Monitorare la Nutrizione come Parlant Non-Nativo: Riconoscimento Alimentare AI Multilingue

Immagina di aprire un'app per il monitoraggio delle calorie dopo cena con la tua famiglia. Stasera hai preparato dal makhani con riso jeera, un raita di cetrioli a lato e mango lassi da bere. Digiti "dal" nella barra di ricerca. L'app restituisce "Dole Banana" e "Dale's Seasoning". Provi a cercare "lentil curry", trovi un'entrata generica con un conteggio calorico che sembra sbagliato e ti arrendi. Domani non ti preoccuperai nemmeno di registrare.

Non si tratta di un'inconvenienza da poco. È un fallimento strutturale che colpisce centinaia di milioni di persone in tutto il mondo. La stragrande maggioranza delle app per il monitoraggio nutrizionale è stata progettata in inglese, costruita su banche dati alimentari in lingua inglese e testata da utenti di lingua inglese. Se i tuoi pasti quotidiani non si adattano perfettamente al vocabolario di un supermercato occidentale, sei di fatto escluso dall'intero ecosistema del monitoraggio delle calorie.

Nel 2026, il riconoscimento alimentare AI multilingue sta finalmente risolvendo questo problema. Questo articolo spiega come funziona la barriera linguistica, perché è più importante di quanto la maggior parte delle persone realizzi e quale tecnologia sta lavorando per smantellarla.

---

L'Entità del Problema

L'Inglese Domina i Dati Nutrizionali

Le due più grandi banche dati sulla composizione alimentare nel mondo sono il USDA FoodData Central e il UK Nutrient Databank. Entrambe sono in inglese. Entrambe sono strutturate attorno a cibi comunemente consumati negli Stati Uniti e nel Regno Unito. Quando gli sviluppatori di app costruiscono i loro prodotti su queste banche dati, l'esperienza risultante funziona bene per chi mangia un panino di tacchino in Ohio, ma si sgretola per chi consuma jollof rice a Lagos o khao soi a Chiang Mai.

Secondo Ethnologue, ci sono circa 7.168 lingue parlate nel mondo. L'inglese è la prima lingua di circa 380 milioni di persone. Eppure domina l'infrastruttura dei dati nutrizionali in modo così totale che anche i parlanti mandarini (la lingua madre più parlata al mondo con oltre 920 milioni di parlanti) sono frequentemente costretti a cercare i loro pasti in inglese.

I Numeri Raccontano la Storia

Considera queste statistiche dai dati interni di Nutrola:

• Gli utenti che tracciano nella loro lingua madre registrano in media 2,8 pasti al giorno, rispetto a 1,9 pasti al giorno per gli utenti costretti a cercare in una seconda lingua.
• La retention a 30 giorni è superiore del 41% tra gli utenti che interagiscono con l'app nella loro lingua madre.
• Il tempo medio per registrare un singolo pasto scende da 97 secondi a 34 secondi quando il database alimentare supporta la lingua madre dell'utente.

Queste non sono piccole differenze. Rappresentano il divario tra uno strumento che funziona e uno che viene abbandonato.

---

Perché i Database Centrati sull'Inglese Ignorano i Cibi Internazionali

Il problema va oltre la traduzione. Molti cibi che miliardi di persone mangiano ogni giorno semplicemente non esistono nei database in lingua inglese, e tradurre il nome non risolve il divario informativo sottostante.

Cibi che Non Si Traducano

Alcuni piatti resistono completamente alla traduzione in inglese perché descrivono preparazioni, consistenze o combinazioni di ingredienti che non hanno un equivalente diretto nelle culture alimentari anglofone.

Dal è un buon esempio di partenza. Nei database in inglese, potresti trovare "lentil soup". Ma il dal non è una zuppa. A seconda della regione, il dal può variare da un brodo sottile a un denso e burroso dal makhani, fino a una preparazione secca come il dal fry. Ognuno ha una densità calorica drammaticamente diversa. Un'unica voce generica "lentil soup" non può catturare questa gamma.

Mochi presenta una sfida simile. A volte viene tradotto come "rice cake", ma quel termine in inglese evoca immagini dei dischi gonfi e simili a polistirolo venduti nei negozi di alimenti salutari. Il mochi giapponese è una preparazione di riso densa e glutinoso con una densità calorica circa tre o quattro volte superiore a quella di un rice cake americano. Registrare quello sbagliato significa che il tuo conteggio calorico è errato di diverse centinaia di calorie.

Arepa è spesso descritta come una "corn cake" o "corn bread", ma nessuno dei due termini riflette la preparazione reale. Un'arepa venezuelana è una torta di masa grigliata o fritta, frequentemente farcita con formaggio, fagioli o carne sfilacciata. Il suo contenuto calorico può variare da 150 a oltre 500 a seconda del ripieno e del metodo di preparazione. Un'entrata generica "corn bread" sarà sempre errata.

Congee è etichettato come "rice porridge" nella maggior parte dei database in inglese. Ma il congee varia enormemente a seconda della regione. Il congee cantonese è cotto fino a quando i chicchi di riso si sono completamente disintegrati, producendo una base liscia e a basso contenuto calorico (circa 50 kcal per tazza prima dei condimenti). Il juk coreano è più denso. I condimenti --- uovo centenario, carne di maiale sfilacciata, bastoncini di pasta fritta, verdure sott'aceto --- cambiano completamente il profilo nutrizionale, e nessuno di essi appare come opzione standard in un tracker in lingua inglese.

Borscht è spesso ridotto a "beet soup", il che ignora la panna acida, le patate, il cavolo e la carne che lo trasformano in un piatto principale denso di calorie nelle famiglie ucraine e russe. Una ciotola di borscht completo con smetana e pane scuro può superare le 600 kcal. Un'entrata generica "beet soup" potrebbe suggerire 120.

Pupusa è una tortilla di mais ripiena salvadoregna, ma chiamarla "stuffed tortilla" in un database inglese perde la specifica preparazione della masa e i ripieni comuni di chicharron, loroco o quesillo. Nessuna voce in lingua inglese cattura questo con precisione.

Injera è il pane piatto a lievitazione naturale etiope che funge sia da piatto che da utensile. A volte viene inserito come "flatbread", una categoria così ampia che potrebbe significare qualsiasi cosa, dal naan a una tortilla di farina fino a un cracker. L'injera è fatta di farina di teff e ha un profilo nutrizionale unico --- più ricca di ferro e calcio rispetto ai pani piatti a base di grano --- che scompare quando viene inclusa in una categoria generica.

L'Effetto dell'Errore Composto

Quando un utente non riesce a trovare il proprio cibo reale e sostituisce con un'entrata in lingua inglese "abbastanza vicina", l'errore non è casuale. È sistematico. Le persone che seguono diete tradizionali provenienti da paesi non anglofoni registreranno costantemente i loro pasti nella stessa direzione, spesso sottovalutando le preparazioni ad alta densità calorica e sovrastimando quelle più leggere. Nel corso di settimane e mesi, questi errori si accumulano. Un utente potrebbe chiedersi perché non sta perdendo peso nonostante "tracci" perfettamente, quando il vero problema è che la sua app non riesce a capire cosa sta mangiando.

---

Come l'AI Multilingue Cambia le Cose

I database nutrizionali tradizionali sono basati su testo. Digiti un nome di cibo, il database cerca un corrispondente e restituisce un risultato. Questo approccio ha due debolezze fatali per i non anglofoni: richiede di conoscere il nome in inglese e presuppone che il database in inglese contenga l'entrata giusta.

Il riconoscimento alimentare AI multilingue supera entrambi i problemi lavorando su due fronti paralleli.

Riconoscimento Visivo: Identificazione Indipendente dalla Lingua

I modelli di visione artificiale non leggono parole. Analizzano i pixel. Quando un utente fotografa un piatto di cibo, il modello AI identifica il piatto in base a caratteristiche visive --- colore, consistenza, forma, disposizione e contesto. Una ciotola di pho appare come una ciotola di pho indipendentemente dal fatto che l'utente parli vietnamita, francese o swahili.

Questo rappresenta un cambiamento fondamentale. Per la prima volta, il passaggio di identificazione è completamente scollegato dalla lingua. L'AI non ha bisogno che l'utente digiti nulla. Vede il cibo, lo riconosce e lo mappa ai dati nutrizionali corretti.

I moderni modelli di riconoscimento alimentare sono addestrati su milioni di immagini alimentari etichettate provenienti da tutto il mondo. L'AI visiva di Nutrola è stata addestrata su piatti di oltre 120 cucine, comprese le variazioni regionali che anche i madrelingua potrebbero descrivere in modo diverso. Il sistema può distinguere tra un curry verde thailandese e un massaman curry thailandese solo da una fotografia, e mappa ciascuno al proprio profilo nutrizionale distinto.

Elaborazione del Linguaggio Naturale: Comprendere Qualsiasi Lingua

Quando gli utenti digitano o parlano, l'elaborazione del linguaggio naturale (NLP) multilingue consente al sistema di comprendere input in decine di lingue. Un utente a Seoul può digitare "kimchi jjigae" in caratteri coreani, un utente al Cairo può dire "koshari" in arabo, e un utente a San Paolo può cercare "feijoada" in portoghese. L'AI analizza l'input nella sua lingua originale e lo mappa direttamente all'entrata corretta del database --- senza alcun passaggio di traduzione in inglese.

Questo elimina il processo scomodo e soggetto a errori di tradurre mentalmente il tuo cibo in inglese prima di poterlo registrare. Consente anche il monitoraggio vocale in qualsiasi lingua supportata, riducendo notevolmente l'attrito. Pronunciare il nome del tuo pasto nella tua lingua madre è più veloce e naturale rispetto a cercare attraverso un'interfaccia di ricerca in lingua inglese.

Stima delle Porzioni Consapevole della Cultura

L'AI multilingue migliora anche la stima delle porzioni comprendendo il contesto culturale. In Giappone, una ciotola standard di riso servita a casa è di circa 150 grammi. Negli Stati Uniti, una "ciotola di riso" in un ristorante è spesso di 300 grammi o più. In India, il riso è tipicamente servito insieme a più piatti e la porzione potrebbe essere di 200 grammi di riso accompagnati da 150 grammi di dal e 100 grammi di sabzi.

Quando l'AI conosce il contesto culturale --- sia dalla lingua dell'utente, dalla posizione o dai modelli di registrazione passati --- può applicare le dimensioni delle porzioni predefinite corrette. Questo rimuove un ulteriore strato di congetture che le app centrate sull'inglese impongono agli utenti internazionali.

---

L'Approccio di Nutrola ai Database Alimentari Internazionali

Costruire un tracker nutrizionale multilingue non è solo una questione di tradurre un database inglese in altre lingue. L'approccio di Nutrola parte dal cibo stesso, non dal nome inglese.

Dati Nutrizionali Specifici per Regione

Nutrola mantiene voci nutrizionali separate per lo stesso piatto preparato in diverse regioni. L'app non ha un'unica voce per "fried rice". Ha voci per il riso fritto cinese, il nasi goreng indonesiano, il khao pad thailandese, il chahan giapponese e il riso fritto nigeriano --- ognuno con profili calorici e macro distinti basati sugli oli, le proteine e i condimenti tipicamente utilizzati in quella regione.

Questo database contiene attualmente oltre 1.000.000 di voci alimentari verificate provenienti da banche dati nazionali sulla composizione alimentare di tutto il mondo, inclusi i dati delle Standard Tables of Food Composition del Giappone, delle Indian Food Composition Tables dell'India, del database alimentare INSP del Messico e di decine di altri.

Verificato da Esperti Nutrizionali Locali

Ogni voce regionale nel database di Nutrola è esaminata da nutrizionisti nativi di quella cultura alimentare. Un dietista giapponese verifica le voci per la cucina giapponese. Un nutrizionista messicano conferma i dati per i piatti messicani. Questo strato di revisione esperta cattura errori che una traduzione automatica o una stima algoritmica potrebbero perdere --- come il fatto che una tortilla "media" a Città del Messico è significativamente più grande di una tortilla "media" a Oaxaca.

Apprendimento Continuo dai Log degli Utenti

Man mano che gli utenti di tutto il mondo registrano i loro pasti, l'AI di Nutrola impara dai dati. Quando migliaia di utenti in Turchia fotografano la loro colazione e il sistema vede costantemente una selezione di pomodori, cetrioli, olive, formaggio bianco e pane, affina la sua comprensione di come appare una "colazione turca" e cosa contiene tipicamente. Questo ciclo di feedback significa che il sistema diventa più preciso nel tempo, specialmente per le cucine che sono sottorappresentate nei database alimentari accademici.

---

Profili Utente: Tre Paesi, Tre Esperienze

Priya, 29 anni --- Hyderabad, India

Priya è un ingegnere informatico che ha iniziato a monitorare la sua nutrizione per supportare il suo allenamento di forza. La sua dieta quotidiana è costruita attorno a cibi cucinati in casa del sud dell'India: idli e sambar per colazione, riso con rasam e un curry di verdure per pranzo, e roti con una preparazione di dal per cena.

Prima di passare a Nutrola, Priya utilizzava un popolare tracker in lingua inglese. Spendeva cinque-dieci minuti per pasto cercando di trovare voci che corrispondessero al suo cibo. "Sambar" non restituiva risultati. "Rasam" non era nel database. Ha provato a registrare "lentil soup" come sostituto, ma il conteggio calorico era sempre sbagliato perché la zuppa di lenticchie americana è un piatto completamente diverso con ingredienti e densità calorica diversi.

Con Nutrola, Priya registra i suoi pasti in una combinazione di inglese e telugu. Fotografa il suo thali e l'AI identifica ogni componente separatamente --- il riso, il rasam, il poriyal, il papad, il pickle. Il suo tempo medio di registrazione è sceso da otto minuti a meno di 20 secondi. Più importante, i suoi dati calorici riflettono finalmente ciò che mangia realmente. Nei suoi primi tre mesi con un monitoraggio accurato, ha costantemente raggiunto i suoi obiettivi proteici e ha aggiunto 12 chilogrammi al suo squat.

"Pensavo che il monitoraggio delle calorie non fosse progettato per chi mangia cibo indiano," dice Priya. "Si scopre che le app non erano semplicemente progettate per noi. Nutrola lo è."

Kenji, 34 anni --- Osaka, Giappone

Kenji è un graphic designer che gestisce il suo peso dopo un problema di salute. Il suo medico gli ha detto di perdere 10 chilogrammi e di monitorare il suo apporto alimentare. La dieta di Kenji è tradizionalmente giapponese: pesce grigliato, zuppa di miso, verdure sott'aceto, riso e occasionalmente una ciotola di ramen o un piatto di gyoza quando mangia fuori.

I tracker in lingua inglese erano un non-starter. L'inglese di Kenji è conversazionale ma non specifico per il cibo. Non conosceva le parole inglesi per molti ingredienti dei suoi pasti quotidiani --- cose come natto, tsukemono o kinpira gobo. Anche quando trovava i termini inglesi, le dimensioni delle porzioni erano calibrate per le porzioni americane, non giapponesi.

L'interfaccia in lingua giapponese di Nutrola e il database specifico per il Giappone hanno cambiato completamente la sua esperienza. Registra i pasti in giapponese, utilizza la funzione di riconoscimento fotografico per i pasti cucinati in casa e l'app applica automaticamente le dimensioni delle porzioni giapponesi. Una ciotola di riso predefinita è di 150 grammi, non 300. Una porzione di zuppa di miso è di 200 millilitri, non una grande ciotola in stile americano.

In 11 mesi, Kenji ha perso 8,5 chilogrammi. Dà merito all'accuratezza del monitoraggio per il suo successo. "Quando i numeri sono sbagliati, perdi fiducia nell'app. Quando i numeri sono giusti, ti fidi del processo."

Sofia, 26 anni --- Bogotà, Colombia

Sofia è una studentessa universitaria che voleva migliorare i suoi livelli di energia e smettere di saltare i pasti. La sua dieta è tipica per l'urbanizzazione colombiana: arepas con formaggio per colazione, bandeja paisa o corrientazo per pranzo, e qualcosa di più leggero per cena --- magari empanadas o una zuppa come l'ajiaco.

Il suo primo tentativo di monitoraggio nutrizionale è durato tre giorni. L'app che ha provato non aveva voci per arepa, classificava "empanada" come un'unica voce generica con macro incredibilmente imprecisi e non aveva mai sentito parlare di bandeja paisa. Quando cercava "ajiaco", l'app suggeriva "gazpacho". L'ha disinstallata.

Quando un'amica le ha raccomandato Nutrola, Sofia era scettica. Ma la prima volta che ha fotografato la sua bandeja paisa e l'app ha identificato correttamente il riso, i fagioli rossi, il manzo macinato, l'uovo fritto, il chicharron, la arepa e l'avocado come elementi separati --- ognuno con dati calorici regionalmente accurati --- è stata convinta.

Sofia ora registra in spagnolo. Usa l'input vocale mentre mangia, dicendo cose come "arepa con queso blanco" o "empanada de carne", e l'AI elabora il suo input in modo nativo senza passare attraverso uno strato di traduzione in inglese. La sua coerenza è passata dal registrare un pasto ogni pochi giorni a registrare ogni pasto per 60 giorni consecutivi.

"Finalmente ho un'app che sa cosa mangio," dice Sofia. "Non cerca di trasformare il mio cibo in qualcosa che non è."

---

L'Architettura Tecnica Dietro il Riconoscimento Alimentare Multilingue

Per chi è curioso di sapere come funziona la tecnologia dietro le quinte, ecco una panoramica semplificata del pipeline.

Passo 1: Elaborazione dell'Input

Il sistema accetta tre tipi di input: fotografie, testo digitato e voce. Le fotografie vengono elaborate da una rete neurale convoluzionale addestrata su immagini alimentari. Il testo viene elaborato da un modello NLP multilingue che supporta oltre 40 lingue. L'input vocale viene prima convertito in testo tramite un motore di riconoscimento vocale multilingue, quindi elaborato attraverso lo stesso pipeline NLP.

Passo 2: Identificazione del Cibo

Per gli input fotografici, il modello di visione restituisce un elenco classificato di cibi candidati con punteggi di confidenza. Per gli input di testo e voce, il modello NLP identifica l'elemento alimentare e disambiguo in base alla lingua e al contesto regionale. Se un utente in Messico digita "tortilla", il sistema comprende che si tratta di una tortilla di mais. Se un utente in Spagna digita "tortilla", il sistema la riconosce come tortilla espanola --- un'omelette di patate con un profilo nutrizionale completamente diverso.

Passo 3: Mappatura del Database

Una volta identificato il cibo, il sistema lo mappa all'entrata regionale appropriata nel database di Nutrola. Questo passaggio considera la posizione dell'utente, la preferenza linguistica e i modelli di registrazione storici. Un utente a Bangkok che fotografa pad thai ottiene la versione dello street food thailandese. Un utente a Los Angeles che fotografa pad thai ottiene la versione del ristorante americano, che tipicamente ha porzioni più grandi e più olio.

Passo 4: Stima e Conferma delle Porzioni

Il sistema stima la dimensione della porzione utilizzando indizi visivi dalla fotografia (se disponibili) e le dimensioni predefinite culturali per il cibo identificato. L'utente può confermare o modificare prima che l'entrata venga salvata. L'intero pipeline --- dalla fotografia all'entrata di log confermata --- si completa tipicamente in meno di tre secondi.

---

Perché Questo È Importante Oltre la Convenienza

Il monitoraggio nutrizionale multilingue non è solo un miglioramento della qualità della vita per gli utenti individuali. Ha implicazioni per la salute pubblica su scala globale.

Riduzione delle Disparità Sanitarie

Le popolazioni non anglofone sono già sottoservite dalla tecnologia sanitaria. Quando gli strumenti di monitoraggio nutrizionale funzionano bene solo in inglese, ampliano le disparità sanitarie esistenti, offrendo ai parlanti inglesi strumenti migliori per gestire condizioni legate alla dieta come diabete, obesità e malattie cardiovascolari. Rendere questi strumenti funzionanti in ogni lingua è un passo verso l'equità sanitaria.

Migliori Dati per la Ricerca Nutrizionale Globale

Quando milioni di persone in tutto il mondo possono registrare accuratamente i loro pasti, il dataset risultante è inestimabile per la ricerca nutrizionale. I dati anonimizzati e aggregati di Nutrola coprono già 195 paesi e oltre 120 cucine. Man mano che la base utenti cresce e l'accuratezza del monitoraggio migliora, questi dati possono aiutare i ricercatori a comprendere i modelli dietetici, le carenze nutrizionali e gli impatti sulla salute delle diete tradizionali in modi che i dataset solo in inglese non potrebbero mai fare.

Preservare la Cultura Alimentare

C'è qualcosa di sottilmente corrosivo in un sistema che ti costringe a descrivere la ricetta di tua nonna in una lingua straniera e poi ti dice che la corrispondenza più vicina è "stufato di verdure, generico". Il monitoraggio multilingue convalida le culture alimentari tradizionali riconoscendole nei loro termini. Quando un'app sa cos'è l'injera, cos'è il mole negro, cos'è il laksa --- e può dirti esattamente quali nutrienti forniscono --- invia un messaggio che questi cibi non sono curiosità esotiche. Sono pasti reali mangiati da persone reali, e meritano la stessa infrastruttura di dati di un petto di pollo grigliato.

---

Domande Frequenti

Quante lingue supporta Nutrola?

Nutrola attualmente supporta funzionalità complete --- inclusi ricerca testuale, registrazione vocale e coaching AI --- in oltre 40 lingue. Il database alimentare include voci con nomi in lingua madre per cibi provenienti da oltre 120 cucine. L'interfaccia dell'app è localizzata in 25 lingue, con altre in arrivo regolarmente.

Posso passare tra lingue mentre utilizzo l'app?

Sì. Molti utenti multilingue mescolano le lingue in modo naturale, e Nutrola è progettata per gestire questo. Puoi digitare "chicken tikka masala" in inglese per pranzo e poi registrare "roti aur dal" in hindi per cena, tutto nella stessa sessione. Il modello NLP rileva automaticamente la lingua di ciascun input.

Il riconoscimento fotografico è accurato per cucine meno comuni?

L'accuratezza varia a seconda della cucina e della complessità del piatto, ma il sistema di riconoscimento fotografico di Nutrola raggiunge oltre il 90% di accuratezza nei primi tre risultati per le sue 120 cucine supportate. Per cucine ben rappresentate come giapponese, messicana, indiana, cinese e italiana, l'accuratezza supera il 94%. Per cucine con meno immagini di addestramento, come quella etiope o peruviana, l'accuratezza è più bassa ma sta migliorando rapidamente man mano che più utenti contribuiscono con foto di pasti.

Cosa succede se il mio piatto specifico non è nel database?

Puoi creare voci personalizzate in qualsiasi lingua. Nutrola consente anche di inviare piatti non riconosciuti per revisione. Quando un numero sufficiente di utenti invia lo stesso piatto, viene prioritizzato per l'aggiunta al database verificato. Questo approccio guidato dalla comunità significa che il database cresce più rapidamente nelle aree in cui gli utenti ne hanno più bisogno.

Il supporto multilingue costa di più?

No. Tutte le funzionalità linguistiche e regionali del database sono disponibili sia nei livelli gratuiti che premium. Nutrola considera l'accesso multilingue una funzionalità fondamentale, non un'aggiunta.

Come gestisce l'app i cibi con lo stesso nome ma preparazioni diverse tra le regioni?

Il sistema utilizza segnali contestuali --- le impostazioni della tua lingua, la posizione e la tua storia di registrazione --- per determinare quale variante regionale intendi probabilmente. Se c'è ambiguità, l'app presenta i principali candidati e ti consente di scegliere. Ad esempio, se cerchi "biryani", l'app potrebbe mostrare biryani Hyderabadi, biryani Lucknowi e biryani di Kolkata come opzioni separate, ognuna con dati calorici e macro distinti.

Posso usare l'app completamente senza inglese?

Sì. Ogni funzionalità --- dall'onboarding al monitoraggio dei pasti, al coaching nutrizionale AI, ai rapporti sui progressi --- è disponibile in tutte le lingue supportate. Non è mai necessario interagire con l'inglese in alcun momento.

---

Conclusione

La barriera linguistica nel monitoraggio nutrizionale non è un problema di nicchia. Colpisce la maggior parte della popolazione mondiale. Per decenni, le persone che seguono diete tradizionali non occidentali sono state costrette a scegliere tra un monitoraggio impreciso e nessun monitoraggio. Nessuna delle due opzioni è accettabile.

Il riconoscimento alimentare AI multilingue rappresenta una vera e propria innovazione. Combinando l'identificazione visiva che funziona indipendentemente dalla lingua con l'elaborazione del linguaggio naturale che comprende decine di lingue in modo nativo, e abbinando entrambi a database nutrizionali specifici per regione verificati da esperti locali, strumenti come Nutrola stanno rendendo il monitoraggio nutrizionale accurato accessibile a tutti --- non solo ai parlanti inglesi.

Se hai mai abbandonato un'app di monitoraggio perché non capiva il tuo cibo, la tecnologia ha finalmente raggiunto la tua cucina. I tuoi pasti meritano di essere riconosciuti, misurati e valutati per quello che sono, in qualunque lingua tu li chiami.