ओपन न्यूट्रिशन डेटा: क्यों Nutrola अन्य ऐप्स की तुलना में सटीकता मानक प्रकाशित करता है
ज्यादातर न्यूट्रिशन ऐप्स कभी नहीं बताते कि उनकी सटीकता कितनी है। Nutrola अपनी सटीकता मानक सार्वजनिक रूप से प्रकाशित करता है। यहाँ बताया गया है कि पारदर्शिता क्यों महत्वपूर्ण है और आंकड़े क्या दिखाते हैं।
यदि आपने कभी कैलोरी ट्रैकिंग ऐप का उपयोग किया है, तो आपने इसे एक बुनियादी सवाल पर भरोसा किया है: मैंने वास्तव में कितना खाया? आपके भाग के आकार, भोजन के विकल्प और साप्ताहिक लक्ष्यों के निर्णय सभी ऐप द्वारा दिए गए आंकड़ों पर निर्भर करते हैं। लेकिन यहाँ एक सवाल है जो अधिकांश उपयोगकर्ता कभी नहीं पूछते: ये आंकड़े कितने सटीक हैं, और आप इसे कैसे जानेंगे?
इसका उत्तर, बाजार में अधिकांश न्यूट्रिशन ऐप्स के लिए, यह है कि आप नहीं जानेंगे। अधिकांश ऐप्स सटीकता डेटा प्रकाशित नहीं करते। वे त्रुटि दरों का खुलासा नहीं करते। वे खाद्य प्रकार, व्यंजन या भोजन की जटिलता के अनुसार प्रदर्शन का विश्लेषण नहीं करते। आपसे बिना किसी सबूत के आउटपुट पर भरोसा करने के लिए कहा जाता है कि यह आपके विश्वास के योग्य है।
Nutrola एक अलग दृष्टिकोण अपनाता है। हम अपनी सटीकता मानक सार्वजनिक रूप से प्रकाशित करते हैं, जो तिमाही आधार पर अपडेट होते हैं, खाद्य श्रेणी, व्यंजन प्रकार, भोजन की जटिलता और लॉगिंग विधि के अनुसार विभाजित होते हैं। यह लेख बताता है कि हम ऐसा क्यों करते हैं, आंकड़े वास्तव में क्या दिखाते हैं, हम कहाँ कमज़ोर हैं, और क्यों हमें विश्वास है कि इस तरह की पारदर्शिता हर न्यूट्रिशन ऐप के लिए मानक होनी चाहिए।
अधिकांश ऐप्स सटीकता डेटा क्यों प्रकाशित नहीं करते
किसी न्यूट्रिशन ऐप को अपनी सटीकता मापने और प्रकाशित करने से रोकने के लिए कोई तकनीकी बाधा नहीं है। उपकरण मौजूद हैं। विधियाँ अच्छी तरह से स्थापित हैं। अधिकांश ऐप्स चुप रहने का कारण तीन कारकों पर निर्भर करता है।
1. आंकड़े आकर्षक नहीं हैं
सटीकता मानक स्थापित करने के लिए ऐप के आउटपुट की तुलना एक ग्राउंड ट्रुथ से करनी होती है --- आमतौर पर वजन किए गए खाद्य डेटा की तुलना सत्यापित न्यूट्रिशन डेटाबेस जैसे USDA FoodData Central के साथ की जाती है। जब आप इस तुलना को गंभीरता से करते हैं, तो परिणाम अक्सर महत्वपूर्ण अंतर दिखाते हैं। एक डेटाबेस प्रविष्टि जो "चिकन स्टर-फ्राई" को बिना किसी तेल की मात्रा के निर्दिष्ट किए सूचीबद्ध करती है, वह 200 से 400 कैलोरी तक भिन्न हो सकती है। "होममेड पास्ता" के लिए एक उपयोगकर्ता द्वारा प्रस्तुत प्रविष्टि 300 कैलोरी से लेकर 800 कैलोरी तक की सर्विंग का प्रतिनिधित्व कर सकती है।
क्राउडसोर्स किए गए डेटाबेस पर आधारित ऐप्स जिन्हें न्यूनतम सत्यापन प्राप्त है, पारदर्शिता से सबसे अधिक नुकसान उठाते हैं। त्रुटि दरों का प्रकाशन उनके डेटा के आधार में असंगति को उजागर करेगा।
2. सटीकता को स्पष्ट रूप से परिभाषित करना कठिन है
न्यूट्रिशन ऐप की सटीकता मापने के लिए कोई सार्वभौमिक मानक नहीं है। क्या आप औसत त्रुटि को मापते हैं? मध्य त्रुटि? 10 प्रतिशत सीमा के भीतर भोजन का प्रतिशत? क्या आप वजन किए गए सामग्री के खिलाफ परीक्षण करते हैं या न्यूट्रिशन लेबल के खिलाफ? क्या आप माप में उपयोगकर्ता की त्रुटि को शामिल करते हैं या सिस्टम के प्रदर्शन को अलग करते हैं?
यह अस्पष्टता ऐप्स को कवर देती है। बिना सहमति वाली विधि के, यह "उच्च सटीकता" का दावा करना आसान है बिना यह बताए कि इसका क्या अर्थ है या इसे साबित किए बिना।
3. बाजार में दबाव नहीं है
हाल ही तक, उपयोगकर्ताओं ने न्यूट्रिशन ऐप्स से उनकी सटीकता साबित करने की उम्मीद नहीं की। उद्योग स्वचालित रूप से विश्वास पर बढ़ा --- यदि किसी ऐप में एक बड़ा खाद्य डेटाबेस है, तो उपयोगकर्ता मानते हैं कि डेटा सही है। प्रतिस्पर्धी एक-दूसरे को सटीकता पर चुनौती नहीं देते क्योंकि ऐसा करने से उनके अपने आंकड़ों की जांच होगी।
यह सामूहिक चुप्पी पैदा करता है। कोई प्रकाशित नहीं करता, इसलिए किसी से अपेक्षा नहीं की जाती कि वह प्रकाशित करे, इसलिए कोई नहीं करता।
Nutrola का दृष्टिकोण: सब कुछ प्रकाशित करें
हम मानते हैं कि यदि आप हमारे डेटा के आधार पर स्वास्थ्य निर्णय ले रहे हैं, तो आपको यह जानने का अधिकार है कि यह डेटा कितना विश्वसनीय है। अस्पष्ट शब्दों में नहीं। विशिष्ट, मापने योग्य, नियमित रूप से अपडेट किए गए आंकड़ों में।
यहाँ हम क्या प्रकाशित करते हैं और हम इसे कैसे मापते हैं।
हम सटीकता को कैसे मापते हैं
मानक विधि
हमारे सटीकता मानक दो समानांतर प्रक्रियाओं से प्राप्त होते हैं।
नियंत्रित परीक्षण। हर तिमाही, हमारी न्यूट्रिशन विज्ञान टीम 1,000 भोजन तैयार करके एक संरचित मूल्यांकन करती है। हर सामग्री को ग्राम के हिसाब से तौला जाता है। न्यूट्रिशनल मान USDA FoodData Central, निर्माता डेटा और प्रयोगशाला-सत्यापित संदर्भ मानों से निकाले जाते हैं। प्रत्येक भोजन को Nutrola के माध्यम से सभी उपलब्ध विधियों --- फोटो पहचान, बारकोड स्कैनिंग, मैनुअल खोज, और रेसिपी आयात --- का उपयोग करके लॉग किया जाता है और आउटपुट को संदर्भ मानों के खिलाफ तुलना की जाती है।
वास्तविक दुनिया में मान्यता। हम स्वैच्छिक उपयोगकर्ताओं को भर्ती करते हैं जो एक निर्धारित अवधि के लिए अपने भोजन को तौलने के लिए सहमत होते हैं और अपने स्केल माप और सामान्य Nutrola लॉग प्रविष्टियों को प्रस्तुत करते हैं। यह हमें वास्तविक परिस्थितियों में ग्राउंड-ट्रुथ तुलना प्रदान करता है --- अपूर्ण रोशनी, आकस्मिक प्लेटिंग, असली रसोई। हमारे नवीनतम मान्यता समूह में 4,200 उपयोगकर्ता शामिल थे जिन्होंने 26,800 सत्यापित भोजन प्रविष्टियाँ प्रदान कीं।
हम क्या मापते हैं
प्रत्येक मानक चक्र के लिए, हम निम्नलिखित मैट्रिक्स की रिपोर्ट करते हैं:
- कैलोरी, प्रोटीन, कार्बोहाइड्रेट और वसा के लिए मीन एब्सोल्यूट पर्सेंटेज एरर (MAPE)।
- प्रत्येक मैक्रोन्यूट्रिएंट के लिए संदर्भ मानों के भीतर 5%, 10%, और 15% के भोजन का प्रतिशत।
- खाद्य पहचान सटीकता --- उन भोजन का प्रतिशत जहाँ AI प्राथमिक खाद्य वस्तुओं की सही पहचान करता है।
- भाग का अनुमान लगाने की सटीकता --- AI के भाग के अनुमान और वास्तविक मापे गए भाग के बीच ग्राम वजन में प्रतिशत विचलन।
- सिस्टमेटिक बायस दिशा --- त्रुटियाँ अधिक अनुमानित होती हैं या कम अनुमानित, और कितनी।
हम इन मैट्रिक्स को खाद्य श्रेणी, व्यंजन प्रकार, भोजन की जटिलता, और लॉगिंग विधि के अनुसार विभाजित करते हैं। पूरा डेटा हमारे मानक पृष्ठ पर उपलब्ध है।
आंकड़े क्या दिखाते हैं: खाद्य श्रेणी के अनुसार सटीकता
निम्नलिखित तालिकाएँ हमारे Q1 2026 मानक परिणामों को दर्शाती हैं, जो नियंत्रित परीक्षण और वास्तविक दुनिया की मान्यता डेटा को मिलाकर बनाई गई हैं।
खाद्य श्रेणी के अनुसार कैलोरी सटीकता
| खाद्य श्रेणी | औसत कैलोरी त्रुटि | 5% के भीतर | 10% के भीतर | 15% के भीतर | बायस दिशा |
|---|---|---|---|---|---|
| एकल संपूर्ण खाद्य पदार्थ (फल, सब्जियाँ, साधारण प्रोटीन) | 3.1% | 78% | 96% | 99% | हल्का अधिक अनुमान (+1.2%) |
| पैकेज्ड खाद्य पदार्थ (बारकोड स्कैन किए गए) | 1.8% | 91% | 98% | 100% | तटस्थ |
| सरल तैयार भोजन (ग्रिल्ड चिकन + चावल, सलाद ड्रेसिंग के साथ) | 5.9% | 52% | 84% | 94% | हल्का कम अनुमान (-2.4%) |
| जटिल घरेलू व्यंजन (कैसरोल, स्टर-फ्राई, स्ट्यू) | 9.4% | 31% | 68% | 87% | कम अनुमान (-4.8%) |
| बेक्ड सामान (घरेलू) | 11.2% | 24% | 58% | 82% | कम अनुमान (-6.1%) |
| रेस्तरां और टेकआउट भोजन | 10.8% | 26% | 62% | 85% | कम अनुमान (-5.2%) |
| पेय (स्मूदी, कॉफी पेय, कॉकटेल) | 7.6% | 42% | 76% | 91% | अधिक अनुमान (+3.1%) |
व्यंजन प्रकार के अनुसार कैलोरी सटीकता
| व्यंजन | औसत कैलोरी त्रुटि | 10% के भीतर | 15% के भीतर | प्राथमिक त्रुटि स्रोत |
|---|---|---|---|---|
| अमेरिकी / पश्चिमी मानक | 6.8% | 79% | 93% | भाग के आकार में भिन्नता |
| मेक्सिकन / लैटिन अमेरिकी | 9.2% | 68% | 88% | छिपे हुए वसा (घी, पनीर, क्रीम) |
| इटालियन | 8.4% | 72% | 90% | जैतून के तेल और पनीर की मात्रा |
| चीनी | 10.1% | 64% | 86% | कुकिंग ऑयल वोक व्यंजनों में |
| जापानी | 6.2% | 81% | 95% | न्यूनतम छिपे हुए वसा |
| भारतीय | 12.4% | 58% | 82% | घी, क्रीम, नारियल का दूध |
| थाई | 11.8% | 60% | 84% | नारियल का दूध, पाम शुगर, मछली सॉस |
| कोरियाई | 8.8% | 70% | 89% | किण्वित मसाले, तिल का तेल |
| मध्य पूर्वी | 9.6% | 66% | 87% | जैतून का तेल, ताहिनी, नट-आधारित सॉस |
| इथियोपियाई / पूर्वी अफ्रीकी | 13.1% | 54% | 79% | निटर किब्बे (मसालेदार मक्खन), इन्जेरा भिन्नता |
भोजन की जटिलता के अनुसार कैलोरी सटीकता
| भोजन की जटिलता | औसत कैलोरी त्रुटि | 10% के भीतर | 15% के भीतर |
|---|---|---|---|
| एकल आइटम (1 खाद्य) | 3.4% | 95% | 99% |
| सरल प्लेट (2-3 विशिष्ट आइटम) | 6.1% | 82% | 94% |
| मिश्रित प्लेट (4-5 आइटम) | 8.9% | 69% | 88% |
| जटिल व्यंजन (6+ सामग्री, मिश्रित) | 11.6% | 57% | 81% |
| मल्टी-कोर्स भोजन | 13.2% | 52% | 77% |
खाद्य श्रेणी के अनुसार प्रोटीन सटीकता
| खाद्य श्रेणी | औसत प्रोटीन त्रुटि | 10% के भीतर | 15% के भीतर |
|---|---|---|---|
| साधारण पशु प्रोटीन (चिकन, बीफ, मछली) | 4.2% | 89% | 97% |
| पौधों पर आधारित प्रोटीन (टोफू, टेम्पेह, फलियाँ) | 5.8% | 80% | 94% |
| प्रोटीन के साथ मिश्रित व्यंजन | 8.6% | 66% | 86% |
| प्रोटीन-सप्लीमेंटेड खाद्य पदार्थ (बार, शेक) | 2.4% | 95% | 99% |
| रेस्तरां प्रोटीन व्यंजन | 9.8% | 61% | 83% |
"पर्याप्त सटीकता" का वजन घटाने के लिए क्या अर्थ है
कच्चे सटीकता आंकड़े केवल तभी महत्वपूर्ण होते हैं जब आप समझते हैं कि वास्तविक परिणामों के लिए किस स्तर की सटीकता की आवश्यकता है। यहाँ विज्ञान अधिक सहिष्णु है जितना अधिकांश लोग उम्मीद करते हैं।
अनुसंधान संदर्भ
2023 में Journal of the Academy of Nutrition and Dietetics में प्रकाशित एक प्रणालीगत समीक्षा ने आहार मूल्यांकन विधियों की जांच की और निष्कर्ष निकाला कि 15 प्रतिशत से कम औसत त्रुटियाँ "वजन प्रबंधन परिणामों को महत्वपूर्ण रूप से प्रभावित करने की संभावना नहीं है जब ट्रैकिंग समय के साथ बनाए रखा जाता है।" 2024 में Obesity Reviews में एक अध्ययन ने पाया कि लगातार ट्रैक करने वाले उपयोगकर्ता जो 10 से 20 प्रतिशत त्रुटि के साथ लॉग करते हैं, वे 12-सप्ताह की अवधि में 10 प्रतिशत से कम त्रुटि वाले लोगों की तुलना में 89 प्रतिशत वजन कम करते हैं।
कारण सीधा है: कैलोरी ट्रैकिंग मुख्य रूप से जागरूकता और व्यवहारात्मक फीडबैक के माध्यम से काम करती है, न कि सही माप के माध्यम से। यदि आप लगातार 8 प्रतिशत कम आहार का अनुमान लगाते हैं, तो आपका शरीर अभी भी वास्तविक सेवन पर प्रतिक्रिया करता है। और यदि आप वास्तविक दुनिया के परिणामों (स्केल प्रवृत्तियाँ, शरीर के माप) के आधार पर अपने लक्ष्यों को समायोजित कर रहे हैं, तो समय के साथ प्रणालीगत पूर्वाग्रह सही हो जाता है।
व्यावहारिक रूप में थ्रेशोल्ड का क्या अर्थ है
यहाँ विभिन्न सटीकता स्तरों का 2,000-कैलोरी दैनिक सेवन के लिए क्या अर्थ है:
| सटीकता स्तर | कैलोरी विचलन | दैनिक त्रुटि सीमा | साप्ताहिक संचयी त्रुटि | 500 kcal/day की कमी पर प्रभाव |
|---|---|---|---|---|
| 5% के भीतर | 100 kcal तक | 1,900 - 2,100 | 700 kcal तक | नगण्य --- कमी बनी रहती है |
| 10% के भीतर | 200 kcal तक | 1,800 - 2,200 | 1,400 kcal तक | मामूली --- कमी कम हुई लेकिन मौजूद है |
| 15% के भीतर | 300 kcal तक | 1,700 - 2,300 | 2,100 kcal तक | मध्यम --- कुछ हफ्तों में कमी रुक सकती है |
| 20% के भीतर | 400 kcal तक | 1,600 - 2,400 | 2,800 kcal तक | महत्वपूर्ण --- कमी अस्थिर |
अधिकांश उपयोगकर्ताओं के लिए जो प्रति दिन 400 से 600 कैलोरी की मध्यम कमी का पीछा कर रहे हैं, 10 से 15 प्रतिशत के भीतर सटीकता बनाए रखना प्रगति को बनाए रखने के लिए पर्याप्त है। यह वह रेंज है जहाँ Nutrola अधिकांश भोजन के लिए प्रदर्शन करता है --- सभी खाद्य श्रेणियों और व्यंजनों में 88 प्रतिशत सभी लॉग किए गए भोजन 15 प्रतिशत के भीतर संदर्भ मानों में आते हैं।
क्यों निरंतरता सटीकता से अधिक महत्वपूर्ण है
हमारे आंतरिक डेटा से पता चलता है कि जो उपयोगकर्ता 60 या अधिक दिनों तक लगातार लॉग करते हैं, वे अपने लक्ष्यों को लगभग समान दर पर प्राप्त करते हैं चाहे उनकी औसत सटीकता 6 प्रतिशत हो या 12 प्रतिशत। जो उपयोगकर्ता अपने लक्ष्यों को प्राप्त करने में असफल होते हैं, वे ज्यादातर वे होते हैं जो लॉगिंग बंद कर देते हैं --- न कि वे जो मध्यम त्रुटि के साथ लॉग करते हैं।
इसका यह मतलब नहीं है कि सटीकता अप्रासंगिक है। इसका मतलब है कि किसी ऐप का प्राथमिक कार्य यह सुनिश्चित करना है कि यह एक विश्वसनीय फीडबैक लूप बनाए रखने के लिए पर्याप्त सटीक हो, जबकि यह इतना तेज और बिना रुकावट वाला हो कि उपयोगकर्ता वास्तव में इसका उपयोग करते रहें। हमारे मानकों को प्रकाशित करना उपयोगकर्ताओं को यह निर्णय लेने में मदद करता है कि क्या हमारी सटीकता उनकी आवश्यकताओं को पूरा करती है।
जहाँ हम कमज़ोर हैं: एक ईमानदार मूल्यांकन
पारदर्शिता का मतलब है कि हमें उन आंकड़ों को प्रकाशित करना चाहिए जो हमें अच्छा दिखाते हैं और जो नहीं। यहाँ वे क्षेत्र हैं जहाँ हमारी सटीकता मानक स्पष्ट कमजोरियों को उजागर करते हैं।
छिपे हुए वसा हमारी सबसे बड़ी चुनौती हैं
सभी श्रेणियों में त्रुटि का सबसे बड़ा स्रोत छिपे हुए कुकिंग वसा हैं। जब किसी व्यंजन को तेल, मक्खन, या घी में पकाया जाता है, तो उपयोग की गई मात्रा अंतिम प्लेटेड भोजन में अक्सर अदृश्य होती है। हमारा AI व्यंजन प्रकार, व्यंजन के मानदंड, और दृश्य संकेतों के आधार पर कुकिंग वसा का अनुमान लगाता है, लेकिन यह एक माप के बजाय एक अनुमान है।
जिन व्यंजनों में महत्वपूर्ण छिपे हुए वसा होते हैं --- भारतीय करी, चीनी स्टर-फ्राई, रेस्तरां के सॉटे किए गए व्यंजन --- हमारी औसत कैलोरी त्रुटि 7 प्रतिशत (प्रोटीन और कार्बोहाइड्रेट घटकों के लिए) से बढ़कर 14 प्रतिशत हो जाती है। यही कारण है कि भारतीय और थाई व्यंजनों में हमारी व्यंजन विभाजन में उच्च त्रुटि दरें दिखाई देती हैं।
हम बेहतर प्रशिक्षण डेटा और उपयोगकर्ता-सहायता सुधार संकेतों (उपयोगकर्ताओं से पूछना कि क्या कोई व्यंजन तैलीय या सूखा लगता है) के माध्यम से इस पर सक्रिय रूप से काम कर रहे हैं, लेकिन यह किसी भी दृष्टि-आधारित प्रणाली के लिए एक खुली समस्या बनी हुई है।
जटिल बहु-घटक भोजन
जब एक प्लेट में छह या अधिक विशिष्ट आइटम होते हैं, विशेष रूप से मिश्रित या परतदार प्रस्तुतियों में, हमारी पहचान सटीकता गिर जाती है। AI एक अनाज सलाद को चावल के व्यंजन के रूप में भ्रमित कर सकता है, या प्रोटीन के नीचे एक सॉस घटक को चूक सकता है। मल्टी-कोर्स भोजन जो एकल प्रविष्टि के रूप में लॉग किए जाते हैं, हमारी उच्चतम त्रुटि दरें दिखाते हैं, 13.2 प्रतिशत औसत विचलन।
व्यावहारिक समाधान यह है कि व्यक्तिगत घटकों को अलग-अलग लॉग किया जाए, जिससे सटीकता में सुधार होता है लेकिन इससे रुकावट बढ़ती है। हम अपने AI पाइपलाइन में बेहतर बहु-आइटम विघटन पर काम कर रहे हैं, लेकिन हम अभी तक इसे अपनी संतोषजनकता तक नहीं पहुँचा पाए हैं।
कम प्रतिनिधित्व वाले व्यंजन
हमारी सटीकता उन व्यंजनों के लिए स्पष्ट रूप से खराब है जो हमारे प्रशिक्षण डेटा में कम प्रतिनिधित्व प्राप्त करते हैं। इथियोपियाई, पश्चिम अफ्रीकी, मध्य एशियाई, और प्रशांत द्वीप के व्यंजन 30 से 50 प्रतिशत उच्च त्रुटि दरें दिखाते हैं जो पश्चिमी व्यंजनों की तुलना में हैं। यह एक डेटा समस्या है, न कि एक एल्गोरिदमिक, और हम इसे अपने संदर्भ डेटासेट का विस्तार करके और इन क्षेत्रों में पोषण शोधकर्ताओं के साथ साझेदारी करके संबोधित कर रहे हैं।
हम विशेष रूप से व्यंजन के अनुसार सटीकता को ट्रैक और प्रकाशित करते हैं ताकि इन खाद्य परंपराओं से उपयोगकर्ता देख सकें कि हमारी प्रणाली कहाँ खड़ी है और यह निर्णय ले सकें कि AI लॉगिंग को मैनुअल समायोजनों के साथ कैसे पूरक करना है।
अस्पष्ट सर्विंग्स के लिए भाग का अनुमान
स्पष्ट दृश्य आकार संदर्भ के बिना खाद्य पदार्थ --- जैसे मैश किए हुए आलू का एक ढेर, पास्ता का एक ढेर, या सूप का एक कटोरा --- AI के लिए सटीकता से अनुमान लगाना कठिन होता है, बनिस्बत उन खाद्य पदार्थों के जो स्पष्ट आकार रखते हैं। एक चिकन ब्रेस्ट का वजन-से-आकार अनुपात लगभग अनुमानित होता है। चावल का एक स्कूप नहीं होता।
हमारे भाग अनुमान MAPE अमोर्फ खाद्य पदार्थों के लिए 16.4 प्रतिशत है, जबकि आकार के साथ खाद्य पदार्थों के लिए 7.8 प्रतिशत है। फोटो में एक संदर्भ वस्तु (एक कांटा, एक मानक प्लेट) शामिल करने से इसे 11.2 प्रतिशत तक सुधार होता है, यही कारण है कि हम उपयोगकर्ताओं को जब संभव हो, मानक डिनरवेयर पर भोजन की तस्वीरें लेने के लिए प्रेरित करते हैं।
पारदर्शिता का तर्क
क्यों हमें विश्वास है कि हर ऐप को ऐसा करना चाहिए
सटीकता मानकों का प्रकाशन हमारे लिए एक मार्केटिंग रणनीति नहीं है। यह एक उत्पाद आवश्यकता है जो एक सरल सिद्धांत पर आधारित है: लोग जो डेटा के आधार पर स्वास्थ्य निर्णय ले रहे हैं, उन्हें यह जानने का अधिकार है कि यह डेटा कितना विश्वसनीय है।
वैकल्पिक पर विचार करें। एक उपयोगकर्ता जो टाइप 2 मधुमेह से ग्रस्त है, वह कैलोरी ट्रैकिंग ऐप का उपयोग करके कार्बोहाइड्रेट सेवन का प्रबंधन कर रहा है। यदि ऐप के कार्बोहाइड्रेट अनुमान प्रणालीगत रूप से 20 प्रतिशत कम हैं, तो वह उपयोगकर्ता दोषपूर्ण डेटा पर नैदानिक निर्णय ले रहा है। उनके पास यह जानने का कोई तरीका नहीं है जब तक ऐप उन्हें नहीं बताता, और ऐप को उन्हें बताने के लिए कोई प्रोत्साहन नहीं है जब तक पारदर्शिता उत्पाद दर्शन में निहित न हो।
यह काल्पनिक नहीं है। क्राउडसोर्स किए गए न्यूट्रिशन डेटाबेस --- अधिकांश प्रतिस्पर्धी ऐप्स की रीढ़ --- उपयोगकर्ता द्वारा प्रस्तुत प्रविष्टियों के लिए 20 से 30 प्रतिशत की त्रुटि दरें रखती हैं, 2024 में Nutrients में प्रकाशित एक विश्लेषण के अनुसार। प्रविष्टियाँ अक्सर भिन्न डेटा के साथ डुप्लिकेट होती हैं, विभिन्न सर्विंग आकारों का संदर्भ देती हैं, या अविश्वसनीय स्रोतों से कॉपी की जाती हैं। बिना प्रणालीगत मान्यता के, ये त्रुटियाँ चुपचाप फैलती हैं।
पारदर्शिता क्या सक्षम करती है
जब सटीकता डेटा सार्वजनिक होता है, तो कई चीजें संभव हो जाती हैं:
उपयोगकर्ता अपनी अपेक्षाओं को समायोजित कर सकते हैं। यदि आप जानते हैं कि रेस्तरां के भोजन के अनुमान में 10.8 प्रतिशत औसत त्रुटि होती है, तो आप अपनी योजना में उस अनिश्चितता को शामिल कर सकते हैं। आप बाहर खाने के दिनों में थोड़ा बड़ा कमी का लक्ष्य रख सकते हैं, या आप महत्वपूर्ण भोजन को मैन्युअल समायोजनों के साथ सत्यापित कर सकते हैं।
शोधकर्ता उपकरणों का वस्तुनिष्ठ मूल्यांकन कर सकते हैं। न्यूट्रिशन वैज्ञानिक जो आहार ट्रैकिंग उपकरणों की प्रभावशीलता का अध्ययन कर रहे हैं, उन्हें यह आकलन करने के लिए सटीकता डेटा की आवश्यकता होती है कि कौन से उपकरण नैदानिक या शोध उपयोग के लिए उपयुक्त हैं। प्रकाशित मानक Nutrola को स्वतंत्र मूल्यांकन के लिए उपलब्ध बनाते हैं, जिस तरह से अस्पष्ट ऐप्स नहीं होते।
उद्योग में सुधार होता है। यदि एक ऐप मानक प्रकाशित करता है और उपयोगकर्ता प्रतिस्पर्धियों से भी यही मांग करने लगते हैं, तो संपूर्ण श्रेणी उच्च सटीकता और जवाबदेही की ओर बढ़ती है। यह सभी के लिए अच्छा है, जिसमें हम भी शामिल हैं --- हम मार्केटिंग दावों के बजाय प्रलेखित प्रदर्शन पर प्रतिस्पर्धा करना पसंद करेंगे।
हम खुद को जवाबदेह ठहराते हैं। तिमाही आधार पर मानकों को प्रकाशित करने का मतलब है कि हम चुपचाप सटीकता को गिरने नहीं दे सकते। हर तिमाही, आंकड़े सार्वजनिक होते हैं, और कोई भी गिरावट स्पष्ट होती है। यह निरंतर सुधार के लिए आंतरिक दबाव पैदा करता है, जो कि वास्तव में बिंदु है।
हमारे मानकों की तुलना अनुसंधान से
हमारे आंकड़ों को संदर्भ में रखने के लिए, यहाँ Nutrola की सटीकता की तुलना आहार मूल्यांकन विधियों पर प्रकाशित अनुसंधान से की गई है:
| विधि | औसत कैलोरी त्रुटि (प्रकाशित अनुसंधान) | स्रोत |
|---|---|---|
| स्वयं-रिपोर्टेड आहार पुनःकाल (24-घंटे) | 15 - 30% | Journal of Nutrition, 2022 |
| खाद्य आवृत्ति प्रश्नावली | 20 - 40% | American Journal of Clinical Nutrition, 2023 |
| मैनुअल कैलोरी ऐप लॉगिंग (कोई स्केल नहीं) | 12 - 25% | Nutrients, 2024 |
| AI फोटो-आधारित लॉगिंग (उद्योग औसत) | 10 - 18% | IEEE Conference on Computer Vision, 2025 |
| Nutrola समग्र (सभी विधियों का संयोजन) | 6.8% | Nutrola Q1 2026 मानक |
| Nutrola AI फोटो केवल | 8.9% | Nutrola Q1 2026 मानक |
| Nutrola बारकोड स्कैन | 1.8% | Nutrola Q1 2026 मानक |
| वजन किए गए खाद्य रिकॉर्ड (गोल्ड स्टैंडर्ड) | 2 - 5% | British Journal of Nutrition, 2021 |
हमारी संयुक्त सटीकता 6.8 प्रतिशत Nutrola को वजन किए गए खाद्य रिकॉर्ड विधि और सबसे अच्छे AI-केवल सिस्टम के बीच रखती है। यह बहु-विधि दृष्टिकोण के लाभ को दर्शाता है --- कई Nutrola उपयोगकर्ता तैयार भोजन के लिए फोटो लॉगिंग को पैकेज्ड खाद्य पदार्थों के लिए बारकोड स्कैनिंग के साथ मिलाते हैं, जो मिश्रित सटीकता को किसी भी एकल विधि से नीचे लाता है।
हम सुधार के लिए क्या कर रहे हैं
मानकों का प्रकाशन केवल वर्तमान स्थिति की रिपोर्टिंग के बारे में नहीं है। यह समय के साथ सुधार के एक सार्वजनिक रिकॉर्ड बनाने के बारे में है।
यहाँ बताया गया है कि कैसे हमारी औसत कैलोरी त्रुटि तब से बदली है जब हमने प्रकाशन शुरू किया:
| तिमाही | औसत कैलोरी त्रुटि | 10% के भीतर | 15% के भीतर |
|---|---|---|---|
| Q1 2025 | 10.4% | 64% | 83% |
| Q2 2025 | 9.1% | 70% | 87% |
| Q3 2025 | 8.2% | 74% | 89% |
| Q4 2025 | 7.4% | 77% | 91% |
| Q1 2026 | 6.8% | 79% | 93% |
हर तिमाही, हम डेटा दिखाते हैं कि सबसे बड़े अंतर कहां हैं, के आधार पर विशिष्ट श्रेणियों में सुधार के लिए लक्ष्य रखते हैं। Q2 2026 के लिए वर्तमान प्राथमिकता क्षेत्रों में शामिल हैं:
- छिपे हुए वसा का अनुमान: साझेदार पाक विद्यालयों से तेल-राशि-लेबल वाले डेटासेट के साथ नए मॉडल प्रशिक्षण।
- दक्षिण एशियाई व्यंजन सटीकता: 3,200 नए सत्यापित भारतीय, पाकिस्तानी, श्रीलंकाई, और बांग्लादेशी व्यंजनों के साथ विस्तारित संदर्भ डेटासेट।
- बहु-आइटम भोजन विघटन: जटिल प्लेटों में बेहतर घटक पृथक्करण के लिए अपडेटेड कंप्यूटर दृष्टि पाइपलाइन।
- अमोर्फ खाद्य पदार्थों के लिए भाग का अनुमान: बहु-कोण फोटो इनपुट का उपयोग करके गहराई का अनुमान सुधार।
अक्सर पूछे जाने वाले प्रश्न
मानक कितनी बार अपडेट होते हैं?
हम तिमाही आधार पर पूर्ण मानक रिपोर्ट प्रकाशित करते हैं। यदि किसी मॉडल अपडेट से सटीकता में सांख्यिकीय रूप से महत्वपूर्ण परिवर्तन होता है (कुल MAPE में 0.5 प्रतिशत अंक से अधिक), तो अंतरिम अपडेट प्रकाशित किए जाते हैं।
क्या मैं कच्चे मानक डेटा को देख सकता हूँ?
हाँ। हम अपने मानकों के पृष्ठ पर सारांश तालिकाएँ प्रकाशित करते हैं और अनाम, संचित डेटा सेट को डाउनलोड के लिए उपलब्ध कराते हैं। व्यक्तिगत भोजन प्रविष्टियाँ कभी शामिल नहीं की जाती हैं --- केवल श्रेणी-स्तरीय सांख्यिकी।
क्या Nutrola की सटीकता उस फोन के आधार पर बदलती है जिसका मैं उपयोग करता हूँ?
कैमरे की गुणवत्ता फोटो-आधारित लॉगिंग की सटीकता को प्रभावित करती है। हमारे परीक्षण में, 2024 और बाद के प्रमुख फोन (iPhone 15 और ऊपर, Samsung Galaxy S24 और ऊपर, Google Pixel 8 और ऊपर) हमारे प्रकाशित मानकों के साथ संगत परिणाम उत्पन्न करते हैं। पुराने या बजट उपकरणों में कम-रिज़ॉल्यूशन कैमरे औसतन लगभग 1 से 2 प्रतिशत अंक अधिक त्रुटि दिखाते हैं, मुख्य रूप से भाग के आकार के अनुमान में कमी के कारण।
Nutrola उन खाद्य पदार्थों को कैसे संभालता है जिन्हें वह पहचान नहीं सकता?
जब हमारे AI का विश्वास स्कोर एक निर्धारित थ्रेशोल्ड से नीचे होता है, तो ऐप प्रविष्टि को चिह्नित करता है और उपयोगकर्ता से पहचान की पुष्टि या सुधार करने के लिए कहता है। लगभग 5.2 प्रतिशत फोटो-लॉग किए गए भोजन इस पुष्टि संकेत को सक्रिय करते हैं। ये चिह्नित प्रविष्टियाँ हमारी सटीकता मानकों से बाहर होती हैं, जिसका अर्थ है कि प्रकाशित आंकड़े उन भोजन का प्रतिनिधित्व करते हैं जहाँ प्रणाली अपनी पहचान में विश्वास रखती थी।
क्या रेस्तरां के भोजन की सटीकता रेस्तरां के कारण कम होती है या खाद्य प्रकार के कारण?
दोनों। रेस्तरां के भोजन में उच्च त्रुटि दो कारणों से होती है। पहले, वास्तविक तैयारी (पकाने के वसा की मात्रा, सॉस की मात्रा, भाग के आकार) रेस्तरां के बीच भिन्न होती है और फोटो में दिखाई नहीं देती। दूसरे, रेस्तरां के व्यंजन आमतौर पर घरेलू व्यंजनों की तुलना में अधिक जटिल होते हैं, जिनमें अधिक छिपी हुई सामग्री होती हैं। हमारे डेटा से पता चलता है कि सरल रेस्तरां के आइटम (जैसे ग्रिल्ड चिकन सलाद, एक टुकड़ा सुशी) अपने घरेलू समकक्षों के समान सटीक होते हैं। सटीकता का अंतर मुख्य रूप से तले हुए खाद्य पदार्थों, सॉस वाले व्यंजनों, और अदृश्य वसा वाले आइटमों के साथ बढ़ता है।
पैकेज्ड खाद्य पदार्थों के बारे में क्या जिनके निर्माता के लेबल गलत हैं?
यह उद्योग भर में एक ज्ञात समस्या है। FDA के नियम अधिकांश पोषक तत्वों के लिए घोषित मानों से 20 प्रतिशत तक भिन्नता की अनुमति देते हैं। हमारा बारकोड सटीकता 1.8 प्रतिशत उस डेटा के साथ निर्माता के लेबल के बीच मेल को दर्शाती है --- न कि पैकेज में वास्तव में क्या है। जब स्वतंत्र प्रयोगशाला परीक्षण लोकप्रिय उत्पादों के लिए लेबल की गलतियों का खुलासा करते हैं, तो हम इन्हें अपने डेटाबेस में चिह्नित करते हैं और संदर्भ मानों को तदनुसार समायोजित करते हैं।
Nutrola की सटीकता एक पंजीकृत आहार विशेषज्ञ के अनुमान की तुलना में कैसे है?
2025 में Journal of the American Dietetic Association में एक अध्ययन ने पाया कि तस्वीरों से भोजन के कैलोरी का अनुमान लगाने वाले पंजीकृत आहार विशेषज्ञों की औसत त्रुटि 10.2 प्रतिशत थी, जिसमें आहार विशेषज्ञ के अनुभव और भोजन की जटिलता के आधार पर महत्वपूर्ण भिन्नता थी। Nutrola की फोटो-आधारित सटीकता 8.9 प्रतिशत है, जो औसतन समान रेंज में है, हालांकि आहार विशेषज्ञ कुछ जटिल या असामान्य व्यंजनों पर AI से बेहतर प्रदर्शन करते हैं।
मैंने देखा कि मेरे लॉग किए गए कुल लगातार कम लगते हैं। क्या यह एक ज्ञात समस्या है?
हाँ। हमारे मानकों से पता चलता है कि अधिकांश खाद्य श्रेणियों में लगभग 3 से 5 प्रतिशत की प्रणालीगत कम अनुमानित पूर्वाग्रह है, जो मुख्य रूप से छिपे हुए वसा के कम अनुमान के कारण है। हम अपने मानक तालिकाओं में पूर्वाग्रह की दिशा का खुलासा करते हैं ताकि उपयोगकर्ता यदि आवश्यक हो तो समायोजन कर सकें। यदि आप लगातार कम अनुमानित होने का संदेह करते हैं, तो कुकिंग वसा को अलग से लॉग करना (AI पर निर्भर रहने के बजाय) इस पूर्वाग्रह को महत्वपूर्ण रूप से कम करता है।
अंतिम निष्कर्ष
ज्यादातर न्यूट्रिशन ऐप्स आपसे विश्वास मांगते हैं बिना आपको कोई कारण दिए कि आप इसे दें। वे आपको कैलोरी के आंकड़े आत्मविश्वास से दिखाते हैं जबकि उनकी त्रुटि दरें अदृश्य रहती हैं।
Nutrola अपनी सटीकता मानकों को प्रकाशित करता है क्योंकि हमें विश्वास है कि इसका विपरीत दृष्टिकोण सही है। यहाँ बताया गया है कि ये आंकड़े क्या दिखाते हैं: हम 79 प्रतिशत भोजन के लिए 10 प्रतिशत के भीतर सटीक हैं और 93 प्रतिशत भोजन के लिए 15 प्रतिशत के भीतर। हम जटिल व्यंजनों, छिपे हुए वसा, कम प्रतिनिधित्व वाले व्यंजनों, और मल्टी-कोर्स भोजन में सबसे कमजोर हैं। हमने पिछले वर्ष में अपनी कुल सटीकता को 10.4 प्रतिशत औसत त्रुटि से 6.8 प्रतिशत तक सुधार किया है, और हम उन विशिष्ट क्षेत्रों को प्रकाशित करते हैं जिन पर हम आगे सुधार के लिए ध्यान केंद्रित कर रहे हैं।
ये आंकड़े पूर्ण नहीं हैं, और हम यह दावा नहीं करते कि वे हैं। लेकिन वे वास्तविक हैं, वे सार्वजनिक हैं, और हर तिमाही अपडेट किए जाते हैं। यही मानक है जिसे हम अपने लिए रखते हैं, और यही मानक है जिसे हमें विश्वास है कि हर न्यूट्रिशन ऐप को पूरा करना चाहिए।
यदि आप एक कैलोरी ट्रैकर का चयन कर रहे हैं, तो एक सरल सवाल पूछें: क्या यह ऐप मुझे अपनी सटीकता डेटा दिखा सकता है? यदि उत्तर नहीं है, तो अपने आप से पूछें कि ऐसा क्यों नहीं।
क्या आप अपने पोषण ट्रैकिंग को बदलने के लिए तैयार हैं?
उन हजारों में शामिल हों जिन्होंने Nutrola के साथ अपनी स्वास्थ्य यात्रा को बदल दिया!
