Gizli Yağ Problemi: Multimodal AI'nin Göremediğinizi Görmesi

Bir sebze sote yemeğinin fotoğrafını çekin. Temiz ve sağlıklı bir yemek gibi görünüyor: brokoli, biber, şeker bezelyesi, pirinç üzerinde birkaç tavuk şeridi. Fotoğraf tabanlı bir kalori takipçisi, bu yemeğin 400 ila 500 kalori olduğunu tahmin edebilir.

Ancak fotoğrafın gösteremediği bir şeyi düşünün: sebzelerin eklenmeden önce wok'ta ısıtılan üç yemek kaşığı sebze yağı. Bu, yemekte fiziksel olarak mevcut olan ancak görüntüde tamamen görünmez olan ek 360 kalori ve 42 gram yağ demektir.

İşte gizli yağ problemi ve bu, fotoğraf tabanlı kalori takibindeki en büyük hata kaynağıdır.

Görünmez Kalorilerin Ölçeği

Pişirme yağları, mutfaktaki en yüksek kalori yoğunluğuna sahip malzemelerdir; gram başına 9 kalori ile protein veya karbonhidratların kalori yoğunluğunun iki katından fazladır. Orta düzeyde kullanımı bile, pişirildikten sonra görsel olarak tespit edilmesi imkânsız olan önemli kalori ekler.

İşte yaygın olarak kullanılan pişirme yağlarının gerçekten katkıda bulunduğu miktarlar:

Pişirme Yağı	Miktar	Eklenen Kaloriler
Zeytinyağı	2 yemek kaşığı	239
Tereyağı	2 yemek kaşığı	204
Hindistan cevizi yağı	2 yemek kaşığı	234
Sebze yağı	3 yemek kaşığı	360
Ghee	2 yemek kaşığı	270
Susam yağı	1 yemek kaşığı	120

500 kalori gibi görünen bir ev yapımı akşam yemeği, pişirme yağları hesaba katıldığında kolayca 800 ila 900 kaloriye çıkabilir. Gün boyunca bu görünmez kaloriler, 500 ila 700 hesaplanmamış kaloriye kadar birikerek planlanan kalori açığını tamamen ortadan kaldırabilir.

Sadece Yağ Değil

Gizli kalori problemi, pişirme yağlarının ötesine geçerek son yemekte görünmez hale gelen kalori yoğunluğu yüksek eklemeleri kapsar:

• Pirinç veya makarnaya eritilmiş tereyağı: 1 yemek kaşığı 102 kalori ekler ve eridiğinde görünmez
• Çorbaya karıştırılan krema: Çeyrek su bardağı ağır krema, domates çorbasına 205 kalori ekler; bu çorba, kremasız olanla aynı görünür
• Yeşilliklere emilen salata sosu: İki yemek kaşığı ranch sosu 145 kalori ekler ve çoğu, kâsenin dibinde birikir veya marula emilir
• Izgara etteki marine sosları: Bir teriyaki marinasyonu, şeker ve yağ yoluyla porsiyon başına 50 ila 100 kalori ekleyebilir
• Soslardaki şeker: Bir yemek kaşığı bal, bir sote sosuna 64 kalori ekler ve bu tamamen görsel olarak tespit edilemez

Neden Sadece Fotoğraf Takibi Burada Başarısız Oluyor

Bilgisayar görüşü, gıda tanıma konusunda olağanüstü ilerlemeler kaydetti. Modern modeller, bir tabaktaki bireysel gıda maddelerini tanımlayabilir, derinlik analizi kullanarak porsiyon boyutlarını tahmin edebilir ve hatta görsel olarak benzer yemekleri ayırt edebilir. Ancak temel bir sınırlamaları vardır: yalnızca görünür olanı analiz edebilirler.

Yüzeysel Problem

Bir fotoğraf, bir yemeğin yüzeyini yakalar. Pirinç tanelerine emilen yağı, bir sosun içine eriyen tereyağını veya bir köriye karıştırılan kremayı göremez. Bir yemek kaşığı yağ ile pişirilen bir sote ile dört yemek kaşığı yağ ile pişirilenin görsel görünümü neredeyse aynıdır. Ancak kalorik fark 360 kaloridir.

Görüntü çözünürlüğü, model mimarisi veya eğitim verilerinde yapılacak herhangi bir iyileştirme bu problemi çözemez, çünkü bilgi basitçe görüntüde mevcut değildir.

İstatistiksel Ortalama Yetersiz Kalıyor

Bazı fotoğraf tabanlı sistemler, yemek türüne göre "tipik" bir yağ miktarı varsayarak gizli yağları istatistiksel ortalama ile hesaba katmaya çalışır. Bu, pişirme yağlarını tamamen görmezden gelmekten daha iyidir, ancak kendi hatalarını da beraberinde getirir.

Evde pişirme, dramatik şekilde değişiklik gösterir. Bir kişinin "sote" yemeği, hafif bir yağ spreyi kullanabilirken, diğer bir kişi cömert bir döküm kullanabilir. Restoran hazırlıkları genellikle evde pişirilenlerden iki ila üç kat daha fazla yağ kullanır. İstatistiksel bir ortalama, neredeyse herkes için yanlış olacaktır; sadece farklı yönlerde.

Multimodal AI Gizli Kalori Problemini Nasıl Çözüyor

Multimodal AI, birden fazla giriş türünü (görüntü, metin ve ses gibi) bir araya getirerek, tek bir girişin sağlayabileceğinden daha eksiksiz bir resim oluşturan sistemleri ifade eder. Beslenme takibi bağlamında bu, kameranın gördüğünü, kullanıcının sağladığı bilgilerle tamamlamak anlamına gelir.

Fotoğraf Artı Ses: Tam Bir Resim

İş akışı oldukça basittir. Bir kullanıcı sote yemeğinin fotoğrafını çeker ve AI görünür bileşenleri tanımlar: brokoli, tavuk, biber, pirinç. Ardından kullanıcı bir ses notu ekler: "Yaklaşık iki yemek kaşığı susam yağı ve bir yemek kaşığı soya sosu kullandım."

Artık sistemin iki veri akışı vardır: gıda maddelerinin görsel tanımlaması ve kullanıcının bildirdiği hazırlık detayları. Bunları birleştirerek, yemeğin hem görünür hem de görünmez bileşenlerini hesaba katan bir kalori tahmini oluşturur.

Nutrola'nın multimodal yaklaşımı, kullanıcıların bu bağlamı ses veya metin aracılığıyla kaydetme anında eklemelerine olanak tanır. Sistem, her iki girişi birlikte işler ve bildirilen pişirme yöntemi, yağ türü ve miktarına göre besin tahminini ayarlar.

Yaygın Kör Noktalar İçin Akıllı Yönlendirme

Akıllı bir sistem, yalnızca kullanıcının bilgi vermesine dayanmaz. AI, gizli yağlar içeren bir yemek türünü tanımladığında, kullanıcıyı hedefli bir soruyla yönlendirebilir.

Bir tabak makarna fotoğrafı çektiğinizde, sistem şu soruyu sorabilir: "Bu yağ veya tereyağı bazlı bir sosla mı yapıldı?" Bir köri kaydettiğinizde, "Bu hindistan cevizi sütü, krema veya yağ ile mi yapıldı?" diye sorar.

Bu bağlamsal yönlendirmeler, kaydetme sürecine 5 ila 10 saniye ekler, ancak önemli ölçüde gizli yağ içeriği olan yemekler için doğruluğu %20 ila %35 oranında artırabilir.

Kullanıcı Alışkanlıklarını Öğrenme

Zamanla, multimodal bir sistem bireysel pişirme alışkanlıklarını öğrenir. Eğer bir kullanıcı sürekli olarak sebzeleri pişirirken iki yemek kaşığı zeytinyağı kullandığını bildiriyorsa, sistem bu temel bilgiyi gelecekteki sebze yemeklerine otomatik olarak uygulayabilir ve her seferinde sıfırdan başlamak yerine onay almak için yönlendirme yapabilir.

Bu, hazırlık detaylarını sağlama sürecini kolaylaştırırken doğruluk avantajını korur.

Restoran Problemi

Gizli kaloriler, restoran ortamlarında daha da artar; burada kullanıcı hazırlık yöntemlerine dair hiçbir bilgiye sahip değildir. Restoran mutfakları, evde pişirenlerin beklediğinden daha fazla yağ kullanma eğilimindedir.

2016 yılında American Academy of Nutrition and Dietetics Dergisi'nde yayımlanan bir çalışma, restoran yemeklerinin ortalama 1,205 kalori içerdiğini ve pişirme yağlarının toplam kalorilerin yaklaşık %30'unu oluşturduğunu bulmuştur; bu oran, çalışma katılımcıları tarafından sürekli olarak düşük tahmin edilmiştir.

Multimodal AI Restoran Yemeklerini Nasıl Ele Alıyor

Restoran yemekleri için multimodal yaklaşım, fotoğraf tanımayı bağlamsal bilgi ile birleştirir. Sistem bir restoran yemeğini tanımladığında, şu şekilde hareket edebilir:

1. Evde pişirme varsayımlarından ziyade restoran spesifik porsiyon ve hazırlık varsayımlarını uygulamak
2. Kullanıcıdan gözlemlenebilir detaylar istemek: "Yemek yağlı mı görünüyordu?" veya "Görünür bir sos var mıydı?"
3. Yayınlanmış besin bilgilerine sahip zincir restoranlar için bilinen restoran verilerini referans almak
4. Mutfağa özgü temel değerleri dikkate almak: İtalyan restoranları genellikle daha fazla zeytinyağı kullanır; Hint restoranları daha fazla ghee ve krema kullanır; Çin restoranları yüksek ısıda daha fazla sebze yağı kullanır

Bu katmanlı yaklaşım laboratuvar hassasiyetine ulaşmaz, ancak tahmin edilen ve gerçek kalori içeriği arasındaki farkı önemli ölçüde daraltır.

Gizli Yağları Takip Etmek İçin Pratik Stratejiler

Multimodal AI ile bile, gizli kalorilerin farkında olmak, takip doğruluğunu artırır. İşte kanıta dayalı stratejiler.

Pişirmeden Önce Ölçün

En etkili strateji, pişirme yağlarını tavaya eklemeden önce ölçmektir. Bir mutfak terazisi veya ölçü kaşığı kullanmak 10 saniye alır ve tamamen tahmin işini ortadan kaldırır. Böylece, takip uygulamanıza tam miktarı bildirebilirsiniz.

Yüksek Riskli Yemeklerinizi Tanıyın

Belirli yemek türleri, diğerlerinden daha fazla gizli kalori taşır:

• Sote ve sote yemekleri: Yağ, ana pişirme ortamıdır
• Köri ve güveçler: Genellikle hindistan cevizi sütü, krema veya ghee içerir
• Fırınlanmış sebzeler: Genellikle fırınlamadan önce 2 ila 4 yemek kaşığı yağ ile karıştırılır
• Makarna yemekleri: Tereyağı veya zeytinyağı ile tamamlanır
• Soslu salatalar: Sos, genellikle sebzelerden daha fazla kalori katkısı sağlar

Sesli Kaydetme Alışkanlığını Kullanın

Her fotoğraf kaydından sonra 3 saniyelik bir ses notu eklemeyi alışkanlık haline getirin: "zeytinyağında pişirildi" veya "yağ eklenmedi, hava fritözünde pişirildi." Bu küçük ekleme, kaydınızın doğruluğunu önemli ölçüde artırır.

Belirsizlikte Yüksek Varsayın

Eğer yemeği siz hazırlamadıysanız ve yağ içeriğini tahmin edemiyorsanız, daha düşük bir tahmin yerine daha yüksek bir tahmine varsaymak daha faydalıdır. Pişirme yağını düşük tahmin etme durumu, özellikle restoran yemekleri için, yüksek tahmin etme durumundan çok daha yaygındır.

Sıkça Sorulan Sorular

Pişirme yağı bir öğüne ne kadar gizli kalori ekler?

Bir yemek kaşığı herhangi bir pişirme yağı yaklaşık 120 kalori ve 14 gram yağ içerir. Çoğu ev yapımı yemek, iki ila üç yemek kaşığı kullanarak 240 ila 360 görünmez kalori ekler. Restoran yemekleri genellikle daha fazla kullanır. Yağ, pişirme sırasında yiyeceğe emildiği için, bu kaloriler görsel inceleme veya fotoğraf tabanlı takip ile tespit edilemez. Bir gün boyunca ev yapımı yemeklerde gizli pişirme yağları, standart fotoğraf kaydı tarafından gözden kaçan 400 ila 700 kalori ekleyebilir.

Fotoğraf tabanlı kalori takibi neden hatalıdır?

Fotoğraf tabanlı kalori takibi, görünür gıda maddelerini tanımlamak ve porsiyon boyutlarını tahmin etmekte doğru olsa da, pişirme sırasında yiyeceğe emilen malzemeleri tespit edemez. Pişirme yağları, eritilmiş tereyağı, krema bazlı soslar, marinadelerdeki şeker ve salatalara emilen soslar, fotoğrafta görünmezdir. Bu, görüntü tabanlı analizlerin temel bir sınırlamasıdır; belirli bir uygulamanın teknolojisindeki bir hata değildir. Multimodal AI, fotoğraf tanımayı, hazırlık yöntemleri hakkında kullanıcı tarafından sağlanan bağlamla birleştirerek bu sınırlamayı aşar.

Gıda takibinde multimodal AI nedir?

Multimodal AI, birden fazla türde girişi aynı anda işleyen yapay zeka sistemlerini ifade eder. Gıda takibinde bu, fotoğraf tanımayı (görsel girdi) ses notları veya metin açıklamalarıyla (dil girişi) birleştirerek daha eksiksiz bir besin tahmini oluşturmak anlamına gelir. Örneğin, bir fotoğraf tabaktaki gıda maddelerini tanımlarken, bir ses notu pişirme için hindistan cevizi yağı kullandığınızı ekler. Sistem, her iki veri akışını birleştirerek görünür ve görünmez kalori kaynaklarını hesaba katan bir tahmin üretir.

Evde yemek pişirirken kalorileri daha doğru nasıl takip edebilirim?

En etkili yaklaşım, üç uygulamayı bir araya getirmektir. İlk olarak, pişirme yağlarını tavaya eklemeden önce bir yemek kaşığı veya mutfak terazisi ile ölçün. İkincisi, ses veya metin aracılığıyla pişirme detaylarını eklemenize olanak tanıyan bir multimodal takip uygulaması kullanın. Üçüncüsü, gizli kalori kaynaklarının farkında olun: pişirme yağları, tereyağı, krema, soslar ve şeker bazlı soslar. Bu eklemeleri kaydetmek birkaç saniye alır, ancak günlük kalori doğruluğunuzu %20 ila %35 oranında artırabilir.

Restoranlar evde pişirmeden daha fazla yağ mı kullanıyor?

Evet, önemli ölçüde. Araştırmalar, restoran yemeklerinin yaklaşık %30'unun eklenen pişirme yağlarından geldiğini göstermektedir ve şefler genellikle lezzet ve doku için evde pişirenlerden daha fazla yağ, tereyağı ve krema kullanır. Bir restoran sote yemeği, aynı yemeğin evdeki versiyonundan üç ila dört kat daha fazla yağ kullanabilir. Bu, restoran yemeklerinin genellikle makul görünen porsiyon boyutlarına rağmen kalori beklentilerini aşmasının bir nedenidir.