कैसे Nutrola का खाद्य डेटाबेस बनाया गया: USDA डेटा से 12 मिलियन सत्यापित प्रविष्टियों तक

जब आप कैलोरी ट्रैकिंग ऐप में "ग्रिल्ड चिकन ब्रेस्ट" खोजते हैं और देखते हैं "100 ग्राम में 165 कैलोरी," तो यह संख्या कहीं से नहीं आई। किसी ने इसे मापा। किसी ने इसकी पुष्टि की। किसी ने तय किया कि यह इतनी सटीक है कि इसे लाखों उपयोगकर्ताओं के सामने दिखाया जाए, जो इस डेटा के आधार पर स्वास्थ्य संबंधी निर्णय ले रहे हैं।

एक खाद्य डेटाबेस की गुणवत्ता हर कैलोरी ट्रैकिंग ऐप के पीछे की अदृश्य नींव होती है। यदि डेटाबेस गलत है, तो इसके ऊपर जो कुछ भी बनाया गया है, वह भी गलत है: आपकी दैनिक कैलोरी कुल, आपका मैक्रो ब्रेकडाउन, आपका साप्ताहिक ट्रेंड, आपके कोच की सिफारिशें, और अंततः आपके परिणाम। फिर भी, अधिकांश उपयोगकर्ता कभी नहीं सोचते कि ये संख्या कहां से आती हैं, और अधिकांश ऐप इसे कभी स्पष्ट नहीं करते।

यह लेख बताता है कि Nutrola का खाद्य डेटाबेस कैसे बनाया गया है, इसके सरकारी डेटा के आधार से लेकर आज इसमें मौजूद 12 मिलियन सत्यापित प्रविष्टियों तक। यह यह भी समझाता है कि ऐप्स के बीच डेटाबेस की गुणवत्ता इतनी भिन्न क्यों होती है और इसका आपके ट्रैकिंग की सटीकता पर क्या प्रभाव पड़ता है।

आधार: USDA FoodData Central

हर गंभीर पोषण डेटाबेस की शुरुआत संयुक्त राज्य कृषि विभाग (USDA) से होती है। USDA ने 1890 के दशक से खाद्य पदार्थों की पोषण सामग्री को मापना शुरू किया, और उनका आधुनिक डेटाबेस, FoodData Central, दुनिया में खाद्य संरचना डेटा का सबसे व्यापक और कठोरता से मान्य संग्रह है।

FoodData Central में कई डेटा सेट शामिल हैं। SR Legacy लगभग 7,600 सामान्य खाद्य पदार्थों के लिए विस्तृत पोषक तत्व प्रोफाइल प्रदान करता है, जो प्रयोगशाला विश्लेषण का परिणाम होते हैं, अनुमान का नहीं। खाद्य पदार्थों को भौतिक रूप से खरीदा जाता है, मानकीकृत प्रोटोकॉल के अनुसार तैयार किया जाता है, और मान्य विश्लेषणात्मक रसायन विज्ञान विधियों का उपयोग करके विश्लेषण किया जाता है। Foundation Foods इसका नया, अधिक विस्तृत उत्तराधिकारी है, जो परिवर्तनशीलता, नमूना आकार, और किस्म, नस्ल, उत्पत्ति, और फसल के मौसम के बारे में मेटाडेटा प्रदान करता है। FNDDS मिश्रित व्यंजनों और सामान्य रूप से खाए जाने वाले व्यंजनों को कवर करता है, जिसमें घर के मापों से जुड़े भाग के आकार के डेटा शामिल हैं। Branded Foods पैकेज्ड खाद्य डेटा को Label Insight (अब NielsenIQ) के साथ साझेदारी के माध्यम से प्राप्त करता है।

Nutrola इन चारों डेटा सेट को ग्रहण करता है, उन्हें एक सुसंगत स्कीमा में सामान्यीकृत करता है, और प्रविष्टियों के बीच अंतर्विरोधों को हल करने के लिए क्रॉस-रेफरेंस करता है। जब SR Legacy और Foundation Foods दोनों में समान वस्तु के लिए डेटा होता है, तो Foundation Foods के मान प्राथमिकता लेते हैं क्योंकि वे अधिक हाल के विश्लेषण पर आधारित होते हैं।

यह USDA आधार लगभग 400,000 अद्वितीय खाद्य प्रविष्टियों को प्रदान करता है। यह एक मजबूत प्रारंभिक बिंदु है, लेकिन यह एक आधुनिक कैलोरी ट्रैकिंग ऐप के लिए पर्याप्त नहीं है। अधिकांश लोग "चिकन, ब्रोइलर, ब्रेस्ट, मांस केवल, पका हुआ, भुना हुआ" नहीं खाते। वे एक Chick-fil-A सैंडविच, या Trader Joe's के जमे हुए भोजन, या अपनी दादी द्वारा लाए गए किसी अन्य देश के नुस्खे से बने घर के खाने का आनंद लेते हैं। असली लोगों द्वारा खाए जाने वाले खाद्य पदार्थों की पूरी श्रृंखला को कवर करने के लिए सरकारी डेटा से कहीं अधिक की आवश्यकता होती है।

ब्रांडेड खाद्य डेटा जोड़ना

ब्रांडेड खाद्य स्तर डेटाबेस का सबसे बड़ा एकल विस्तार है। न्यूट्रिशन फैक्ट्स लेबल वाले पैकेज्ड खाद्य पदार्थ संयुक्त राज्य अमेरिका और अन्य विकसित देशों में सामान्य आहार का एक महत्वपूर्ण हिस्सा हैं, और उपयोगकर्ता जब खोजते हैं तो वे अपने विशिष्ट उत्पादों को खोजने की उम्मीद करते हैं।

Nutrola ब्रांडेड खाद्य डेटा को कई चैनलों के माध्यम से प्राप्त करता है।

प्रत्यक्ष निर्माता साझेदारी उच्चतम गुणवत्ता का ब्रांडेड डेटा प्रदान करती है। जब कोई निर्माता सीधे पोषण डेटा साझा करता है, तो यह उसी प्रयोगशाला विश्लेषण से आता है जिसका उपयोग न्यूट्रिशन फैक्ट्स पैनल बनाने के लिए किया गया है। Nutrola सैकड़ों खाद्य निर्माताओं के साथ डेटा-शेयरिंग समझौतों को बनाए रखता है।

बारकोड डेटाबेस एकीकरण ओपन-सोर्स बारकोड डेटाबेस, सरकारी खाद्य लेबल रजिस्ट्रियों, और व्यावसायिक डेटा प्रदाताओं के माध्यम से उत्पादों की लंबी पूंछ को कैप्चर करता है। जब उपयोगकर्ता एक अनजान बारकोड स्कैन करता है, तो सिस्टम एक सत्यापन कार्यप्रवाह शुरू करता है, इससे पहले कि प्रविष्टि सभी उपयोगकर्ताओं के लिए उपलब्ध हो जाए।

लेबल स्कैनिंग और OCR भौतिक न्यूट्रिशन फैक्ट्स पैनल से प्रविष्टियाँ बनाता है। हर OCR-व्युत्पन्न प्रविष्टि एक मान्यता प्रक्रिया से गुजरती है जो सामान्य निष्कर्षण त्रुटियों की जांच करती है: गलत पढ़ी गई दशमलव बिंदु, उलटे अंक, और संभावित रेंज से बाहर के मान।

अवधि-वार नवीनीकरण चक्र सुनिश्चित करते हैं कि ब्रांडेड डेटा अद्यतित रहे। निर्माता नियमित रूप से उत्पादों को फिर से तैयार करते हैं। Nutrola उच्च-परिवर्तनशील उत्पादों के लिए त्रैमासिक नवीनीकरण चक्र और व्यापक कैटलॉग के लिए वार्षिक नवीनीकरण चलाता है, उन प्रविष्टियों को चिह्नित करता है जहां मान बदल गए हैं।

यह ब्रांडेड खाद्य स्तर डेटाबेस में लगभग 1.5 मिलियन प्रविष्टियाँ जोड़ता है, प्रत्येक विशिष्ट UPC/EAN बारकोड और उत्पाद पहचानकर्ताओं से जुड़ी होती है।

उपयोगकर्ता-योगदान प्रविष्टियाँ और सटीकता की समस्या

अधिकांश बड़े कैलोरी ट्रैकिंग डेटाबेस भारी मात्रा में भीड़-स्रोतित डेटा पर निर्भर करते हैं, जो उपयोगकर्ताओं द्वारा मैन्युअल रूप से लेबल, व्यंजनों, या अपनी स्वयं की अनुमानों से पोषण जानकारी दर्ज की जाती है। यह दृष्टिकोण तेजी से बढ़ता है। यह पोषण ट्रैकिंग उद्योग में डेटाबेस की त्रुटियों का सबसे बड़ा स्रोत भी है।

भीड़-स्रोतित खाद्य डेटा की समस्याएँ अच्छी तरह से प्रलेखित हैं। 2020 में Nutrients में प्रकाशित एक समीक्षा में Evenepoel et al. ने भीड़-स्रोतित पोषण डेटाबेस में मैक्रोन्यूट्रिएंट मानों में 15 से 25 प्रतिशत की त्रुटि दर पाई। त्रुटियों के प्रकार में निम्नलिखित शामिल हैं।

डेटा प्रविष्टि की गलतियाँ। एक उपयोगकर्ता 52 ग्राम प्रोटीन की जगह 5.2 ग्राम टाइप करता है। एक दशमलव बिंदु की त्रुटि जो एक योगर्ट के हिस्से को पूरे चिकन ब्रेस्ट के बराबर प्रोटीन दिखाती है। ये त्रुटियाँ सामान्य हैं क्योंकि मैन्युअल डेटा प्रविष्टि स्वाभाविक रूप से त्रुटि-प्रवण होती है, और अधिकांश भीड़-स्रोतित प्रणालियों में इसे लाइव होने से पहले पकड़ने का कोई तंत्र नहीं होता।

डुप्लिकेट और विरोधाभासी प्रविष्टियाँ। एक बड़े भीड़-स्रोतित डेटाबेस में "केला" के लिए खोजें और आप विभिन्न कैलोरी मानों के साथ तीस प्रविष्टियाँ पा सकते हैं। कुछ एक छोटे केले को सूचीबद्ध करते हैं, कुछ एक मध्यम, कुछ एक बड़े। कुछ छिलके के वजन को शामिल करते हैं, कुछ नहीं। कुछ सटीक हैं, कुछ पूरी तरह से गलत हैं। उपयोगकर्ता यह अनुमान लगाने के लिए छोड़ दिया जाता है कि कौन सी प्रविष्टि सही है, और उनके पास इसे निर्धारित करने का कोई विश्वसनीय तरीका नहीं है।

पुरानी उत्पाद जानकारी। एक उपयोगकर्ता 2022 में एक ग्रेनोला बार के लिए डेटा प्रस्तुत करता है। निर्माता 2024 में उत्पाद को फिर से तैयार करता है, चीनी को कम करता है और फाइबर को बढ़ाता है। पुरानी प्रविष्टि डेटाबेस में अनिश्चितकाल के लिए बनी रहती है, जो किसी भी व्यक्ति के लिए गलत मान लौटाती है जो इसे चुनता है।

माप के बजाय अनुमान। कुछ उपयोगकर्ता-प्रस्तावित प्रविष्टियाँ लेबल डेटा पर आधारित नहीं होती हैं बल्कि खाद्य पदार्थ की पोषण सामग्री के अपने व्यक्तिगत अनुमान पर आधारित होती हैं। ये प्रविष्टियाँ वास्तविक मानों से 50 प्रतिशत या उससे अधिक भिन्न हो सकती हैं।

असंगत भाग के आकार। "चावल, पका हुआ" के लिए एक प्रविष्टि 100 ग्राम के हिस्से का उपयोग करती है। दूसरी एक कप का उपयोग करती है। एक और "एक भाग" का उपयोग करती है बिना यह बताए कि इसका क्या अर्थ है। इन प्रविष्टियों के बीच चयन करने वाले उपयोगकर्ता भाग के आकार के अंतर को नहीं देख सकते, जिससे त्रुटियाँ होती हैं जो भोजन के बीच बढ़ती हैं।

Nutrola उपयोगकर्ता-योगदान प्रविष्टियों को स्वीकार करता है क्योंकि वे लोगों द्वारा खाए जाने वाले खाद्य पदार्थों की पूरी विविधता को कैप्चर करने के लिए आवश्यक हैं, जिसमें क्षेत्रीय व्यंजन, रेस्तरां-विशिष्ट आइटम, और घरेलू व्यंजन शामिल हैं जो किसी भी आधिकारिक डेटाबेस में नहीं होते। हालांकि, हर उपयोगकर्ता-योगदान प्रविष्टि एक सत्यापन पाइपलाइन से गुजरती है इससे पहले कि यह व्यापक रूप से उपलब्ध हो। प्रविष्टि तुरंत उस व्यक्ति द्वारा उपयोग के लिए उपलब्ध होती है जिसने इसे बनाया है, लेकिन इसे अन्य उपयोगकर्ताओं के लिए तब तक नहीं दिखाया जाता जब तक कि इसे मान्य नहीं किया गया हो।

सत्यापन पाइपलाइन

Nutrola में हर खाद्य प्रविष्टि, चाहे उसका स्रोत कुछ भी हो, एक बहु-चरण सत्यापन प्रक्रिया से गुजरती है इससे पहले कि यह सामान्य डेटाबेस तक पहुँचे।

चरण 1: स्वचालित विश्वसनीयता जांच। एक एल्गोरिदम प्रस्तुत की गई पोषण मानों की जांच ज्ञात सीमाओं के खिलाफ करता है। कैलोरी को घोषित मैक्रोन्यूट्रिएंट्स (प्रोटीन, कार्बोहाइड्रेट, वसा) के साथ एक परिभाषित सहिष्णुता के भीतर संगत होना चाहिए। Atwater प्रणाली रूपांतरण कारकों को प्रदान करती है: प्रोटीन के प्रति ग्राम 4 कैलोरी, कार्बोहाइड्रेट के प्रति ग्राम 4 कैलोरी, वसा के प्रति ग्राम 9 कैलोरी, और शराब के प्रति ग्राम 7 कैलोरी। यदि एक उपयोगकर्ता 200 कैलोरी, 30 ग्राम प्रोटीन, 20 ग्राम कार्बोहाइड्रेट, और 15 ग्राम वसा का दावा करता है, तो गणना की गई कैलोरी मान 335 है, 200 नहीं। प्रविष्टि की समीक्षा के लिए चिह्नित की जाती है।

यह चरण खाद्य श्रेणियों के भीतर असंगत मानों की भी जांच करता है। एक फल प्रविष्टि जो प्रति भाग 40 ग्राम वसा का दावा करती है, एक सब्जी प्रविष्टि जो प्रति 100 ग्राम 60 ग्राम प्रोटीन का दावा करती है, या कोई भी प्रविष्टि जहां एकल मैक्रोन्यूट्रिएंट भाग के कुल वजन से अधिक हो, स्वचालित रूप से चिह्नित की जाती है। ये जांच अधिकांश डेटा प्रविष्टि त्रुटियों को पकड़ती हैं, जिसमें दशमलव बिंदु की गलतियाँ और इकाई भ्रम शामिल हैं।

चरण 2: क्रॉस-रेफरेंस मिलान। सिस्टम प्रस्तुत की गई प्रविष्टि की तुलना समान या समान खाद्य पदार्थों के लिए मौजूदा प्रविष्टियों से करता है। यदि USDA डेटाबेस में "चेडर पनीर" के लिए एक संदर्भ प्रविष्टि है और एक उपयोगकर्ता एक ब्रांडेड चेडर पनीर प्रविष्टि प्रस्तुत करता है जिसमें कैलोरी मान USDA संदर्भ से 40 प्रतिशत कम हैं, तो प्रविष्टि मैन्युअल समीक्षा के लिए चिह्नित की जाती है। छोटे विचलन अपेक्षित हैं क्योंकि ब्रांडेड उत्पाद भिन्न होते हैं। बड़े विचलन संभावित त्रुटियों को इंगित करते हैं।

चरण 3: पोषण विशेषज्ञ की समीक्षा। प्रविष्टियाँ जो स्वचालित जांच पास करती हैं लेकिन उच्च-महत्व श्रेणियों में आती हैं, जैसे कि अनाज के खाद्य पदार्थ, उच्च-परिवर्तनशील खोज आइटम, या सीमांत विश्वसनीयता स्कोर वाली प्रविष्टियाँ, पोषण विशेषज्ञ की समीक्षा कतार में भेजी जाती हैं। Nutrola की पंजीकृत आहार विशेषज्ञों और खाद्य वैज्ञानिकों की टीम इन प्रविष्टियों की जांच प्राधिकृत स्रोतों के खिलाफ करती है, मानकों की तुलना करती है, और मूल्यांकन करती है कि भाग के आकार की सटीकता कितनी है।

चरण 4: सामुदायिक सहमति। उन प्रविष्टियों के लिए जो डेटाबेस में कुछ समय से हैं, उपयोग पैटर्न एक अतिरिक्त गुणवत्ता संकेत प्रदान करते हैं। यदि कई उपयोगकर्ता एक प्रविष्टि का चयन करते हैं और कोई इसे गलत नहीं बताता, तो यह एक सकारात्मक संकेत है। यदि उपयोगकर्ता एक प्रविष्टि का चयन करते हैं और फिर तुरंत मानों को संपादित करते हैं, तो यह पैटर्न सुझाव देता है कि मूल प्रविष्टि में त्रुटियाँ हो सकती हैं। ये व्यवहारिक संकेत फिर से समीक्षा पाइपलाइन में फीड होते हैं, संभावित रूप से समस्याग्रस्त प्रविष्टियों को फिर से जांचने के लिए सतह पर लाते हैं।

पोषण विशेषज्ञ की समीक्षा प्रक्रिया

मानव समीक्षा स्तर एक सत्यापित डेटाबेस को एक भीड़-स्रोतित डेटाबेस से अलग करता है। स्वचालित जांच स्पष्ट त्रुटियों को पकड़ती हैं, लेकिन सूक्ष्म असत्यताएँ मानव निर्णय की आवश्यकता होती हैं।

Nutrola की पोषण विशेषज्ञ समीक्षा टीम प्राथमिकता-आधारित प्रणाली पर काम करती है। खाद्य पदार्थों को समीक्षा के लिए प्राथमिकता दी जाती है खोज मात्रा, त्रुटि की संभावना, और पोषण महत्व के आधार पर। पानी की कैलोरी गिनती में त्रुटि (जो शून्य होनी चाहिए) का कोई व्यावहारिक परिणाम नहीं है। जैतून के तेल की कैलोरी गिनती में त्रुटि, जो सबसे कैलोरी-घने सामान्य खाद्य पदार्थों में से एक है, उपयोगकर्ता के दैनिक कुल को सैकड़ों कैलोरी से प्रभावित कर सकती है।

एक एकल प्रविष्टि के लिए समीक्षा प्रक्रिया में सबसे प्राधिकृत स्रोत की पहचान करना (कच्चे वस्तुओं के लिए USDA प्रयोगशाला डेटा, ब्रांडेड उत्पादों के लिए निर्माता डेटा, रेस्तरां व्यंजनों के लिए प्रकाशित पोषण जानकारी), सभी रिपोर्ट किए गए पोषक तत्वों की तुलना उस स्रोत के खिलाफ करना, भाग के आकार की सटीकता का मूल्यांकन करना, और खोज मेटाडेटा की जांच करना शामिल है ताकि उपयोगकर्ता वास्तव में प्रविष्टि को खोज सकें।

एक जटिल प्रविष्टि जैसे कि एक पारंपरिक क्षेत्रीय व्यंजन जिसमें कोई मानकीकृत नुस्खा नहीं होता, में 30 मिनट या उससे अधिक का शोध लग सकता है। सरल ब्रांडेड उत्पाद सत्यापन एक मिनट से कम समय लेता है। टीम उच्च-प्रभाव प्रविष्टियों को प्राथमिकता देती है, समीक्षा के समय को उस स्थान पर केंद्रित करती है जहां यह समग्र डेटाबेस की सटीकता में सबसे बड़ा सुधार लाता है।

त्रुटियों को कैसे पकड़ा और सही किया जाता है

12 मिलियन प्रविष्टियों का कोई डेटाबेस त्रुटि-मुक्त नहीं होता। लक्ष्य पूर्णता नहीं है बल्कि समय के साथ प्रणालीगत त्रुटि में कमी है, साथ ही जब त्रुटियाँ पहचानी जाती हैं तो त्वरित सुधार।

Nutrola कई त्रुटि पहचान तंत्रों का उपयोग करता है जो समानांतर में काम करते हैं।

उपयोगकर्ता रिपोर्टिंग। ऐप में हर खाद्य प्रविष्टि में "समस्या की रिपोर्ट करें" विकल्प होता है। उपयोगकर्ता प्रविष्टियों को गलत कैलोरी, गलत मैक्रो, पुरानी जानकारी, गलत भाग के आकार, या अन्य समस्याओं के रूप में चिह्नित कर सकते हैं। रिपोर्टों को मात्रा और गंभीरता के आधार पर वर्गीकृत किया जाता है। एक कम मात्रा वाली प्रविष्टि पर एकल रिपोर्ट मानक समीक्षा कतार में प्रवेश करती है। उच्च मात्रा वाली प्रविष्टि पर कई रिपोर्ट तात्कालिक समीक्षा को ट्रिगर करती हैं।

स्वचालित विसंगति पहचान। सांख्यिकीय मॉडल डेटाबेस की निगरानी करते हैं ताकि प्रविष्टियाँ जो उनके खाद्य श्रेणी मानकों से महत्वपूर्ण रूप से भिन्न होती हैं, को चिह्नित किया जा सके। यदि डेटाबेस में सभी पनीर प्रविष्टियों की औसत कैलोरी घनत्व 350 कैलोरी प्रति 100 ग्राम है, तो एक पनीर उत्पाद के लिए प्रविष्टि जो 100 ग्राम में 35 कैलोरी का दावा करती है, स्वचालित रूप से चिह्नित की जाती है। ये मॉडल लगातार चलते हैं और उन त्रुटियों को पकड़ते हैं जिन्हें व्यक्तिगत उपयोगकर्ता शायद नहीं देख पाते या रिपोर्ट नहीं करते।

बारकोड स्कैन सत्यापन। जब उपयोगकर्ता एक उत्पाद बारकोड स्कैन करते हैं, तो लौटाए गए डेटा की तुलना उपलब्ध सबसे हाल के निर्माता डेटा के खिलाफ की जाती है। यदि निर्माता ने अपनी पोषण जानकारी को अपडेट किया है और डेटाबेस प्रविष्टि को अभी तक अपडेट नहीं किया गया है, तो विसंगति एक अपडेट कार्यप्रवाह को ट्रिगर करती है।

क्रॉस-डेटाबेस सुलह। Nutrola समय-समय पर अपने प्रविष्टियों की तुलना USDA डेटाबेस, अंतरराष्ट्रीय खाद्य संरचना डेटाबेस, और साझेदार डेटा फीड के अद्यतन रिलीज़ के खिलाफ करता है। प्रविष्टियाँ जो अपने संदर्भ स्रोतों से भिन्न हो गई हैं, समीक्षा और सुधार के लिए चिह्नित की जाती हैं।

पोषणात्मक संगति ऑडिट। समय-समय पर ऑडिट प्रत्येक खाद्य श्रेणी के भीतर यादृच्छिक नमूनों की जांच करते हैं, आंतरिक संगति की जांच करते हैं। इन ऑडिट ने त्रुटि क्लस्टर की पहचान की है जैसे आयातित प्रविष्टियों के बैच जहां फाइबर मानों को चीनी मानों के साथ भ्रमित किया गया था।

जब कोई त्रुटि पुष्टि होती है, तो सुधार तुरंत लागू किया जाता है और सभी उपयोगकर्ताओं को प्रसारित किया जाता है। हाल ही में प्रभावित खाद्य पदार्थों को लॉग करने वाले उपयोगकर्ताओं को एक सूचना प्राप्त होती है, जिससे उन्हें अपने लॉग की समीक्षा और समायोजित करने की अनुमति मिलती है।

क्षेत्रीय खाद्य डेटाबेस अंतरराष्ट्रीय व्यंजनों के लिए

एक खाद्य डेटाबेस जो केवल अमेरिकी डेटा पर आधारित है, वैश्विक उपयोगकर्ता आधार के लिए अपर्याप्त है। जापान में "ओनिगिरी" की खोज करने वाले उपयोगकर्ता को सटीक परिणामों की आवश्यकता होती है। भारत में "दाल मखनी" की खोज करने वाले उपयोगकर्ता को एक प्रविष्टि की आवश्यकता होती है जो भारतीय रसोई में उपयोग की जाने वाली वास्तविक तैयारी विधियों और सामग्री को दर्शाती है, न कि अमेरिकी रेस्तरां के अनुकूलन को।

Nutrola 30 से अधिक देशों और क्षेत्रों के सरकारी डेटाबेस से खाद्य संरचना डेटा को शामिल करता है।

यूरोप: EuroFIR नेटवर्क यूरोपीय देशों में डेटा का समन्वय करता है। यूके (McCance और Widdowson's), जर्मनी (Bundeslebensmittelschluessel), और फ्रांस (CIQUAL) के राष्ट्रीय डेटाबेस क्षेत्रीय खाद्य पदार्थों और स्थानीय ब्रांडेड उत्पादों के लिए प्रविष्टियाँ प्रदान करते हैं।

पूर्व एशिया: जापान के खाद्य संरचना के मानक तालिकाएँ, दक्षिण कोरिया का राष्ट्रीय मानक खाद्य संरचना डेटाबेस, और चीन की खाद्य संरचना तालिकाएँ क्षेत्र-विशिष्ट खाद्य पदार्थों के हजारों प्रविष्टियाँ प्रदान करती हैं, जिसमें तैयारी-विशिष्ट भिन्नताएँ शामिल हैं। भाप में पके चावल और तले हुए चावल के बीच का अंतर, कच्चे टोफू और डीप-फ्राइड टोफू के बीच का अंतर तुच्छ नहीं है, और ये डेटाबेस उन भिन्नताओं को कैप्चर करते हैं।

दक्षिण एशिया: भारत का राष्ट्रीय पोषण संस्थान क्षेत्रीय अनाज, फलियों की तैयारी, और पनीर और घी जैसे डेयरी उत्पादों के लिए डेटा प्रदान करता है, जिनकी पोषण प्रोफाइल उनके पश्चिमी समकक्षों से भिन्न होती है।

लैटिन अमेरिका और मध्य पूर्व/अफ्रीका: ब्राजील (TACO), मेक्सिको (BDCA), और मध्य पूर्व और अफ्रीका के क्षेत्रीय डेटाबेस खाद्य संरचना तालिकाएँ प्रदान करते हैं, जैसे कि टेफ, इन्जेरा, ताहिनी-आधारित व्यंजन, और क्षेत्रीय तैयारी जो उत्तरी अमेरिकी डेटाबेस में अनुपस्थित हैं।

इन स्रोतों को एक साधारण डेटा आयात के रूप में एकीकृत करना सरल नहीं है। विभिन्न देशों में विभिन्न विश्लेषणात्मक विधियाँ, पोषक तत्व परिभाषाएँ, और भाग के मानक होते हैं। अमेरिका में "कप" 240 मिलीलीटर है, जापान में 200 मिलीलीटर, और ऑस्ट्रेलिया में 250 मिलीलीटर। Nutrola की डेटा इंजीनियरिंग टीम एक सामान्यीकरण परत बनाए रखती है जो सभी आने वाले अंतरराष्ट्रीय डेटा को एक सुसंगत मानक में परिवर्तित करती है: मीट्रिक इकाइयाँ, मानकीकृत पोषक तत्व परिभाषाएँ, और एकीकृत खाद्य वर्गीकरण कोड।

डेटाबेस स्रोतों की तुलना

नीचे दी गई तालिका Nutrola के खाद्य डेटाबेस में योगदान करने वाले प्रत्येक प्रमुख डेटा स्रोत की विशेषताओं का सारांश प्रस्तुत करती है।

स्रोत	प्रविष्टियाँ	सटीकता	कवरेज	अद्यतन आवृत्ति	सीमाएँ
USDA FoodData Central	~400,000	बहुत उच्च (प्रयोगशाला-विश्लेषित)	कच्चे वस्तुओं और अमेरिकी ब्रांडेड खाद्य पदार्थों के लिए मजबूत	वार्षिक प्रमुख रिलीज़, चल रहे अपडेट	सीमित अंतरराष्ट्रीय खाद्य पदार्थ, सीमित रेस्तरां आइटम
निर्माता लेबल	~1,500,000	उच्च (नियामक, FDA-ऑडिटेड)	पैकेज्ड सामान के लिए उत्कृष्ट	निर्माता द्वारा भिन्न; Nutrola में त्रैमासिक नवीनीकरण	केवल पैकेज्ड उत्पादों को कवर करता है, 20% FDA भिन्नता की अनुमति है
अंतरराष्ट्रीय सरकारी डेटाबेस	~2,000,000	उच्च (प्रयोगशाला-विश्लेषित, देश के अनुसार भिन्न)	क्षेत्रीय खाद्य पदार्थों के लिए उत्कृष्ट	वार्षिक या कम बार	देशों के बीच असंगत मानक, कुछ पुरानी जानकारी
भीड़-स्रोतित (उपयोगकर्ता-योगदान)	~6,000,000	परिवर्तनशील (सत्यापन से पहले 15-25% त्रुटि दर)	निचले आइटम सहित सबसे व्यापक कवरेज	निरंतर	सत्यापन पाइपलाइन की आवश्यकता; कच्चा डेटा अविश्वसनीय
पोषण विशेषज्ञ-सत्यापित	~2,100,000	बहुत उच्च (क्रॉस-रेफरेंस, मानव-समीक्षित)	खोज मात्रा के अनुसार प्राथमिकता दी गई	चल रही प्राथमिकता समीक्षा	संसाधन-गहन, हर प्रविष्टि को कवर नहीं कर सकता

ये स्रोत आपस में अनन्य नहीं हैं। एक खाद्य पदार्थ में कई स्रोतों से डेटा हो सकता है। जब संघर्ष होते हैं, तो समाधान की प्राथमिकता इस प्रकार होती है: USDA या समकक्ष सरकारी प्रयोगशाला डेटा पहले, निर्माता डेटा दूसरे, पोषण विशेषज्ञ-सत्यापित डेटा तीसरे, और सत्यापित भीड़-स्रोतित डेटा चौथे। यह प्राथमिकता सुनिश्चित करती है कि सबसे कठोरता से मान्य डेटा हमेशा प्राथमिकता लेता है।

क्यों सटीकता आकार से अधिक महत्वपूर्ण है

कुछ प्रतिस्पर्धी ऐप्स 15, 20, या यहां तक कि 30 मिलियन प्रविष्टियों के डेटाबेस का विज्ञापन करते हैं। गुणवत्ता के बिना आकार का कोई अर्थ नहीं है और यह सक्रिय रूप से हानिकारक हो सकता है।

30 मिलियन प्रविष्टियों वाले डेटाबेस में 20 प्रतिशत की त्रुटि दर 6 मिलियन गलत प्रविष्टियाँ होती हैं। एक उपयोगकर्ता जो उनमें से एक प्रविष्टि को लॉग करता है, अब उसकी सटीकता पर पूरी आत्मविश्वास के साथ गलत डेटा ट्रैक कर रहा है। त्रुटि बढ़ती है: यदि एक सामान्य नाश्ते की प्रविष्टि प्रोटीन को 10 ग्राम अधिक बताती है और आप इसे सप्ताह में पांच बार खाते हैं, तो आप मानते हैं कि आपने वास्तव में 200 ग्राम अधिक प्रोटीन खा लिया है। यदि आप उस डेटा के आधार पर अन्य जगहों पर प्रोटीन को कम करते हैं, तो नीचे की ओर प्रभाव वास्तविक होते हैं।

इसीलिए Nutrola सत्यापित प्रविष्टियों की संख्या को कच्ची प्रविष्टियों की संख्या पर प्राथमिकता देता है। एक प्रविष्टि जो मौजूद नहीं है, वह तटस्थ होती है। एक प्रविष्टि जो मौजूद है लेकिन गलत है, वह सक्रिय रूप से हानिकारक होती है।

डेटाबेस कैसे बढ़ता है

डेटाबेस स्थिर नहीं है। यह लगातार कई चैनलों के माध्यम से बढ़ता है। स्वचालित प्रणालियाँ बारकोड स्कैन अनुरोधों की निगरानी करती हैं, उन उत्पादों की पहचान करती हैं जिन्हें उपयोगकर्ता खोजते हैं लेकिन जो अभी तक मौजूद नहीं हैं, और उच्च मांग वाले आइटम को जोड़ने के लिए प्राथमिकता देती हैं। उपयोगकर्ता प्रस्तुतियाँ क्षेत्रीय व्यंजन, रेस्तरां आइटम, और घरेलू व्यंजन जोड़ती हैं जो किसी भी आधिकारिक डेटाबेस में नहीं होते। निर्माता साझेदारियाँ सुनिश्चित करती हैं कि जब एक प्रमुख श्रृंखला एक नया मेनू आइटम लॉन्च करती है, तो पोषण डेटा लॉन्च के दिन उपलब्ध हो। और समय-समय पर USDA और अंतरराष्ट्रीय डेटाबेस रिलीज़ को शामिल किया जाता है जैसे ही वे उपलब्ध होते हैं।

अक्सर पूछे जाने वाले प्रश्न

Nutrola का खाद्य डेटाबेस अन्य ऐप्स की तुलना में कितना सटीक है?

Nutrola की सत्यापित प्रविष्टियों की औसत सटीकता प्रयोगशाला-नापी गई मानों के लिए 5 प्रतिशत के भीतर है, जो स्वतंत्र विश्लेषणात्मक डेटा के खिलाफ प्रविष्टियों की आंतरिक ऑडिट पर आधारित है। सत्यापन रहित भीड़-स्रोतित डेटाबेस आमतौर पर 15 से 25 प्रतिशत की त्रुटि दर दिखाते हैं। अंतर सत्यापन पाइपलाइन से आता है जिसे हर प्रविष्टि को व्यापक रूप से उपलब्ध होने से पहले पार करना होता है।

जब मैं एक बारकोड स्कैन करता हूँ और उत्पाद नहीं मिलता, तो क्या होता है?

ऐप आपको लेबल से पोषण जानकारी दर्ज करने के लिए प्रेरित करता है। आपकी प्रविष्टि तुरंत आपके उपयोग के लिए उपलब्ध होती है, फिर सत्यापन पाइपलाइन में प्रवेश करती है इससे पहले कि इसे अन्य उपयोगकर्ताओं के लिए सतह पर लाया जाए। उच्च मांग वाले उत्पादों को त्वरित सत्यापन के लिए प्राथमिकता दी जाती है।

डेटाबेस कितनी बार अपडेट होता है?

लगातार। उपयोगकर्ता-योगदान प्रविष्टियाँ दैनिक रूप से संसाधित की जाती हैं। ब्रांडेड उत्पाद डेटा उच्च-परिवर्तनशील उत्पादों के लिए त्रैमासिक रूप से अपडेट किया जाता है। USDA और अंतरराष्ट्रीय रिलीज़ को प्रकाशन के दो सप्ताह के भीतर शामिल किया जाता है। त्रुटि सुधार आमतौर पर पुष्टि के 24 से 48 घंटों के भीतर लागू किए जाते हैं।

क्या मैं रेस्तरां के भोजन के लिए कैलोरी गिनती पर भरोसा कर सकता हूँ?

जो बड़े चेन आधिकारिक पोषण डेटा प्रकाशित करते हैं, उनके लिए प्रविष्टियाँ सीधे स्रोत की जाती हैं और चेन के अपने माप के रूप में सटीक होती हैं। स्वतंत्र रेस्तरां के लिए, प्रविष्टियाँ नुस्खा-आधारित अनुमानों के साथ होती हैं, जिनमें अधिक अनिश्चितता होती है। Nutrola रेस्तरां प्रविष्टियों को एक विश्वास संकेतक के साथ चिह्नित करता है ताकि आप देख सकें कि डेटा आधिकारिक स्रोत से आता है या अनुमान से।

Nutrola कभी-कभी मेरे खाद्य पदार्थ के लेबल से अलग मान क्यों दिखाता है?

तीन सामान्य कारण: निर्माता ने उत्पाद को फिर से तैयार किया हो सकता है, भाग के आकार की परिभाषाएँ भिन्न हो सकती हैं, या न्यूट्रिशन फैक्ट्स राउंडिंग नियम छोटे विसंगतियों (आमतौर पर 5 से 10 कैलोरी के भीतर) का निर्माण करते हैं। ऐप के माध्यम से विसंगति की रिपोर्ट करने से एक अपडेट ट्रिगर होता है।

Nutrola घरेलू व्यंजनों को कैसे संभालता है?

आप सत्यापित डेटाबेस से व्यक्तिगत सामग्री प्रविष्टियों को जोड़कर कस्टम व्यंजन प्रविष्टियाँ बनाते हैं, भागों के लिए समायोजित करते हैं। चूंकि सामग्री प्रविष्टियाँ सत्यापित होती हैं, त्रुटियों का प्राथमिक स्रोत भाग के माप के बजाय खराब डेटा होता है।

Nutrola का डेटाबेस ओपन-सोर्स विकल्पों से अलग क्यों है?

ओपन-सोर्स डेटाबेस जैसे Open Food Facts मूल्यवान डेटा प्रदान करते हैं लेकिन प्रणालीगत सत्यापन के बिना काम करते हैं। प्रविष्टियाँ स्वयंसेवकों द्वारा प्रस्तुत की जाती हैं और विश्वसनीयता जांच या पोषण विशेषज्ञ की समीक्षा के बिना प्रकाशित की जाती हैं। Nutrola ओपन-सोर्स डेटा को कई इनपुट में से एक के रूप में उपयोग करता है, सभी आयातित प्रविष्टियों को किसी अन्य स्रोत के समान सत्यापन पाइपलाइन से गुजरना पड़ता है।

चल रही कार्य

एक खाद्य डेटाबेस बनाना एक ऐसा प्रोजेक्ट नहीं है जिसमें एक समाप्ति रेखा हो। खाद्य पदार्थ बदलते हैं। नए उत्पाद लॉन्च होते हैं। पुराने उत्पादों को फिर से तैयार किया जाता है या बंद कर दिया जाता है। विश्लेषणात्मक विधियाँ बेहतर होती हैं।

Nutrola के डेटाबेस में आज 12 मिलियन प्रविष्टियाँ एक साल बाद वही नहीं रहेंगी। कुछ को अपडेट किया जाएगा, कुछ हटा दिए जाएंगे, और सैकड़ों हजारों नई प्रविष्टियाँ जोड़ी जाएंगी। सत्यापन पाइपलाइन उन त्रुटियों को पकड़ लेगी जो पहले के संस्करणों से छूट गई थीं। पोषण विशेषज्ञ की समीक्षा टीम धीरे-धीरे उन प्रविष्टियों के अनुपात को बढ़ाएगी जो मानव-सत्यापित विश्वास के साथ हैं।

कोई भी कैलोरी ट्रैकिंग ऐप डाउनलोड नहीं करता क्योंकि वे खाद्य संरचना डेटा सामान्यीकरण के बारे में उत्साहित हैं। लेकिन हर सटीक कैलोरी गिनती, हर विश्वसनीय मैक्रो ब्रेकडाउन, हर भरोसेमंद दैनिक कुल इस आधारभूत संरचना पर निर्भर करता है कि यह सही ढंग से काम करे, हर खोज परिणाम के पीछे अदृश्य रूप से। जब आप अपना दोपहर का भोजन लॉग करते हैं और संख्याएँ सही होती हैं, तो यह एक दुर्घटना नहीं है। यह एक प्रणाली का परिणाम है जिसे यह सुनिश्चित करने के लिए विशेष रूप से बनाया गया है कि वे सही हैं।