Açık Beslenme Verisi: Neden Nutrola Diğer Uygulamaların Yayınlamadığı Doğruluk Kriterlerini Paylaşıyor?

Bir kalori takip uygulaması kullandıysanız, ona temel bir soruyu sormuşsunuzdur: Gerçekten ne kadar yedim? Porsiyon boyutları, yemek seçimleri ve haftalık hedefleriniz tamamen uygulamanın size verdiği rakamlara bağlıdır. Ancak çoğu kullanıcının aklına gelmeyen bir soru var: Bu rakamlar ne kadar doğru ve bunu nasıl anlayabilirsiniz?

Pazarındaki çoğu beslenme uygulaması için cevap, bu bilgiyi bilmeyeceğinizdir. Çoğu uygulama, doğruluk verilerini yayınlamaz. Hata oranlarını açıklamaz. Performansı gıda türüne, mutfak türüne veya yemek karmaşıklığına göre ayrıştırmaz. Size güvenmenizi isterler, ancak bu güveni hak edip etmediğine dair hiçbir kanıt sunmazlar.

Nutrola ise farklı bir yaklaşım benimsiyor. Doğruluk kriterlerimizi kamuya açık olarak yayınlıyoruz; her çeyrek güncelleniyor, gıda kategorisi, mutfak türü, yemek karmaşıklığı ve kayıt yöntemiyle ayrıştırılıyor. Bu makalede neden bunu yaptığımızı, rakamların neyi gösterdiğini, nerelerde eksik kaldığımızı ve bu tür bir şeffaflığın her beslenme uygulaması için standart olması gerektiğine inandığımızı açıklıyoruz.

Neden Çoğu Uygulama Doğruluk Verilerini Yayınlamaz?

Bir beslenme uygulamasının doğruluğunu ölçüp yayınlamasını engelleyen teknik bir engel yoktur. Araçlar mevcut. Metodolojiler iyi bir şekilde belirlenmiştir. Ancak çoğu uygulamanın sessiz kalmasının nedeni üç faktöre dayanıyor.

1. Rakamlar Hoş Değil

Doğruluk kıyaslaması, uygulama çıktısını bir gerçeklikle karşılaştırmayı gerektirir — genellikle tartılmış gıda verileri, doğrulanmış beslenme veritabanlarıyla (örneğin USDA FoodData Central) çapraz referans alınarak. Bu karşılaştırmayı titizlikle yaptığınızda, sonuçlar genellikle önemli boşlukları ortaya çıkarır. "Tavuk sote" olarak listelenen bir veritabanı kaydı, pişirme yağı miktarını belirtmediğinde 200 ila 400 kalori arasında yanılabilir. "Ev yapımı makarna" için kullanıcı tarafından gönderilen bir kayıt, 300 kalorilik bir porsiyondan 800 kalorilik bir porsiyona kadar her şeyi temsil edebilir.

Minimal doğrulama ile kalabalık kaynaklı veritabanlarına dayanan uygulamalar, şeffaflıktan en çok kaybedecek olanlardır. Hata oranlarını yayınlamak, verilerinin tutarsızlığını açığa çıkarır.

2. Doğruluğu Açıkça Tanımlamak Zor

Beslenme uygulaması doğruluğunu ölçmek için evrensel bir standart yoktur. Ortalama hata mı ölçülmeli? Medyan hata mı? Yemeklerin %10'luk bir eşik içinde olup olmadığını mı? Tartılmış malzemelere karşı mı yoksa besin etiketlerine karşı mı test ediyorsunuz? Kullanıcı hatasını ölçüme dahil mi ediyorsunuz yoksa sistemin performansını mı izole ediyorsunuz?

Bu belirsizlik, uygulamalara bir örtü sağlar. Anlaşmaya varılmış bir metodoloji olmadan, "yüksek doğruluk" iddiasında bulunmak kolaydır; ancak bunun ne anlama geldiğini tanımlamak veya kanıtlamak zorlaşır.

3. Pazar Baskısı Yok

Son zamanlara kadar, kullanıcılar beslenme uygulamalarının doğruluğunu kanıtlamasını beklemiyordu. Sektör, varsayılan olarak güven üzerine büyüdü — büyük bir gıda veritabanına sahip bir uygulama varsa, kullanıcılar verilerin doğru olduğunu varsayıyor. Rakipler, doğruluk konusunda birbirlerini sorgulamaz çünkü bu, kendi rakamlarının sorgulanmasına yol açar.

Bu, kolektif bir sessizlik yaratır. Hiç kimse yayınlamaz, bu yüzden hiç kimse yayınlaması beklenmez, dolayısıyla kimse yapmaz.

Nutrola'nın Pozisyonu: Her Şeyi Yayınla

Eğer sağlığınızla ilgili kararlar alıyorsanız, bu verilerin ne kadar güvenilir olduğunu bilmeye hakkınız var. Belirsiz terimlerle değil, spesifik, ölçülebilir ve düzenli olarak güncellenen rakamlarla.

İşte yayınladığımız şeyler ve nasıl ölçtüğümüz.

Doğruluğu Nasıl Ölçüyoruz?

Kıyaslama Metodolojisi

Doğruluk kriterlerimiz iki paralel süreçten türetilmiştir.

Kontrollü testler. Her çeyrek, beslenme bilim ekibimiz, kontrollü koşullarda hazırlanan 1,000 yemek üzerinden yapılandırılmış bir değerlendirme yapar. Her malzeme gram olarak tartılır. Besin değerleri USDA FoodData Central, üretici verileri ve laboratuvar onaylı referans değerlerden hesaplanır. Her yemek, Nutrola üzerinden mevcut tüm yöntemlerle (fotoğraf tanıma, barkod tarama, manuel arama ve tarif içe aktarma) kaydedilir ve çıktılar referans değerlerle karşılaştırılır.

Gerçek dünya doğrulaması. Belirli bir süre boyunca yiyeceklerini tartmayı kabul eden gönüllü kullanıcılar topluyoruz ve hem tartım ölçümlerini hem de normal Nutrola kayıt girişlerini gönderiyorlar. Bu, gerçek koşullar altında — kusurlu aydınlatma, günlük sunum, gerçek mutfaklar — gerçek karşılaştırmalar yapmamızı sağlıyor. Son doğrulama grubumuz, 4,200 kullanıcının 26,800 doğrulanmış yemek kaydı sunduğu bir gruptur.

Ne Ölçüyoruz

Her kıyaslama döngüsü için aşağıdaki metrikleri raporluyoruz:

• Kalori, protein, karbonhidrat ve yağ için ortalama mutlak yüzdelik hata (MAPE).
• Her makro besin için referans değerlerinin %5, %10 ve %15 içinde olan yemeklerin yüzdesi.
• Gıda tanımlama doğruluğu — yapay zekanın ana gıda maddelerini doğru bir şekilde tanımladığı yemeklerin yüzdesi.
• Porsiyon tahmin doğruluğu — yapay zekanın porsiyon tahmini ile gerçek ölçülen porsiyon arasındaki gram ağırlık sapmasının yüzdesi.
• Sistematik hata yönü — hataların aşırı tahmin mi yoksa az tahmin mi eğiliminde olduğu ve ne kadar.

Bu metrikleri gıda kategorisi, mutfak türü, yemek karmaşıklığı ve kayıt yöntemiyle ayrıştırıyoruz. Tam veri seti, kıyaslama sayfamızda mevcuttur.

Rakamlar Ne Gösteriyor: Gıda Kategorisine Göre Doğruluk

Aşağıdaki tablolar, kontrollü testler ve gerçek dünya doğrulama verilerini birleştirerek Q1 2026 kıyaslama sonuçlarımızı yansıtmaktadır.

Gıda Kategorisine Göre Kalori Doğruluğu

Gıda Kategorisi	Ortalama Kalori Hatası	%5 İçinde	%10 İçinde	%15 İçinde	Hata Yönü
Tekli bütün gıdalar (meyve, sebze, sade proteinler)	%3.1	%78	%96	%99	Hafif aşırı tahmin (+%1.2)
Ambalajlı gıdalar (barkod tarama)	%1.8	%91	%98	%100	Nötr
Basit hazırlanmış yemekler (ızgara tavuk + pirinç, soslu salata)	%5.9	%52	%84	%94	Hafif az tahmin (-%2.4)
Karmaşık ev yapımı yemekler (karnıyarık, sote, güveç)	%9.4	%31	%68	%87	Az tahmin (-%4.8)
Fırın ürünleri (ev yapımı)	%11.2	%24	%58	%82	Az tahmin (-%6.1)
Restoran ve paket servis yemekleri	%10.8	%26	%62	%85	Az tahmin (-%5.2)
İçecekler (smoothie, kahve içecekleri, kokteyller)	%7.6	%42	%76	%91	Aşırı tahmin (+%3.1)

Mutfak Türüne Göre Kalori Doğruluğu

Mutfak	Ortalama Kalori Hatası	%10 İçinde	%15 İçinde	Ana Hata Kaynağı
Amerikan / Batı standartı	%6.8	%79	%93	Porsiyon boyutu varyasyonu
Meksika / Latin Amerika	%9.2	%68	%88	Gizli yağlar (domuz yağı, peynir, krema)
İtalyan	%8.4	%72	%90	Zeytinyağı ve peynir miktarları
Çin	%10.1	%64	%86	Wok yemeklerindeki pişirme yağı
Japon	%6.2	%81	%95	Minimal gizli yağlar
Hint	%12.4	%58	%82	Ghee, krema, hindistancevizi sütü
Tay	%11.8	%60	%84	Hindistancevizi sütü, palm şekeri, balık sosu
Kore	%8.8	%70	%89	Fermente soslar, susam yağı
Orta Doğu	%9.6	%66	%87	Zeytinyağı, tahin, fındık bazlı soslar
Etiyopya / Doğu Afrika	%13.1	%54	%79	Niter kibbeh (baharatlı tereyağı), injera varyasyonu

Yemek Karmaşıklığına Göre Kalori Doğruluğu

Yemek Karmaşıklığı	Ortalama Kalori Hatası	%10 İçinde	%15 İçinde
Tekli öğe (1 gıda)	%3.4	%95	%99
Basit tabak (2-3 farklı öğe)	%6.1	%82	%94
Karışık tabak (4-5 öğe)	%8.9	%69	%88
Karmaşık yemek (6+ malzeme, karıştırılmış)	%11.6	%57	%81
Çoklu kurslu yemek	%13.2	%52	%77

Gıda Kategorisine Göre Protein Doğruluğu

Gıda Kategorisi	Ortalama Protein Hatası	%10 İçinde	%15 İçinde
Sade hayvansal proteinler (tavuk, sığır, balık)	%4.2	%89	%97
Bitki bazlı proteinler (tofu, tempeh, baklagiller)	%5.8	%80	%94
Protein içeren karışık yemekler	%8.6	%66	%86
Protein takviyeli gıdalar (barlar, içecekler)	%2.4	%95	%99
Restoran protein yemekleri	%9.8	%61	%83

"Yeterince Doğru" Kilo Kaybı İçin Ne Anlama Geliyor?

Ham doğruluk rakamları, gerçek sonuçlar için ne kadar doğruluğun gerektiğini anladığınızda önem kazanır. Bilim, çoğu insanın beklediğinden daha hoşgörüdür.

Araştırma Bağlamı

2023 yılında Journal of the Academy of Nutrition and Dietetics dergisinde yayımlanan bir sistematik inceleme, diyet değerlendirme yöntemlerini ele almış ve %15'in altındaki ortalama hataların "uzun vadede takip sürdürüldüğünde kilo yönetimi sonuçlarını anlamlı bir şekilde etkilemeyeceğini" belirtmiştir. 2024'te Obesity Reviews dergisinde yayımlanan bir çalışmada, %10 ile %20 hata ile kaydeden tutarlı kullanıcıların, %10'un altında hata ile kaydedenlere göre 12 haftalık bir süreçte %89 daha az kilo kaybettiği bulunmuştur.

Sebep basittir: kalori takibi esasen farkındalık ve davranışsal geri bildirim yoluyla işler, mükemmel ölçümle değil. Eğer alımınızı %8 oranında sürekli olarak az tahmin ediyorsanız, vücudunuz yine de gerçek alıma yanıt verir. Ve eğer hedeflerinizi gerçek dünya sonuçlarına (ölçek eğilimleri, vücut ölçümleri) göre ayarlıyorsanız, sistematik hata zamanla düzelir.

Eşiklerin Pratikte Ne Anlama Geldiği

İşte farklı doğruluk seviyelerinin 2,000 kalorilik günlük alım için ne anlama geldiği:

Doğruluk Seviyesi	Kalori Sapması	Günlük Hata Aralığı	Haftalık Kümülatif Hata	500 kcal/gün Açık Hedef Üzerindeki Etkisi
%5 İçinde	100 kcal'a kadar	1,900 - 2,100	700 kcal'a kadar	Önemsiz — açık hedef korunur
%10 İçinde	200 kcal'a kadar	1,800 - 2,200	1,400 kcal'a kadar	Küçük — açık hedef azaltılmış ama mevcut
%15 İçinde	300 kcal'a kadar	1,700 - 2,300	2,100 kcal'a kadar	Orta — açık hedef bazı haftalarda duraksayabilir
%20 İçinde	400 kcal'a kadar	1,600 - 2,400	2,800 kcal'a kadar	Önemli — açık hedef güvenilir değil

Günlük 400 ila 600 kalorilik ılımlı bir açık hedef peşinde koşan çoğu kullanıcı için, %10 ile %15 arasında bir doğruluk, ilerlemeyi sürdürmek için yeterlidir. Bu, Nutrola'nın çoğu yemek için performans gösterdiği aralıktır — kaydedilen tüm yemeklerin %88'i, tüm gıda kategorileri ve mutfaklar arasında referans değerlerinin %15'i içinde kalmaktadır.

Neden Tutarlılık Hassasiyetten Daha Önemlidir?

İç verilerimiz, 60 veya daha fazla gün boyunca düzenli olarak kayıt yapan kullanıcıların, ortalama doğrulukları %6 mı yoksa %12 mi olursa olsun, belirledikleri hedeflere neredeyse aynı oranlarda ulaştıklarını göstermektedir. Hedeflerine ulaşamayan kullanıcılar, büyük ölçüde kayıt yapmayı bırakanlardır — orta hata ile kayıt yapanlar değil.

Bu, doğruluğun önemsiz olduğu anlamına gelmez. Bu, bir uygulamanın birincil görevinin, güvenilir bir geri bildirim döngüsünü sürdürmek için yeterince doğru olmak ve kullanıcıların gerçekten kullanmaya devam etmesini sağlayacak kadar hızlı ve sorunsuz olmak olduğunu gösterir. Kriterlerimizi yayınlamak, kullanıcıların doğruluğumuzun ihtiyaçlarını karşılayıp karşılamadığını bilinçli bir şekilde değerlendirmelerini sağlar.

Nerelerde Eksik Kalıyoruz: Dürüst Bir Değerlendirme

Şeffaflık, bizi iyi gösteren rakamları ve göstermeyenleri yayınlamak demektir. İşte doğruluk kriterlerimizin net zayıflıkları ortaya koyduğu alanlar.

Gizli Yağlar En Büyük Zorluğumuz

Tüm kategorilerdeki hata kaynaklarının en büyüğü gizli pişirme yağlarıdır. Bir yemek yağ, tereyağı veya ghee ile pişirildiğinde, kullanılan miktar genellikle son tabakta görünmez. Yapay zekamız, yemek türüne, mutfak normlarına ve görsel ipuçlarına dayanarak pişirme yağını tahmin eder, ancak bu bir ölçüm değil, bir çıkarımdır.

Gizli yağların önemli olduğu yemeklerde — Hint köri, Çin sote yemekleri, restoran sote yemekleri — ortalama kalori hatamız %7'den (protein ve karbonhidrat bileşenleri için) %14'e çıkmaktadır. Bu, Hint ve Tay mutfaklarının mutfak kırılımımızda daha yüksek hata oranları göstermesinin ana nedenidir.

Bunu, iyileştirilmiş eğitim verileri ve kullanıcı destekli iyileştirme istemleri (kullanıcılara bir yemeğin yağlı mı yoksa kuru mu göründüğünü sorma) ile aktif olarak çözmeye çalışıyoruz, ancak bu, herhangi bir görsel tabanlı sistem için açık bir sorun olmaya devam ediyor.

Karmaşık Çok Bileşenli Yemekler

Bir tabakta altı veya daha fazla farklı öğe bulunduğunda, özellikle karışık veya katmanlı sunumlarda, tanımlama doğruluğumuz düşmektedir. Yapay zeka, bir tahıl salatasını pirinç yemeği olarak yanlış tanımlayabilir veya bir protein altındaki sos bileşenini gözden kaçırabilir. Çoklu kurslu yemekler, tek bir giriş olarak kaydedildiğinde en yüksek hata oranlarımızı %13.2 ortalama sapma ile gösterir.

Pratik çözüm, bireysel bileşenleri ayrı ayrı kaydetmektir; bu doğruluğu artırır ancak ek zorluklar getirir. Karmaşık tabaklarda daha iyi bileşen ayrıştırması için yapay zeka hattımızda iyileştirmeler üzerinde çalışıyoruz, ancak bunu tatmin edici bir şekilde çözemedik.

Temsil Edilmeyen Mutfaklar

Eğitim verilerimizde yeterince temsil edilmeyen mutfaklar için doğruluğumuz belirgin şekilde daha düşüktür. Etiyopya, Batı Afrika, Orta Asya ve Pasifik Adaları mutfakları, Batı mutfaklarına göre %30 ila %50 daha yüksek hata oranları göstermektedir. Bu, bir veri sorunudur, algoritmik bir sorun değil ve bu bölgelerdeki beslenme araştırmacılarıyla ortaklık kurarak referans veri setlerimizi genişleterek bunu ele alıyoruz.

Doğruluğumuzu mutfak bazında takip ediyor ve yayınlıyoruz, böylece bu gıda geleneklerine sahip kullanıcılar sistemimizin nerede durduğunu görebilir ve yapay zeka kaydını manuel ayarlamalarla nasıl tamamlayacaklarına dair bilinçli kararlar alabilirler.

Belirsiz Porsiyonlar İçin Tahmin

Kesin görsel boyut referansları olmayan gıdalar — bir yığın patates püresi, bir tabak makarna, bir kâse çorba — yapay zekanın doğru tahmin yapmasını daha zor hale getirir. Bir tavuk göğsü, yaklaşık olarak tahmin edilebilir bir ağırlık-boyut oranına sahiptir. Bir kepçe pirinç ise böyle değildir.

Amorf gıdalar için porsiyon tahmin MAPE'miz %16.4'tür; tanımlı şekillere sahip gıdalar için ise %7.8'dir. Fotoğrafta bir referans nesnesi (bir çatal, standart bir tabak) eklemek bunu %11.2'ye iyileştirir; bu nedenle kullanıcıları mümkünse standart yemek takımları üzerinde yemek fotoğraflamaya teşvik ediyoruz.

Şeffaflık Tartışması

Neden Her Uygulamanın Bunu Yapması Gerektiğine İnanıyoruz

Doğruluk kriterlerini yayınlamak bizim için bir pazarlama stratejisi değil. Bu, sağlık kararları alan insanların bu verilerin ne kadar güvenilir olduğunu bilmesi gerektiği basit bir ilkeye dayanan bir ürün gerekliliğidir.

Alternatifini düşünün. Tip 2 diyabeti olan bir kullanıcı, bir kalori takip uygulaması kullanarak karbonhidrat alımını yönetiyor. Eğer uygulamanın karbonhidrat tahminleri sistematik olarak %20 düşükse, bu kullanıcı hatalı verilere dayanarak klinik kararlar alıyor. Bunu bilmenin bir yolu yok, uygulama onlara bunu söylemediği sürece ve uygulamanın şeffaflık sunması için bir teşvik yoksa.

Bu hipotetik değil. Kalabalık kaynaklı beslenme veritabanları — çoğu rakip uygulamanın belkemiği — 2024 yılında Nutrients dergisinde yayımlanan bir analize göre, kullanıcı tarafından gönderilen girişler için %20 ila %30 hata oranları içermektedir. Girişler genellikle çelişkili verilerle çoğaltılır, farklı porsiyon boyutlarını referans alır veya güvenilir olmayan kaynaklardan kopyalanır. Sistematik doğrulama olmadan, bu hatalar sessizce yayılır.

Şeffaflığın Sağladığı Faydalar

Doğruluk verileri kamuya açık olduğunda, birkaç şey mümkün hale gelir:

Kullanıcılar beklentilerini ayarlayabilir. Eğer restoran yemek tahminlerinin %10.8 ortalama hata taşıdığını biliyorsanız, bu belirsizliği planınıza dahil edebilirsiniz. Dışarıda yemek yediğiniz günlerde biraz daha büyük bir açık hedef belirleyebilir veya önemli yemekleri manuel ayarlamalarla doğrulayabilirsiniz.

Araştırmacılar araçları nesnel olarak değerlendirebilir. Diyet takip araçlarının etkinliğini inceleyen beslenme bilimcileri, hangi araçların klinik veya araştırma kullanımı için uygun olduğunu değerlendirmek için doğruluk verilerine ihtiyaç duyar. Yayınlanan kriterler, Nutrola'nın bağımsız değerlendirmeye açık hale gelmesini sağlar; şeffaf olmayan uygulamalar ise bunu başaramaz.

Sektör gelişir. Eğer bir uygulama kriterleri yayınlarsa ve kullanıcılar rakiplerinden de aynı şeyi talep etmeye başlarsa, tüm kategori daha yüksek doğruluk ve hesap verebilirliğe doğru ilerler. Bu herkes için iyidir; biz de belgelenmiş performans üzerine rekabet etmeyi tercih ederiz, pazarlama iddiaları üzerine değil.

Kendimizi sorumlu tutarız. Kriterleri çeyrek dönemlerde yayınlamak, doğruluğun sessizce kötüleşmesine izin veremeyeceğimiz anlamına gelir. Her çeyrek, rakamlar kamuya açık ve herhangi bir gerileme görünür. Bu, sürekli gelişim için içsel bir baskı yaratır; tam olarak da bu amacımızdır.

Kriterlerimizin Araştırma Verileriyle Karşılaştırması

Rakamlarımızı bağlama oturtmak için, Nutrola'nın doğruluğunun diyet değerlendirme yöntemleri üzerine yayımlanan araştırmalarla nasıl karşılaştırıldığını burada görebilirsiniz:

Yöntem	Ortalama Kalori Hatası (Yayımlanan Araştırma)	Kaynak
Kendiliğinden bildirilen diyet hatırlatması (24 saat)	%15 - %30	Journal of Nutrition, 2022
Gıda sıklığı anketleri	%20 - %40	American Journal of Clinical Nutrition, 2023
Manuel kalori uygulaması kaydı (ölçeksiz)	%12 - %25	Nutrients, 2024
Yapay zeka fotoğraf tabanlı kaydı (sektör ortalaması)	%10 - %18	IEEE Conference on Computer Vision, 2025
Nutrola genel (tüm yöntemler birleştirildiğinde)	%6.8	Nutrola Q1 2026 Kriteri
Nutrola yapay zeka fotoğrafı yalnızca	%8.9	Nutrola Q1 2026 Kriteri
Nutrola barkod tarama	%1.8	Nutrola Q1 2026 Kriteri
Tartılmış gıda kayıtları (altın standart)	%2 - %5	British Journal of Nutrition, 2021

Birleşik doğruluğumuz %6.8, Nutrola'yı altın standart olan tartılmış gıda kaydı yöntemi ile en iyi yapay zeka tabanlı sistemler arasında yerleştiriyor. Bu, çoklu yöntem yaklaşımının faydasını yansıtıyor — birçok Nutrola kullanıcısı, hazırlanmış yemekler için fotoğraf kaydını ambalajlı gıdalar için barkod tarama ile birleştiriyor, bu da birleşik doğruluğu tek bir yöntemin sağladığından çok daha düşük bir seviyeye getiriyor.

Gelişme İçin Neler Yapıyoruz

Kriterleri yayınlamak sadece mevcut durumu raporlamakla ilgili değildir. Zamanla gelişimin kamuya açık bir kaydını oluşturmakla ilgilidir.

İşte yayınlamaya başladığımızdan bu yana ortalama kalori hatamızın nasıl değiştiği:

Çeyrek	Ortalama Kalori Hatası	%10 İçinde	%15 İçinde
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

Her çeyrek, verilerin en büyük boşlukları gösterdiği alanlara yönelik belirli kategorileri iyileştirmeyi hedefliyoruz. 2026'nın ikinci çeyreği için mevcut öncelikli alanlar şunlardır:

• Gizli yağ tahmini: Ortak mutfak okullarından yağ miktarı etiketli veri setleri ile yeni model eğitimi.
• Güney Asya mutfağı doğruluğu: 3,200 yeni doğrulanmış Hint, Pakistan, Sri Lanka ve Bangladeş yemekleri ile genişletilmiş referans veri seti.
• Çoklu öğe yemek ayrıştırması: Karmaşık tabaklarda daha iyi bileşen ayrıştırması için güncellenmiş bilgisayarlı görsel hattı.
• Belirsiz gıdalar için porsiyon tahmini: Çok açılı fotoğraf girişi kullanarak derinlik tahmin iyileştirmeleri.

Sıkça Sorulan Sorular

Kriterler ne sıklıkla güncelleniyor?

Tam kıyaslama raporlarını çeyrek dönemlerde yayınlıyoruz. Bir model güncellemesi, doğrulukta istatistiksel olarak anlamlı bir değişiklik (genel MAPE'de 0.5 yüzdelik puandan fazla) ürettiğinde ara güncellemeler yayınlanır.

Ham veri kriterlerini görebilir miyim?

Evet. Kriterler sayfamızda özet tablolar yayınlıyoruz ve anonimleştirilmiş, toplanmış veri setini indirmek için erişime açıyoruz. Bireysel yemek girişleri asla dahil edilmez — yalnızca kategori düzeyindeki istatistikler.

Nutrola'nın doğruluğu kullandığım telefona göre değişir mi?

Kamera kalitesi, fotoğraf tabanlı kaydın doğruluğunu etkiler. Testlerimizde, 2024 ve sonrası amiral gemisi telefonlar (iPhone 15 ve üzeri, Samsung Galaxy S24 ve üzeri, Google Pixel 8 ve üzeri) yayınladığımız kriterlerle tutarlı sonuçlar üretmektedir. Daha eski veya bütçe dostu cihazlar, ortalama olarak yaklaşık 1 ila 2 yüzdelik puan daha yüksek hata gösterir; bu, esas olarak porsiyon boyutu tahminindeki detay eksikliğinden kaynaklanmaktadır.

Nutrola, tanımlayamadığı gıdaları nasıl ele alıyor?

Yapay zeka güven puanımız belirli bir eşiğin altına düştüğünde, uygulama girişi işaretler ve kullanıcıdan tanımlamayı onaylamasını veya düzeltmesini ister. Fotoğrafla kaydedilen yemeklerin yaklaşık %5.2'si bu onay istemini tetikler. Bu işaretlenmiş girişler, doğruluk kriterlerimizden hariç tutulur; bu nedenle yayınlanan rakamlar, sistemin tanımlamadan emin olduğu yemekleri temsil eder.

Restoran yemekleri, restoran nedeniyle mi yoksa gıda türü nedeniyle mi daha az doğru?

Her ikisi de. Restoran yemekleri, iki nedenle daha yüksek hata taşır. İlk olarak, gerçek hazırlama (pişirme yağı miktarları, sos miktarları, porsiyon boyutları) restoranlar arasında değişir ve fotoğrafta görünmez. İkincisi, restoran yemekleri genellikle ev yapımı yemeklerden daha karmaşıktır ve daha fazla gizli bileşen içerir. Verilerimiz, basit restoran öğelerinin (ızgara tavuk salatası, bir parça suşi) ev yapımı karşıtlarıyla neredeyse aynı doğrulukta olduğunu göstermektedir. Hata farkı, esas olarak kızartılmış gıdalar, soslu yemekler ve görünmeyen ek yağlar içeren ürünlerde genişler.

Yanlış üretici etiketlerine sahip ambalajlı gıdalar ne olacak?

Bu, endüstri genelinde bilinen bir sorundur. FDA düzenlemeleri, çoğu besin için besin etiketlerinin belirtilen değerlerden %20 sapmasına izin verir. Barkod doğruluğumuz %1.8, verilerimizin üretici etiketleriyle eşleşmesini yansıtır — pakette gerçekten ne olduğuyla değil. Bağımsız laboratuvar testleri, popüler ürünler için etiket hatalarını ortaya çıkardığında, bunları veritabanımızda işaretliyoruz ve referans değerleri buna göre ayarlıyoruz.

Nutrola'nın doğruluğu, bir kayıtlı diyetisyen tahminiyle nasıl karşılaştırılır?

2025 yılında Journal of the American Dietetic Association dergisinde yayımlanan bir çalışmada, yemek kalorilerini fotoğraflardan tahmin eden kayıtlı diyetisyenlerin ortalama hata oranı %10.2 olarak bulunmuş, bu oran diyetisyenlerin deneyimine ve yemeğin karmaşıklığına bağlı olarak önemli ölçüde değişiklik göstermiştir. Nutrola'nın fotoğraf tabanlı doğruluğu %8.9, ortalama olarak biraz daha iyidir; ancak diyetisyenler belirli karmaşık veya alışılmadık yemeklerde yapay zekadan daha iyi performans gösterir.

Kaydettiğim toplamların sürekli olarak düşük olduğunu fark ettim. Bu bilinen bir sorun mu?

Evet. Kriterlerimiz, çoğu gıda kategorisinde yaklaşık %3 ila %5 oranında sistematik bir az tahmin yanlılığı göstermektedir; bu, esas olarak gizli yağların az tahmin edilmesinden kaynaklanmaktadır. Yanlılık yönünü kriter tablolarımızda açıklıyoruz, böylece kullanıcılar gerektiğinde ayarlama yapabilir. Sürekli bir az tahmin olduğunu düşünüyorsanız, pişirme yağlarını ayrı kaydetmek (yapay zekanın bunları çıkarım yapmasını beklemek yerine) bu yanlılığı önemli ölçüde azaltır.

Sonuç

Çoğu beslenme uygulaması, size güven vermeden güveninizi ister. Kalori rakamlarını kendinden emin bir kesinlikle gösterirken, hata oranlarını görünmez tutar.

Nutrola, doğruluk kriterlerini yayınlayarak bunun tersine inanıyoruz. İşte bu rakamların gösterdiği: Yemeklerin %79'u için %10, %93'ü için ise %15 doğruluk içindeyiz. Gizli yağlar, temsil edilmeyen mutfaklar ve çoklu kurslu yemeklerde en zayıf noktalarımızı gösteriyoruz. Geçen yıl ortalama doğruluğumuzu %10.4 hata oranından %6.8'e düşürdük ve daha fazla iyileştirme hedeflediğimiz belirli alanları yayınlıyoruz.

Bu rakamlar mükemmel değil ve mükemmel olduğunu iddia etmiyoruz. Ancak gerçekler, kamuya açık ve her çeyrek güncelleniyor. Kendimizi bu standartta tutuyoruz ve her beslenme uygulamasının ulaşması gereken standart bu olmalıdır.

Eğer bir kalori takip uygulaması seçiyorsanız, basit bir soru sorun: Bu uygulama bana doğruluk verilerini gösterebilir mi? Cevap hayırsa, nedenini kendinize sorun.