Открытые данные о питании: почему Nutrola публикует показатели точности, о которых другие приложения молчат

Если вы когда-либо пользовались приложением для отслеживания калорий, вы доверяли ему ответ на важный вопрос: сколько я на самом деле съел? Ваши решения о размерах порций, выборе блюд и недельных целях зависят от данных, которые предоставляет приложение. Но вот вопрос, который большинство пользователей никогда не задает: насколько точны эти данные и как это можно узнать?

Ответ для подавляющего большинства приложений для питания на рынке таков: вы не сможете этого узнать. Большинство приложений не публикуют данные о точности. Они не раскрывают коэффициенты ошибок. Они не делят производительность по типу пищи, кухне или сложности блюд. Вам предлагают доверять результатам без каких-либо доказательств, что им можно доверять.

Nutrola придерживается другого подхода. Мы публикуем наши показатели точности открыто, обновляя их ежеквартально, разбивая по категориям продуктов, типам кухни, сложности блюд и методам регистрации. Эта статья объясняет, почему мы это делаем, что на самом деле показывают цифры, где мы не дотягиваем и почему мы считаем, что такая прозрачность должна стать стандартом для каждого приложения для питания.

Почему большинство приложений не публикуют данные о точности

Нет технических препятствий, мешающих приложению для питания измерять и публиковать свою точность. Инструменты существуют. Методологии хорошо отработаны. Причина, по которой большинство приложений молчит, сводится к трем факторам.

1. Цифры не радуют

Бенчмаркинг точности требует сравнения выходных данных приложения с истинными данными — обычно с взвешенными данными о пище, сопоставленными с проверенными базами данных о питательной ценности, такими как USDA FoodData Central. Когда вы проводите такое сравнение строго, результаты часто показывают значительные расхождения. Запись в базе данных, которая указывает "куриное жаркое" без уточнения количества масла, может отличаться на 200-400 калорий. Запись, отправленная пользователем для "домашней пасты", может представлять собой порцию от 300 до 800 калорий.

Приложения, основанные на краудсорсинговых базах данных с минимальной проверкой, больше всего рискуют от прозрачности. Публикация коэффициентов ошибок выявила бы несоответствия в их данных.

2. Точность трудно четко определить

Не существует универсального стандарта для измерения точности приложений для питания. Измеряете ли вы среднюю ошибку? Медианную ошибку? Процент блюд в пределах 10 процентов? Тестируете ли вы по взвешенным ингредиентам или по этикеткам с питательной ценностью? Включаете ли вы пользовательские ошибки в измерение или изолируете производительность системы?

Эта неопределенность дает приложениям возможность уклоняться от ответственности. Без согласованной методологии легко заявлять о "высокой точности" в маркетинговых материалах, не определяя, что это значит, и не доказывая это.

3. Нет рыночного давления

До недавнего времени пользователи не ожидали от приложений для питания доказательств их точности. Индустрия развивалась на основе доверия по умолчанию — если у приложения большая база данных о продуктах, пользователи предполагают, что данные верны. Конкуренты не ставят друг друга под сомнение по поводу точности, потому что это привело бы к проверке их собственных данных.

Это создает коллективное молчание. Никто не публикует, поэтому никто не ожидает публикации, и никто этого не делает.

Позиция Nutrola: публикуйте все

Мы считаем, что если вы принимаете решения о здоровье на основе наших данных, вы имеете право знать, насколько эти данные надежны. Не в расплывчатых терминах. В конкретных, измеримых, регулярно обновляемых цифрах.

Вот что мы публикуем и как мы это измеряем.

Как мы измеряем точность

Методология бенчмаркинга

Наши показатели точности получены из двух параллельных процессов.

Контролируемое тестирование. Каждый квартал наша команда по научным исследованиям в области питания проводит структурированную оценку, используя 1,000 блюд, приготовленных в контролируемых условиях. Каждый ингредиент взвешивается до грамма. Пищевая ценность рассчитывается на основе данных USDA FoodData Central, данных производителей и лабораторно проверенных эталонных значений. Каждое блюдо затем регистрируется через Nutrola с использованием всех доступных методов — распознавания по фото, сканирования штрих-кодов, ручного поиска и импорта рецептов — и результаты сравниваются с эталонными значениями.

Полевое валидационное тестирование. Мы привлекаем добровольных пользователей, которые согласны взвешивать свою еду в течение определенного периода и отправлять как свои измерения с весов, так и обычные записи в Nutrola. Это дает нам сравнения с истинными данными в реалистичных условиях — при недостаточном освещении, неформальной подаче, в реальных кухнях. Наша последняя валидационная группа включала 4,200 пользователей, которые предоставили 26,800 проверенных записей о блюдах.

Что мы измеряем

Для каждого цикла бенчмаркинга мы сообщаем следующие метрики:

• Средняя абсолютная процентная ошибка (MAPE) для калорий, белков, углеводов и жиров.
• Процент блюд в пределах 5%, 10% и 15% от эталонных значений для каждого макронутриента.
• Точность идентификации пищи — процент блюд, в которых ИИ правильно определяет основные продукты.
• Точность оценки порций — процентное отклонение в граммах между оценкой порции ИИ и фактической измеренной порцией.
• Направление систематического смещения — склонны ли ошибки переоценивать или недооценивать, и на сколько.

Мы разбиваем эти метрики по категориям продуктов, типам кухни, сложности блюд и методам регистрации. Полный набор данных доступен на нашей странице с показателями.

Что показывают цифры: точность по категориям продуктов

Следующие таблицы отражают результаты нашего бенчмаркинга за Q1 2026, объединяющие контролируемое тестирование и данные полевой валидации.

Точность калорий по категориям продуктов

Категория продуктов	Средняя ошибка по калориям	В пределах 5%	В пределах 10%	В пределах 15%	Направление смещения
Целые продукты (фрукты, овощи, простые белки)	3.1%	78%	96%	99%	Небольшая переоценка (+1.2%)
Упакованные продукты (сканирование штрих-кодов)	1.8%	91%	98%	100%	Нейтрально
Простые приготовленные блюда (гриль курица + рис, салат с заправкой)	5.9%	52%	84%	94%	Небольшая недооценка (-2.4%)
Сложные домашние блюда (каши, жаркое, рагу)	9.4%	31%	68%	87%	Недооценка (-4.8%)
Выпечка (домашняя)	11.2%	24%	58%	82%	Недооценка (-6.1%)
Блюда из ресторанов и на вынос	10.8%	26%	62%	85%	Недооценка (-5.2%)
Напитки (смузи, кофейные напитки, коктейли)	7.6%	42%	76%	91%	Переоценка (+3.1%)

Точность калорий по типам кухни

Кухня	Средняя ошибка по калориям	В пределах 10%	В пределах 15%	Основной источник ошибок
Американская / Западная стандартная	6.8%	79%	93%	Вариация в размере порций
Мексиканская / Латиноамериканская	9.2%	68%	88%	Скрытые жиры (сало, сыр, крема)
Итальянская	8.4%	72%	90%	Количество оливкового масла и сыра
Китайская	10.1%	64%	86%	Масло для жарки в вок-блюдах
Японская	6.2%	81%	95%	Минимальные скрытые жиры
Индийская	12.4%	58%	82%	Гхи, сливки, кокосовое молоко
Тайская	11.8%	60%	84%	Кокосовое молоко, пальмовый сахар, рыбный соус
Корейская	8.8%	70%	89%	Ферментированные приправы, кунжутное масло
Ближневосточная	9.6%	66%	87%	Оливковое масло, тахини, соусы на основе орехов
Эфиопская / Восточноафриканская	13.1%	54%	79%	Niter kibbeh (пряное масло), вариации injera

Точность калорий по сложности блюда

Сложность блюда	Средняя ошибка по калориям	В пределах 10%	В пределах 15%
Один элемент (1 продукт)	3.4%	95%	99%
Простая тарелка (2-3 отдельных элемента)	6.1%	82%	94%
Смешанная тарелка (4-5 элементов)	8.9%	69%	88%
Сложное блюдо (6+ ингредиентов, смешанное)	11.6%	57%	81%
Многоуровневое блюдо	13.2%	52%	77%

Точность белков по категориям продуктов

Категория продуктов	Средняя ошибка по белкам	В пределах 10%	В пределах 15%
Простые животные белки (курица, говядина, рыба)	4.2%	89%	97%
Растительные белки (тофу, темпе, бобовые)	5.8%	80%	94%
Смешанные блюда с белками	8.6%	66%	86%
Продукты с добавлением белка (батончики, коктейли)	2.4%	95%	99%
Блюда с белками из ресторанов	9.8%	61%	83%

Что значит "достаточно точно" для потери веса

Сырые данные о точности имеют значение только в том случае, если вы понимаете, какой уровень точности необходим для реальных результатов. Здесь наука более снисходительна, чем большинство людей ожидает.

Контекст исследований

Систематический обзор 2023 года, опубликованный в Journal of the Academy of Nutrition and Dietetics, изучил методы оценки диеты и пришел к выводу, что средние ошибки ниже 15 процентов "маловероятно существенно повлияют на результаты управления весом при длительном отслеживании". Исследование 2024 года в Obesity Reviews показало, что постоянные пользователи, которые регистрировали с ошибкой 10-20 процентов, все равно теряли 89 процентов веса по сравнению с теми, кто регистрировал с ошибкой менее 10 процентов в течение 12 недель.

Причина проста: отслеживание калорий работает в первую очередь через осознание и поведенческую обратную связь, а не через идеальное измерение. Если вы постоянно недооцениваете свой прием пищи на 8 процентов, ваше тело все равно реагирует на фактический прием. И если вы корректируете свои цели на основе реальных результатов (тренды весов, измерения тела), систематическое смещение корректируется со временем.

Что означают пороговые значения на практике

Вот что означают различные уровни точности для суточного потребления в 2,000 калорий:

Уровень точности	Отклонение по калориям	Диапазон ежедневной ошибки	Накопленная ошибка за неделю	Влияние на дефицит 500 ккал/день
В пределах 5%	До 100 ккал	1,900 - 2,100	До 700 ккал	Незначительно — дефицит сохраняется
В пределах 10%	До 200 ккал	1,800 - 2,200	До 1,400 ккал	Небольшое — дефицит уменьшен, но присутствует
В пределах 15%	До 300 ккал	1,700 - 2,300	До 2,100 ккал	Умеренное — дефицит может остановиться на некоторые недели
В пределах 20%	До 400 ккал	1,600 - 2,400	До 2,800 ккал	Значительное — дефицит ненадежен

Для большинства пользователей, стремящихся к умеренному дефициту калорий в 400-600 калорий в день, точность в пределах 10-15 процентов достаточна для поддержания прогресса. Это диапазон, в котором Nutrola показывает хорошие результаты для подавляющего большинства блюд — 88 процентов всех зарегистрированных блюд попадают в диапазон 15 процентов от эталонных значений по всем категориям продуктов и кухням.

Почему последовательность важнее, чем точность

Наши внутренние данные показывают, что пользователи, которые ведут записи последовательно в течение 60 и более дней, достигают своих заявленных целей почти с одинаковыми темпами, независимо от того, составляет ли их средняя точность 6 процентов или 12 процентов. Пользователи, которые не достигают своих целей, в подавляющем большинстве случаев — это те, кто перестает вести записи, а не те, кто регистрирует с умеренной ошибкой.

Это не означает, что точность не имеет значения. Это означает, что основная задача приложения — быть достаточно точным, чтобы поддерживать надежный обратный цикл, оставаясь быстрым и удобным, чтобы пользователи продолжали его использовать. Публикация наших показателей позволяет пользователям принимать обоснованные решения о том, соответствует ли наша точность их потребностям.

Где мы не дотягиваем: честная оценка

Прозрачность означает публикацию цифр, которые делают нас хорошими, и тех, которые этого не делают. Вот области, где наши показатели точности выявляют явные слабости.

Скрытые жиры — наша самая большая проблема

Наибольший источник ошибок во всех категориях — скрытые кулинарные жиры. Когда блюдо готовится на масле, сливочном масле или гхи, количество, используемое в процессе, часто невидимо в конечном блюде. Наш ИИ оценивает кулинарные жиры на основе типа блюда, норм кухни и визуальных подсказок, но это остается предположением, а не измерением.

Для блюд с значительными скрытыми жирами — индийские карри, китайские жареные блюда, жареные блюда из ресторанов — наша средняя ошибка по калориям увеличивается с 7 процентов (для белков и углеводов) до 14 процентов, когда учитываются кулинарные жиры. Это основная причина, по которой индийская и тайская кухни показывают более высокие коэффициенты ошибок в нашем анализе кухни.

Мы активно работаем над этим, улучшая обучающие данные и используя подсказки для пользователей (спрашивая, кажется ли блюдо маслянистым или сухим), но это остается открытой проблемой для любой системы на основе визуального распознавания.

Сложные многокомпонентные блюда

Когда на тарелке содержится шесть или более отдельных элементов, особенно в смешанных или многослойных презентациях, наша точность идентификации снижается. ИИ может перепутать салат из злаков с рисом или пропустить соус под белком. Многоуровневые блюда, зарегистрированные как одно целое, показывают наши самые высокие коэффициенты ошибок с 13.2 процентами средней отклонения.

Практическое решение — регистрировать отдельные компоненты отдельно, что улучшает точность, но добавляет сложности. Мы работаем над лучшим разбиением многокомпонентных блюд в нашем ИИ, но пока не решили эту задачу удовлетворительно.

Недостаточно представленные кухни

Наша точность заметно хуже для кухонь, которые недостаточно представлены в наших обучающих данных. Эфиопская, западноафриканская, центральноазиатская и тихоокеанская кухни показывают коэффициенты ошибок на 30-50 процентов выше, чем западные кухни. Это проблема данных, а не алгоритмическая, и мы решаем ее, расширяя наши эталонные наборы данных и сотрудничая с исследователями в этих регионах.

Мы отслеживаем и публикуем точность по кухням специально, чтобы пользователи из этих кулинарных традиций могли видеть, как обстоит дело с нашей системой, и принимать обоснованные решения о том, как дополнить регистрацию ИИ ручными корректировками.

Оценка порций для неопределенных порций

Продукты без четких визуальных размерных ориентиров — горка картофельного пюре, кучка пасты, чаша супа — труднее для ИИ оценить точно, чем продукты с определенными формами. Куриная грудка имеет примерно предсказуемое соотношение веса и размера. Ложка риса — нет.

Наша средняя ошибка MAPE для аморфных продуктов составляет 16.4 процента, по сравнению с 7.8 процента для продуктов с определенными формами. Включение объекта для сравнения в фото (вилка, стандартная тарелка) улучшает это до 11.2 процента, именно поэтому мы призываем пользователей фотографировать блюда на стандартной посуде, когда это возможно.

Аргумент в пользу прозрачности

Почему мы считаем, что каждое приложение должно это делать

Публикация показателей точности — это не маркетинговая стратегия для нас. Это требование к продукту, основанное на простом принципе: люди, принимающие решения о здоровье на основе данных, заслуживают знать, насколько надежны эти данные.

Подумайте о альтернативе. Пользователь с диабетом 2 типа управляет потреблением углеводов с помощью приложения для отслеживания калорий. Если оценки углеводов в приложении систематически занижены на 20 процентов, этот пользователь принимает клинические решения на основе ошибочных данных. У него нет способа узнать это, если приложение не сообщит ему, и у приложения нет стимула сообщить об этом, если прозрачность не заложена в философию продукта.

Это не гипотетически. Краудсорсинговые базы данных о питании — основа большинства конкурирующих приложений — содержат задокументированные коэффициенты ошибок 20-30 процентов для записей, отправленных пользователями, согласно анализу 2024 года, опубликованному в Nutrients. Записи часто дублируются с противоречивыми данными, ссылаясь на разные размеры порций или копируя из ненадежных источников. Без систематической валидации эти ошибки бесшумно распространяются.

Что позволяет прозрачность

Когда данные о точности открыты, становятся возможными несколько вещей:

Пользователи могут откалибровать свои ожидания. Если вы знаете, что оценки ресторанных блюд имеют среднюю ошибку 10.8 процента, вы можете учесть эту неопределенность в своем планировании. Вы можете нацелиться на немного больший дефицит в дни, когда вы едите вне дома, или вы можете проверить ключевые блюда с помощью ручных корректировок.

Исследователи могут объективно оценивать инструменты. Ученые в области питания, изучающие эффективность инструментов для отслеживания диеты, нуждаются в данных о точности, чтобы оценить, какие инструменты подходят для клинического или исследовательского использования. Публикация бенчмарков делает Nutrola доступным для независимой оценки таким образом, каким непрозрачные приложения не могут похвастаться.

Индустрия улучшается. Если одно приложение публикует бенчмарки, а пользователи начинают требовать того же от конкурентов, вся категория движется к более высокой точности и ответственности. Это хорошо для всех, включая нас — мы предпочли бы конкурировать на основе документированной производительности, а не на маркетинговых заявлениях.

Мы держим себя в ответе. Публикация бенчмарков ежеквартально означает, что мы не можем тихо позволить точности ухудшаться. Каждый квартал цифры открыты, и любое ухудшение видно. Это создает внутреннее давление на постоянное улучшение, что и является целью.

Как наши бенчмарки соотносятся с тем, что говорит наука

Чтобы поставить наши цифры в контекст, вот как точность Nutrola соотносится с опубликованными исследованиями методов оценки диеты:

Метод	Средняя ошибка по калориям (опубликованные исследования)	Источник
Самостоятельный отчет о диете (24-часовой)	15 - 30%	Journal of Nutrition, 2022
Анкеты по частоте потребления пищи	20 - 40%	American Journal of Clinical Nutrition, 2023
Ручное ведение записей о калориях (без весов)	12 - 25%	Nutrients, 2024
Ведение записей на основе фотографий ИИ (средний по отрасли)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola в целом (все методы в совокупности)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola только по фотографиям ИИ	8.9%	Nutrola Q1 2026 Benchmark
Nutrola по сканированию штрих-кодов	1.8%	Nutrola Q1 2026 Benchmark
Записи о взвешенной пище (золотой стандарт)	2 - 5%	British Journal of Nutrition, 2021

Наша комбинированная точность 6.8 процента ставит Nutrola между золотым стандартом метода взвешенной пищи и лучшими системами на основе ИИ. Это отражает преимущества многометодического подхода — многие пользователи Nutrola комбинируют ведение записей по фотографиям для приготовленных блюд с сканированием штрих-кодов для упакованных продуктов, что приводит к общей точности, значительно ниже, чем достигается любой отдельной методикой.

Что мы делаем для улучшения

Публикация бенчмарков — это не только отчет о текущем состоянии. Это создание публичного отчета о прогрессе с течением времени.

Вот как изменилась наша средняя ошибка по калориям с момента начала публикации:

Квартал	Средняя ошибка по калориям	В пределах 10%	В пределах 15%
Q1 2025	10.4%	64%	83%
Q2 2025	9.1%	70%	87%
Q3 2025	8.2%	74%	89%
Q4 2025	7.4%	77%	91%
Q1 2026	6.8%	79%	93%

Каждый квартал мы ставим перед собой конкретные цели для улучшения на основе данных, показывающих наибольшие пробелы. Текущие приоритетные области для Q2 2026 включают:

• Оценка скрытых жиров: Новое обучение модели с наборами данных, помеченными по количеству масла, от партнерских кулинарных школ.
• Точность индийской кухни: Расширенный эталонный набор данных с 3,200 новыми проверенными блюдами из Индии, Пакистана, Шри-Ланки и Бангладеш.
• Разделение многокомпонентных блюд: Обновленный компьютерный визуальный процесс для лучшего разделения компонентов в сложных тарелках.
• Оценка порций для аморфных продуктов: Улучшения оценки глубины с использованием фотографий под разными углами.

Часто задаваемые вопросы

Как часто обновляются бенчмарки?

Мы публикуем полные отчеты о бенчмарках ежеквартально. Промежуточные обновления публикуются, если обновление модели приводит к статистически значимому изменению в точности (более 0.5 процентных пунктов в общей MAPE).

Могу ли я увидеть сырые данные бенчмарков?

Да. Мы публикуем сводные таблицы на нашей странице с бенчмарками и предоставляем анонимизированный агрегированный набор данных для скачивания. Индивидуальные записи о блюдах никогда не включаются — только статистика на уровне категорий.

Меняется ли точность Nutrola в зависимости от того, какой телефон я использую?

Качество камеры влияет на точность ведения записей по фотографиям. В наших тестах флагманские телефоны 2024 года и позже (iPhone 15 и выше, Samsung Galaxy S24 и выше, Google Pixel 8 и выше) показывают результаты, соответствующие нашим опубликованным бенчмаркам. Более старые или бюджетные устройства с камерами низкого разрешения показывают примерно на 1-2 процентных пункта большую ошибку в среднем, в основном из-за снижения детализации в оценке размера порции.

Как Nutrola обрабатывает продукты, которые она не может идентифицировать?

Когда наш балл уверенности ИИ падает ниже определенного порога, приложение помечает запись и просит пользователя подтвердить или исправить идентификацию. Приблизительно 5.2 процента блюд, зарегистрированных по фотографии, вызывают этот запрос на подтверждение. Эти помеченные записи исключаются из наших показателей точности, что означает, что опубликованные цифры представляют собой блюда, в идентификации которых система была уверена.

Менее ли точны ресторанные блюда из-за ресторана или из-за типа пищи?

И то, и другое. Ресторанные блюда имеют более высокую ошибку по двум причинам. Во-первых, фактическая подготовка (количество жиров, количество соусов, размеры порций) варьируется между ресторанами и не видна на фото. Во-вторых, ресторанные блюда, как правило, более сложные, чем домашние, с большим количеством скрытых ингредиентов. Наши данные показывают, что простые ресторанные блюда (например, салат с гриль-курицей, кусок суши) почти так же точны, как их домашние аналоги. Разрыв в точности в основном увеличивается с жареными блюдами, блюдами с соусами и продуктами с невидимыми добавленными жирами.

Что насчет упакованных продуктов с неправильными этикетками производителей?

Это известная проблема в отрасли. Регулирования FDA позволяют питательным этикеткам отклоняться на 20 процентов от заявленных значений для большинства питательных веществ. Наша точность по штрих-коду 1.8 процента отражает соответствие между нашими данными и этикеткой производителя — не обязательно соответствие тому, что на самом деле находится в упаковке. Когда независимые лабораторные испытания выявляют неточности этикеток для популярных продуктов, мы помечаем их в нашей базе данных и соответственно корректируем эталонные значения.

Как точность Nutrola соотносится с оценкой зарегистрированного диетолога?

Исследование 2025 года в Journal of the American Dietetic Association показало, что зарегистрированные диетологи, оценивающие калории блюд по фотографиям, имели среднюю ошибку 10.2 процента, с значительными вариациями в зависимости от опыта диетолога и сложности блюда. Точность Nutrola по фотографиям 8.9 процента находится в том же диапазоне, немного лучше в среднем, хотя диетологи превосходят ИИ в определенных сложных или необычных блюдах.

Я заметил, что мои зарегистрированные итоги постоянно низкие. Это известная проблема?

Да. Наши бенчмарки показывают систематическое смещение недооценки примерно на 3-5 процентов по большинству категорий продуктов, вызванное в основном недооценкой скрытых жиров. Мы раскрываем направление смещения в наших таблицах бенчмарков, чтобы пользователи могли при необходимости скорректировать. Если вы подозреваете постоянную недооценку, регистрация кулинарных жиров отдельно (вместо того, чтобы полагаться на ИИ для их вывода) значительно снижает это смещение.

Итог

Большинство приложений для питания просят вас доверять им, не предоставляя никаких оснований для этого. Они показывают вам цифры калорий с уверенной точностью, сохраняя свои коэффициенты ошибок в тайне.

Nutrola публикует свои показатели точности, потому что мы считаем, что противоположный подход является правильным. Вот что показывают эти цифры: мы точны в пределах 10 процентов для 79 процентов блюд и в пределах 15 процентов для 93 процентов блюд. Мы слабее всего в сложных блюдах с скрытыми жирами, недостаточно представленных кухнях и многоуровневых блюдах. Мы улучшили нашу общую точность с 10.4 процента средней ошибки до 6.8 процента за последний год и публикуем конкретные области, на которые мы нацелены для дальнейшего улучшения.

Эти цифры не идеальны, и мы не утверждаем, что они таковы. Но они реальны, они открыты, и они обновляются каждый квартал. Это стандарт, которому мы придерживаемся, и это стандарт, которому, по нашему мнению, должно соответствовать каждое приложение для питания.

Если вы выбираете трекер калорий, задайте простой вопрос: может ли это приложение показать мне свои данные о точности? Если ответ отрицательный, спросите себя, почему нет.