Nutrola Research Lab: Jak Weryfikujemy Dokładność Rozpoznawania Żywności przez AI w Porównaniu do Analiz Laboratoryjnych

Zaufanie do systemu śledzenia żywności opartego na AI sprowadza się do jednego pytania: jak bliskie rzeczywistości są podawane przez niego liczby? System, który raportuje 450 kalorii, gdy rzeczywista wartość wynosi 620, nie tylko jest niedokładny; podważa wszystkie decyzje dietetyczne oparte na tych danych. W Nutrola wierzymy, że twierdzenia o dokładności bez przejrzystej metodologii są bezwartościowe.

W tym artykule wyjaśniamy, jak Nutrola Research Lab weryfikuje dokładność rozpoznawania żywności. Opisujemy nasze protokoły testowe, standardy odniesienia, do których się odnosimy, jak kategoryzujemy i redukujemy błędy oraz metryki, które publikujemy. Naszym celem jest dostarczenie użytkownikom, dietetykom, deweloperom i badaczom jasnego zrozumienia, co oznacza "dokładność" w naszym kontekście i jak pracujemy nad jej poprawą.

Dlaczego Weryfikacja Jest Ważna

Większość aplikacji żywieniowych raportuje dokładność, korzystając z wewnętrznych benchmarków, które są zoptymalizowane dla korzystnych wyników. Powszechną praktyką jest testowanie na wydzielonej części tego samego zestawu danych używanego do treningu, co prowadzi do zawyżonych wyników dokładności, które nie odzwierciedlają rzeczywistej wydajności. Model może osiągnąć 95 procent dokładności na swoim własnym zestawie testowym, podczas gdy ma trudności z rozpoznawaniem żywności, którą faktycznie spożywają jego użytkownicy.

Prawidłowa weryfikacja wymaga testowania w oparciu o niezależną prawdę, z wykorzystaniem protokołów, które minimalizują stronniczość. W kontekście medycznym i naukowym nazywa się to walidacją analityczną, która polega na porównaniu wyników systemu z znanym standardem odniesienia przy użyciu zarejestrowanego protokołu. Nutrola Research Lab stosuje tę zasadę do rozpoznawania żywności.

Nasz Standard Odniesienia: Posiłki Analizowane w Laboratorium

Jak Tworzymy Posiłki Referencyjne

Podstawą naszego procesu weryfikacji jest biblioteka posiłków referencyjnych o zweryfikowanej w laboratorium kompozycji odżywczej. Oto jak je tworzymy:

1. Wybór posiłków: Wybieramy posiłki, które reprezentują różnorodność żywności śledzonej przez użytkowników Nutrola. Obejmuje to popularne dania (grillowany kurczak z ryżem, makaron z sosem pomidorowym), złożone dania wieloskładnikowe (bibimbap, talerze thali), trudne przypadki (zupy, koktajle, dania z dużą ilością sosu) oraz pozycje z mniej reprezentowanych kuchni.

2. Przygotowanie i ważenie: Każdy posiłek jest przygotowywany w naszej kuchni testowej lub pozyskiwany z restauracji. Każdy składnik jest ważony na skalach laboratoryjnych (dokładność 0,1 grama) przed i w trakcie przygotowania. Oleje do gotowania, sosy, przyprawy i dodatki są mierzone precyzyjnie.

3. Fotografia: Przygotowany posiłek jest fotografowany w różnych warunkach:

   • Kontrolowane oświetlenie (5500K światło dzienne, rozproszone)
   • Naturalne światło dzienne (warunki zmienne)
   • Sztuczne oświetlenie wewnętrzne (fluorescencyjne, żarowe, ciepłe LED)
   • Różne kąty (z góry, 45 stopni, na poziomie oczu)
   • Różne urządzenia (najnowszy iPhone, Samsung Galaxy, Pixel, średniej klasy Android)
   • Różne odległości i kompozycje

   Każdy posiłek generuje od 15 do 30 zdjęć w tych warunkach, tworząc zestaw testowy, który odzwierciedla rzeczywistą zmienność fotograficzną.

4. Analiza laboratoryjna: Dla podzbioru posiłków wymagających najwyższej dokładności referencyjnej, wysyłamy przygotowane próbki do certyfikowanego laboratorium analizy żywności (z wykorzystaniem metod AOAC International). Laboratorium mierzy:

   • Całkowitą energię (kalorymetria bombowa)
   • Białko (metoda Kjeldahla lub spalania Dumas)
   • Całkowity tłuszcz (hydroliza kwasowa, a następnie ekstrakcja Soxhleta)
   • Węglowodany (na podstawie różnicy: całkowita masa minus białko, tłuszcz, wilgoć i popiół)
   • Błonnik pokarmowy (metoda enzymatyczno-grawimetryczna)
   • Zawartość wilgoci i popiołu

5. Obliczone wartości referencyjne: Dla posiłków, dla których nie przeprowadzono analizy laboratoryjnej, obliczamy referencyjne wartości odżywcze na podstawie wag składników, korzystając z USDA FoodData Central (bazy danych SR Legacy i FNDDS) oraz zweryfikowanych danych producentów dla produktów markowych. Te obliczone wartości służą jako wtórne standardy odniesienia.

Rozmiar Biblioteki Posiłków Referencyjnych

Na początku 2026 roku biblioteka referencyjna Nutrola Research Lab zawiera:

Kategoria	Liczba
Unikalne posiłki z obliczonymi wartościami referencyjnymi	4,200+
Unikalne posiłki z wartościami referencyjnymi analizowanymi w laboratorium	680+
Łączna liczba zdjęć referencyjnych	78,000+
Reprezentowane kuchnie	42
Pokryte wzorce dietetyczne (keto, wegańska, halal itp.)	18

Dodajemy około 50 nowych posiłków referencyjnych miesięcznie i co kwartał ponownie testujemy istniejące posiłki w kontekście zaktualizowanych modeli.

Protokół Testów Ślepych

Co Oznacza "Ślepy" w Tym Kontekście

Nasz protokół testowy jest zaprojektowany tak, aby zapobiec uzyskaniu przez model jakiejkolwiek nieuczciwej przewagi w przypadku testowanych posiłków. Wprowadzamy trzy poziomy separacji:

1. Separacja danych: Żadne zdjęcie posiłku referencyjnego nigdy nie pojawiło się w żadnym zbiorze danych treningowych. Utrzymujemy ścisłą separację między biblioteką testową a danymi treningowymi, egzekwowaną przez deduplikację opartą na haszach oraz oddzielny system przechowywania z kontrolą dostępu.

2. Ślepe ocenianie: Członkowie zespołu, którzy przygotowują i fotografują posiłki referencyjne, są inni niż członkowie zespołu, którzy opracowują i trenują modele. Deweloperzy modeli nie widzą biblioteki testowej, aż wyniki zostaną opublikowane.

3. Automatyczna ocena: Po zrobieniu zdjęć i zapisaniu wartości referencyjnych, proces oceny przebiega automatycznie. Zdjęcia są przesyłane do produkcyjnego API (tego samego punktu końcowego, który obsługuje rzeczywistych użytkowników) bez specjalnych znaczników, nagłówków czy wstępnego przetwarzania. Wyniki są porównywane z wartościami referencyjnymi programowo, eliminując subiektywną ocenę.

Częstotliwość Testowania

Przeprowadzamy trzy rodzaje testów walidacyjnych:

Ciągłe testowanie regresji: Każda aktualizacja modelu jest oceniana w odniesieniu do całej biblioteki referencyjnej przed wdrożeniem. Model, który regresuje w jakiejkolwiek głównej kategorii żywności, nie jest wdrażany, dopóki regresja nie zostanie rozwiązana. Dzieje się to przy każdej aktualizacji modelu, zazwyczaj co jeden do dwóch tygodni.

Kwartalna kompleksowa ocena: Co kwartał przeprowadzamy pełną ocenę, która obejmuje nowo dodane posiłki referencyjne, zaktualizowane metryki dokładności we wszystkich kategoriach, porównanie z poprzednimi kwartałami oraz analizę wzorców błędów.

Coroczny audyt zewnętrzny: Raz w roku angażujemy niezależnego oceniającego (wydział nauk żywności na uniwersytecie lub niezależne laboratorium testowe), aby przeprowadzić podzbiór naszego protokołu, korzystając z posiłków, które przygotowują i fotografują niezależnie. To chroni przed systematycznymi stronniczościami w naszych własnych praktykach przygotowywania lub fotografowania posiłków.

Jak Mierzymy Dokładność

Metryki Identyfikacji Żywności

Dokładność Top-1: Procent zdjęć testowych, w których najwyżej oceniana przez model prognoza zgadza się z referencyjną etykietą żywności. Raportujemy to na trzech poziomach:

• Ogólnie (wszystkie kategorie żywności)
• Na kuchnię (np. japońska, meksykańska, indyjska, włoska)
• Na poziom trudności (proste jednoskładnikowe, talerz wieloskładnikowy, danie mieszane)

Dokładność Top-3: Procent zdjęć testowych, w których poprawna etykieta żywności znajduje się w trzech najwyższych prognozach modelu. To ma znaczenie, ponieważ wiele przypadków niejednoznacznych (np. zupa krem z grzybów vs zupa krem z kurczaka) jest rozstrzyganych przez wybór użytkownika z krótkiej listy.

Czułość detekcji: W przypadku talerzy wieloskładnikowych, procent poszczególnych składników żywności w referencji, które są wykrywane przez model. Talerz z kurczakiem, ryżem i brokułami, gdzie model wykrywa kurczaka i ryż, ale pomija brokuły, ma czułość detekcji na poziomie 66,7 procent.

Metryki Dokładności Odżywczej

Średni Błąd Bezwzględny (MAE): Średnia bezwzględna różnica między prognozowanymi a referencyjnymi wartościami odżywczymi, raportowana w gramach dla makroskładników i kilokaloriach dla energii.

Średni Bezwzględny Błąd Procentowy (MAPE): MAE wyrażony jako procent wartości referencyjnej. To normalizuje w różnych rozmiarach porcji i gęstościach kalorycznych. Raportujemy MAPE osobno dla kalorii, białka, węglowodanów, tłuszczu i błonnika.

Współczynnik korelacji (r): Korelacja Pearsona między prognozowanymi a referencyjnymi wartościami w zestawie testowym. Wysoka korelacja (r > 0.90) wskazuje, że model niezawodnie klasyfikuje posiłki od niższej do wyższej zawartości kalorii/składników odżywczych, nawet jeśli wartości bezwzględne mają pewne przesunięcie.

Analiza Bland-Altman: W przypadku oszacowania wartości odżywczych wykorzystujemy wykresy Bland-Altman do wizualizacji zgodności między prognozowanymi a referencyjnymi wartościami. Ta metoda, standardowa w badaniach porównawczych metod klinicznych, ujawnia, czy błędy są spójne w całym zakresie wartości (stronniczość jednolita) czy też dokładność pogarsza się dla bardzo małych lub bardzo dużych porcji (stronniczość proporcjonalna).

Aktualne Wskaźniki Dokładności (Q1 2026)

Metryka	Ogółem	Proste składniki	Wieloskładnikowe	Dania mieszane
Dokładność identyfikacji żywności Top-1	89.3%	94.1%	87.6%	78.4%
Dokładność identyfikacji żywności Top-3	96.1%	98.7%	95.2%	90.3%
Czułość detekcji (wieloskładnikowe)	91.8%	N/D	91.8%	85.2%
Kalorie MAPE	17.2%	12.8%	18.4%	24.6%
Białko MAPE	19.8%	14.3%	21.2%	27.1%
Węglowodany MAPE	18.5%	13.6%	19.7%	25.8%
Tłuszcz MAPE	22.4%	16.1%	23.8%	31.2%
Korelacja kalorii (r)	0.94	0.97	0.93	0.88

Uwagi: "Proste składniki" to obrazy jednoskładnikowe (np. jabłko, miska owsianki). "Wieloskładnikowe" talerze zawierają dwa lub więcej wyraźnych, wizualnie oddzielnych składników. "Dania mieszane" to pozycje, w których składniki są połączone (zupy, zapiekanki, curry, koktajle). Tłuszcz MAPE jest konsekwentnie najwyższą metryką błędu, ponieważ tłuszcze używane w gotowaniu są najmniej widocznie wykrywalne.

Kategoryzacja Błędów

Zrozumienie, gdzie występują błędy, jest równie ważne, jak pomiar ich wielkości. Kategoryzujemy błędy na pięć typów:

Typ 1: Błędna Identyfikacja

Model identyfikuje niewłaściwą żywność. Przykład: klasyfikacja kurczaka bazyliowego jako kurczaka kung pao. Te błędy wpływają zarówno na dokładność identyfikacji, jak i oszacowanie wartości odżywczych. Błędy błędnej identyfikacji spadły z 15,2 procent wszystkich prognoz w 2024 roku do 10,7 procent w Q1 2026.

Typ 2: Błąd Oszacowania Porcji

Żywność jest poprawnie identyfikowana, ale oszacowanie porcji jest znacznie błędne. Przykład: poprawne zidentyfikowanie makaronu, ale oszacowanie 200 gramów, gdy rzeczywista waga wynosi 140 gramów. Błędy porcji są największym czynnikiem przyczyniającym się do kalorycznego MAPE, odpowiadającym za około 55 procent całkowitego budżetu błędów odżywczych.

Typ 3: Brakujący Składnik

Model nie wykrywa składnika żywności, który jest obecny na zdjęciu. Przykład: brak wykrycia oliwy z oliwek skropionej na sałatkę lub pominięcie małej porcji sosu. Te błędy powodują systematyczne niedoszacowanie i są szczególnie problematyczne dla produktów o dużej gęstości kalorycznej, które mogą być wizualnie subtelne.

Typ 4: Błąd Metody Przygotowania

Żywność jest poprawnie identyfikowana na poziomie składnika, ale metoda przygotowania jest błędna. Przykład: poprawne zidentyfikowanie piersi z kurczaka, ale klasyfikacja jako grillowana, gdy jest smażona na oleju. Błędy metody przygotowania nieproporcjonalnie wpływają na oszacowania tłuszczu, ponieważ metody gotowania dramatycznie zmieniają zawartość tłuszczu.

Typ 5: Błąd Mapowania w Bazie Danych

Żywność jest poprawnie identyfikowana, a porcja jest rozsądnie oszacowana, ale wpis w bazie danych odżywczej, do którego jest mapowana, nie dokładnie odzwierciedla konkretną wersję. Przykład: mapowanie czosnkowego chleba z restauracji do ogólnego wpisu czosnkowego chleba, który nie uwzględnia użycia dodatkowego masła przez restaurację. Te błędy są rozwiązywane poprzez rozszerzenie bazy danych i wpisy specyficzne dla restauracji.

Rozkład Błędów (Q1 2026)

Typ błędu	Częstotliwość	Wkład w błąd kaloryczny
Typ 1: Błędna identyfikacja	10.7% prognoz	22% błędu kalorycznego
Typ 2: Oszacowanie porcji	34.2% prognoz	55% błędu kalorycznego
Typ 3: Brakujący składnik	8.3% prognoz	11% błędu kalorycznego
Typ 4: Metoda przygotowania	5.8% prognoz	8% błędu kalorycznego
Typ 5: Mapowanie w bazie danych	3.1% prognoz	4% błędu kalorycznego

Jak Redukujemy Błędy

Ciągłe Doskonalenie Modelu

Naszą główną strategią redukcji błędów jest aktywna pętla uczenia. Gdy użytkownicy poprawiają identyfikację żywności lub dostosowują rozmiar porcji, ta poprawka trafia do kolejki walidacyjnej. Poprawki, które są zgodne z znanymi profilami odżywczymi (np. gęstość kaloryczna poprawionego składnika mieści się w rozsądnym zakresie), są włączane do zbioru danych treningowych przy następnej aktualizacji modelu.

Przeprowadzamy ponowne szkolenie naszych modeli rozpoznawania co tydzień. Każda aktualizacja obejmuje nowe poprawki zweryfikowane przez użytkowników, nowe zdjęcia referencyjne z laboratorium badawczego oraz tzw. hard negative mining (specjalne ukierunkowanie na pary żywności, które model często myli).

Ukierunkowane Programy Poprawy Dokładności

Gdy nasza kwartalna ocena ujawnia kategorię z dokładnością poniżej celu, uruchamiamy ukierunkowany program poprawy:

1. Zbieramy dodatkowe dane treningowe dla kategorii, która nie osiąga wyników
2. Analizujemy konkretne wzorce błędów (czy to błędna identyfikacja, oszacowanie porcji, czy mapowanie w bazie danych?)
3. Wprowadzamy ukierunkowane poprawki (dodatkowe dane treningowe, dostosowania architektury modelu, aktualizacje bazy danych)
4. Walidujemy poprawę w odniesieniu do biblioteki referencyjnej
5. Wdrażamy i monitorujemy

W 2025 roku przeprowadziliśmy ukierunkowane programy dla curry z Azji Południowo-Wschodniej, meksykańskiego jedzenia ulicznego i mezze z Bliskiego Wschodu, osiągając poprawę dokładności w każdej kategorii o 8-14 punktów procentowych.

Krzyżowa Weryfikacja USDA

Dla każdej żywności w naszej bazie danych krzyżowo weryfikujemy wartości odżywcze w odniesieniu do USDA FoodData Central. Gdy prognozowane przez Nutrola wartości odżywcze dla poprawnie zidentyfikowanej żywności odbiegają o więcej niż 15 procent od wartości referencyjnej USDA dla oszacowanej porcji, system oznacza prognozę do przeglądu.

Ta krzyżowa weryfikacja wychwytuje dwa rodzaje problemów:

• Prognozy modelu, które są technicznie poprawnymi identyfikacjami, ale mapowane do niewłaściwych wpisów w bazie danych
• Wpisy w bazie danych, które zawierają błędy lub są przestarzałe

Co miesiąc aktualizujemy naszą bazę danych odżywczych, włączając aktualizacje z USDA FoodData Central, zmiany produktów producentów oraz poprawki zidentyfikowane w wyniku krzyżowej weryfikacji.

Kontrola Jakości Poprawek Użytkowników

Nie wszystkie poprawki użytkowników są równie wiarygodne. Użytkownik, który zmienia "biały ryż" na "ryż kalafiorowy", wprowadza znaczącą poprawkę. Użytkownik, który losowo zmienia rozmiary porcji, może wprowadzać szum. Stosujemy filtry kontroli jakości:

• Poprawki od użytkowników z konsekwentnymi historiami śledzenia mają wyższą wagę
• Poprawki, które są potwierdzone przez wielu użytkowników dla tego samego składnika żywności, są priorytetowe
• Poprawki, które prowadziłyby do nieprawdopodobnych wartości odżywczych (np. sałatka z 2000 kaloriami), są oznaczane do ręcznego przeglądu
• Używamy wykrywania statystycznych wartości odstających, aby zidentyfikować i wykluczyć potencjalnie błędne poprawki

Przejrzystość i Ograniczenia

Co Publikujemy

Nutrola Research Lab publikuje następujące informacje:

• Kwartalne metryki dokładności we wszystkich kategoriach (jak pokazano w powyższych tabelach)
• Tendencje dokładności rok do roku
• Znane ograniczenia i trudne kategorie żywności
• Naszą metodologię testowania (ten artykuł)

Znane Ograniczenia, o Których Jesteśmy Przejrzystyi

Ukryte składniki pozostają największym źródłem błędów, których nie możemy kontrolować. Oleje do gotowania, masło, cukier i sól dodawane podczas przygotowania są niewidoczne na zdjęciach. Nasze modele korzystają z priorytetów metod przygotowania, aby oszacować wkład ukrytych składników, ale są to średnie statystyczne, które mogą nie odpowiadać praktykom konkretnej restauracji czy domowego kucharza.

Jednorodne żywności (zupy, koktajle, puree) mają wyższe wskaźniki błędów. Gdy cechy wizualne są ograniczone, model polega w dużej mierze na wskazówkach kontekstowych i wkładzie użytkownika. Wyraźnie komunikujemy niższą pewność dla tych kategorii w aplikacji.

Posiłki restauracyjne są z natury trudniejsze niż domowe. Ustandaryzowane przepisy różnią się w zależności od lokalizacji, szefa kuchni i dnia. Sałatka Cezar w restauracji może mieć podwójną ilość sosu w porównaniu do wersji innej restauracji, a żadna z nich nie odpowiada ogólnemu wpisowi USDA.

Dokładność jest niższa dla kuchni z mniejszą ilością danych treningowych. Chociaż aktywnie rozszerzamy nasze pokrycie, niektóre regionalne kuchnie (centralnoafrykańska, centralnoazjatycka, pacyficzna) mają mniej przykładów treningowych i odpowiednio niższą dokładność. Wyświetlamy wskaźniki pewności, aby użytkownicy mogli zobaczyć, kiedy model jest mniej pewny.

Trajektoria Poprawy Dokładności

W ciągu ostatnich 18 miesięcy dokładność rozpoznawania żywności Nutrola podążała za stałą trajektorią poprawy:

Kwartał	Dokładność Top-1	Kalorie MAPE	Główna Poprawa
Q3 2024	82.1%	23.8%	Podstawa po aktualizacji architektury
Q4 2024	84.7%	21.4%	Rozszerzone dane treningowe kuchni azjatyckiej
Q1 2025	86.3%	20.1%	Udoskonalone oszacowanie porcji z LiDAR
Q2 2025	87.5%	19.2%	Ulepszenie podstawowego modelu
Q3 2025	88.1%	18.6%	Integracja kontekstu multimodalnego
Q4 2025	88.9%	17.8%	Udoskonalenie dekompozycji dań mieszanych
Q1 2026	89.3%	17.2%	Personalizowana adaptacja modelu

Każdy punkt procentowy poprawy na tym poziomie wymaga znacznie większego wysiłku niż poprzedni. Pozostałe błędy koncentrują się w najtrudniejszych przypadkach: wizualnie niejednoznacznych potrawach, ukrytych składnikach, nietypowych rozmiarach porcji i rzadkich produktach. Kontynuacja postępu wymaga zarówno lepszych modeli, jak i lepszych danych referencyjnych.

Najczęściej Zadawane Pytania

Jak dokładność Nutrola wypada w porównaniu do konkurencji?

Bezpośrednie porównanie jest trudne, ponieważ większość konkurentów nie publikuje swojej metodologii walidacji ani metryk dokładności z takim samym poziomem szczegółowości. Na publicznych benchmarkach, takich jak Food-101 i ISIA Food-500, model Nutrola osiąga wyniki w górnej części opublikowanych rezultatów. Nasza dokładność w rzeczywistych warunkach, zweryfikowana w odniesieniu do posiłków analizowanych w laboratoriach, jest tym, co uważamy za bardziej znaczącą metrykę, i zachęcamy inne firmy do przyjęcia podobnych praktyk walidacyjnych.

Dlaczego oszacowanie tłuszczu jest mniej dokładne niż oszacowanie białka lub węglowodanów?

Tłuszcz jest najtrudniejszym makroskładnikiem do oszacowania wizualnie, ponieważ wiele z niego jest ukryte. Oleje do gotowania wchłonięte w jedzenie, masło roztopione w sosach i marmurkowatość tłuszczu w mięsie są niewidoczne lub prawie niewidoczne na zdjęciach. Dodatkowo, tłuszcz ma najwyższą gęstość kaloryczną (9 kcal/g w porównaniu do 4 kcal/g dla białka i węglowodanów), więc nawet małe błędy w oszacowaniu gramów tłuszczu przekładają się na większe błędy kaloryczne.

Jak radzicie sobie z żywnością, która nie znajduje się w waszej bazie danych?

Gdy model napotyka żywność, której nie może sklasyfikować z wystarczającą pewnością, przedstawia użytkownikowi swoje najlepsze przypuszczenia oraz opcję ręcznego wyszukiwania lub wprowadzenia pozycji. Te spotkania o niskiej pewności są rejestrowane i priorytetowane do włączenia w przyszłych danych treningowych. Jeśli konkretna nierozpoznana żywność pojawia się często wśród wielu użytkowników, jest przyspieszana do dodania zarówno do modelu rozpoznawania, jak i bazy danych odżywczych.

Czy mogę ufać dokładności dla mojej konkretnej diety?

Dokładność różni się w zależności od typu żywności, jak pokazano w naszych opublikowanych metrykach. Jeśli głównie spożywasz proste, dobrze zdefiniowane posiłki (grillowane białka, proste zboża, świeże warzywa), możesz oczekiwać dokładności na wyższym końcu naszego zakresu. Jeśli często jesz złożone dania mieszane, posiłki restauracyjne o nieznanych metodach przygotowania lub żywność z kuchni z ograniczonymi danymi treningowymi, dokładność będzie na niższym końcu. Wskaźnik pewności w aplikacji Nutrola odzwierciedla tę zmienność na poziomie każdej prognozy.

Czy Nutrola sprzedaje lub udostępnia moje zdjęcia żywności do treningu?

Praktyki dotyczące danych Nutrola są opisane w naszej polityce prywatności. Poprawki użytkowników i zdjęcia żywności są wykorzystywane do poprawy naszych modeli rozpoznawania tylko za wyraźną zgodą użytkownika w ramach naszego programu wkładu danych. Użytkownicy, którzy rezygnują, nadal korzystają z ulepszonego modelu (ponieważ wkłady innych użytkowników go poprawiają) bez wnoszenia własnych danych. Żadne dane żywnościowe, które można zidentyfikować indywidualnie, nie są sprzedawane osobom trzecim.

Jak często model jest aktualizowany?

Model rozpoznawania jest ponownie trenowany i aktualizowany mniej więcej co tydzień. Główne zmiany architektury występują rzadziej, zazwyczaj raz lub dwa razy w roku. Każda aktualizacja przechodzi przez pełny protokół testowania regresji w odniesieniu do biblioteki referencyjnej przed wdrożeniem do produkcji. Użytkownicy otrzymują aktualizacje modelu automatycznie przez aplikację, bez potrzeby aktualizacji samej aplikacji.

Podsumowanie

Weryfikacja to nie funkcja, którą wdrażamy raz i zapominamy. To ciągła dyscyplina, która przebiega równolegle z każdą poprawą modelu. Nutrola Research Lab istnieje, ponieważ wierzymy, że przejrzyste raportowanie dokładności buduje zaufanie, które śledzenie żywności oparte na AI potrzebuje, aby być naprawdę użyteczne.

Nasza metodologia, posiłki referencyjne analizowane w laboratoriach, protokoły testów ślepych, krzyżowa weryfikacja USDA, systematyczna kategoryzacja błędów i publikowane metryki są zaprojektowane, aby trzymać nas na standardzie wyższym niż wewnętrzne benchmarki. Nie jesteśmy doskonali. Nasze metryki dokładności to udowadniają. Ale dokładnie wiemy, gdzie mamy braki, i mamy systematyczne procesy, aby je zlikwidować.

Dla użytkowników praktyczne znaczenie jest proste: Nutrola dostarcza oszacowania odżywcze, które są przejrzyste w kwestii swojej niepewności, które poprawiają się w sposób mierzalny z czasem i które są weryfikowane w odniesieniu do najbardziej rygorystycznego standardu odniesienia, jaki możemy skonstruować. Tak wygląda odpowiedzialne śledzenie żywności oparte na AI.