत्याधुनिक गहरे शिक्षण मॉडल खाद्य पहचान के लिए 95% से अधिक की शीर्ष-1 सटीकता प्राप्त करते हैं। ISIA Food-500 जैसे अधिक विविध और चुनौतीपूर्ण बेंचमार्क पर, 500 खाद्य श्रेणियों के लिए शीर्ष-5 सटीकता 85% से अधिक है। उपभोक्ता ऐप्स में वास्तविक दुनिया की सटीकता आमतौर पर इन बेंचमार्क के बीच होती है, जो खाद्य विविधता पर निर्भर करती है।

AI कैलोरी अनुमान मैनुअल खाद्य लॉगिंग की तुलना में कैसे है?

प्रकाशित शोध से पता चलता है कि AI फोटो-आधारित ट्रैकिंग 10 से 20 प्रतिशत की कैलोरी अनुमान त्रुटियाँ उत्पन्न करती है, जबकि मैनुअल आत्म-रिपोर्टिंग 20 से 50 प्रतिशत की कमी का अनुमान लगाती है, जो डबल लेबल वाले पानी की मान्यता अध्ययन के अनुसार है। महत्वपूर्ण रूप से, AI त्रुटियाँ यादृच्छिक रूप से वितरित होती हैं, जबकि मैनुअल त्रुटियाँ प्रणालीगत रूप से कैलोरी को कम करती हैं।

AI कैलोरी ट्रैकिंग में सबसे बड़ी त्रुटि का स्रोत क्या है?

शोध साहित्य के अनुसार, छिपे हुए सामग्री (खाना पकाने के तेल, मक्खन, सॉस, और तस्वीरों में दृश्य नहीं होने वाले ड्रेसिंग) और मिश्रित व्यंजनों के लिए भाग अनुमान सबसे बड़े त्रुटि के स्रोत हैं। एकल-छवि गहराई अस्पष्टता भी योगदान करती है, क्योंकि एक दो-आयामी फोटो से तीन-आयामी खाद्य मात्रा का अनुमान लगाने के लिए खाद्य ऊँचाई और घनत्व के बारे में धारणाओं की आवश्यकता होती है।

Food-101 डेटा सेट क्या है?

Food-101 एक बेंचमार्क डेटा सेट है जिसे बॉसार्ड और अन्य ने 2014 में पेश किया था, जिसमें 101 खाद्य श्रेणियों में 101,000 छवियाँ शामिल हैं। यह खाद्य पहचान मॉडल प्रदर्शन का मूल्यांकन करने के लिए सबसे व्यापक रूप से उपयोग किया जाने वाला मानक है और गहरे शिक्षण दृष्टिकोणों की प्रगति को लगभग 50% से 95% से अधिक सटीकता तक ट्रैक करने में महत्वपूर्ण रहा है।

क्या AI खाद्य पहचान सभी व्यंजनों के लिए समान रूप से काम करता है?

नहीं। एगे और यानाई (2019) द्वारा किए गए शोध ने दिखाया कि जो मॉडल मुख्य रूप से पश्चिमी खाद्य डेटा सेट पर प्रशिक्षित होते हैं, वे एशियाई, अफ्रीकी, और मध्य पूर्वी व्यंजनों पर महत्वपूर्ण रूप से खराब प्रदर्शन करते हैं, जिसमें सटीकता में 15 से 25 प्रतिशत अंक की कमी होती है। यही कारण है कि वैश्विक विविधता वाले प्रशिक्षण डेटा की आवश्यकता है, और Nutrola विशेष रूप से 47 देशों के खाद्य छवियों पर प्रशिक्षण देता है।

क्या AI कैलोरी ट्रैकिंग नैदानिक उपयोग के लिए पर्याप्त सटीक है?

शोध से यह सुझाव मिलता है कि हाँ, कुछ शर्तों के साथ। बौशे और अन्य (2017) ने पाया कि छवि-आधारित दृष्टिकोण 10 से 20 प्रतिशत की त्रुटियों के साथ कैलोरी अनुमान उत्पन्न करते हैं, जो मैनुअल नैदानिक आहार मूल्यांकन की सामान्य 25 से 50 प्रतिशत कमी से काफी बेहतर है। नैदानिक सेटिंग्स के लिए, AI ट्रैकिंग को आहार विशेषज्ञ-निर्देशित मूल्यांकन के लिए पूर्ण प्रतिस्थापन के बजाय एक पूरक के रूप में अनुशंसित किया जाता है।