Yapay Zeka ile Manuel Kalori Takibi: Hangisi Daha Doğru?

Kalori takip uygulamalarında gıda kaydetmek için üç ana yöntem bulunmaktadır: yapay zeka destekli fotoğraf tanıma, manuel veritabanı arama ve barkod tarama. Her bir yöntem, kendine özgü güçlü ve zayıf yönlere, ayrıca hata profillerine sahiptir. Bu makalede, gerçek dünya takibi için önemli olan boyutlar üzerinden bu yöntemleri karşılaştıracağız: doğruluk, hız, zaman içindeki tutarlılık ve her bir yöntemin neden olduğu hata türleri.

Burada en iyi yöntemin hangisi olduğu değil, gerçek insanların gerçek yemek durumlarında, gün be gün, haftalarca ve aylarca kullanıldığında en iyi sonuçları hangi yöntemin verdiği üzerinde duruluyor.

Üç Yöntem Tanımlandı

Yapay zeka fotoğraf takibi, yemeğinizi fotoğraflamayı içerir. Bilgisayarla görme algoritmaları, gıda maddelerini tanımlar, görsel analiz temelinde porsiyon boyutlarını tahmin eder ve besin verilerini sunar. Kullanıcı sonucu onaylar veya ayarlar. Nutrola gibi modern uygulamalar bu süreci üç saniyeden kısa bir sürede tamamlar.

Manuel veritabanı arama, uygulamanın arama çubuğuna bir gıda adı yazmayı, sonuçlar listesinden doğru öğeyi seçmeyi ve porsiyon boyutunu belirtmeyi içerir. Bu, çoğu kalori takip uygulamasının erken akıllı telefon döneminden beri kullandığı geleneksel bir yöntemdir.

Barkod tarama, telefonun kamerasını kullanarak paketlenmiş bir gıdanın barkodunu taramayı içerir; bu, besin verilerini doğrudan üreticinin etiketinden alır. Kullanıcı, kaç porsiyon tükettiğini belirtir.

Doğruluk Karşılaştırması

Yapay Zeka Fotoğraf Takibi Doğruluğu

Yapay zeka gıda tanıma doğruluğu, ilk uygulamalardan bu yana önemli ölçüde gelişmiştir. Günümüzdeki sistemler, yaygın gıdalar için %85 ila %95 oranında gıda tanıma doğruluğu sağlamaktadır. Kalan hatalar genellikle beyaz pirinç ile karnabahar pirinci gibi görsel olarak benzer öğeler arasında karışıklık veya karışık yemeklerde gizli malzemelerin yanlış tanımlanmasından kaynaklanmaktadır.

Fotoğraflardan porsiyon tahmini, ek bir hata kaynağıdır. Görsel tabanlı diyet değerlendirmeleri üzerine yapılan araştırmalar, Maringer ve arkadaşları (2018) tarafından Avrupa Beslenme Dergisi'nde yayımlanan sistematik bir inceleme dahil olmak üzere, fotoğraf tabanlı porsiyon tahmininin çoğu gıda türü için tartılmış gıda ölçümlerine %10 ila %20 oranında doğruluk sağladığını bulmuştur. Özellikle sıvılar ve karnıyarık gibi amorf gıdalar gibi bazı kategorilerde daha yüksek değişkenlik gözlemlenmiştir.

Tipik porsiyon başına hata aralığı: %10 ila %20.

Yapay zeka fotoğraf takibinin kritik avantajı, hatalarının sistematik değil rastgele olmasıdır. Yapay zeka bir öğeyi biraz fazla tahmin edebilirken, bir sonraki öğeyi biraz az tahmin edebilir. Gün boyunca bu rastgele hatalar genellikle birbirini dengeleyerek, bireysel öğe tahminlerinden çok daha doğru günlük toplamlar üretir. Cordeiro ve arkadaşlarının (2015) araştırması, uygulama tabanlı takibin günlük kalori toplamlarının ölçülen değerlerden yaklaşık %10 sapma gösterdiğini bulmuştur; bu, bireysel öğe tahminlerinin daha büyük hatalar gösterdiği durumlarda bile geçerlidir.

Manuel Veritabanı Arama Doğruluğu

Manuel takibin doğruluğu, iki faktöre bağlıdır: gıda veritabanının kalitesi ve kullanıcının porsiyon tahmininin doğruluğu.

Veritabanı kalitesi büyük ölçüde değişkenlik göstermektedir. 2020 yılında Nutrients dergisinde yayımlanan bir incelemeye göre, herhangi bir kullanıcının gıda girişleri gönderebildiği kalabalık kaynaklı veritabanlarında makro besin değerlerinde %15 ila %25 oranında hata bulunmaktadır (Evenepoel ve arkadaşları). Çift girişler, güncel olmayan veriler, kullanıcı girişi hataları ve bölgesel farklılıklar, yanlış veritabanı girişi seçmenin tek bir öğede 100 veya daha fazla kalori hatasına yol açabileceği bir ortam yaratmaktadır.

Beslenme uzmanı tarafından doğrulanan veritabanları, çoğu veritabanı hatasını ortadan kaldırarak, genel hata oranını %5 veya daha azına düşürmektedir.

Kullanıcıların porsiyon tahmini, daha büyük hata kaynağıdır. Araştırmalar, eğitim almamış bireylerin kalori yoğun gıdalar için porsiyon boyutlarını %20 ila %40 oranında küçümsediğini ve düşük kalorili gıdaların porsiyonlarını abarttığını sürekli olarak göstermektedir. Chandon ve Wansink'in (2007) Journal of Consumer Research'te yayımlanan bir çalışması, porsiyon tahmin hatalarının gıda miktarıyla arttığını bulmuştur: gerçek porsiyon ne kadar büyükse, küçümseme o kadar fazladır.

Tipik porsiyon başına hata aralığı: %15 ila %40, kullanıcı becerisine ve veritabanı kalitesine bağlı olarak.

Manuel takibin dezavantajı, hatalarının sistematik olmasıdır. Kullanıcılar yüksek kalorili gıdaları sürekli olarak küçümserken, düşük kalorili gıdaları abartmaktadır. Bu sistematik yanlılık gün boyunca dengelemiyor, aksine birikiyor ve günlük toplamların sürekli olarak gerçek alımın altında kalmasına neden oluyor.

Barkod Tarama Doğruluğu

Barkod tarama, paketlenmiş gıdalar için en doğru yöntemdir çünkü verileri doğrudan üretici tarafından sağlanan besin bilgilerinden alır; bu bilgiler ABD'de FDA ve uluslararası eşdeğer kuruluşlar tarafından düzenlenmektedir.

FDA, etiketlenmiş besin değerlerinde %20'lik bir varyansa izin vermektedir, ancak Urban ve arkadaşlarının (2010) Journal of the American Dietetic Association'da yayımladığı bir çalışma, test edilen ürünlerin çoğunun etiketli değerlerin %10'u içinde kaldığını bulmuştur. Temel verilerin doğruluğu yüksektir.

Barkod taramada kullanıcı kaynaklı hata tamamen porsiyon tahmininden kaynaklanmaktadır. Eğer etiket bir porsiyonun 30 gram olduğunu söylüyorsa ve siz 45 gram tüketip bir porsiyon kaydederseniz, o öğe için %50'lik bir hata yapmış olursunuz. Tek bir granola bar gibi belirli birimlerde tüketilen gıdalar için bu hata minimaldir. Ancak kutudan dökülen tahıl gibi değişken miktarlarda tüketilen gıdalar için hata önemli olabilir.

Tipik porsiyon başına hata aralığı: 5 ila 10 yüzde belirli paketlenmiş ürünler için, değişken porsiyonlu paketlenmiş gıdalar için %15 ila %30.

Barkod taramanın sınırlaması, yalnızca barkodlu paketlenmiş gıdalar için geçerli olmasıdır. Restoran yemeklerini, evde pişirilen gıdaları, taze ürünleri, şarküteri ürünlerini veya barkodlu pakette olmayan herhangi bir gıdayı işleyemez. Çoğu insan için bu, toplam gıda alımının yalnızca %30 ila %50'sini kapsar.

Hız Karşılaştırması

Hız, uzun vadeli bağlılığı doğrudan etkiler. Takip bağlılığı üzerine yapılan her çalışma, kayıt zorluğunu düşüşün ana nedeni olarak tanımlar. Yöntem ne kadar hızlı olursa, kullanıcıların onu haftalarca ve aylarca sürdürme olasılığı o kadar artar.

Yapay zeka fotoğraf takibi: yemek başına 2 ila 5 saniye. Noktayı belirle, fotoğrafı çek, onayla. Süreç neredeyse anlık ve minimum zihinsel çaba gerektiriyor. Günde beş yemek kaydeden bir kişi için toplam günlük takip süresi yaklaşık 15 ila 25 saniye.

Barkod tarama: öğe başına 5 ila 15 saniye. Tarat, porsiyon sayısını onayla. Tek öğe atıştırmalıkları için hızlı, birden fazla paketli bileşen içeren yemekler için daha yavaş. Beş paketli bileşen kullanan ev yapımı bir yemek, beş ayrı tarama ve porsiyon ayarlaması gerektirir. Toplam günlük takip süresi: yemek karmaşıklığına bağlı olarak 1 ila 5 dakika.

Manuel veritabanı arama: gıda maddesi başına 30 saniye ila 3 dakika. Bir arama terimi yaz, sonuçları kaydır, doğru eşleşmeyi seç, porsiyon boyutunu belirt. Üç ila dört farklı gıda bileşeni içeren tipik bir yemek, manuel olarak kaydedilmesi 2 ila 8 dakika sürer. Toplam günlük takip süresi: 10 ila 25 dakika.

Hız farkı zamanla birikir. İlk hafta, üç yöntem de yönetilebilir görünür çünkü motivasyon yüksektir. Dördüncü haftada, günde 20 dakika gerektiren yöntemin terk edilme oranı, günde 20 saniye gerektiren yönteme göre dramatik şekilde daha yüksektir.

Zaman İçindeki Tutarlılık

Uzun vadeli takip tutarlılığı, sağlık sonuçları için en önemli ölçüttür. %95 doğruluk oranına sahip bir takip yöntemi, iki hafta sonra terk edilirse, %85 doğruluk oranına sahip ve altı ay boyunca sürdürülen bir yöntemden daha kötü sonuçlar üretir.

Takip bağlılığı üzerine yapılan araştırmalar, yöntem bazında belirgin desenler göstermektedir.

Yapay zeka fotoğraf takibi, en yüksek uzun vadeli bağlılık oranlarını göstermektedir. Minimal zaman yatırımı ve düşük zihinsel yük, restoranlar, seyahat, sosyal yemekler ve yoğun iş günleri gibi çeşitli yemek bağlamlarında sürdürülebilir hale getirir. Yapay zeka destekli takibi benimseyen kullanıcılar, altı ay boyunca günlük kayıt oranlarını %70 ila %85 arasında sürdürmektedir.

Barkod tarama, çoğunlukla paketlenmiş gıdalar tüketen kullanıcılar için orta düzeyde bağlılık gösterirken, çeşitli diyetlere sahip kullanıcılar için önemli ölçüde düşmektedir. Yöntemin ambalajsız gıdaları işleyememesi, zamanla biriken kayıt boşlukları yaratmaktadır. Barkod taramaya dayanan kullanıcılar, altı ay boyunca %50 ila %65 oranında kayıt tutma oranlarını sürdürmektedir.

Manuel veritabanı arama, en düşük uzun vadeli bağlılığa sahiptir. Yemek başına yapılan zaman yatırımı, ilk motivasyon azaldıkça büyüyen bir engel oluşturur. Manuel gıda günlüğü uygulamaları üzerine yapılan çalışmalar, kayıt sıklığının birinci aydan üçüncü aya kadar yaklaşık %50 oranında düştüğünü sürekli olarak göstermektedir. Manuel kayıt tutma oranları genellikle altı ayda %30 ila %45 arasında kalmaktadır.

Yeme Senaryolarına Göre Hata Profilleri

Farklı yeme senaryoları, her yöntemin farklı güçlü ve zayıf yönlerini ortaya çıkarır.

Ev Yapımı Yemekler

Yapay zeka fotoğraf takibi: Tamamlanmış tabağın fotoğrafını çeker. Doğruluk, yapay zekanın bireysel bileşenleri tanıma ve görsel olarak porsiyon tahmin etme yeteneğine bağlıdır. Izgara tavuk, pirinç ve sebzeler gibi belirgin öğeler için iyi çalışır. Ancak, malzemelerin görsel olarak ayırt edilemediği karışık yemekler için daha az doğrudur. Tipik doğruluk: %15 ila %20 hata.

Manuel arama: Kullanıcı her bir bileşeni ayrı ayrı girer. Doğruluk, kullanıcının pişirme yağları, soslar ve baharatları hesaba katıp katmadığına bağlıdır. Birçok kullanıcı ana bileşenleri kaydederken, pişirmede kullanılan iki yemek kaşığı zeytinyağını (240 kalori) atlayabilir. Tipik doğruluk: %20 ila %35 hata, sistematik bir küçümseme yanlılığı ile.

Barkod tarama: Bireysel paketlenmiş bileşenleri tarayabilir ancak kullanıcının her bileşenin ne kadarının kullanıldığını hesaplaması gerekir. Taranan bileşenler için doğru ancak ambalajsız ürünler gibi bazı öğeleri yakalayamaz. Tipik doğruluk: %15 ila %25 hata, önemli boşluklarla.

Restoran Yemekleri

Yapay zeka fotoğraf takibi: Servis edilen yemeğin fotoğrafını çeker. Bu, yapay zeka fotoğraf takibinin en büyük avantajını gösterdiği senaryodur. Yapay zeka, bir restoran yemeğini saniyeler içinde tahmin edebilirken, manuel arama ya yalnızca zincir restoranlar için veritabanında doğru restoranı bulmayı gerektirir ya da her bir bileşeni ayrı ayrı tahmin etmeyi gerektirir. Tipik doğruluk: %15 ila %25 hata.

Manuel arama: Kullanıcının ya veritabanında tam menü öğesini bulması ya da yemeği bileşenlerine ayırıp her birini tahmin etmesi gerekir. Zincir restoran öğeleri genellikle veritabanlarında mevcutken, bağımsız restoranlar nadiren bulunur. Restoran yemekleri için manuel yöntem yavaş, belirsiz ve kullanıcının tahmin becerilerine büyük ölçüde bağımlıdır. Tipik doğruluk: %25 ila %45 hata.

Barkod tarama: Restoran yemekleri için geçerli değildir. Kullanıcılar, manuel arama veya yapay zeka fotoğraf yöntemlerine geri dönmek zorundadır.

Paketlenmiş Atıştırmalıklar

Yapay zeka fotoğraf takibi: Fotoğraflardan birçok yaygın paketlenmiş atıştırmalığı tanıyabilir, özellikle ambalaj görünüyorsa. Doğruluk, standart ürünler için iyidir ancak tanıdık olmayan veya bölgesel ürünlerde zorluk yaşayabilir. Tipik doğruluk: %10 ila %15 hata.

Manuel arama: Belirli ürün veritabanında mevcutsa iyi çalışır. Ana hata kaynağı, daha büyük bir paketten tüketilen ürünler için porsiyon tahminidir. Tipik doğruluk: %10 ila %20 hata.

Barkod tarama: Barkod taramanın en güçlü senaryosudur. Paketi tarat, porsiyonu kaydet. Tek porsiyonluk paketlenmiş ürünler için doğruluk %5 içindedir. Kullanıcı porsiyon boyutunu tahmin ettiğinde çok porsiyonlu paketler için doğruluk %10 ila %15'tir.

Karışık veya Karmaşık Yemekler

Yapay zeka fotoğraf takibi: Karışık yemekler, görsel tanıma için en büyük zorluğu sunar çünkü bireysel bileşenler görsel olarak ayırt edilemez. Yapay zeka, genel yemek kategorisi ve görünür hacim temelinde tahmin yapar. Tipik doğruluk: %20 ila %30 hata.

Manuel arama: Eğer tam yemek veritabanında mevcutsa, doğruluk veritabanı kalitesine bağlıdır. Kullanıcının bileşenleri ayrı ayrı girmesi gerekiyorsa, süreç zaman alıcı ve hata yapma olasılığı yüksektir. Tipik doğruluk: %20 ila %35 hata.

Barkod tarama: Çoğu karışık yemek için geçerli değildir. Kullanıcılar alternatif bir yöntem kullanmak zorundadır.

Yöntem Seçiminin Bileşik Etkisi

Takip yöntemleri arasındaki gerçek dünya farkı, yalnızca porsiyon başına doğrulukla yakalanamaz. Sonuçları belirleyen, doğruluk ve zaman içindeki tutarlılığın birleşimidir.

30 gün boyunca iki varsayımsal kullanıcıyı düşünün:

Kullanıcı A, ortalama %15 yemek hatası ile yapay zeka fotoğraf takibini kullanıyor ancak yemeklerinin %95'ini kaydediyor. Tüm kaydedilen yemekler üzerinden günlük kalori tahmini, rastgele hataların kısmen dengelenmesi nedeniyle, gerçek alımdan ortalama olarak yaklaşık %8 sapma gösteriyor. %95 yemek kapsamıyla, takip edilen veriler, tüm ay boyunca gerçek alıma yakın bir tahmini temsil ediyor.

Kullanıcı B, ortalama %10 yemek hatası ile manuel arama kullanıyor ancak zaman kısıtlamaları ve yorgunluk nedeniyle yalnızca yemeklerinin %60'ını kaydediyor. Atladıkları yemekler, genellikle restoran yemekleri, atıştırmalıklar ve sosyal olarak rahatsız edici durumlar, en yüksek kalori içeren yemeklerdir. Takip edilen veriler, sistematik olarak gerçek alımı küçümsemekte ve kaydedilmeyen %40, porsiyon başına doğruluğun telafi edemeyeceği bir kör nokta yaratmaktadır.

Kullanıcı A, daha düşük porsiyon başı hassasiyetine rağmen daha kullanışlı verilere sahiptir. Bu nedenle, bağlılık, takip yöntemi seçiminde baskın bir faktördür ve sürtünmeyi minimize eden yöntemlerin, mütevazı doğruluk kayıpları pahasına bile, daha iyi gerçek dünya sonuçları ürettiği görülmektedir.

Optimal Yaklaşım: Yöntem Eşleştirme

En etkili gerçek dünya yaklaşımı, herhangi bir tek yönteme bağımlı kalmak yerine, senaryoya uygun yöntemi akıllıca eşleştirmektir.

Yapay zeka fotoğraf takibini, restoran yemekleri, kafeterya yemekleri, başkaları tarafından hazırlanan yemekler, karmaşık yemekler ve hız ile konforun ön planda olduğu durumlar için kullanın. Bu, manuel yöntemlerin en yavaş ve en az doğru olduğu senaryoları kapsar.

Barkod taramayı, belirli miktarlarda tüketilen paketlenmiş gıdalar için kullanın: bir protein barı, bir çanta cips, bir karton yoğurt. Bu, barkod taramanın en yüksek doğruluk senaryosunu kullanır.

Manuel aramayı, tam miktarını bildiğiniz basit, tek bileşenli ürünler için kullanın: 200 gram tavuk göğsü, bir orta boy muz, iki yumurta. Bu ürünler hızlıca aranabilir ve doğru porsiyonlama kolaydır.

Sesli kayıt kullanın, elleriniz meşgulken: yemek yaparken, sürerken veya yolda yemek yerken. Bu yöntem, yemeği unutmadan kaydetmenizi sağlar; bu, mükemmel doğruluktan daha değerlidir.

Nutrola, kullanıcıların mevcut duruma göre yapay zeka fotoğraf, barkod tarama, manuel arama ve sesli kayıt arasında geçiş yapmalarını sağlayarak tüm dört yöntemi tek bir uygulama içinde destekler. Bu esneklik, kullanıcıların her zaman kaydettikleri gıdalar için en iyi doğruluk-çaba oranını sağlayan yöntemi seçmelerine olanak tanır.

Sonuç

Yapay zeka fotoğraf takibi, her bir gıda maddesi için en doğru yöntem değildir. Barkod tarama, paketlenmiş gıdalar için öne çıkar ve dikkatli manuel kayıt, basit bileşenler için olağanüstü hassasiyet sağlayabilir.

Ancak porsiyon başına doğruluk, takip başarısını belirleyen ölçüt değildir. Başarıyı belirleyen ölçüt, haftalar ve aylar boyunca diyetinizin toplam doğruluğudur. Bu toplam doğruluk, porsiyon başına doğruluğun tutarlılıkla çarpımıdır. Ve tutarlılık açısından, yapay zeka fotoğraf takibi kesin bir şekilde öne çıkmaktadır çünkü günlük yaşamın sürtünmesine dayanacak kadar hızlı olan tek yöntemdir.

En iyi takip yöntemi, gerçekten kullanacağınız, her öğünde, her gün, ihtiyaç duyduğunuz süre boyunca kullanacağınız yöntemdir. Çoğu insan için bu yöntem, yapay zekanın ağır yükü üstlenmesi ve bir insanın hızlı bir onay vermesini içerir. Üç saniye, geçin, hayatınızı yaşayın. Veriler arka planda birikir ve içgörüler takip eder.