Am trimis 50 de mese la un laborator și am testat AI-ul vs. etichete vs. datele USDA pentru acuratețea caloriilor

Fiecare număr de calorii pe care l-ai citit vreodată este o estimare. Eticheta nutrițională de pe batonul tău proteic, intrarea USDA pentru "piept de pui la grătar", cifra pe care aplicația ta de urmărire o afișează când faci o poză prânzului tău — toate acestea sunt aproximări ale conținutului real de energie de pe farfuria ta. Întrebarea pe care nimeni nu pare să o pună este: cât de departe sunt aceste estimări de realitate și care sursă se apropie cel mai mult de adevăr?

Am decis să aflăm. Pe parcursul a trei luni, echipa Nutrola a cumpărat, pregătit sau comandat 50 de mese reale, a fotografiat fiecare masă, a înregistrat valorile de pe etichete și din baza de date USDA, apoi a trimis porții identice la un laborator de știință alimentară certificat pentru analiză folosind calorimetria bombă — standardul de aur pentru măsurarea conținutului caloric real al alimentelor.

Acest articol prezintă rezultatele complete. Fără selecții selective, fără omisiuni. Fiecare masă, fiecare număr, fiecare surpriză.

De ce am făcut asta

Industria nutrițională funcționează pe bază de încredere. Consumatorii au încredere că eticheta de pe un aliment ambalat este precisă. Dietiștii au încredere că datele de referință USDA reflectă porții reale. Dezvoltatorii de aplicații au încredere că bazele lor de date sunt suficient de aproape de adevăr. Dar foarte puțini oameni au verificat efectiv aceste presupuneri prin analize de laborator — iar studiile care există tind să se concentreze îngust pe alimentele ambalate sau pe nutrienți singulari.

Ne-am dorit o imagine mai amplă. Vrem să știm cum se comportă fiecare sursă majoră de calorii — etichete, baze de date guvernamentale și estimări foto bazate pe AI — pe întregul spectru de alimente pe care oamenii le consumă de fapt: gustări ambalate, alimente simple, preparate de casă, mese la restaurant și bucătărie internațională. Și am dorit să testăm propriul nostru produs, Nutrola, cu aceeași rigurozitate pe care am aplicat-o la tot ce am analizat.

Scopul nu a fost să demonstrăm că Nutrola este perfect. Nu este. Scopul a fost să înțelegem unde excelează fiecare sursă de calorii, unde eșuează și ce înseamnă asta pentru milioanele de oameni care se bazează pe aceste numere pentru a-și gestiona sănătatea.

Metodologie

Selecția meselor

Am selectat 50 de mese din cinci categorii, cu câte 10 mese în fiecare:

Categoria	Exemple
Alimente ambalate	Batoane proteice, mese congelate, supe la conservă, cereale, iaurturi
Alimente simple	Banane, piept de pui crud, ouă fierte, orez brun, avocado
Preparatele de casă	Spaghete bolognese, pui stir-fry, supă de linte, salată Caesar, clătite cu banane
Mese la restaurant	Burger de fast-food, platou sushi, curry verde thailandez, felie de pizza, bol burrito
Preparatele internaționale	Pui cu unt indian, ramen japonez, tamales mexicane, platou injera etiopian, bibimbap coreean

Mesele au fost cumpărate sau pregătite în Dublin, Irlanda, și selectate pentru a reprezenta alimente pe care utilizatorii le urmăresc frecvent. Am inclus deliberat articole cunoscute ca fiind dificile atât pentru baze de date, cât și pentru sistemele AI: preparate cu mult sos, alimente prăjite, mese cu mai multe componente și alimente unde estimarea vizuală a conținutului de ulei sau unt este provocatoare.

Analiza de laborator

Toate probele au fost trimise la un laborator de testare alimentară acreditat ISO 17025. Fiecare masă a fost analizată folosind calorimetria bombă, metoda de referință pentru determinarea conținutului energetic brut al alimentelor.

În calorimetria bombă, o probă de aliment cântărită cu precizie este plasată într-o cameră etanșă, bogată în oxigen (denumită "bombă") și aprinsă. Căldura eliberată în timpul combustiei complete este măsurată de apa din jur. Valoarea rezultată, exprimată în kilocalorii, reprezintă energia chimică totală din aliment. Se aplică un factor de corecție pentru a ține cont de porțiunea de energie pe care corpul uman nu o poate extrage (în principal din fibră), obținând astfel valoarea energetică metabolizabilă — numărul care ar trebui să apară pe o etichetă nutrițională.

Fiecare dintre cele 50 de mese a fost analizată în triplicat (trei runde independente), iar valoarea medie a fost utilizată ca referință de laborator. Coeficientul de variație între triplicat a fost sub 2% pentru toate probele, confirmând o precizie ridicată a măsurătorilor.

Sursele de comparație

Pentru fiecare masă, am înregistrat valorile calorice din patru surse:

1. Laborator (calorimetrie bombă) — adevărul absolut
2. Nutrola AI — estimarea caloriilor generată de sistemul AI al Nutrola dintr-o singură fotografie a mesei, realizată în condiții de iluminare normală pe o farfurie standard, fără scară sau obiect de referință
3. Eticheta nutrițională — valoarea imprimată pe ambalaj (pentru alimente ambalate) sau numărul de calorii publicat de restaurant (pentru mesele la restaurant). Pentru alimentele simple și preparatele de casă, această coloană folosește eticheta producătorului, acolo unde este disponibilă, sau este marcată N/A
4. USDA FoodData Central — valoarea obținută căutând fiecare ingredient în baza de date USDA și sumând componentele pe baza greutăților măsurate

Pentru preparatele de casă, valoarea USDA a fost calculată cântărind fiecare ingredient crud pe o balanță de bucătărie, căutând valoarea calorică pe gram în USDA FoodData Central și sumându-le — metoda pe care cei mai atenți urmăritori manuali ar folosi-o.

Pentru estimarea Nutrola AI, fiecare masă a fost fotografiată exact o dată. Nu am refăcut fotografiile, nu am ajustat unghiurile și nu am oferit niciun context suplimentar dincolo de ceea ce un utilizator obișnuit ar furniza. Sistemul AI a identificat alimentul, a estimat porțiile și a returnat o valoare calorică.

Abordarea statistică

Acuratețea este raportată ca eroare procentuală medie absolută (MAPE) — media abaterilor procentuale absolute de la valoarea de laborator, calculată astfel:

MAPE = (1/n) * SUM(|Estimare - Laborator| / Laborator * 100)

De asemenea, raportăm eroarea medie semnată (pentru a arăta supraestimarea sau subestimarea sistematică), deviația standard a erorilor și intervalele de încredere de 95% acolo unde dimensiunile eșantionului permit.

Rezultate

Acuratețea generală: Toate cele 50 de mese

Sursă	Eroare Absolută Medie (MAPE)	Eroare Medie Semnată	Deviația Standard	95% CI MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
Referința USDA	8.1%	-2.8%	6.7%	6.2% - 10.0%
Etichetele Nutriționale*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Datele etichetei nutriționale disponibile pentru 30 din 50 de mese (alimente ambalate, unele mese la restaurant). MAPE calculat doar pe datele disponibile.

Prima concluzie importantă: etichetele nutriționale au arătat cea mai mare deviație medie de la valorile de laborator, și ele supraestimează constant caloriile. Eroarea medie semnată pozitiv de +6.3% înseamnă că etichetele, în medie, au revendicat mai multe calorii decât conținea efectiv alimentul. Acest lucru este consistent cu cercetările anterioare care arată că producătorii tind să rotunjească în sus mai degrabă decât în jos pentru a se încadra în toleranțele de reglementare ale FDA și UE.

AI-ul Nutrola și baza de date USDA au avut o performanță comparabilă în ceea ce privește acuratețea generală, cu Nutrola arătând un MAPE ușor mai mic (7.4% față de 8.1%). Diferența nu este semnificativă din punct de vedere statistic la această dimensiune a eșantionului (p = 0.41, test t pe erorile absolute). Totuși, modelul erorilor a diferit substanțial între cele două surse, așa cum dezvăluie analiza pe categorii.

Acuratețea pe Categorii de Mese

Categoria (n=10 fiecare)	Nutrola AI MAPE	USDA MAPE	Eticheta MAPE	Cea Mai Bună Sursă
Alimente ambalate	6.2%	4.8%	9.7%	USDA
Alimente simple	4.1%	3.2%	11.4%*	USDA
Preparatele de casă	7.9%	6.4%	N/A	USDA
Mese la restaurant	8.6%	14.2%	16.8%	Nutrola AI
Preparatele internaționale	10.1%	15.7%	N/A	Nutrola AI

*Valorile etichetei pentru alimentele simple se bazează pe afirmațiile pe porție de pe ambalaj (de exemplu, un pachet de mere care indică "95 kcal per măr mediu").

Aici devine interesant.

Pentru alimentele ambalate și alimentele simple, baza de date USDA câștigă. Acest lucru are sens. Datele USDA sunt derivate din analize de laborator ale articolelor alimentare standardizate. Când consumi un ou fiert simplu sau o banană crudă, valoarea USDA este practic un rezultat de laborator în sine și se potrivește strâns cu constatările noastre independente de laborator.

Pentru mesele la restaurant și preparatele internaționale, AI-ul Nutrola depășește atât USDA, cât și numerele de calorii publicate cu o marjă largă. Mesele la restaurant au arătat un MAPE USDA de 14.2% comparativ cu 8.6% pentru Nutrola. Motivul este simplu: datele USDA descriu ingrediente idealizate, nu ceea ce o bucătărie de restaurant pune efectiv pe farfurie. O estimare bazată pe USDA pentru "pui teriyaki cu orez" nu poate ține cont de cantitatea specifică de ulei folosită de bucătar, de grosimea sosului sau de dimensiunea reală a porției — dar un sistem AI vizual care analizează farfuria efectivă din fața ta poate.

Cele 10 Cele Mai Mari Surprize

Aceste mese individuale au generat cele mai mari discrepanțe între cel puțin o sursă și valoarea de laborator:

Masă	Laborator (kcal)	Nutrola AI	Eticheta	USDA	Cea Mai Mare Surpriză	Eroare
Pad Thai la restaurant	738	692	520*	584	Eticheta	-29.5%
Lasagna "slabă" congelată	412	388	310	395	Eticheta	-24.8%
Pui cu unt și naan	943	874	N/A	716	USDA	-24.1%
Amestec de fructe uscate ambalat (1 porție)	287	264	230	271	Eticheta	-19.9%
Salată Caesar de casă	486	421	N/A	347	USDA	-28.6%
Cheeseburger dublu de fast-food	832	898	740	780	Eticheta	-11.1%
Bibimbap coreean	687	742	N/A	531	USDA	-22.7%
Supă de roșii la conservă (1 conservă)	189	202	180	184	Nutrola AI	+6.9%
Ramen tonkotsu japonez	891	824	N/A	648	USDA	-27.3%
Spaghete bolognese (de casă)	623	581	N/A	527	USDA	-15.4%

*Numărul de calorii publicat de restaurant.

Mai multe modele apar din aceste excepții:

Numerele de calorii publicate de restaurante sunt cele mai puțin fiabile. Pad Thai-ul listat la 520 kcal pe meniul restaurantului conținea de fapt 738 kcal în laborator — o subestimare de 29.5%. Acest lucru nu este neobișnuit. Un studiu din 2013 publicat în Journal of the American Medical Association a constatat că mesele la restaurant conțin, în medie, cu 18% mai multe calorii decât cele indicate, unele depășind numerele publicate cu peste 30%.

Datele USDA subestimează sistematic alimentele preparate bogate în calorii. Puiul cu unt, bibimbap-ul, ramenul, bolognese-ul și salata Caesar au arătat toate erori negative mari atunci când au fost estimate prin căutarea ingredientelor USDA. Firul comun este grăsimea utilizată în gătit. Intrările USDA pentru "ulei vegetal" sau "unt" sunt precise pe gram, dar cantitatea de grăsime utilizată efectiv în gătit — în special în preparatele de restaurant și internaționale — este extrem de dificil de estimat fără măsurători directe. O rețetă de dressing pentru salata Caesar de casă poate conține 3-4 linguri de ulei care sunt aproape invizibile odată ce sunt amestecate cu salata.

AI-ul Nutrola tinde să subestimeze preparatele bogate în grăsimi și să supraestimeze alimentele simple. Eroarea semnată pentru mesele la restaurant a fost -3.8% (subestimare ușoară), în timp ce alimentele simple au arătat o eroare semnată de +1.9% (supraestimare ușoară). Acest lucru sugerează că AI-ul este oarecum conservator atunci când estimează grăsimile adăugate — o provocare cunoscută pentru orice sistem de estimare vizuală, deoarece uleiul absorbit în timpul prăjirii nu este vizibil pe suprafață.

Deviația Standard și Consistența

Acuratețea brută contează, dar la fel de mult contează și consistența. O sursă care greșește cu 5% de fiecare dată este mai utilă pentru urmărirea tendințelor decât una care greșește cu 0% jumătate din timp și cu 30% cealaltă jumătate.

Sursă	Std. Dev. al Erorilor	Interval (Min la Max Eroare)	% din Mesele Într-o Marjă de 10% față de Laborator
Nutrola AI	5.9%	-12.4% la +8.7%	74% (37/50)
Referința USDA	6.7%	-28.6% la +4.1%	62% (31/50)
Etichetele Nutriționale	9.4%	-29.5% la +14.2%	53% (16/30)

Nutrola AI a arătat cea mai mică deviație standard și cel mai strâns interval de erori dintre cele trei surse. 74% din estimările Nutrola s-au încadrat în 10% din valoarea de laborator, comparativ cu 62% pentru USDA și 53% pentru etichetele nutriționale. Această avantaj de consistență înseamnă că, chiar și atunci când AI-ul greșește, tinde să greșească cu o marjă previzibilă, mică — ceea ce este, fără îndoială, mai valoros pentru cineva care urmărește o tendință calorică săptămânală decât o acuratețe perfectă ocazională amestecată cu erori mari.

Acuratețea Descompunerii Macronutrienților

De asemenea, am comparat estimările macronutrienților (proteine, grăsimi, carbohidrați) cu valorile de laborator pentru un subset de 20 de mese. Rezultatele întăresc constatările privind caloriile:

Macronutrient	Nutrola AI MAPE	USDA MAPE	Eticheta MAPE
Proteine	8.2%	6.1%	10.8%
Grăsimi	11.4%	12.7%	14.1%
Carbohidrați	6.8%	5.9%	9.3%

Estimarea grăsimilor este cel mai slab punct în toate sursele. Acest lucru este de așteptat: conținutul de grăsimi este cel mai greu macronutrient de evaluat vizual (pentru AI) și cel mai variabil în preparare (pentru baze de date). O lingură în plus sau în minus de ulei de gătit adaugă aproximativ 14 grame de grăsimi și 120 de calorii, iar nici o cameră, nici o intrare în baza de date nu pot captura pe deplin această variabilitate.

Constatări Cheie

1. Etichetele Nutriționale Folosesc Toleranța Reglementară — Generos

În Statele Unite, FDA permite etichetelor nutriționale să devieze cu până la 20% de la valoarea declarată pentru calorii, iar eticheta este considerată conformă atâta timp cât valoarea reală nu depășește eticheta cu mai mult de 20%. Uniunea Europeană aplică un cadru similar de toleranță. Datele noastre sugerează că producătorii sunt bine conștienți de această toleranță și o folosesc strategic.

Dintre cele 20 de alimente ambalate și mesele etichetate din studiul nostru, 14 (70%) au subestimat caloriile în raport cu valoarea de laborator. Subestimarea medie a fost de 8.9%. Numai 4 mese (20%) au supraestimat caloriile, iar 2 au fost în cadrul a 2% de valoarea de laborator.

Această tendință direcțională nu este accidentală. Subestimarea caloriilor face ca un produs să pară "mai ușor" și mai atrăgător pentru consumatorii conștienți de sănătate. O masă congelată care pretinde 310 kcal, dar care conține de fapt 412 kcal (așa cum am descoperit cu o lasagna "slabă") se poate poziționa în raionul prietenos cu dieta, livrând totuși mult mai multă energie decât este publicat.

Pentru oricine se bazează pe etichete pentru a menține un deficit caloric, această subestimare sistematică este o problemă serioasă. Dacă etichetele tale sunt greșite cu o medie de -8.9%, și consumi trei mese etichetate pe zi la un obiectiv de 1,800 kcal, ai putea consuma aproximativ 1,960 kcal — suficient pentru a reduce deficitul tău de 500 de calorii aproape la jumătate.

2. Datele USDA Excelează pentru Ingrediente Crude, Dar Se Luptă cu Alimentele Preparat

Baza de date USDA FoodData Central este o resursă remarcabilă. Pentru alimente simple, neprocesate — o banană, un piept de pui, o cană de orez — este extrem de precisă. Datele noastre au arătat un MAPE de doar 3.2% pentru alimentele simple, ceea ce este aproape la fel de bun ca măsurătorile repetate de laborator.

Dar în momentul în care începe gătitul, acuratețea USDA se degradează. Pentru preparatele de casă, MAPE a crescut la 6.4%. Pentru mesele la restaurant, a sărit la 14.2%. Pentru preparatele internaționale, a ajuns la 15.7%.

Problema nu este baza de date în sine, ci decalajul dintre intrările bazei de date și prepararea în lumea reală. O intrare USDA pentru "legume stir-fry" presupune o cantitate specifică de ulei, un timp specific de gătire și un amestec specific de legume. Stir-fry-ul tău — sau cel servit la restaurantul tău local thailandez — poate folosi de două ori mai mult ulei, poate include legume mai grase și poate veni într-o porție mai mare. Baza de date nu poate ține cont de aceste variații; poate doar să descrie un mediu mediu.

Acest lucru are implicații pentru urmăritorii manuali care se mândresc cu "înregistrarea precisă" prin cântărirea ingredientelor și căutarea lor în baze de date. Această abordare funcționează bine pentru mese simple preparate acasă cu ingrediente măsurate. Se destramă pentru mese la restaurant, comenzi la livrare sau rețete unde cantitățile de grăsimi sunt aproximative.

3. Estimarea Foto AI Este Mai Preciză Decât Ne Așteptam — În Special pentru Mesele din Lumea Reală

Înainte de a desfășura acest studiu, presupunerea noastră internă era că AI-ul Nutrola va performa bine pentru alimente simple și slab pentru mese complexe. Datele au susținut parțial și au contrazis parțial acest lucru.

Așa cum ne așteptam, cea mai bună performanță a AI-ului a fost pe alimente simple (4.1% MAPE). O banană arată ca o banană, iar datele de antrenament ale AI-ului includ mii de imagini cu banane cu greutăți și valori calorice cunoscute.

Ceea ce ne-a surprins a fost performanța relativă a AI-ului pe mesele la restaurant și preparatele internaționale. Cu 8.6% și 10.1% MAPE respectiv, Nutrola a depășit semnificativ abordarea bazată pe USDA (14.2% și 15.7%). AI-ul pare să beneficieze de mai multe avantaje în aceste categorii:

• Estimarea dimensiunii porției din indicii vizuali. AI-ul folosește farfuria, bolul și ustensilele ca obiecte de referință pentru a estima volumul alimentelor, ceea ce captează porția efectiv servită, nu o "porție standard" presupusă.
• Detectarea sosurilor și toppingurilor. Modelul este antrenat să identifice sosurile vizibile, glazurile, brânza topită și alte toppinguri bogate în calorii pe care o căutare în baza de date le-ar putea rata.
• Calibrarea specifică bucătăriei. Datele de antrenament ale Nutrola includ zeci de mii de imagini etichetate din restaurante și bucătării internaționale, permițând modelului să învețe tipare specifice bucătăriei (de exemplu, că un bol de ramen conține de obicei mai multă grăsime decât sugerează aspectul său de supă).

Totuși, AI-ul nu a fost perfect. Cele mai slabe momente ale sale au venit cu grăsimile ascunse — uleiul absorbit în alimente prăjite, untul topit în sosuri și smântâna amestecată în supe. Aceste calorii sunt prezente fizic, dar vizual nedetectabile, și reprezintă un plafon greu de depășit pentru orice sistem bazat pe cameră fără informații suplimentare din partea utilizatorului.

4. Culpabilii Ascunși ai Caloriilor

În toate cele 50 de mese, cea mai mare sursă de eroare de estimare — pentru fiecare metodă, inclusiv AI-ul — a fost grăsimea de gătit adăugată. Uleiul, untul, ghee-ul, smântâna și alte grăsimi utilizate în timpul preparării au contat pentru majoritatea abaterilor mari.

Consideră salata Caesar de casă. Laboratorul nostru a măsurat 486 kcal. Estimarea bazată pe USDA a fost de 347 kcal — o subestimare de 28.6%. Discrepanța a fost aproape în întregime datorată dressingului: un dressing Caesar făcut de la zero, care conține ulei de măsline, gălbenuș de ou, parmezan și pastă de anșoa. Estimarea USDA a folosit o cantitate "standard" de dressing, dar porția efectivă a fost semnificativ mai generoasă.

În mod similar, puiul cu unt a avut 943 kcal în laborator comparativ cu 716 kcal din USDA — o eroare de 24.1% generată de cantitatea de unt și smântână din rețeta restaurantului, care a depășit cu mult cantitățile presupuse în intrările standard ale bazei de date.

Aceste constatări reflectă un principiu bine stabilit în știința nutriției: grăsimea este cel mai dens macronutrient caloric (9 kcal/g față de 4 kcal/g pentru proteine și carbohidrați) și cel mai greu de estimat cu precizie. Erorile mici în estimarea grăsimilor generează erori mari în calorii. O singură lingură de ulei omisă de orice metodă de estimare adaugă 119 calorii necontabilizate.

Ce Înseamnă Acest Lucru pentru Urmăritorii de Zi cu Zi

Dacă urmărești caloriile pentru a-ți gestiona greutatea, aceste constatări au mai multe implicații practice:

Nu presupune că eticheta ta este infailibilă. Etichetele nutriționale sunt puncte de plecare utile, dar pot subestima conținutul real de calorii cu 10-20% sau mai mult, în special pentru mesele ambalate și numerele publicate de restaurante. Dacă pierderea ta în greutate s-a oprit și consumi "exact" ceea ce spun etichetele, acest surplus ascuns ar putea fi explicația.

Căutările USDA sunt cele mai de încredere pentru mese simple, preparate acasă. Dacă gătești acasă, cântărești ingredientele și folosești în principal alimente integrale, o abordare bazată pe USDA poate fi extrem de precisă. Cu cât mesele tale devin mai complexe și influențate de restaurante, cu atât mai puțin fiabilă devine această metodă.

Urmărirea foto AI oferă cel mai bun echilibru pentru alimentația din lumea reală. Pentru persoanele care consumă un amestec de mese gătite acasă, la restaurant și ambalate — ceea ce descrie majoritatea adulților — un sistem bazat pe AI, cum ar fi Nutrola, oferă cea mai consistentă acuratețe în toate categoriile. Nu va depăși o căutare USDA atent cântărită pentru un piept de pui simplu, dar va depăși semnificativ această abordare pentru pad Thai-ul pe care l-ai comandat într-o vineri seara.

Fii mereu suspicios cu mesele bogate în grăsimi. Indiferent de metoda ta de urmărire, preparatele care implică prăjire, sosuri grele, smântână, unt sau brânză sunt cele mai susceptibile să fie subestimate. Când ai îndoieli, adaugă o mică marjă (50-100 kcal) pentru mesele care arată sau au gust bogat. În Nutrola, poți, de asemenea, să ajustezi manual estimarea AI-ului după revizuire, iar sistemul învață din corecțiile tale în timp.

Consistența contează mai mult decât perfecțiunea. Datele noastre au arătat că avantajul cel mai strâns al Nutrola nu a fost în acuratețea medie, ci în consistență — cea mai mică deviație standard și cel mai mare procent de estimări în cadrul a 10% din valorile de laborator. Pentru urmărirea pe termen lung, un sistem care este constant greșit cu 5-7% este mult mai util decât unul care este uneori perfect și uneori greșit cu 25%. O eroare constantă poate fi contabilizată; o eroare eratică nu poate.

Limitări

Dorim să fim transparenți cu privire la limitările acestui studiu:

• Dimensiunea eșantionului. Cinci zeci de mese sunt suficiente pentru a identifica modele, dar nu sunt suficiente pentru concluzii statistice definitive în fiecare subcategorie. Fiecare categorie a conținut doar 10 mese. Studiile mai mari ar crește încrederea în constatările la nivel de categorie.
• O singură regiune geografică. Toate mesele au fost obținute în Irlanda. Dimensiunile porțiilor la restaurante, practicile de gătit și sursele de ingrediente variază de la o țară la alta și chiar de la un oraș la altul. Rezultatele pot diferi în alte regiuni.
• Un singur sistem AI testat. Am testat doar AI-ul Nutrola. Alte sisteme de urmărire a caloriilor bazate pe AI pot avea performanțe diferite. Încurajăm produsele concurente să desfășoare și să publice analize similare.
• Condițiile fotografice. Toate fotografiile au fost realizate de membri ai echipei care sunt familiarizați cu cele mai bune practici de fotografie alimentară. Un utilizator obișnuit care face o poză în grabă în condiții de iluminare proastă ar putea experimenta o acuratețe AI ușor mai scăzută.
• Calorimetria bombă măsoară energia brută. Deși s-au aplicat corecții pentru energia metabolizabilă, diferențele individuale în digestie și absorbție înseamnă că "caloriile adevărate" pe care o persoană dată le extrage dintr-un aliment pot diferi de valoarea de laborator cu câteva procente.

Concluzie

Numărul de calorii de pe farfuria ta este întotdeauna o estimare — dar nu toate estimările sunt create egale.

Etichetele nutriționale, în ciuda aparenței lor oficiale, sunt cea mai puțin precisă sursă pe care am testat-o, având o tendință sistematică de a subestima caloriile. Datele USDA sunt excelente pentru alimente simple, crude și preparate acasă, dar se luptă cu realitatea dezordonată a gătitului la restaurant și a bucătăriei internaționale. Urmărirea bazată pe AI, așa cum este implementată în Nutrola, oferă cea mai consistentă performanță în întreaga gamă de alimente pe care oamenii le consumă efectiv, cu o acuratețe generală de 7.4% deviație medie absolută față de valorile de laborator.

Nicio metodă de urmărire nu este perfectă. Alimentele care păcălesc AI-ul păcălesc și bazele de date și etichetele — preparatele bogate în sosuri, bogate în ulei și cu multe componente rămân cele mai greu de estimat pentru orice sistem. Dar pentru urmăritorul de zi cu zi care dorește o modalitate fiabilă și cu efort redus de a înțelege ce mănâncă, datele sugerează că un AI bine antrenat care analizează farfuria ta reală se apropie mai mult de adevăr decât o etichetă tipărită într-o fabrică sau o intrare într-o bază de date scrisă pentru o rețetă idealizată.

Nutrola este construită pe principiul că acuratețea nu ar trebui să necesite efort. Faci o fotografie, iar AI-ul face restul. Acest studiu a fost modul nostru de a ne ține responsabili față de această promisiune — și de a împărtăși rezultatele, inclusiv slăbiciunile noastre, cu persoanele care se bazează pe noi pentru datele lor nutriționale.

Dacă vrei să încerci Nutrola pentru tine, planurile încep de la 2.50 EUR pe lună, fără reclame pe niciun nivel. Preferăm să ne câștigăm încrederea cu date precise decât să-ți vindem atenția către advertiseri.

Tabelele de date brute din acest studiu sunt disponibile la cerere pentru cercetători, jurnaliști și dietiști care doresc să efectueze propria analiză. Contactați-ne la research@nutrola.com.