16% 오차율은 좋은 건가요? 2026년 AI 칼로리 추적 정확도가 사람의 추측보다 나은 이유

점심 사진을 찍으면 앱이 620칼로리라고 알려줍니다. 그런데 이 숫자가 맞는 건지 의문이 듭니다. 검색을 해봅니다. AI 음식 인식의 "평균 오차율이 16퍼센트"라는 연구 결과를 발견합니다. 나빠 보입니다. 620칼로리 식사에서 100칼로리나 틀릴 수 있다는 뜻이니까요.

하지만 아무도 그다음 질문을 하지 않습니다: 그래서 뭐와 비교했을 때?

왜냐하면 대안은 실험실 수준의 열량계가 아니기 때문입니다. 대안은 바로 여러분 자신이 직접 추측하는 것입니다. 그리고 인간의 칼로리 추정에 관한 연구 결과는 충격적입니다.

기준선을 보기 전까지 나빠 보이는 숫자

16퍼센트 오차율이란 여러분의 식사가 실제로 600칼로리라면, AI 추적기가 504에서 696칼로리 사이로 추정할 수 있다는 뜻입니다. 양방향으로 약 96칼로리 정도의 범위입니다.

이제 AI 없이 어떤 일이 벌어지는지 생각해 보세요.

New England Journal of Medicine에 발표된 획기적인 연구에 따르면, 스스로를 "다이어트에 저항성이 있다"고 표현한 참가자들이 평균 47퍼센트나 칼로리 섭취를 과소 보고했습니다. 그들은 거짓말을 한 게 아닙니다. 대사 검사에서 2,081칼로리를 섭취하고 있다고 나왔지만, 본인들은 진심으로 하루 1,028칼로리를 먹고 있다고 믿었습니다. 매일 1,053칼로리의 격차가 있었던 것입니다.

하지만 그건 극단적인 그룹이라고 말씀하실 수 있습니다. 맞습니다. 일반 인구를 살펴봅시다.

European Journal of Clinical Nutrition의 체계적 문헌고찰에서 자가 보고 식이 섭취에 관한 37개 연구를 분석한 결과, 연령대, 체형, 교육 수준에 관계없이 과소 보고가 평균 30퍼센트에 달한다는 사실이 밝혀졌습니다. 전문적으로 이 일을 하는 훈련된 영양사들도 눈대중으로 분량을 추정할 때 10~15퍼센트 정도 과소평가합니다.

방법	평균 오차율	오차 방향	일관성
AI 사진 추적 (2026)	10–18%	과대 및 과소 양방향	높음 (체계적)
일반인의 수동 기록	30–50%	거의 항상 과소	낮음 (식사마다 다름)
훈련된 영양사의 추정	10–15%	약간 과소	중간
영양 성분표 (포장 식품)	최대 20% (FDA 허용)	양방향	높음

AI의 16퍼센트 수치는 완벽하지 않습니다. 하지만 훈련된 영양사와 비슷한 정확도 범위에서 작동하며, 수동으로 기록하는 일반인보다 2~3배 더 정확합니다.

인간의 칼로리 추정이 왜 이렇게 부정확한가

이것은 의지력 문제가 아닙니다. 인지 문제입니다. 인간의 뇌는 음식 양을 추정하는 데 놀라울 정도로 서툴며, 오차는 예측 가능한 방식으로 누적됩니다.

분량 착시 현상

Cornell University의 Food and Brand Lab 연구에 따르면, 사람들은 일관되게 큰 분량을 과소평가하고 작은 분량을 과대평가합니다. 1,000칼로리 식사의 칼로리를 추정해 달라고 했을 때, 평균 참가자는 약 650으로 추측했습니다. 200칼로리 간식을 보여줬을 때는 260으로 추측했습니다.

이는 인간의 추정 오차가 무작위가 아니라 편향되어 있다는 뜻입니다. 식사량이 클수록 더 적게 계산합니다. 대부분의 사람이 저녁에 가장 많이 먹기 때문에, 이 편향은 가장 중요한 순간에 정확히 누적됩니다.

보이지 않는 칼로리 문제

조리에 사용된 기름, 소스에 녹은 버터, 드레싱에 녹아든 설탕 — 이런 칼로리는 실재하지만 눈에 보이지 않습니다. 올리브 오일 한 큰술은 119칼로리를 추가합니다. 레스토랑 볶음 요리에는 세 큰술이 들어갈 수 있습니다. 그것만으로 357칼로리의 보이지 않는 칼로리인데, 수동으로 "치킨 볶음"을 기록할 때 거의 아무도 이를 반영하지 않습니다.

실제 데이터로 훈련된 AI 음식 인식 시스템은 일반적인 조리 기름과 조리법을 반영하는 법을 학습합니다. Nutrola의 Snap & Track이 레스토랑 볶음 요리를 인식하면, 칼로리 추정치에는 이미 훈련 데이터에 포함된 수천 개의 유사한 식사를 기반으로 해당 요리가 일반적으로 조리되는 방식에 따른 예상 기름 함량이 포함되어 있습니다.

망각 요인

아마도 인간 오차의 가장 큰 원인은 잘못 세는 것이 아니라 아예 잊어버리는 것입니다. Obesity 저널에 발표된 2015년 연구에 따르면, 사람들은 식사 일지에서 평균 네 번의 식사 중 한 번을 빠뜨립니다. 책상에서 집어 먹은 한 줌의 견과류, 파트너의 디저트를 한 입 맛본 것, 우유를 넣은 두 번째 커피 — 이런 기억에 남지 않는 순간들이 하루에 수백 칼로리의 미추적 칼로리로 쌓입니다.

AI 사진 추적이 망각을 완전히 해결하지는 못합니다. 여전히 사진 찍는 것을 기억해야 하니까요. 하지만 두 번째 단계의 망각, 즉 실제로 먹은 것을 정확하게 기억하고 기록하지 못하는 문제는 해결합니다. 사진은 접시 위의 모든 것을 포착합니다 — 기록하는 것을 잊었을 곁들임 빵까지 포함해서요.

실제로 16퍼센트가 어떻게 보이는가

추상적인 퍼센트는 와닿지 않습니다. 하루 전체 식사에서 16퍼센트 오차율이 어떤 의미인지 살펴보겠습니다.

시나리오: 일반적인 2,000칼로리 하루

식사	실제 칼로리	AI 추정치 (±16%)	수동 추정치 (−30%)
아침: 바나나와 꿀을 넣은 오트밀	420	353–487	294
점심: 드레싱을 곁들인 그릴 치킨 샐러드	550	462–638	385
간식: 그래놀라를 넣은 그릭 요거트	280	235–325	196
저녁: 연어, 밥, 채소	650	546–754	455
야식: 땅콩버터를 바른 사과	100	84–116	70 (또는 아예 기록 안 함)
하루 합계	2,000	1,680–2,320	1,400

AI 추적을 사용하면 하루 추정치가 실제 값을 중심으로 640칼로리 범위 안에 들어옵니다. 일부 식사는 과대평가되고 일부는 과소평가되며, 하루 동안 오차가 부분적으로 상쇄됩니다.

수동 추정을 사용하면 약 1,400칼로리로 기록할 가능성이 높습니다 — 매일 600칼로리를 일관되게 적게 세는 것입니다. 일주일이면 4,200칼로리의 사각지대입니다. 한 달이면 "1,400칼로리를 먹고 있는데" 살이 빠지지 않는 이유를 완전히 설명할 수 있는 수치입니다.

상쇄 효과

이것은 AI 추적의 가장 중요하면서도 가장 적게 논의되는 장점 중 하나입니다: 체계적 오차는 상쇄되지만, 편향된 오차는 상쇄되지 않습니다.

AI는 일부 식사를 과대평가하고 다른 식사를 과소평가합니다. 하루 또는 일주일에 걸쳐 이러한 오차는 0에 가깝게 평균화되는 경향이 있습니다. AI 추적을 통한 주간 총 칼로리는 개별 식사 추정치보다 실제에 훨씬 가깝습니다.

반면 인간의 추정 오차는 거의 항상 같은 방향 — 아래쪽 — 을 향합니다. 과소 보고는 이에 상응하는 과대 보고가 없기 때문에 상쇄되지 않습니다. 편향은 식사마다, 매일매일 누적됩니다.

AI가 여전히 어려워하는 부분 (그리고 뛰어난 부분)

투명성이 중요합니다. AI 칼로리 추적이 모든 것에 똑같이 뛰어난 것은 아닙니다. 이 기술이 어디서 뛰어나고 어디서 아직 개선의 여지가 있는지 솔직하게 분석해 보겠습니다.

AI가 가장 정확한 경우

음식 유형	일반적인 AI 오차	이유
단일 품목 식사 (바나나, 사과, 삶은 달걀)	5–8%	명확하게 보이고, 훈련 데이터에 충분히 반영됨
일반 레스토랑 요리	10–15%	수천 개의 훈련 예시, 일관된 조리법
재료가 분리된 접시 요리	10–15%	각 항목을 개별적으로 식별 가능
포장 식품 (바코드 스캔)	1–3%	정확한 라벨 데이터 읽기

AI 오차율이 높은 경우

음식 유형	일반적인 AI 오차	이유
숨겨진 재료 요리 (부리토, 랩, 샌드위치)	15–25%	안이 보이지 않음
비정형 레시피의 집밥	15–25%	훈련 데이터 부족, 비표준 비율
소스나 글레이즈가 많은 음식	15–20%	소스가 음식을 가리고 칼로리 변동이 큼
매우 크거나 매우 작은 분량	15–25%	극단적인 분량은 추정 모델에 어려움
어두운 조명이나 낮은 사진 품질	20–30%	입력 품질 저하가 출력 품질 저하로 이어짐

패턴은 분명합니다: AI는 음식이 잘 보이고, 조명이 밝으며, 일반적인 조리법을 대표할 때 뛰어납니다. 정보가 숨겨져 있거나 모호한 상황에서 어려움을 겪는데 — 이는 인간도 최악의 추정을 하는 바로 그런 상황입니다.

핵심 차이점은 어려운 상황에서의 AI 오차율(2025%)이 쉬운 상황에서의 인간 오차율(2030%)과 비슷하거나 더 낫다는 것입니다.

AI 정확도는 시간이 지나면서 어떻게 향상되었는가

16퍼센트 수치는 최근 연구들의 평균이지만, 빠른 개선 추세를 보여주지 못합니다. 2026년의 AI 칼로리 추적은 불과 2년 전과 비교해도 극적으로 더 정확합니다.

개선 곡선

연도	평균 AI 오차율	주요 발전
2020	35–45%	초기 사진 인식, 단일 품목만 가능
2022	25–30%	다중 품목 감지, 분량 추정 개선
2024	18–22%	대규모 훈련 데이터셋, 세그멘테이션 개선
2026	10–18%	파운데이션 모델, 실제 사용자 피드백 루프

이 개선은 둔화되지 않고 있습니다. 사용자가 식사를 촬영하고 AI의 식별을 확인하거나 수정할 때마다, 그 수정이 훈련 신호가 됩니다. Nutrola와 같은 앱들이 매일 수백만 건의 식사를 기록하면서, 피드백 루프는 대부분의 학술 연구팀이 1년에 생산하는 것보다 더 많은 라벨링된 훈련 데이터를 단 1주일 만에 생성합니다.

2026년이 전환점인 이유

세 가지 수렴하는 트렌드가 AI 정확도를 새로운 단계로 끌어올렸습니다:

음식 전용 파운데이션 모델: 수십억 개의 이미지로 사전 훈련된 대규모 비전-언어 모델이 음식 인식 시스템에 훨씬 풍부한 시각적 맥락 이해를 제공했습니다. 이 모델들은 단순히 "밥"을 보는 것이 아니라, 카레 옆의 밥은 초밥 속의 밥과 다르게 제공된다는 것을 이해합니다.

온디바이스 처리 성능 향상: 더 빠른 모바일 프로세서가 더 복잡한 모델을 휴대폰에서 직접 실행할 수 있게 해주어, 이전에 정확도를 저하시켰던 압축과 품질 손실을 줄였습니다.

대규모 독점 데이터셋: 대규모 사용자 기반을 가진 앱들은 공개 벤치마크를 훨씬 능가하는 독점 음식 이미지 데이터셋을 축적했습니다. 예를 들어 Nutrola의 데이터베이스에는 50개 이상 국가의 사용자가 제공한 검증된 음식 이미지가 포함되어 있으며, 학술 데이터셋이 완전히 놓치는 요리와 조리 스타일까지 다룹니다.

진짜 중요한 지표: 지속성

정확도 논쟁이 완전히 놓치는 것이 있습니다: 가장 정확한 추적 방법은 실제로 사용하는 방법입니다.

Journal of the Academy of Nutrition and Dietetics에 발표된 2023년 연구는 세 그룹의 체중 감량 결과를 비교했습니다: AI 사진 추적 사용 그룹, 전통적인 수동 기록 사용 그룹, 그리고 추적하지 않는 대조 그룹. AI 추적 그룹이 유의미하게 더 많은 체중을 감량했습니다 — 칼로리 수치가 완벽해서가 아니라, 꾸준히 추적했기 때문입니다.

일관성이 정밀도보다 중요한 이유

두 가지 시나리오를 생각해 보세요:

A씨는 완벽하게 정확한 식품 저울과 수동 기록을 사용합니다. 2주 동안 꼼꼼하게 추적하다가 노력에 지쳐서 추적을 완전히 중단합니다.

B씨는 평균 16퍼센트 오차의 AI 사진 추적을 사용합니다. 식사당 5초밖에 걸리지 않기 때문에 3개월 연속으로 매 식사를 촬영합니다.

B씨가 불완전한 데이터에도 불구하고 자신의 실제 식습관을 훨씬 더 잘 파악하고 있습니다. 추세를 볼 수 있고, 문제가 되는 식사를 식별할 수 있으며, 조정할 수 있습니다. A씨는 2주간의 완벽한 데이터만 있고 그 이후로는 아무것도 없습니다.

어떤 추적 방법의 실제 정확도는 기술적 정확도에 지속률을 곱한 것입니다. 90퍼센트 지속률의 16퍼센트 오차율이 20퍼센트 지속률의 5퍼센트 오차율보다 훨씬 나은 결과를 만들어냅니다.

Nutrola의 Snap & Track은 이 원칙을 기반으로 설계되었습니다. 사진에서 기록된 식사까지 3초 이내. 데이터베이스 검색도, 분량 측정도, 설명 타이핑도 필요 없습니다. 이 속도가 일관성을 죽이는 마찰을 제거하고, 일관성이 결과를 만들어냅니다.

AI 정확도를 극대화하기 위한 실용적 팁

AI 모델은 제어할 수 없지만, 입력은 제어할 수 있습니다. 이런 습관들이 여러분의 결과를 오차 범위의 낮은 쪽으로 끌어줄 것입니다.

정확도를 높이는 촬영 습관

1. 30~45도 각도로 촬영하세요. 각도가 있는 사진은 AI에게 분량 추정을 개선하는 깊이 단서를 제공합니다. 바로 위에서 찍은 사진은 모든 것을 평면적으로 만듭니다.

2. 좋은 조명을 확보하세요. 자연광이 이상적입니다. 어두운 레스토랑에 있다면 잠깐의 플래시가 어두운 사진보다 낫습니다. AI가 음식을 올바르게 식별하려면 색상과 질감을 구분해야 합니다.

3. 접시 전체를 프레임에 넣으세요. 접시 가장자리가 크기 참조 역할을 합니다. 너무 타이트하게 자르면 AI가 주요 스케일 지표를 잃게 됩니다.

4. 먹기 전에 촬영하세요. 음식이 명확히 분리되어 있는 완전한 식사를 포착하는 것이, 분량이 모호해진 반쯤 먹은 접시보다 낫습니다.

5. 가능하면 재료를 분리하세요. 집밥을 먹을 때 재료를 따로 담을 수 있다면 (단백질, 탄수화물, 채소), 그렇게 하세요. 분리된 재료가 뒤섞인 것보다 더 정확하게 식별됩니다.

수동 조정이 필요한 경우

AI가 대부분의 식사를 근접하게 맞추겠지만, 빠른 검토가 정확도를 크게 높여줍니다:

• 조리 기름과 버터: 평소보다 기름을 많이 사용한 것을 알고 있다면, 분량을 위로 조정하세요. 이것이 할 수 있는 가장 영향력 있는 단일 보정입니다.
• 소스와 드레싱: AI가 양념을 놓치거나 여러분이 추가로 사용했다면, 수동으로 추가하세요. 랜치 드레싱 한 큰술은 73칼로리입니다.
• 극단적인 분량: 분량이 일반적인 것보다 확실히 크거나 작다면, 분량 슬라이더를 사용하세요. AI는 기본적으로 평균 분량을 가정합니다.
• 시각적으로 유사한 대체: AI가 백미로 식별했는데 현미를 드셨거나, 일반 파스타 대신 통밀 파스타를 드셨다면, 빠른 변경이 2초면 되고 10~30칼로리를 보정합니다.

정확도의 80/20 법칙

모든 식사를 보정할 필요는 없습니다. 다음에 집중하세요:

• 고칼로리 식사 (저녁, 외식) — 800칼로리에서의 16퍼센트 오차는 128칼로리이고, 150칼로리에서의 16퍼센트 오차는 24칼로리입니다
• 숨겨진 지방이 있는 식사 (튀긴 음식, 크림 요리, 레스토랑 조리) — 이런 식사가 가장 넓은 오차 범위를 가집니다
• 반복되는 식사 — 매일 같은 점심을 먹는다면, 한 번 보정하고 커스텀 식사로 저장하면 그 오차를 영구적으로 제거할 수 있습니다

Nutrola가 정확도에 접근하는 방식

Nutrola 데이터베이스의 모든 음식 항목은 100퍼센트 영양사 검증을 거쳤습니다. 이는 AI가 음식을 올바르게 식별했을 때 반환하는 영양 데이터가, 사용자가 잘못된 값을 입력했을 수 있는 크라우드소싱 데이터베이스에서 가져온 것이 아니라는 뜻입니다. 50개 이상 국가의 180만 개 식품 항목을 다루는 전문가가 큐레이션한 데이터베이스에서 가져옵니다.

이 이중 레이어 시스템 — AI 인식과 검증된 데이터베이스 — 은 어느 쪽 레이어의 정확도가 개선되든 최종 결과에 도움이 된다는 뜻입니다. 인식 모델이 개선되는 동안에도, 식별된 모든 음식 뒤의 영양 데이터는 이미 전문가 수준의 정확도를 갖추고 있습니다.

Nutrola는 또한 포장 식품용 바코드 스캔(오차가 거의 없는 정확한 라벨 데이터 읽기)과 사진이 실용적이지 않은 상황을 위한 음성 기록도 지원합니다. 세 가지 입력 방법 — 사진, 바코드, 음성 — 의 조합은 어떤 식사 상황에서든 항상 가장 정확한 옵션을 사용할 수 있다는 것을 의미합니다.

미래: AI 정확도는 어디로 향하고 있는가?

향후 2~3년 내에 평균 오차율 10퍼센트 미만으로의 궤적을 보이고 있습니다. 여러 발전이 이를 이끌고 있습니다:

깊이 감지 카메라: 최신 스마트폰에는 LiDAR와 깊이 센서가 포함되어 있어 평면 사진에서 추정하는 것이 아니라 실제 음식 부피를 측정할 수 있습니다. 이는 가장 큰 남은 오차 원인인 분량 추정 문제를 직접적으로 해결합니다.

다각도 촬영: 단일 사진 대신, 미래 시스템은 접시를 2초간 비디오로 훑어보도록 안내하여 AI에게 더 정확한 식별과 분량 측정을 위한 여러 시점을 제공할 수 있습니다.

개인화된 모델: 앱이 여러분의 일반적인 식사와 분량을 학습하면서, 여러분의 특정 식습관에 맞게 추정치를 보정할 수 있습니다. 항상 평균보다 밥을 많이 먹는다면, 모델이 시간이 지나면서 이를 학습합니다.

재료 수준 인식: "이것은 볶음 요리입니다"를 넘어 "이 볶음 요리에는 닭고기, 브로콜리, 파프리카, 그리고 약 두 큰술의 간장 기반 소스가 포함되어 있습니다"로 발전하여 — 복잡한 요리에서도 정밀한 영양 계산이 가능해집니다.

FAQ

16퍼센트 오차율은 체중 감량에 적합한가요?

네. 체중 감량에서 중요한 것은 시간에 따른 추세를 추적하는 것이지, 매일의 정확한 칼로리를 맞추는 것이 아닙니다. 양방향으로 변동하는 일관된 16퍼센트 오차는 일주일에 걸쳐 훨씬 작은 순 오차로 평균화됩니다. 이는 칼로리 적자 상태인지, 유지 상태인지, 잉여 상태인지를 파악하기에 충분히 정확하며 — 이것이 체중 관리에 필요한 유일한 정보입니다.

AI 정확도는 식품 라벨과 비교하면 어떤가요?

FDA는 식품 라벨이 표시된 칼로리 값에서 최대 20퍼센트까지 벗어나는 것을 허용합니다. 이는 200칼로리로 표시된 라벨이 법적으로 160~240칼로리를 포함할 수 있다는 뜻입니다. 평균 16퍼센트 오차의 AI 사진 추적은 대부분의 사람이 의심 없이 신뢰하는 식품 라벨과 비슷하거나 더 좁은 정확도 범위에서 작동합니다.

AI 정확도는 요리 종류에 따라 다른가요?

네. AI 추적기는 훈련 데이터에 잘 반영된 요리에서 가장 정확합니다. 50개 이상 국가의 사용자를 대상으로 하는 Nutrola 같은 시스템은 주로 서양 식단에 집중하는 앱보다 더 넓은 요리 범위를 다룹니다. 그렇지만 특정 지역 요리의 정확도는 해당 지역의 더 많은 사용자가 앱을 사용하고 피드백을 제공하면서 향상됩니다.

실수를 수정하면 시간이 지나면서 AI 정확도가 개선되나요?

네. AI 식별을 수정할 때 — "백미"를 "현미"로 바꾸거나 분량을 조정하는 것 — 그 수정이 모델의 훈련 데이터에 피드백됩니다. 대규모 사용자 기반을 가진 앱이 매일 수백만 건의 이런 수정을 받기 때문에 가장 빠르게 개선됩니다. 여러분의 개별 수정도 개인적인 경험을 향상시키는데, 일부 앱은 여러분의 일반적인 식사와 선호도를 학습하기 때문입니다.

연구마다 AI 칼로리 추적의 정확도 수치가 다른 이유는 무엇인가요?

연구 결과는 테스트된 앱, 포함된 음식 유형, 테스트 방법론, 그리고 맥락에서 "정확도"가 무엇을 의미하는지에 따라 달라집니다. 일부 연구는 식별 정확도(AI가 음식 이름을 올바르게 맞췄는가)를 측정하고, 다른 연구는 칼로리 추정 정확도(칼로리 수치가 얼마나 근접했는가)를 측정하며, 일부는 둘 다 측정합니다. 16퍼센트 수치는 최근 종합 연구의 칼로리 추정 정확도를 나타내며, 이것이 실용적 사용에 가장 중요한 지표입니다.

식품 저울을 사용하는 것이 AI 추적보다 나은가요?

식품 저울과 수동 데이터베이스 검색의 조합은 개별 식사 단위로는 AI 사진 추적보다 더 정확합니다. 하지만 연구는 일관되게 식품 저울 사용자의 지속률이 훨씬 낮다는 것을 보여줍니다. 식품 저울로 시작하는 대부분의 사람은 2~4주 이내에 포기합니다. 장기적으로 식품 저울 추적을 유지할 수 있다면 더 정확할 것입니다. 대부분의 사람처럼이라면, AI 추적이 실제로 꾸준히 사용하게 되므로 실제 더 나은 결과를 가져다 줄 것입니다.

의학적 식이 요구사항에 AI 추적을 신뢰해도 되나요?

당뇨병, 신장 질환, 페닐케톤뇨증과 같은 임상 영양 관리에서는 AI 추적이 공인 영양사의 지도를 대체하는 것이 아니라 보완하는 역할을 해야 합니다. 일반 건강 및 체중 관리 목표에는 충분한 정확도이지만, 임상 조건에서는 현재 AI가 모든 식사에서 보장할 수 없는 수준의 정밀도가 필요할 수 있습니다. 그렇지만 AI 추적은 여러분과 의료 제공자가 함께 검토할 수 있는 유용한 기준선을 제공합니다.

Nutrola의 정확도는 다른 AI 추적기와 비교하면 어떤가요?

Nutrola의 AI 인식과 100퍼센트 영양사 검증 데이터베이스의 조합은 크라우드소싱 영양 데이터에 의존하는 앱에 비해 우위를 제공합니다. 두 앱이 같은 음식을 동일하게 잘 식별하더라도, 하나가 검증된 데이터베이스에서 가져오고 다른 하나가 오류를 포함할 수 있는 사용자 제출 항목에서 가져온다면 반환되는 칼로리 데이터가 크게 달라질 수 있습니다. 독립 테스트에서 Nutrola의 전반적인 정확도가 현재 소비자용 AI 음식 추적기 중 최상위 수준인 것으로 나타났습니다.