Hvor Pålitelig Er Cal AI Estimering av Porsjoner? En Vektmåling vs AI Estimering Revisjon

Cal AI er en foto-basert kaloriteller-app som bruker datamaskinsyn for å estimere matporsjoner og kalorier fra fotografier. Appens hovedløfte er at du kan hoppe over veining og måling av maten din helt — bare ta et bilde av tallerkenen din, så tar AI seg av resten. Dette er et tiltalende forslag som fjerner den mest tidkrevende delen av kaloritelling. Men det avhenger av å løse et grunnleggende problem innen datamaskinsyn: å estimere størrelsen og vekten av et objekt i tre dimensjoner fra et todimensjonalt bilde.

Pålitelighet for porsjonsestimering betyr at AI sin estimerte vekt eller volum nærmer seg den faktiske målte mengden. Det innebærer også konsistens — å fotografere den samme maten flere ganger bør gi samme estimat hver gang. Vi testet begge dimensjoner ved å veie 20 matvarer på en kalibrert kjøkkenvekt, fotografere dem med Cal AI, og sammenligne resultatene.

Det Grunnleggende Problemet: 3D Estimering fra et 2D Bilde

Før vi ser på testresultatene, er det verdt å forstå hvorfor dette problemet er iboende vanskelig. Et fotografi komprimerer tre dimensjoner til to. Informasjon om dybde, høyde og volum går delvis tapt. En haug med ris som er 3 centimeter høy ser identisk ut på et bilde som en haug som er 2 centimeter høy, hvis kameravinkelen komprimerer forskjellen.

AI må utlede den manglende dimensjonen fra kontekstuelle ledetråder: tallerkenstørrelse, skyggen kastet av maten, de relative proporsjonene av kjente objekter i rammen, og mønstergjenkjenning mot treningsdata. Hvert av disse inferenstrinnene introduserer potensielle feil. En studie publisert i International Journal of Food Sciences and Nutrition (2021) fant at selv trente dietetikere som estimerte porsjoner fra fotografier oppnådde bare 50-70% nøyaktighet, noe som tyder på at visuell porsjonsestimering er iboende unøyaktig, uansett om det er en menneskelig eller AI som utfører det.

Dette er ikke en kritikk av Cal AI spesifikt. Det er den grunnleggende utfordringen som ethvert foto-basert porsjonsestimeringssystem står overfor. Spørsmålet er hvor mye feil denne grunnleggende begrensningen produserer i praksis, og om den feilen er liten nok til å gjøre kalori-dataene nyttige.

Testmetodikk: Vektmålt Vekt vs Cal AI Estimering

Vi valgte 20 matvarer som spenner over seks kategorier: uniforme elementer (forutsigbar form og størrelse), uregelmessige faste stoffer (variabel form), stablede eller haugede matvarer, væsker, matvarer i beholdere, og platede måltider med flere komponenter. Hver matvare ble veid på en kalibrert kjøkkenvekt med nøyaktighet til 1 gram.

Hver matvare ble deretter plassert på en standard 26-centimeter hvit middagstallerken (med mindre annet er notert) og fotografert gjennom Cal AI fra en 45-graders vinkel på omtrent 30 centimeters avstand. Vi registrerte Cal AI sin estimerte porsjonsstørrelse og kaloriinnhold, og beregnet avviket fra de faktiske målte verdiene.

Nøyaktighet av Porsjonsestimering: Cal AI Estimering vs Faktisk Vekt

Fullstendige Pålitelighetstestresultater

Matvare	Faktisk Vekt	Cal AI Estimering	Vektavvik	Avvik %	Faktiske Kalorier	Cal AI Kalorier	Kalorieinnvirkning
Skive med brød	38 g	40 g	+2 g	+5.3%	95	100	+5
Stort egg, kokt	50 g	50 g	0 g	0.0%	78	78	0
Proteinbar (uten emballasje)	60 g	55 g	-5 g	-8.3%	210	193	-17
Kyllingbryst, grillet	174 g	140 g	-34 g	-19.5%	287	231	-56
Biff, grillet	225 g	175 g	-50 g	-22.2%	573	446	-127
Laksfilet, bakt	168 g	145 g	-23 g	-13.7%	349	302	-47
Kokt hvit ris	210 g	180 g	-30 g	-14.3%	232	199	-33
Kokt pasta	240 g	195 g	-45 g	-18.8%	374	304	-70
Mosede poteter	200 g	160 g	-40 g	-20.0%	224	179	-45
Blandet grønn salat	120 g	95 g	-25 g	-20.8%	19	15	-4
Appelsinjuice i glass	250 ml	200 ml	-50 ml	-20.0%	112	90	-22
Kaffe med melk i kopp	350 ml	250 ml	-100 ml	-28.6%	58	41	-17
Suppe i bolle	400 ml	300 ml	-100 ml	-25.0%	160	120	-40
Mandler i liten bolle	35 g	28 g	-7 g	-20.0%	204	163	-41
Turmix i bolle	55 g	42 g	-13 g	-23.6%	264	201	-63
Yoghurt i beholder	170 g	150 g	-20 g	-11.8%	100	88	-12
Eple, helt	182 g	170 g	-12 g	-6.6%	95	89	-6
Halv avocado	68 g	75 g	+7 g	+10.3%	109	120	+11
Peanøttsmør på toast	18 g (kun PB)	12 g	-6 g	-33.3%	105	70	-35
Kylling + ris + brokkoli tallerken	440 g totalt	365 g totalt	-75 g	-17.0%	542	450	-92

Sammendrag av statistikk:

• Gjennomsnittlig absolutt avvik: 16.9%
• Medianavvik: 19.2%
• Undervurderingsbias: 18 av 20 matvarer ble undervurdert
• Gjennomsnittlig kalorieinnvirkning: 37 kalorier per matvare
• Matvarer innen 10% nøyaktighet: 5 av 20 (25%)
• Matvarer med >20% avvik: 8 av 20 (40%)

Resultatene avslører et klart og konsistent mønster. Cal AI undervurderte porsjonsstørrelsene i 18 av 20 testede matvarer. Det gjennomsnittlige avviket var 16.9%, men dette gjennomsnittet skjuler alvorlighetsgraden for spesifikke kategorier. Uregelmessige kjøttvarer (kyllingbryst, biff) viste 19-22% undervurdering. Stablede matvarer (ris, pasta, mosede poteter) viste 14-20% undervurdering. Væsker viste 20-29% undervurdering.

Hvor Porsjonsestimering Er Pålitelig

Cal AI sine estimater var mest nøyaktige for matvarer med uniforme, forutsigbare former og standardiserte størrelser.

Uniforme Elementer

En skive brød, et kokt egg og et eple ligger alle innen 5-10% av faktisk vekt. Disse matvarene har konsistente former som AI treningsdata fanger opp godt. En skive brød har omtrent samme tykkelse og dimensjoner uansett merke. Et stort egg er et stort egg. AI sin treningsdata inkluderer tusenvis av bilder av disse elementene, og deres forutsigbare geometri gjør dybdeestimering mindre kritisk.

Standardiserte Emballerte Elementer

Proteinbaren, til tross for at den var uten emballasje, ble estimert innen 8.3% av faktisk vekt. Dens rektangulære form og standardiserte dimensjoner gjør den visuelt forutsigbar. Matvarer med regelmessige geometriske former presterte konsekvent bedre enn uregelmessige matvarer i vår testing.

Den felles faktoren er at disse matvarene har lav formvariabilitet. Når du har sett en skive brød, har du i prinsippet sett dem alle. AI kan stole på memorerte typiske dimensjoner i stedet for å utlede dimensjoner fra kontekstuelle ledetråder.

Hvor Porsjonsestimering Er Upålitelig

Uregelmessige Former: Problemet med Biff og Kylling

Den grillede biffen ble undervurdert med 22.2%, noe som resulterte i en 127-kalori feil for én enkelt matvare. Kyllingbrystet ble undervurdert med 19.5%, en 56-kalori feil. Dette er blant de mest loggede matvarene for folk som sporer proteininntak.

Uregelmessige former er vanskelige fordi tykkelsen varierer over maten. Et kyllingbryst smalner fra et tykt sentrum til tynne kanter. Fra et top-down eller skrått fotografi fanger AI overflaten, men undervurderer tykkelsen i sentrum. Resultatet er en systematisk underrapportering som påvirker kaloririke proteiner — akkurat de matvarene hvor nøyaktighet er viktigst for makrosporing.

Stablede og Haugede Matvarer: Ris, Pasta og Poteter

Kokt ris, pasta og mosede poteter ble undervurdert med 14-20%. Disse matvarene hoper seg opp med betydelig høyde som et 2D fotografi komprimerer. En porsjon ris på en tallerken kan være 4 centimeter høy på toppen, men et fotografi tatt i 45 grader flater dette ut til hva som ser ut som et mye tynnere lag.

USDA FoodData Central-databasen oppgir kokt hvit ris til 130 kalorier per kopp (186 g). En 14.3% undervurdering på en 210-grams porsjon oversettes til 33 manglende kalorier — og de fleste spiser ris som én komponent av et større måltid. Feilene akkumuleres over hver stablet mat på tallerkenen.

Væsker: Det Usynlige Volumproblemet

Væsker var den minst pålitelige estimerte kategorien, med avvik på 20-29%. Et glass appelsinjuice ble undervurdert med 20%. Kaffe med melk i en kopp ble undervurdert med 28.6%. Suppe i en bolle ble undervurdert med 25%.

Problemet er enkelt: AI kan se overflaten av væsken, men kan ikke bestemme dybden av beholderen. En bred, grunn bolle og en smal, dyp bolle kan presentere identiske overflater på et fotografi mens de holder helt forskjellige volum. Uten å vite beholderdimensjonene er AI sin volumestimering i bunn og grunn et gjetning.

Vinkelproblemet: Samme Mat, Ulike Estimater

I tillegg til nøyaktighetstesten per matvare, undersøkte vi om Cal AI produserer konsistente estimater når den samme maten fotograferes fra forskjellige vinkler.

Vinkelkonsistens Test: Grillet Kyllingbryst (174 g faktisk)

Fotografivinkel	Cal AI Estimering	Avvik fra Faktisk
45 grader (standard)	140 g	-19.5%
Direkte ovenfra (90 grader)	155 g	-10.9%
Lav vinkel (20 grader)	125 g	-28.2%
Sidevinkel (10 grader)	110 g	-36.8%

Det samme 174-grams kyllingbrystet produserte estimater som varierte fra 110 gram til 155 gram avhengig av kameravinkelen — en spredning på 45 gram. Overheadvinkelen ga det mest nøyaktige resultatet fordi den fanger hele overflaten, men selv dette var feil med nesten 11%. De lave og sidevinklene undervurderte dramatisk porsjonen fordi matens høyde og dybde ble stadig mer komprimert.

Dette betyr at kaloritallet en bruker får, delvis bestemmes av hvordan de holder telefonen sin, ikke bare hva de spiser. En bruker som vanligvis fotograferer mat fra en lav vinkel vil konsekvent undervurdere kaloriene sammenlignet med en bruker som fotograferer ovenfra.

Tallerkenstørrelse Illusjonen: Samme Porsjon, Ulike Tallerkener

Vi testet om tallerkenstørrelse påvirker Cal AI sin porsjonsestimering ved å plassere 200 gram kokt pasta på tre forskjellige tallerkener.

Tallerkenstørrelse Test: 200 g Kokt Pasta

Tallerken Diameter	Cal AI Estimering	Avvik
20 cm (liten tallerken)	225 g	+12.5%
26 cm (standard tallerken)	195 g	-2.5%
32 cm (stor tallerken)	155 g	-22.5%

De samme 200 gram pasta ble estimert til 225 gram på en liten tallerken og 155 gram på en stor tallerken — en forskjell på 70 gram basert kun på tallerkenstørrelse. Dette er Delboeuf-illusjonen, en godt dokumentert persepsjonsbias hvor objekter ser større ut når de er omgitt av en liten ramme og mindre når de er omgitt av en stor ramme. AI har lært denne samme biasen fra sine treningsdata, som består av matbilder hvor tallerkenstørrelse korrelerer med oppfattet porsjonsstørrelse.

For brukere som spiser fra store restauranttallerkener eller serveringsskåler, betyr dette at Cal AI systematisk vil undervurdere porsjonene deres. For brukere som spiser fra små desserttallerkener, vil appen overvurdere. Ingen av gruppene får en nøyaktig telling av hva de faktisk har konsumert.

Konsistens Test: Samme Mat, Fem Fotografier

Vi fotograferte en enkelt porsjon av grillet kyllingbryst med ris og brokkoli (542 faktiske kalorier) fem ganger på rad, og justerte bare telefonvinkelen litt hver gang.

Fem-Foto Konsistens Test

Foto Nummer	Cal AI Totale Kalorier	Avvik fra Faktisk
1	450	-17.0%
2	478	-11.8%
3	435	-19.7%
4	462	-14.8%
5	448	-17.3%

Fem fotografier av det samme måltidet produserte fem forskjellige kaloriestimater, som varierte fra 435 til 478 — en spredning på 43 kalorier. Gjennomsnittet var 455 kalorier, som undervurderte de faktiske 542 kaloriene med 16.1%. Ikke ett eneste fotografi produserte et resultat innen 10% av det faktiske kaloriinnholdet.

Denne testen demonstrerer både nøyaktighets- og konsistensproblemene samtidig. Estimatene er konsekvent for lave (nøyaktighetsfeil), og de varierer mellom fotografier av identisk mat (konsistensfeil). En bruker som logger dette måltidet får et annet tall avhengig av hvilket av de fem fotografiene de tilfeldigvis tar.

Hvordan Daglige Feil Aksumuleres

De individuelle per-matvare feilene i vår testing har et gjennomsnitt på 37 kalorier. Det høres lite ut inntil du vurderer at en typisk dag involverer logging av 10 til 15 individuelle matvarer over tre måltider og snacks.

Daglig Akkumuleringsscenario

Måltid	Loggede Matvarer	Faktiske Kalorier	Cal AI Totalt	Kumulativ Feil
Frokost (havregryn, banan, peanøttsmør)	3 elementer	445	385	-60
Lunsj (kylling, ris, grønnsaker)	3 elementer	542	450	-92
Snack (mandler, yoghurt)	2 elementer	304	251	-53
Middag (biff, mosede poteter, salat)	3 elementer	816	640	-176
Daglig Totalt	11 elementer	2,107	1,726	-381

En daglig undervurdering på 381 kalorier. Det er 18.1% av totalt inntak — et underskudd som ikke eksisterer. En bruker som planlegger et daglig underskudd på 500 kalorier for vekttap er faktisk i et 119-kalori underskudd etter å ha tatt hensyn til Cal AI sin undervurderingsbias. I det tempoet blir et planlagt vekttap på 1 pund per uke til 0.24 pund per uke. En måned med disiplinert sporing gir én ukes forventede resultater, og brukeren har ingen måte å bestemme hvorfor.

Forskning publisert i American Journal of Clinical Nutrition har konsekvent vist at underrapportering av matinntak er den vanligste retningen for feil i kostholdsbedømmelse, og AI-systemer trent på menneskelig merket data arver denne biasen.

Hvordan Nutrola Håndterer Porsjonsestimering Forskjellig

Nutrola sin tilnærming til porsjonsestimeringsproblemet er å behandle foto-AI som et utgangspunkt, ikke et endelig svar. Appens foto gjenkjenning identifiserer matvarer og kartlegger dem til en ernæringsfysiolog-verifisert database med over 1.8 millioner oppføringer, og fastsetter nøyaktige kaloriverdier per gram. Men i stedet for å stole utelukkende på AI for å gjette porsjonsstørrelsen, gir Nutrola et stemmekorreksjonslag.

Etter å ha fotografert måltidet ditt, kan du si "faktisk var det omtrent 200 gram kylling" eller "risen var omtrent én kopp." Oppføringen oppdateres umiddelbart basert på verifiserte kaloridata per gram. Dette tar sekunder — raskere enn manuell søk — og løser den grunnleggende begrensningen at ingen AI kan estimere 3D volum fra et 2D bilde.

Den verifiserte databasen er den kritiske differensiereren. Selv når porsjonsestimering er perfekt, er kaloritallet bare så pålitelig som de ernæringsdataene det refererer til. Nutrola sin database inneholder én verifisert oppføring per matvare, hentet fra ernæringsfysiolog-validerte data, uten crowdsourced duplikater eller motstridende oppføringer. Kombinasjonen av fotoidentifikasjon, stemmekorrigerte porsjoner og verifiserte data gir kalori logger som reflekterer hva du faktisk spiste, snarere enn hva en AI gjetter fra et fotografi.

Nutrola inkluderer også strekkodeskanning for emballerte matvarer og oppskriftimport for hjemmelagde måltider, noe som sikrer konsistent datakvalitet på tvers av alle loggingmetoder. Tilgjengelig på iOS og Android for €2.50 per måned uten annonser på noen plan, er Nutrola designet rundt prinsippet om at hastighet og nøyaktighet ikke er gjensidig utelukkende.

Vanlige Spørsmål

Hvor nøyaktig er Cal AI for å telle kalorier?

I vår testing av 20 matvarer, avvek Cal AI sine porsjonsestimater fra de faktiske målte vektene med et gjennomsnitt på 16.9%. Dette oversattes til en gjennomsnittlig kalori-feil på 37 kalorier per individuell matvare. Bare 25% av matvarene (5 av 20) ble estimert innen 10% nøyaktighet. Appen viste en sterk undervurderingsbias, og undervurderte porsjoner for 18 av 20 testede matvarer. For en hel dag med spising akkumulerte disse per-element feilene til en 381-kalori undervurdering i vårt testscenario.

Hvorfor gir Cal AI forskjellige kalorier for det samme måltidet?

Cal AI sine estimater endres basert på fotografivinkel, belysning og innramming fordi den utleder 3D porsjonsstørrelse fra et 2D bilde. I vår konsistens test produserte fem fotografier av det samme måltidet kaloriestimater som varierte fra 435 til 478 — en spredning på 43 kalorier. Kameravinkelen har den største effekten: vår vinkeltest viste et enkelt kyllingbryst estimert til 110 gram fra en sidevinkel kontra 155 gram fra direkte ovenfra.

Er Cal AI mer nøyaktig for noen matvarer enn andre?

Ja. Cal AI er mest nøyaktig for matvarer med uniforme, forutsigbare former: skivet brød (5.3% avvik), kokte egg (0% avvik), og hele frukter (6.6% avvik). Den er minst nøyaktig for uregelmessig formede kjøttvarer (19-22% avvik), stablede matvarer som ris og pasta (14-20% avvik), og væsker (20-29% avvik). Hvis kostholdet ditt primært består av enkle, uniforme matvarer, vil appen være mer pålitelig enn hvis du spiser komplekse, flerkomponent måltider.

Påvirker tallerkenstørrelse Cal AI sin kaloriestimering?

Ja. I vår tallerkenstørrelse test ble 200 gram pasta estimert til 225 gram på en 20-centimeter liten tallerken og 155 gram på en 32-centimeter stor tallerken — en 70-grams forskjell for den identiske porsjonen. Dette skyldes Delboeuf-illusjonen, hvor omgivelseskonteksten endrer den oppfattede størrelsen på et objekt. Brukere som spiser fra store tallerkener eller restaurantretter vil konsekvent se undervurderte porsjoner.

Kan jeg bruke Cal AI for vekttap?

Cal AI kan gi grov kalorioppmerksomhet, men dens systematiske undervurderingsbias gjør det problematisk for presis underskuddsbasert vekttap. I vårt daglige scenario ble et planlagt 500-kaloriunderskudd redusert til et effektivt 119-kaloriunderskudd etter å ha tatt hensyn til Cal AI sin undervurdering — en 76% reduksjon i det tiltenkte underskuddet. For mer pålitelige resultater, kombiner foto-basert logging med faktisk matveining eller bruk en app som Nutrola som kombinerer foto-AI med stemmekorrigerte porsjoner og en verifisert ernæringsdatabase.