Искусственный интеллект против ручного учета калорий: что более точно?

Существует три основных метода учета пищи в приложениях для отслеживания калорий: распознавание пищи с помощью ИИ, ручной поиск в базе данных и сканирование штрих-кодов. У каждого метода есть свои сильные и слабые стороны, а также различные профили ошибок. В этой статье мы сравним их по важным для реального учета параметрам: точности, скорости, последовательности во времени и типам ошибок, которые каждый метод может ввести.

Здесь речь идет не о том, какой метод теоретически лучше. Важно понять, какой из них дает лучшие результаты при использовании реальными людьми в реальных условиях питания, день за днем, на протяжении недель и месяцев.

Определение трех методов

Учет с помощью фото ИИ подразумевает фотографирование вашего блюда. Алгоритмы компьютерного зрения определяют продукты, оценивают размеры порций на основе визуального анализа и возвращают данные о питательных веществах. Пользователь подтверждает или корректирует результат. Современные решения, такие как Nutrola, завершают этот процесс менее чем за три секунды.

Ручной поиск в базе данных включает в себя ввод названия продукта в строку поиска приложения, выбор нужного элемента из списка результатов и указание размера порции. Это традиционный метод, который использовался во многих приложениях для учета калорий с начала эры смартфонов.

Сканирование штрих-кодов подразумевает использование камеры телефона для сканирования штрих-кода упакованного продукта, что позволяет получить данные о питательных веществах непосредственно с этикетки производителя. Пользователь указывает, сколько порций он съел.

Сравнение точности

Точность учета с помощью фото ИИ

Точность распознавания пищи с помощью ИИ значительно улучшилась с момента первых реализаций. Современные системы достигают точности идентификации продуктов от 85 до 95 процентов для распространенных продуктов, а оставшиеся ошибки обычно связаны с путаницей между визуально схожими предметами, такими как белый рис и цветная капуста, или неправильной идентификацией смешанных блюд с закрытыми ингредиентами.

Оценка порций по фотографиям добавляет еще один источник ошибок. Исследования, посвященные оценке рациона на основе изображений, включая систематический обзор Марингера и др. (2018), опубликованный в European Journal of Nutrition, показали, что оценка порций по фото достигает точности в пределах 10-20 процентов от взвешенных измерений для большинства типов продуктов. Некоторые категории, особенно жидкости и аморфные продукты, такие как запеканки, демонстрируют большую изменчивость.

Типичный диапазон ошибок на прием пищи: 10-20 процентов.

Критическое преимущество учета с помощью фото ИИ заключается в том, что его ошибки случайны, а не систематичны. ИИ может немного переоценить одно блюдо и недооценить следующее. За полный день питания эти случайные ошибки, как правило, компенсируют друг друга, что приводит к значительно более точным ежедневным итогам, чем оценки отдельных приемов пищи. Исследование Кардейро и др. (2015) показало, что ежедневные калорийные итоги из приложений отклонялись примерно на 10 процентов от измеренных значений, даже когда оценки отдельных приемов пищи показывали большие ошибки.

Точность ручного поиска в базе данных

Точность ручного учета зависит от двух факторов: качества базы данных продуктов и точности оценки порций пользователем.

Качество баз данных варьируется в широких пределах. Краудсорсинговые базы данных, в которых любой пользователь может добавлять записи о продуктах, имеют уровень ошибок от 15 до 25 процентов в значениях макронутриентов, согласно обзору 2020 года, опубликованному в Nutrients (Эвенепуль и др.). Дублирующие записи, устаревшие данные, ошибки ввода пользователей и региональные различия создают ситуацию, когда выбор неправильной записи может привести к ошибке в 100 и более калорий на один продукт.

Базы данных, проверенные диетологами, устраняют большинство ошибок на стороне базы данных, снижая вклад базы данных в общую ошибку до 5 процентов или менее.

Оценка порций пользователями является более значительным источником ошибок. Исследования последовательно показывают, что неподготовленные люди недооценивают размеры порций на 20-40 процентов для калорийных продуктов и переоценивают порции низкокалорийных продуктов. Исследование Шандона и Уансинка (2007), опубликованное в Journal of Consumer Research, показало, что ошибки в оценке порций увеличиваются с количеством пищи: чем больше фактическая порция, тем больше недооценка.

Типичный диапазон ошибок на прием пищи: 15-40 процентов, сильно зависит от навыков пользователя и качества базы данных.

Недостаток ручного учета заключается в том, что его ошибки, как правило, систематичны, а не случайны. Пользователи последовательно недооценивают калорийные продукты и переоценивают низкокалорийные. Этот систематический уклон не компенсируется в течение дня, а накапливается, что приводит к тому, что ежедневные итоги постоянно ниже фактического потребления.

Точность сканирования штрих-кодов

Сканирование штрих-кодов является самым точным методом для упакованных продуктов, так как оно получает данные непосредственно из информации о питательных веществах, предоставленной производителем, которая регулируется FDA в США и аналогичными органами в других странах.

FDA допускает 20-процентное отклонение в указанных значениях питательных веществ, но исследование 2010 года Урбана и др. в Journal of the American Dietetic Association показало, что большинство протестированных продуктов находились в пределах 10 процентов от указанных значений. Точность исходных данных высока.

Ошибка со стороны пользователя при сканировании штрих-кодов полностью связана с оценкой порций. Если на этикетке указано, что порция составляет 30 граммов, а вы съели 45 граммов, но зарегистрировали одну порцию, вы ввели 50-процентную ошибку для этого продукта. Для продуктов, потребляемых в отдельных единицах, таких как один граноловый батончик, эта ошибка минимальна. Для продуктов, потребляемых в переменных количествах, таких как хлопья, налитые из коробки, ошибка может быть значительной.

Типичный диапазон ошибок на прием пищи: 5-10 процентов для отдельных упакованных продуктов, 15-30 процентов для упакованных продуктов с переменной порцией.

Ограничение сканирования штрих-кодов заключается в том, что оно работает только для упакованных продуктов с штрих-кодами. Оно не может обрабатывать блюда из ресторанов, домашнюю еду, свежие продукты, деликатесы или любые продукты, которые не упакованы в штрих-кодированную упаковку. Для большинства людей это охватывает лишь 30-50 процентов их общего потребления пищи.

Сравнение скорости

Скорость напрямую влияет на долгосрочную приверженность. Каждое исследование по приверженности к учету выявляет трудности в регистрации как основной фактор отказа. Чем быстрее метод, тем больше вероятность, что пользователи сохранят его на протяжении недель и месяцев.

Учет с помощью фото ИИ: 2-5 секунд на прием пищи. Укажите, сделайте снимок, подтвердите. Процесс почти мгновенный и требует минимальных умственных усилий. Для человека, регистрирующего пять приемов пищи в день, общее время учета составляет примерно 15-25 секунд.

Сканирование штрих-кодов: 5-15 секунд на элемент. Сканируйте, подтвердите количество порций. Быстро для закусок из одного элемента, медленнее для блюд, состоящих из нескольких упакованных ингредиентов. Домашнее блюдо с пятью упакованными ингредиентами требует пяти отдельных сканирований и корректировок порций. Общее время учета в день: от 1 до 5 минут в зависимости от сложности блюда.

Ручной поиск в базе данных: 30 секунд до 3 минут на продукт. Введите поисковый запрос, прокрутите результаты, выберите правильный вариант, укажите размер порции. Типичное блюдо с тремя-четырьмя различными компонентами занимает от 2 до 8 минут для ручной регистрации. Общее время учета в день: от 10 до 25 минут.

Разница в скорости накапливается со временем. В первую неделю все три метода кажутся управляемыми, так как мотивация высока. К четвертой неделе метод, требующий 20 минут в день, имеет значительно более высокий уровень отказа, чем метод, требующий 20 секунд в день.

Последовательность во времени

Долгосрочная последовательность учета — это наиболее важный показатель для здоровья. Метод учета, который на 95 процентов точен, но заброшен через две недели, дает худшие результаты, чем метод, который на 85 процентов точен и поддерживается в течение шести месяцев.

Исследования по приверженности к учету показывают четкие закономерности по методам.

Учет с помощью фото ИИ демонстрирует самые высокие показатели долгосрочной приверженности. Минимальные временные затраты и низкая когнитивная нагрузка делают его устойчивым в различных условиях питания, включая рестораны, поездки, социальные мероприятия и загруженные рабочие дни. Пользователи, которые используют учет с помощью ИИ, поддерживают уровень регистрации приемов пищи на уровне 70-85 процентов в течение шести месяцев.

Сканирование штрих-кодов показывает умеренную приверженность для пользователей, которые в основном едят упакованные продукты, но значительно снижается для пользователей с разнообразным рационом. Неспособность метода обрабатывать неупакованные продукты создает пробелы в учете, которые накапливаются со временем. Пользователи, которые в основном полагаются на сканирование штрих-кодов, поддерживают уровень регистрации на уровне 50-65 процентов в течение шести месяцев.

Ручной поиск в базе данных показывает наименьшую долгосрочную приверженность. Временные затраты на каждый прием пищи создают барьер, который растет по мере угасания первоначальной мотивации. Исследования по приложениям для ручного учета пищи последовательно показывают, что частота регистрации снижается примерно на 50 процентов с первого месяца до третьего. Уровень приверженности через шесть месяцев для ручного учета обычно составляет 30-45 процентов.

Профили ошибок в зависимости от сценария питания

Разные сценарии питания выявляют различные сильные и слабые стороны каждого метода.

Домашние блюда

Учет с помощью фото ИИ: Фотографирует готовую тарелку. Точность зависит от способности ИИ идентифицировать отдельные компоненты и визуально оценивать порции. Хорошо работает для отдельных продуктов, таких как курица на гриле, рис и овощи. Менее точен для смешанных блюд, где ингредиенты не различимы визуально. Типичная точность: ошибка 15-20 процентов.

Ручной поиск: Пользователь вводит каждый ингредиент отдельно. Точность зависит от того, учитывает ли пользователь масла, соусы и приправы. Многие пользователи регистрируют основные ингредиенты, но упускают две столовые ложки оливкового масла (240 калорий), использованные в приготовлении. Типичная точность: ошибка 20-35 процентов, с систематическим уклоном в сторону недооценки.

Сканирование штрих-кодов: Может сканировать отдельные упакованные ингредиенты, но требует от пользователя рассчитать порцию каждого ингредиента. Точно для сканируемых ингредиентов, но не может учесть неупакованные продукты, такие как свежие овощи и масла для готовки. Типичная точность: ошибка 15-25 процентов, с значительными пробелами.

Блюда из ресторанов

Учет с помощью фото ИИ: Фотографирует поданное блюдо. Это сценарий, в котором учет с помощью фото ИИ имеет наибольшее преимущество. ИИ может оценить ресторанное блюдо за считанные секунды, в то время как ручной поиск требует либо нахождения конкретного ресторана в базе данных (что возможно только для сетевых ресторанов), либо оценки каждого компонента отдельно. Типичная точность: ошибка 15-25 процентов.

Ручной поиск: Требует либо нахождения точного пункта меню в базе данных, либо разбивки блюда на компоненты и оценки каждого из них. Пункты из меню сетевых ресторанов часто доступны в базах данных, но независимые рестораны редко представлены. Ручной метод для ресторанных блюд медленный, неопределенный и сильно зависит от навыков оценки пользователя. Типичная точность: ошибка 25-45 процентов.

Сканирование штрих-кодов: Не применимо для ресторанных блюд. Пользователи должны прибегнуть к ручному поиску или методам с ИИ.

Упакованные закуски

Учет с помощью фото ИИ: Может идентифицировать многие распространенные упакованные закуски по фотографиям, особенно если упаковка видна. Точность хороша для стандартных продуктов, но может испытывать трудности с незнакомыми или региональными товарами. Типичная точность: ошибка 10-15 процентов.

Ручной поиск: Хорошо работает, если конкретный продукт есть в базе данных. Основной источник ошибок — оценка порций для продуктов, потребляемых из более крупной упаковки. Типичная точность: ошибка 10-20 процентов.

Сканирование штрих-кодов: Это сильнейший сценарий для сканирования штрих-кодов. Сканируйте упаковку, регистрируйте порцию. Для продуктов с одной порцией точность составляет 5 процентов. Для упаковок с несколькими порциями, где пользователь оценивает размер порции, точность составляет 10-15 процентов.

Смешанные или сложные блюда

Учет с помощью фото ИИ: Смешанные блюда, такие как жаркое, запеканки, супы и карри, представляют наибольшую сложность для визуального распознавания, поскольку отдельные ингредиенты неразличимы визуально. ИИ оценивает на основе общей категории блюда и видимого объема. Типичная точность: ошибка 20-30 процентов.

Ручной поиск: Если точное блюдо существует в базе данных, точность зависит от качества базы данных. Если пользователю нужно вводить ингредиенты по отдельности, процесс занимает много времени и подвержен ошибкам пропуска. Типичная точность: ошибка 20-35 процентов.

Сканирование штрих-кодов: Не применимо для большинства смешанных блюд. Пользователи должны использовать альтернативный метод.

Кумулятивный эффект выбора метода

Реальная разница между методами учета не определяется только точностью на прием пищи. Это сочетание точности и последовательности во времени определяет результаты.

Рассмотрим двух гипотетических пользователей на протяжении 30 дней:

Пользователь A использует учет с помощью фото ИИ с 15-процентной средней ошибкой на прием пищи, но регистрирует 95 процентов своих приемов пищи. Их ежедневная оценка калорий, по всем зарегистрированным приемам, отклоняется от фактического потребления примерно на 8 процентов в среднем из-за случайных ошибок, частично компенсирующих друг друга. При 95-процентном покрытии приемов пищи их зарегистрированные данные представляют собой близкую оценку фактического потребления за полный месяц.

Пользователь B использует ручной поиск с 10-процентной средней ошибкой на прием пищи, когда они регистрируют, но регистрирует только 60 процентов своих приемов пищи из-за нехватки времени и усталости. Пропущенные ими приемы пищи, часто ресторанные, закуски и социально неудобные ситуации, как правило, являются самыми калорийными. Их зарегистрированные данные систематически недооценивают фактическое потребление, причем незарегистрированные 40 процентов создают слепую зону, которую никакая точность на уровне приема пищи не может компенсировать.

Пользователь A имеет более полезные данные, несмотря на более низкую точность на прием пищи. Именно поэтому приверженность является доминирующим фактором в выборе метода учета и почему методы, которые минимизируют трение, даже за счет умеренного снижения точности, дают лучшие результаты в реальной жизни.

Оптимальный подход: соответствие методов

Наиболее эффективный подход в реальной жизни — это не исключительное использование какого-либо одного метода, а разумное соответствие метода конкретной ситуации.

Используйте учет с помощью фото ИИ для ресторанных блюд, еды в столовых, блюд, приготовленных другими, сложных блюд и любых ситуаций, где скорость и удобство имеют первостепенное значение. Это охватывает сценарии, в которых ручные методы работают медленнее и менее точно.

Используйте сканирование штрих-кодов для упакованных продуктов, потребляемых в отдельных количествах: протеиновый батончик, пакетик чипсов, упаковка йогурта. Это использует самый точный сценарий сканирования штрих-кодов.

Используйте ручной поиск для простых, однокомпонентных продуктов, где вы знаете точное количество: 200 граммов куриного филе, один средний банан, два яйца. Эти продукты быстро ищутся и легко порционируются точно.

Используйте голосовой учет когда ваши руки заняты: во время готовки, вождения или еды на ходу. Этот метод фиксирует запись о приеме пищи до того, как вы забудете ее, что более ценно, чем идеальная точность.

Nutrola поддерживает все четыре метода в одном приложении, позволяя пользователям переключаться между учетом с помощью фото ИИ, сканированием штрих-кодов, ручным поиском и голосовым учетом в зависимости от текущей ситуации. Эта гибкость позволяет пользователям всегда выбирать метод, который обеспечивает наилучшее соотношение точности и усилий для конкретной пищи, которую они регистрируют.

Вердикт

Учет с помощью фото ИИ не является самым точным методом для каждого отдельного продукта. Сканирование штрих-кодов выигрывает для упакованных продуктов, а тщательный ручной учет с кухонными весами может достичь исключительной точности для простых ингредиентов.

Но точность на прием пищи не является показателем, который определяет успех учета. Показатель, который определяет успех, — это общая точность вашей диеты на протяжении недель и месяцев. Эта общая точность является произведением точности на прием пищи, умноженной на последовательность. А по последовательности учет с помощью фото ИИ выигрывает решительно, так как это единственный метод, достаточно быстрый, чтобы выдержать трение повседневной жизни, не ухудшаясь со временем.

Лучший метод учета — это тот, который вы будете использовать на каждом приеме пищи, каждый день, столько времени, сколько вам нужны данные. Для большинства людей этот метод включает в себя использование ИИ для выполнения основной работы и человека для быстрой проверки. Три секунды, продолжайте жить своей жизнью. Данные накапливаются на фоне, и за ними следуют инсайты.