Foodvisor의 부정확성, 그 이유는?

Foodvisor의 부정확성은 주로 단일 항목만 인식하는 AI와 작은 검증된 데이터베이스에서 비롯됩니다. Cronometer와 Nutrola와 같은 검증된 데이터베이스 앱이 이를 해결합니다. 이 앱의 핵심 문제는 AI가 고장 난 것이 아니라, 제한된 데이터셋에서 단일하고 확신에 찬 답변을 반환하는 데 있습니다. 사진에 하나의 음식, 세 가지 음식, 또는 반찬이 포함된 한 접시가 있는지에 대한 질문 없이 말이죠. 검증된 데이터베이스가 적고, 기본적으로 일반적인 서빙 크기로 분량을 추정하기 때문에, 작은 오류가 쌓여 하루 칼로리 수치가 쉽게 200-500 kcal 정도 현실과 차이가 나게 됩니다.

사용자들은 Foodvisor의 결과를 주방 저울, 식당의 공개된 매크로, 또는 검증된 영양 데이터베이스와 비교할 때 그 차이를 빠르게 인식하게 됩니다. 사진으로 기록된 치킨 샐러드는 320 kcal로 나올 수 있지만, USDA 데이터를 사용해 수동으로 측정하고 기록한 동일한 샐러드는 480 kcal로 나타납니다. 이러한 불일치는 무작위가 아니라, 앱의 인식 파이프라인과 데이터베이스 구축 방식에 따라 예측 가능한 패턴을 따릅니다.

이 가이드는 Foodvisor의 부정확성의 다섯 가지 특정 원인을 분석하고, 검증된 데이터베이스 앱이 동일한 입력을 처리하는 방법을 설명하며, Foodvisor가 캐주얼한 추적에는 여전히 충분히 정확한 부분과 오류가 문제가 되는 부분을 보여줍니다.

---

Foodvisor 부정확성의 5가지 원인

1. 지나치게 자신감 있는 단일 항목 AI 인식

Foodvisor의 AI 사진 인식은 이미지당 하나의 최선의 음식 라벨을 반환합니다. "이것이 단일 음식인지 식사인지?"라는 질문을 하지 않고 분류를 진행합니다. 구운 치킨과 밥, 브로콜리를 촬영하면, 분류기는 전체 접시를 "치킨과 밥"으로 라벨링하고 브로콜리는 조용히 생략하거나, "아시안 치킨 볼"로 라벨링하고 일반적인 볼의 영양 프로필을 부여합니다. 이는 실제 구성 요소와 일치하지 않습니다.

AI는 라벨을 반환하도록 훈련받았기 때문에 자신감이 있습니다. 불확실성을 반환하거나, 명확한 질문을 하거나, 접시를 개별 항목으로 나누는 방식으로 설계되지 않았습니다. 이 단일 라벨의 자신감이 오류의 첫 번째이자 가장 큰 원인입니다.

2. 작은 검증된 데이터베이스, 일반 항목에 대한 의존도 높음

Foodvisor의 검증된 핵심 데이터베이스는 전담 영양 플랫폼에 비해 적습니다. AI가 라벨을 반환하면, 그 라벨을 브랜드별, 식당별, 또는 레시피별 항목이 아닌 일반 데이터베이스 항목 — "구운 닭가슴살", "흰 쌀", "시저 샐러드" — 에 매칭합니다.

일반 데이터베이스 항목은 평균 영양 값을 사용합니다. 식당에서 제공하는 실제 닭가슴살은 염지되거나, 버터로 조리되거나, 기름에 구워져 80-150 kcal가 추가될 수 있습니다. 일반 "시저 샐러드" 항목은 당신의 샐러드에 추가 드레싱, 크루통, 베이컨, 또는 그릴에 구운 새우가 들어갔는지 알 수 없습니다. 데이터베이스 크기는 AI의 라벨이 당신이 실제로 먹은 음식에 얼마나 정밀하게 매핑될 수 있는지를 제한합니다.

3. 다중 항목 사진 인식의 부재

대부분의 식사는 단일 음식이 아닙니다. 아침은 종종 계란, 토스트, 과일로 구성됩니다. 점심은 샌드위치와 사이드가 함께 나옵니다. 저녁은 단백질, 전분, 그리고 채소로 이루어져 있습니다. Foodvisor의 사진 인식은 기본적으로 접시를 개별 항목으로 나누어 기록하고 총합을 계산하지 않습니다.

다중 항목 인식은 현대 AI 음식 인식을 구식 단일 클래스 분류기와 구별하는 단일 기능입니다. 이를 통해 복잡한 식사가 단일 라벨로 강제되는 것을 방지하고, 접시 위의 다른 모든 음식은 영양적으로 보이지 않게 됩니다. 사용자는 하나의 음식에 대한 칼로리 수치만 보게 되고 나머지는 조용히 제외됩니다.

4. 분량 크기 추정

Foodvisor가 음식을 올바르게 인식하더라도, 사진에서 분량을 추정하는 것은 본질적으로 어렵습니다. 이 앱은 접시의 직경, 카메라 각도, 조명, 음식의 밀도를 알지 못합니다. 기본적으로 일반적인 서빙 크기로 설정됩니다 — "중간" 크기의 닭가슴살, "컵"의 쌀, "서빙"의 샐러드 등.

정확히 평균 분량을 먹는 사람에게는 이 방식이 통할 수 있습니다. 그러나 더 큰 닭가슴살, 더 많은 쌀, 또는 가벼운 샐러드 볼을 먹는 사람에게는 분량 추정이 부피 기준으로 30-50% 정도 차이가 날 수 있습니다. 이 오류는 칼로리 수치에 직접적으로 영향을 미치며, 분량은 데이터베이스가 반환하는 모든 수치에 대한 선형 곱셈 요소입니다.

5. 검증되지 않은 사용자 제출 항목

대부분의 소비자 칼로리 추적기와 마찬가지로, Foodvisor는 다양한 음식, 식당 아이템, 지역 제품을 포괄하기 위해 사용자 제출 항목으로 검증된 데이터베이스를 보완합니다. 사용자 제출 항목은 편리하지만 검증되지 않았습니다 — "단백질 바"라고 입력한 사람이 잘못된 브랜드, 잘못된 크기, 또는 매크로를 추정했을 수 있습니다.

AI 또는 음식 검색이 검증된 항목 대신 사용자 제출 항목을 반환할 때, 정확성은 복권이 됩니다. 일부 사용자 제출 항목은 세심하게 작성되었지만, 다른 항목은 크게 잘못될 수 있습니다. 앱은 어떤 항목이 어떤 것인지 명확하게 표시하지 않아, 일반 사용자들이 기록하기 전에 이를 인식하기 어렵습니다.

---

검증된 데이터베이스가 문제를 해결하는 방법

검증된 영양 데이터베이스는 정확한 칼로리 추적의 기초입니다. AI가 반환하는 것에 의존하거나 사용자가 입력한 내용을 바탕으로 하지 않고, 검증된 데이터베이스는 여러 권위 있는 출처 — 정부 영양 데이터셋, 학술 음식 성분 표, 그리고 직접 실험실 분석 — 를 교차 참조하며, 영양 전문가가 모든 항목을 검토한 후 사용자에게 제공됩니다.

Cronometer는 USDA FoodData Central 데이터베이스와 NCCDB(영양 조정 센터 음식 및 영양 데이터베이스, 대규모 영양 연구에 사용되는 동일한 데이터베이스)를 활용하여 소비자 공간에서 이 접근 방식을 개척했습니다. Nutrola는 USDA, NCCDB, BEDCA(스페인 음식 성분 데이터베이스), BLS(독일 연방 식품 목록)와 교차 참조한 후, 모든 항목에 대해 영양사 검증을 추가하여 이 모델을 더욱 확장합니다.

검증된 데이터베이스에 음식을 기록할 때, 사용자는 분류기나 익명의 사용자를 신뢰하는 것이 아닙니다 — 임상 영양사와 연구실이 사용하는 동일한 출처에서 가져온 전문적으로 선별된 기록을 신뢰하는 것입니다. 그 수치는 과학 논문이나 병원 식사 계획에서 계산된 것과 일치합니다. 왜냐하면 그들은 동일한 기본 데이터에서 나오기 때문입니다.

검증된 데이터베이스는 또한 표준화된 단위(그램, 밀리리터, 정의된 가정용 측정)를 사용하여 분량 문제를 부분적으로 해결합니다. 120그램의 닭가슴살을 입력하면, 데이터베이스는 120그램에 대한 정확한 영양 분해를 반환합니다 — 추정이나 평균 없이요.

---

Foodvisor가 충분히 정확한 경우

Foodvisor는 쓸모없는 앱이 아닙니다. 일부 사용자와 특정 맥락에서는 그 정확성이 충분합니다.

• 정확성보다 추세가 중요한 캐주얼한 체중 감량. 매일 칼로리 수치가 일주일 단위로 일관되기만 하면, 작은 체계적 오류는 상쇄됩니다. 절대 숫자가 200 kcal 정도 차이가 나더라도, 추세가 상승하는지 하락하는지를 여전히 확인할 수 있습니다.
• 간단한 단일 음식 식사. 일반 사과, 단일 닭가슴살, 요거트 한 컵 — AI는 이들을 잘 처리합니다. 왜냐하면 분할할 것이 없고 데이터베이스 항목이 일반적이지만 근접하기 때문입니다.
• 수동으로 검증하고 수정하는 사용자. 식사를 촬영한 후 제안된 항목을 검토하고 실수를 수정하며 복합 항목을 나누면, "그냥 촬영하고 기록"하는 편리함을 희생하더라도 합리적인 정확성을 얻을 수 있습니다.
• 비임상적 사용 사례. 의료 조건, 대회, 또는 코치를 위해 추적하지 않는 경우, Foodvisor와 검증된 데이터베이스 앱 간의 정확성 차이는 목표에 중요하지 않을 수 있습니다.
• 바코드 스캔으로 보완하는 사용자. 바코드 스캔은 AI를 우회하고 특정 제품 항목을 가져옵니다. 촬영 대신 스캔할 경우, Foodvisor의 정확성이 크게 향상됩니다. 바코드 경로는 동일한 분류기를 사용하지 않기 때문입니다.

이러한 사용자에게는 Foodvisor의 편리함이 정확성의 비용을 진정으로 초월할 수 있습니다. 문제는 당신의 추적 목표가 이러한 관용적인 범주에 속하는지, 아니면 다음 범주에 속하는지입니다.

---

부정확성이 문제가 되는 경우

Foodvisor의 부정확성은 특정 상황에서 문제가 됩니다.

• 임상 또는 의료 추적. 당뇨병, PCOS, CKD, 심혈관 식단은 정확한 탄수화물, 나트륨, 칼륨, 포화 지방 수치를 요구합니다. 나트륨에서 30%의 분량 오류는 사용자가 알지 못하는 사이에 안전한 총량에서 위험한 총량으로 밀어낼 수 있습니다.
• 운동선수의 매크로 추적. 180g의 단백질, 250g의 탄수화물, 60g의 지방을 목표로 하는 사람은 매크로 분할이 근접해야 합니다. 단일 라벨 인식으로 사이드 디시를 생략하면, 단일 식사에서 단백질이 20-30g 잘못 보고될 수 있습니다 — 이는 훈련 계획을 무너뜨릴 수 있는 양입니다.
• 대회 준비 또는 감량 단계. 감량의 마지막 5킬로그램은 엄격한 칼로리 적자를 필요로 합니다. 기록된 숫자가 현실보다 400 kcal 낮다면, 진행이 멈추고 그 이유를 이해하지 못할 것입니다.
• 미량 영양소에 민감한 식단. 비건, 채식주의자, 또는 철, B12, 칼슘, 마그네슘, 오메가-3를 모니터링하는 사용자는 전체 영양 프로필을 추적할 수 있는 항목이 필요합니다. 일반 데이터베이스 항목은 미량 영양소를 완전히 생략하는 경우가 많습니다.
• 세 가지 이상의 구성 요소가 있는 식사. 접시 위의 항목이 많을수록 단일 항목 인식의 성능이 떨어집니다. 가족 스타일의 식사, 타파스, 식당 플래터는 모두 급격히 저하됩니다.
• 요리가 독특한 식당 식사. 식당의 시그니처 요리 — 특정 라면, 지역 카레, 조합 샐러드 — 는 일반 데이터베이스 항목과 잘 일치하지 않습니다. AI의 최선의 추측은 일반적으로 "유사한 요리"에 가깝고 "이 요리"와는 거리가 멉니다.
• 레시피 추적. 집에서 만든 스튜는 단일 사진으로 식별할 수 있는 항목이 아닙니다. 검증된 재료 분해가 포함된 URL에서 레시피를 가져오는 것이 복잡한 레시피를 정확하게 기록하는 유일한 방법입니다.

이러한 경우에는 Foodvisor의 오류 범위가 너무 넓습니다. 해결책은 AI를 더 조정하는 것이 아니라, 검증된 데이터베이스로 시작하고 AI를 그 위에 가속기로 사용하는 앱으로 이동하는 것입니다.

---

Nutrola가 근본적으로 정확성을 해결하는 방법

Nutrola는 AI의 자신감이 아닌 검증된 데이터를 중심으로 칼로리 추적 파이프라인을 재구성합니다:

• 180만 개 이상의 영양사 검증 데이터베이스. 모든 항목은 사용자에게 제공되기 전에 영양 전문가의 검토를 받습니다. 검색에서 검증되지 않은 사용자 제출 항목은 없습니다.
• USDA, NCCDB, BEDCA, BLS와 교차 참조. 임상 영양사와 연구실이 의존하는 동일한 음식 성분 출처입니다. 출처 간에 이견이 있을 경우, 항목은 게시되기 전에 조정됩니다.
• 다중 항목 AI 사진 인식. AI는 접시를 개별 항목으로 나누고, 각 항목을 독립적으로 기록하며, 총합을 계산합니다. 세 가지 구성 요소가 있는 식사에서 조용히 생략되는 것이 없습니다.
• 분량 인식 사진 기록. 인식 파이프라인은 식별과 분량 추정을 별도로 진행하며, 확인하기 전에 그램 또는 가정용 측정을 조정할 수 있도록 합니다. 분량은 숨겨진 기본값이 아닙니다.
• 3초 이하의 사진 기록. 전체 분할, 식별, 분량 추정 및 데이터베이스 조회가 사진당 3초 이내에 완료되므로, 검증된 파이프라인이 Foodvisor의 단일 라벨 방식보다 느리지 않습니다.
• 구술 기록으로 항목과 분량을 파악. "스크램블 에그 두 개, 사워도우 한 조각, 아보카도 반 개"라고 말하면, 파서가 지정한 분량으로 세 개의 검증된 데이터베이스 항목을 생성합니다.
• 검증된 제품 데이터로 바코드 스캔. 바코드는 검증된 파이프라인에서 가져오며, 검토되지 않은 제품 피드에서 가져오지 않습니다.
• 항목당 100개 이상의 영양소 추적. 칼로리, 매크로, 섬유질, 나트륨, 칼륨, 철, 칼슘, B 비타민, 오메가-3 등 — 모든 항목은 깊이 있게 채워지며, 칼로리와 매크로만 포함되지 않습니다.
• 재료 수준 검증이 포함된 레시피 URL 가져오기. 어떤 레시피 URL을 붙여넣어도 Nutrola가 검증된 데이터베이스 재료로 분해하여 서빙당 영양을 제공합니다. 집에서 만든 요리를 위한 단일 라벨 근사치가 아닙니다.
• 14개 언어로 지역화된 데이터베이스. 유럽, 아시아, 라틴 아메리카 사용자는 검증된 데이터베이스에서 지역 음식을 확인할 수 있습니다. 미국 중심의 항목만이 아닙니다.
• 모든 계층에서 광고 없음. 기록 흐름을 방해하는 것이 없으며, 데이터베이스가 스폰서 항목으로 편향되지 않습니다.
• 무료 계층 및 €2.50/월 유료 계층. 정확성은 유료 장벽이 아닙니다. 검증된 데이터베이스는 무료 계층에서도 제공됩니다.

그 결과는 AI가 기록 속도를 높이면서도 당신이 먹은 것에 대한 최종 권한은 항상 검증된 데이터베이스 기록에 있는 추적 경험입니다. 화면에 표시되고, 확인하기 전에 사용자가 수정할 수 있습니다.

---

Foodvisor와 검증된 데이터베이스 대안 비교

요소	Foodvisor	Cronometer	Nutrola
검증된 데이터베이스	적음, 사용자 제출 항목 혼합	USDA, NCCDB	USDA, NCCDB, BEDCA, BLS, 영양사 검토
데이터베이스 크기	제한된 검증된 핵심	~30만 개 이상의 검증된 항목	180만 개 이상의 검증된 항목
다중 항목 사진 인식	없음	N/A (무료에서 사진 AI 없음)	있음
분량 추정	일반 기본값	사용자 입력 그램	AI 추정, 사용자 조정 가능
사용자 제출 항목	있음, 혼합	분리됨	기본 검색에 없음
추적 영양소	칼로리, 기본 매크로	80개 이상	100개 이상
레시피 URL 가져오기	제한적	수동 재료 입력	검증된 재료 수준
바코드 정확도	제품 항목에 따라 다름	검증됨	검증됨
언어	여러 개	영어 우선	14개 언어
광고	일부 계층에서 있음	없음	없음
가격 진입점	제한이 있는 무료, 유료 업그레이드	제한이 있는 무료, 유료 업그레이드	무료 계층 + €2.50/월

---

어떤 정확성 경로를 선택해야 할까요?

임상 또는 연구 수준의 추적을 위한 무료 초정밀 데이터베이스를 원한다면

Cronometer. USDA와 NCCDB에서 데이터를 가져오는 최초의 검증된 데이터베이스 칼로리 추적기로, 무료로 80개 이상의 영양소를 제공합니다. 무료에서는 사진 AI 기록이 없으므로 모든 항목은 입력하거나 바코드로 스캔해야 하지만, 모든 항목이 신뢰할 수 있습니다. 의료 조건을 관리하는 사용자에게 이상적입니다.

편리한 AI 기록을 원하고 정확성의 대가를 받아들인다면

Foodvisor. 빠른 단일 라벨 사진 인식으로, 캐주얼한 체중 감량 추세와 간단한 식사에 적합합니다. 검증된 데이터베이스 앱에 비해 200-500 kcal의 일일 차이를 예상하세요. 절대적인 정확성보다 시간에 따른 추세가 더 중요하다면 사용하세요.

검증된 정확성과 현대적인 AI 기록 및 무료 계층을 원한다면

Nutrola. 180만 개 이상의 영양사 검증 데이터베이스, 3초 이내의 다중 항목 AI 사진 인식, 분량 인식 기록, 음성 입력, 바코드 스캔, 100개 이상의 영양소, 레시피 URL 가져오기, 14개 언어, 광고 없음. 무료 계층에 전체 검증된 데이터베이스가 포함되어 있으며, €2.50/월로 무제한 AI 기록 및 고급 기능을 이용할 수 있습니다. Foodvisor의 편리함과 Cronometer의 정확성 간의 간극을 좁히는 유일한 옵션입니다.

---

자주 묻는 질문

Foodvisor는 Cronometer에 비해 왜 그렇게 부정확한가요?

Foodvisor는 사용자 제출 항목과 혼합된 적은 검증된 데이터베이스에 대해 단일 라벨 AI 인식에 의존합니다. Cronometer는 무료에서 사진 AI를 사용하지 않지만, 모든 항목을 USDA와 NCCDB의 검증된 데이터에서 가져오며, 분량은 사용자 입력 그램으로 처리합니다. Foodvisor는 속도를 위해 정확성을 희생하고, Cronometer는 정확성을 위해 속도를 희생합니다. Nutrola는 다중 항목 AI와 180만 개 이상의 영양사 검증 데이터베이스를 결합하여 두 가지를 모두 제공합니다.

Foodvisor의 AI는 사용하면서 시간이 지남에 따라 더 정확해지나요?

앱은 사용자가 자주 먹는 음식을 학습하여 속도와 개인화를 개선합니다. 그러나 인식 모델의 정확성, 매핑되는 데이터베이스, 또는 분량 추정 기본값은 근본적으로 변경되지 않습니다. 단일 라벨 분류 및 일반 분량에서 발생하는 체계적 오류는 앱을 얼마나 오랫동안 사용하든 지속됩니다.

Foodvisor의 칼로리 수치는 체중 감량에 충분히 가까운가요?

캐주얼한 체중 감량에서 추세가 절대 칼로리보다 중요하다면, Foodvisor의 수치는 일반적으로 방향을 추적하기에 일관된 편입니다. 구조화된 감량 단계, 운동선수의 매크로, 또는 의료 식단의 경우, 오류 범위가 너무 넓습니다. 30일 동안 매일 300 kcal의 차이는 약 1.2킬로그램의 예상 지방 손실을 의미하지만, 실제로는 발생하지 않을 것입니다.

사진 기반 칼로리 추적이 현실적으로 얼마나 부정확할 수 있나요?

잘 설계된 시스템에서도 사진 기반 인식만으로는 분량 추정 불확실성, 가려진 음식, 데이터베이스 매핑 때문에 의미 있는 오류 범위가 발생합니다. Nutrola와 같은 검증된 데이터베이스 앱은 다중 항목 인식과 사용자 조정 가능한 분량을 통해 이 문제를 크게 줄입니다. 각 항목을 기록하기 전에 확인하거나 수정할 수 있어, 파이프라인 속도를 늦추지 않고도 가능합니다.

Foodvisor의 바코드 스캔 항목은 사진 항목만큼 부정확한가요?

바코드 스캔은 AI 분류기를 우회하고 특정 제품의 영양 데이터를 가져옵니다. 정확성은 제품 항목이 검증된 것인지 사용자 제출된 것인지에 따라 다릅니다. 일반적으로 포장된 식품의 경우 Foodvisor의 바코드 스캔은 합리적이며, 지역 제품의 경우 사용자 제출 항목이 불완전하거나 잘못될 수 있습니다.

Nutrola의 AI는 음식을 인식하는 데 실수를 하나요?

모든 AI 시스템은 실수를 할 수 있습니다. 차이점은 Nutrola의 파이프라인이 항상 인식된 항목과 분량을 기록하기 전에 검토할 수 있도록 표시하며, 각 항목은 수정하거나 교체할 수 있는 검증된 데이터베이스 항목에 연결되어 있다는 것입니다. 사용자는 검토할 수 없는 블랙박스 답변에 대해 기록하지 않으며, 수정은 한 번의 탭으로 가능합니다.

Nutrola의 무료 계층은 Foodvisor의 무료 계층과 정확성에서 어떻게 비교되나요?

Nutrola의 무료 계층은 180만 개 이상의 영양사 검증 데이터베이스, 다중 항목 AI 사진 기록, 음성 기록, 바코드 스캔, 100개 이상의 영양소 추적을 포함합니다. Foodvisor의 무료 계층은 AI 사진 기록을 제한하고, 유료 계층과 동일한 작은 혼합 검증 데이터베이스에 의존합니다. 정확성 측면에서 Nutrola의 무료 계층은 상당한 향상입니다; 기능 측면에서도 Foodvisor가 프리미엄에 잠금 해제하는 것을 포함합니다.

---

최종 결론

Foodvisor의 부정확성은 단순한 버그가 아닙니다 — 단일 라벨 AI 인식, 작은 검증된 데이터베이스, 사용자 제출 항목의 혼합, 다중 항목 사진 인식의 부재, 기본 분량 추정, 검증되지 않은 긴 꼬리 데이터의 구조적 결과입니다. 캐주얼한 추세 추적에는 이를 용인할 수 있지만, 임상 식단, 운동선수의 매크로, 대회 준비, 또는 숫자가 현실과 일치해야 하는 모든 사용 사례에서는 그렇지 않습니다.

해결책은 구조적입니다. Cronometer는 USDA와 NCCDB 데이터를 기반으로 구축된 검증된 데이터베이스가 신뢰할 수 있는 수치를 생성한다는 것을 보여줍니다. Nutrola는 180만 개 이상의 항목, USDA, NCCDB, BEDCA, BLS와 교차 참조된 영양사 검증을 통해 검증된 데이터베이스가 현대적인 다중 항목 AI 사진 기록, 분량 인식 추정, 음성 입력, 바코드 스캔, 100개 이상의 영양소 추적, 레시피 URL 가져오기, 14개 언어 지원, 광고 없음과 공존할 수 있음을 보여줍니다. 무료 계층과 €2.50/월 유료 계층 모두에서 가능합니다.

Foodvisor의 정확성이 당신의 목표에 더 이상 적합하지 않다면, 더 이상 "Foodvisor를 더 정확하게 만드는 방법"이 아니라 "AI 추정이 아닌 검증된 데이터로 시작하는 파이프라인은 무엇인가"라는 질문이 됩니다. Nutrola의 무료 계층을 사용해보고, 두 앱에 대해 일주일 동안 식사를 기록하고, 주방 저울과 비교해보세요. 그 간극은 분명할 것이며, 해결책도 마찬가지입니다.