Nutrola Araştırma Laboratuvarı: AI Gıda Tanıma Doğruluğunu Laboratuvar Analizi ile Nasıl Doğruluyoruz

Bir AI beslenme takip sistemine güven, temel bir soruya dayanır: Verdiği sayılar gerçeğe ne kadar yakın? Gerçek kalori sayısı 620 iken 450 kalori bildiren bir sistem sadece hatalı değil; bu veriye dayanan her diyet kararını da zayıflatır. Nutrola olarak, şeffaf bir metodoloji olmadan yapılan doğruluk iddialarının anlam ifade etmediğine inanıyoruz.

Bu makalede, Nutrola Araştırma Laboratuvarı'nın gıda tanıma doğruluğunu nasıl doğruladığını açıklıyoruz. Test protokollerimizi, karşılaştırdığımız referans standartlarını, hataları nasıl kategorize edip azalttığımızı ve yayımladığımız metrikleri tanıtıyoruz. Amacımız, kullanıcılar, diyetisyenler, geliştiriciler ve araştırmacılara "doğruluk" teriminin bizim bağlamımızda ne anlama geldiğini ve bunu nasıl geliştirdiğimizi net bir şekilde anlatmaktır.

Neden Doğrulama Önemlidir

Çoğu beslenme uygulaması, içsel ölçütler kullanarak doğruluğu rapor eder ve bu ölçütler genellikle olumlu sonuçlar elde etmek için optimize edilmiştir. Yaygın bir uygulama, eğitim için kullanılan veri setinin bir kısmında test yapmaktır; bu da gerçek dünya performansını yansıtmayan abartılı doğruluk rakamları üretir. Bir model, kendi test setinde yüzde 95 doğruluk elde edebilirken, kullanıcılarının gerçekten yediği gıdalarla mücadele edebilir.

Doğru bir doğrulama, önyargıyı en aza indiren protokoller kullanarak bağımsız bir gerçeklikle test yapmayı gerektirir. Tıbbi ve bilimsel bağlamlarda buna analitik doğrulama denir ve sistemin çıktısını bilinen bir referans standardıyla karşılaştırmayı içerir. Nutrola Araştırma Laboratuvarı, bu ilkeyi gıda tanıma süreçlerine uygular.

Referans Standartlarımız: Laboratuvar Analizli Öğünler

Referans Öğünleri Nasıl Oluşturuyoruz

Doğrulama sürecimizin temeli, laboratuvar onaylı besin bileşimine sahip referans öğünler kütüphanesidir. İşte bu öğünleri nasıl oluşturduğumuz:

1. Öğün seçimi: Nutrola kullanıcılarının takip ettiği gıdaların çeşitliliğini temsil eden öğünler seçiyoruz. Bu, yaygın öğünleri (ızgara tavuklu pilav, domates soslu makarna), karmaşık çok bileşenli yemekleri (bibimbap, karışık thali tabakları), zorlu durumları (çorbalar, smoothieler, yoğun soslu yemekler) ve az temsil edilen mutfaklardan öğeleri içerir.

2. Hazırlama ve tartma: Her öğün, test mutfaklarımızda hazırlanır veya restoranlardan temin edilir. Her bir malzeme, hazırlanma öncesi ve sırasında kalibre edilmiş laboratuvar terazilerinde (0.1 gram hassasiyet) tartılır. Pişirme yağları, soslar, baharatlar ve garnitürler titizlikle ölçülür.

3. Fotoğraf çekimi: Hazırlanan öğün, çeşitli koşullarda fotoğraflanır:

   • Kontrollü aydınlatma (5500K gün ışığı, difüz)
   • Doğal gün ışığı (değişken koşullar)
   • İç mekan yapay aydınlatma (floresan, akkor, sıcak LED)
   • Farklı açılardan (üstten, 45 derece, göz hizasında)
   • Farklı cihazlarla (son model iPhone, Samsung Galaxy, Pixel, orta seviye Android)
   • Farklı mesafeler ve kompozisyonlarla

   Her öğün, bu koşullarda 15 ila 30 fotoğraf üreterek gerçek dünya fotoğraf değişkenliğini yansıtan bir test seti oluşturur.

4. Laboratuvar analizi: En yüksek doğruluk referansı gerektiren bir alt küme için, hazırlanan örnekleri sertifikalı bir gıda analiz laboratuvarına gönderiyoruz (AOAC International yöntemlerini kullanarak). Laboratuvar, aşağıdakileri ölçer:

   • Toplam enerji (bomb kalorimetresi)
   • Protein (Kjeldahl veya Dumas yanma yöntemi)
   • Toplam yağ (asit hidrolizi ardından Soxhlet ekstraksiyonu)
   • Karbonhidrat (farkla: toplam ağırlıktan protein, yağ, nem ve kül çıkarılarak)
   • Diyet lifi (enzimatik-gravimetrik yöntem)
   • Nem ve kül içeriği

5. Hesaplanan referans değerler: Laboratuvar analizi yapılmayan öğünler için, malzeme ağırlıklarından USDA FoodData Central (SR Legacy ve FNDDS veritabanları) ve markalı ürünler için doğrulanmış üretici verileri kullanarak referans besin değerleri hesaplıyoruz. Bu hesaplanan değerler, ikincil referans standartları olarak hizmet eder.

Referans Öğün Kütüphanesi Boyutu

2026'nın ilk çeyreği itibarıyla, Nutrola Araştırma Laboratuvarı referans kütüphanesi aşağıdaki verilere sahiptir:

Kategori	Sayı
Hesaplanan referans değerlerine sahip benzersiz öğünler	4,200+
Laboratuvar analizli referans değerlerine sahip benzersiz öğünler	680+
Toplam referans fotoğrafları	78,000+
Temsil edilen mutfaklar	42
Kapsanan diyet desenleri (keto, vegan, helal vb.)	18

Aylık yaklaşık 50 yeni referans öğün ekliyoruz ve mevcut öğünleri güncellenmiş modellerle her çeyrek yeniden test ediyoruz.

Kör Test Protokolü

Bu Bağlamda "Kör" Ne Anlama Geliyor

Test protokolümüz, modelin test öğünlerinde herhangi bir haksız avantaj elde etmesini önlemek için tasarlanmıştır. Üç düzeyde ayrım sağlıyoruz:

1. Veri ayrımı: Hiçbir referans öğün fotoğrafı, eğitim veri setinde yer almamıştır. Test kütüphanesi ile eğitim verileri arasında sıkı bir hava boşluğu koruyoruz; bu, hash tabanlı tekrar kontrolü ve erişim kontrolleri ile sağlanmaktadır.

2. Değerlendirici körlüğü: Referans öğünleri hazırlayan ve fotoğraflayan ekip üyeleri, modelleri geliştiren ve eğiten ekip üyelerinden farklıdır. Model geliştiricileri, sonuçlar yayımlanana kadar test kütüphanesini görmez.

3. Otomatik değerlendirme: Fotoğraflar çekildikten ve referans değerler kaydedildikten sonra, değerlendirme süreci otomatik olarak çalışır. Fotoğraflar, özel bayraklar, başlıklar veya ön işleme olmadan, gerçek kullanıcıları hizmet veren aynı API uç noktasına gönderilir. Sonuçlar, referans değerlerle programatik olarak karşılaştırılır; bu, öznel yargıyı ortadan kaldırır.

Test Sıklığı

Üç tür doğrulama testi gerçekleştiriyoruz:

Sürekli regresyon testi: Her model güncellemesi, dağıtımdan önce tam referans kütüphanesi ile değerlendirilir. Herhangi bir büyük gıda kategorisinde gerileyen bir model, gerileme çözülene kadar dağıtılmaz. Bu, genellikle her bir ila iki haftada bir gerçekleşir.

Çeyrek dönemde kapsamlı değerlendirme: Her çeyrek, yeni eklenen referans öğünleri, tüm kategorilerde güncellenmiş doğruluk metriklerini, önceki çeyreklerle karşılaştırmayı ve hata desenlerini analiz etmeyi içeren tam bir değerlendirme gerçekleştiriyoruz.

Yıllık dış denetim: Yılda bir kez, bağımsız bir üçüncü taraf değerlendirici (bir üniversite gıda bilimi bölümü veya bağımsız bir test laboratuvarı) ile birlikte, kendi protokolümüzün bir alt kümesini hazırlayıp fotoğraflayarak çalıştırıyoruz. Bu, kendi öğün hazırlama veya fotoğraf çekim uygulamalarımızda sistematik önyargılara karşı koruma sağlar.

Doğruluğu Nasıl Ölçüyoruz

Gıda Tanımlama Metrikleri

En yüksek doğruluk (Top-1): Modelin en yüksek güvenle tahmin ettiği gıda etiketinin, test görüntülerinin yüzdesidir. Bunu üç seviyede raporluyoruz:

• Genel (tüm gıda kategorileri)
• Mutfak bazında (örneğin, Japon, Meksika, Hint, İtalyan)
• Zorluk seviyesine göre (basit tek bileşen, çok bileşenli tabak, karışık yemek)

En yüksek üçlü doğruluk (Top-3): Doğru gıda etiketinin modelin en yüksek üç tahmininden birinde yer aldığı test görüntülerinin yüzdesidir. Bu, birçok belirsiz durumda (örneğin, mantar çorbası ile tavuk çorbası arasında) kullanıcı seçimlerinin kısa bir listeden çözülmesi açısından önemlidir.

Tespit hatırlama: Çok bileşenli tabaklar için, referansta bulunan bireysel gıda maddelerinin model tarafından tespit edilme yüzdesidir. Tavuk, pirinç ve brokoli içeren bir tabakta modelin tavuk ve pirinci tespit edip brokoliyi atladığı durumda, tespit hatırlama oranı yüzde 66.7 olur.

Besin Doğruluğu Metrikleri

Ortalama Mutlak Hata (MAE): Tahmin edilen ve referans besin değerleri arasındaki ortalama mutlak fark, makro besinler için gram cinsinden ve enerji için kilokalori cinsinden rapor edilir.

Ortalama Mutlak Yüzde Hata (MAPE): MAE'nin referans değerinin yüzdesi olarak ifade edilmesidir. Bu, farklı porsiyon boyutları ve kalori yoğunlukları arasında normalizasyon sağlar. Kalori, protein, karbonhidrat, yağ ve lif için MAPE'yi ayrı ayrı raporluyoruz.

Korelasyon katsayısı (r): Tahmin edilen ve referans değerler arasındaki Pearson korelasyonu. Yüksek bir korelasyon (r > 0.90), modelin öğünleri kalori/besin içeriğine göre güvenilir bir şekilde sıraladığını gösterir; bu, mutlak değerlerin bazı kaymalar olsa bile geçerlidir.

Bland-Altman analizi: Besin tahminleri için, tahmin edilen ve referans değerler arasındaki uyumu görselleştirmek için Bland-Altman grafiklerini kullanıyoruz. Bu yöntem, klinik yöntem karşılaştırma çalışmalarında standarttır ve hataların değerler aralığında tutarlı olup olmadığını (uniform önyargı) veya çok küçük veya çok büyük porsiyonlar için doğruluğun düşüp düşmediğini (orantılı önyargı) ortaya koyar.

Güncel Doğruluk Kriterleri (2026'nın İlk Çeyreği)

Metrik	Genel	Basit Öğeler	Çok Bileşenli	Karışık Yemekler
En yüksek gıda tanımlama doğruluğu (Top-1)	89.3%	94.1%	87.6%	78.4%
En yüksek üçlü gıda tanımlama doğruluğu (Top-3)	96.1%	98.7%	95.2%	90.3%
Tespit hatırlama (çok bileşenli)	91.8%	N/A	91.8%	85.2%
Kalori MAPE	17.2%	12.8%	18.4%	24.6%
Protein MAPE	19.8%	14.3%	21.2%	27.1%
Karbonhidrat MAPE	18.5%	13.6%	19.7%	25.8%
Yağ MAPE	22.4%	16.1%	23.8%	31.2%
Kalori korelasyonu (r)	0.94	0.97	0.93	0.88

Notlar: "Basit öğeler", tek gıda görüntüleridir (örneğin, bir elma, bir kase yulaf ezmesi). "Çok bileşenli" tabaklar, iki veya daha fazla belirgin, görsel olarak ayrılabilir öğe içerir. "Karışık yemekler", malzemelerin bir araya getirildiği öğelerdir (çorbalar, güveçler, köri, smoothieler). Yağ MAPE'si, pişirme sırasında kullanılan yağların görsel olarak en az tespit edilebilir olması nedeniyle sürekli olarak en yüksek hata metriğidir.

Hata Kategorizasyonu

Hataların nerede meydana geldiğini anlamak, büyüklüğünü ölçmek kadar önemlidir. Hataları beş tipe ayırıyoruz:

Tip 1: Yanlış Tanımlama

Model, tamamen yanlış bir gıdayı tanımlar. Örnek: Tayland fesleğenli tavuk yerine kung pao tavuğu olarak sınıflandırmak. Bu hatalar, hem tanımlama doğruluğunu hem de besin tahminini etkiler. Yanlış tanımlama hataları, 2024'te tüm tahminlerin yüzde 15.2'sinden 2026'nın ilk çeyreğinde yüzde 10.7'ye düştü.

Tip 2: Porsiyon Tahmin Hatası

Gıda doğru tanımlanır, ancak porsiyon tahmini önemli ölçüde yanlıştır. Örnek: makarnayı doğru tanımlamak, ancak 200 gram tahmin etmek, oysa gerçek ağırlık 140 gramdır. Porsiyon hataları, kalori MAPE'sinin en büyük katkısını oluşturur ve toplam besin hata bütçesinin yaklaşık yüzde 55'inden sorumludur.

Tip 3: Eksik Bileşen

Model, görüntüde mevcut olan bir gıda maddesini tespit edemez. Örnek: bir salatanın üzerine drene edilen zeytinyağını tespit edememek veya küçük bir sos yanını atlamak. Bu hatalar, sistematik bir şekilde düşük tahminlere neden olur ve görsel olarak ince olan kalori yoğun gıdalar için özellikle sorunludur.

Tip 4: Hazırlama Yöntemi Hatası

Gıda, öğe düzeyinde doğru tanımlanır, ancak hazırlama yöntemi yanlıştır. Örnek: tavuk göğsünü doğru tanımlamak, ancak ızgara yerine yağda kızartılmış olarak sınıflandırmak. Hazırlama yöntemi hataları, yağ tahminlerini orantısız şekilde etkiler çünkü pişirme yöntemleri yağ içeriğini dramatik şekilde değiştirir.

Tip 5: Veritabanı Eşleştirme Hatası

Gıda doğru tanımlanır ve porsiyon makul bir şekilde tahmin edilir, ancak eşleştirildiği besin veritabanı girişi belirli varyantı doğru bir şekilde temsil etmez. Örnek: bir restoranın sarımsaklı ekmeğini, restoranın ekstra tereyağı kullanımını hesaba katmayan genel bir sarımsaklı ekmek girişine eşleştirmek. Bu hatalar, veritabanı genişlemesi ve restoran spesifik girişleri ile ele alınır.

Hata Dağılımı (2026'nın İlk Çeyreği)

Hata Tipi	Sıklık	Kalori Hatasına Katkı
Tip 1: Yanlış Tanımlama	%10.7 tahmin	%22 kalori hatası
Tip 2: Porsiyon tahmini	%34.2 tahmin	%55 kalori hatası
Tip 3: Eksik Bileşen	%8.3 tahmin	%11 kalori hatası
Tip 4: Hazırlama Yöntemi	%5.8 tahmin	%8 kalori hatası
Tip 5: Veritabanı Eşleştirme	%3.1 tahmin	%4 kalori hatası

Hataları Nasıl Azaltıyoruz

Sürekli Model İyileştirmesi

Hataları azaltmanın birincil stratejisi, aktif öğrenme hattıdır. Kullanıcılar bir gıda tanımlamasını düzeltir veya bir porsiyon boyutunu ayarladığında, bu düzeltme bir doğrulama kuyruğuna girer. Bilinen besin profilleriyle tutarlı olan düzeltmeler (örneğin, düzeltme yapılan öğenin kalori yoğunluğu makul bir aralıkta kalıyorsa) bir sonraki model güncellemesi için eğitim veri setine dahil edilir.

Tanıma modellerimizi haftalık bir döngüde yeniden eğitiyoruz. Her güncelleme, yeni kullanıcı doğrulamalı düzeltmeleri, araştırma laboratuvarından yeni referans görüntüleri ve modelin sıkça karıştırdığı gıda çiftlerine yönelik zorlu negatif madenciliği içerir.

Hedeflenmiş Doğruluk İyileştirme Programları

Çeyrek değerlendirmemiz, hedefin altında doğruluk gösteren bir kategori tespit ettiğinde, hedeflenmiş bir iyileştirme programı başlatıyoruz:

1. Performans gösteremeyen kategori için ek eğitim verisi toplamak
2. Belirli hata desenlerini analiz etmek (yanlış tanımlama, porsiyon tahmini veya veritabanı eşleştirmesi mi?)
3. Hedeflenmiş düzeltmeler uygulamak (ek eğitim verisi, model mimarisi ayarlamaları, veritabanı güncellemeleri)
4. İyileşmeyi referans kütüphanesi ile doğrulamak
5. Dağıtım ve izleme

2025'te, Güneydoğu Asya köri yemekleri, Meksika sokak yemekleri ve Orta Doğu mezeleri için hedeflenmiş programlar yürüttük ve her kategoride yüzde 8-14 doğruluk artışı sağladık.

USDA Çapraz Doğrulama

Veritabanımızdaki her gıda için, besin değerlerini USDA FoodData Central ile çapraz doğruluyoruz. Nutrola'nın doğru tanımlanan bir gıda için tahmin edilen besin değerleri, tahmin edilen porsiyon için USDA referans değerinden yüzde 15'ten fazla saparsa, sistem tahmini inceleme için işaretler.

Bu çapraz doğrulama, iki tür sorunu yakalar:

• Teknik olarak doğru tanımlamalar ancak yanlış veritabanı girişlerine eşleştirilen model tahminleri
• Hatalı veya güncel olmayan veritabanı girişleri

Besin veritabanımızı her ay güncelliyoruz; USDA FoodData Central güncellemelerini, üretici ürün değişikliklerini ve çapraz doğrulama yoluyla tespit edilen düzeltmeleri dahil ediyoruz.

Kullanıcı Geri Bildirim Kalite Kontrolü

Tüm kullanıcı düzeltmeleri eşit derecede güvenilir değildir. "Beyaz pirinç" yerine "karnabahar pirinci" değiştiren bir kullanıcı anlamlı bir düzeltme yapıyor. Ancak, porsiyon boyutlarını rastgele değiştiren bir kullanıcı gürültü ekleyebilir. Kalite kontrol filtreleri uyguluyoruz:

• Sürekli takip geçmişi olan kullanıcıların düzeltmeleri daha yüksek ağırlık taşır
• Aynı gıda maddesi için birden fazla kullanıcı tarafından doğrulanan düzeltmeler önceliklendirilir
• Besin açısından mantıksız değerlere (örneğin, 2,000 kalori olan bir salata) yol açacak düzeltmeler manuel inceleme için işaretlenir
• İstatistiksel aykırı değer tespiti kullanarak potansiyel hatalı düzeltmeleri belirleyip hariç tutuyoruz

Şeffaflık ve Sınırlamalar

Yayınladığımız Bilgiler

Nutrola Araştırma Laboratuvarı aşağıdaki bilgileri yayımlar:

• Tüm kategorilerde çeyrek doğruluk metrikleri (yukarıdaki tablolarda gösterildiği gibi)
• Yıl bazında doğruluk trendleri
• Bilinen sınırlamalar ve zorlu gıda kategorileri
• Test metodolojimiz (bu makale)

Şeffaf Olduğumuz Bilinen Sınırlamalar

Gizli bileşenler, kontrol edilemeyen hata kaynaklarının en büyüğüdür. Hazırlama sırasında eklenen pişirme yağları, tereyağı, şeker ve tuz fotoğraflarda görünmez. Modellerimiz, gizli bileşen katkılarını tahmin etmek için hazırlama yöntemi önceliklerini kullanır, ancak bunlar belirli bir restoranın veya ev aşçısının uygulamalarını karşılamayan istatistiksel ortalamalardır.

Homojen gıdalar (çorbalar, smoothieler, püreler) daha yüksek hata oranlarına sahiptir. Görsel özellikler sınırlı olduğunda, model büyük ölçüde bağlamsal ipuçlarına ve kullanıcı girdisine dayanır. Bu kategorilerde uygulama içinde daha düşük güven düzeyini açıkça iletiyoruz.

Restoran yemekleri, ev yapımı yemeklerden daha zorlayıcıdır. Standart tarifler, yer, şef ve güne göre değişir. Bir restoranın Sezar salatası, diğer bir restoranın versiyonunun iki katı sos içerebilir ve hiçbiri USDA genel girişine uymayabilir.

Doğruluk, daha az eğitim verisi olan mutfaklar için daha düşüktür. Kapsamımızı aktif olarak genişletirken, bazı bölgesel mutfaklar (Orta Afrika, Orta Asya, Pasifik Adaları) daha az eğitim örneğine sahip ve dolayısıyla daha düşük doğruluk göstermektedir. Kullanıcıların modelin daha az kesin olduğu durumları görebilmeleri için güven göstergeleri sunuyoruz.

Doğruluk İyileştirme Eğrisi

Son 18 ayda, Nutrola'nın gıda tanıma doğruluğu tutarlı bir iyileşme eğrisi izlemiştir:

Çeyrek	En yüksek doğruluk	Kalori MAPE	Büyük İyileşme
2024 Q3	82.1%	23.8%	Mimari yükseltmeden sonraki temel
2024 Q4	84.7%	21.4%	Asya mutfağı eğitim verisi genişletildi
2025 Q1	86.3%	20.1%	LiDAR ile geliştirilmiş porsiyon tahmini
2025 Q2	87.5%	19.2%	Temel model omurgası yükseltmesi
2025 Q3	88.1%	18.6%	Çok modlu bağlam entegrasyonu
2025 Q4	88.9%	17.8%	Geliştirilmiş karışık yemek ayrıştırması
2026 Q1	89.3%	17.2%	Kişiselleştirilmiş model uyarlaması

Bu seviyedeki her bir yüzde puanı iyileşme, önceki birine göre katlanarak daha fazla çaba gerektirir. Kalan hatalar, en zorlu durumlarda yoğunlaşmıştır: görsel olarak belirsiz yemekler, gizli bileşenler, alışılmadık porsiyon boyutları ve nadir gıdalar. Sürekli ilerleme, hem daha iyi modeller hem de daha iyi referans verileri gerektirir.

Sıkça Sorulan Sorular

Nutrola'nın doğruluğu rakiplere göre nasıl?

Doğrudan karşılaştırma yapmak zordur çünkü çoğu rakip, doğrulama metodolojilerini veya doğruluk metriklerini aynı detay seviyesinde yayımlamaz. Kamuya açık ölçütlerde, Nutrola'nın modeli yayımlanan sonuçların en üst sıralarında yer almaktadır. Laboratuvar analizli öğünlerle doğrulanan gerçek dünya doğruluğumuz, daha anlamlı bir ölçüt olarak kabul ettiğimiz bir şeydir ve diğer şirketleri benzer doğrulama uygulamalarını benimsemeye teşvik ediyoruz.

Neden yağ tahmini, protein veya karbonhidrat tahmininden daha az doğrudur?

Yağ, görsel olarak tahmin edilmesi en zor makro besin maddesidir çünkü çoğu gizlidir. Yemeğe emilen pişirme yağları, soslara eritilen tereyağı ve etin içindeki yağ damarları fotoğraflarda görünmez veya neredeyse görünmezdir. Ayrıca, yağın kalori yoğunluğu en yüksek olanıdır (9 kcal/g, protein ve karbonhidrat için 4 kcal/g), bu nedenle yağ gramlarındaki küçük tahmin hataları bile daha büyük kalori hatalarına dönüşür.

Veritabanınızda olmayan gıdaları nasıl ele alıyorsunuz?

Model, yeterli güvenle sınıflandıramadığı bir gıda ile karşılaştığında, kullanıcıya en iyi tahminlerini sunar ve öğeyi manuel olarak arama veya girme seçeneği verir. Bu düşük güvenli karşılaşmalar kaydedilir ve gelecekteki eğitim verileri için önceliklendirilir. Belirli bir tanınmayan gıda, birden fazla kullanıcı arasında sıkça görünüyorsa, hem tanıma modeli hem de besin veritabanına eklenmesi için hızlı bir şekilde önceliklendirilir.

Belirli diyetim için doğruluğa güvenebilir miyim?

Doğruluk, yayımlanan metriklerimizde gösterildiği gibi gıda türüne göre değişir. Eğer genellikle basit, iyi tanımlanmış öğünler (ızgara proteinler, sade tahıllar, taze sebzeler) tüketiyorsanız, doğruluğunuzun aralığımızın üst kısmında olmasını bekleyebilirsiniz. Eğer sıkça karmaşık karışık yemekler, bilinmeyen hazırlama yöntemlerine sahip restoran yemekleri veya sınırlı eğitim verisi olan mutfaklardan gıdalar tüketiyorsanız, doğruluk aralığımızın alt kısmında olacaktır. Nutrola uygulamasındaki güven göstergesi, bu değişkenliği tahmin bazında yansıtır.

Nutrola, gıda fotoğraflarımı eğitim için satıyor veya paylaşıyor mu?

Nutrola'nın veri uygulamaları, gizlilik politikamızda ele alınmaktadır. Kullanıcı düzeltmeleri ve gıda fotoğrafları, yalnızca kullanıcıların veri katkı programı aracılığıyla açık onayı ile tanıma modellerimizi geliştirmek için kullanılır. Verilerini paylaşmaktan vazgeçen kullanıcılar, diğer kullanıcıların katkıları sayesinde modelin iyileşmesinden faydalanır, ancak kendi verilerini katkıda bulunmazlar. Hiçbir bireysel tanımlanabilir gıda verisi üçüncü taraflara satılmamaktadır.

Model ne sıklıkla güncelleniyor?

Tanıma modeli yaklaşık haftada bir yeniden eğitilir ve güncellenir. Büyük mimari değişiklikler daha az sıklıkla, genellikle yılda bir veya iki kez gerçekleşir. Her güncelleme, dağıtıma geçmeden önce referans kütüphanesi ile tam regresyon test protokolünden geçer. Kullanıcılar, uygulama güncellemeleri gerektirmeden otomatik olarak model güncellemelerini alır.

Sonuç

Doğrulama, bir kez gönderip unuttuğumuz bir özellik değildir. Sürekli bir disiplin olup, her model iyileştirmesi ile paralel olarak yürütülmektedir. Nutrola Araştırma Laboratuvarı, şeffaf doğruluk raporlamasının, AI beslenme takibinin gerçekten faydalı olabilmesi için gerekli olan güveni inşa ettiğine inanıyor.

Metodolojimiz, laboratuvar analizli referans öğünler, kör test protokolleri, USDA çapraz doğrulaması, sistematik hata kategorizasyonu ve yayımlanan metriklerimiz, bizi içsel ölçütlerden daha yüksek bir standarda hesap verebilir kılmak için tasarlanmıştır. Mükemmel değiliz. Doğruluk metriklerimiz bunu kanıtlıyor. Ancak nerede eksik kaldığımızı biliyoruz ve bu boşlukları kapatmak için sistematik süreçlerimiz var.

Kullanıcılar için pratik sonuç açıktır: Nutrola, belirsizlikleri şeffaf bir şekilde ortaya koyan, zamanla ölçülebilir şekilde gelişen ve oluşturduğumuz en katı referans standardına karşı doğrulanan besin tahminleri sunar. İşte sorumlu bir AI beslenme takibinin nasıl göründüğü budur.