Küresel Zihin: Neden Çoğu Yapay Zeka Biryani, Arepas ve Dal'ı Tanıyamıyor?

Çoğu gıda tanıma uygulamasına bir tabak tavuk biryani sorduğunuzda, muhtemelen "etli pilav" ya da daha kötüsü "kızarmış pilav" yanıtını alırsınız. Ardından gelen kalori tahmini, modelin ghee ile hazırlanmış basmati pirinci, katmanlı marine işlemleri veya yemeğe katılan kızarmış soğanlar hakkında hiçbir fikri olmadığı için 200 ila 400 kalori kadar yanlış olacaktır.

Bu, niş bir sorun değil. Birleşmiş Milletler'e göre, 5.5 milyardan fazla insan Kuzey Amerika ve Avrupa dışında yaşıyor. Nijeryalı jollof pilavından Peru cevichesine, Japon okonomiyakisine kadar günlük yemekleri, yaygın gıda yapay zekasını besleyen veri setlerinde sistematik olarak yeterince temsil edilmiyor. Sonuç, bir cheeseburger için iyi çalışan ama dünyanın çoğunluğu için başarısız olan bir teknoloji.

Batı Merkezli Eğitim Verisi Sorunu

Bilgisayarla görme modelleri, eğitim aldıkları görüntülerden öğrenir. En yaygın kullanılan kamu gıda veri setleri, önyargının nerede yattığına dair net bir hikaye anlatıyor.

Food-101, gıda tanıma araştırmalarında temel bir referans olan 101 gıda kategorisi içeriyor. Bunların yaklaşık %70'i Batı Avrupa veya Kuzey Amerika yemekleri: hamburgerler, spagetti bolognese, Sezar salatası, elmalı turta. Güney Asya mutfağı yalnızca bir kategori ile temsil ediliyor. Afrika mutfağının ise hiç temsili yok.

UECFOOD-256, Tokyo'daki Electro-Communications Üniversitesi'nde geliştirilmiştir ve Japon yemeklerine ağırlık vermektedir. Ramen ve tempura tanımada mükemmel olsa da, Güney Amerika veya Batı Afrika yemekleri için neredeyse hiçbir şey sunmamaktadır.

Bu veri setleri üzerinde eğitim almış bir model, bir tabak chole bhature ile karşılaştığında iki seçenekle karşılaşır: yemeği tamamen yanlış sınıflandırmak ya da en yakın Batı eşdeğerine eşlemek. Her iki seçenek de doğru bir kalori sayımı sağlamaz.

Yanlış Sınıflandırmanın Maliyeti

Doğru ve yanlış sınıflandırma arasındaki kalori farkı oldukça büyük olabilir. İşte bazı gerçek dünya örnekleri:

• Tavuk biryani "tavuklu kızarmış pilav" olarak sınıflandırıldığında: ghee ve kızarmış soğan ile yapılan biryani, porsiyonu başına 450 ila 600 kalori içerebilir. Genel bir veri tabanında tipik bir tavuklu kızarmış pilav girişi 300 ila 380 kalori olarak listelenir. Bu, her öğün için potansiyel olarak 200 kalori eksik sayım demektir.
• Arepas "mısır ekmeği" olarak sınıflandırıldığında: peynir ve fasulye ile doldurulmuş bir arepa 500 kaloriye ulaşabilir. Bir dilim mısır ekmeği ise 170 ila 200 kalori olarak kaydedilir.
• Dal makhani "mercimek çorbası" olarak sınıflandırıldığında: geleneksel dal makhani'deki tereyağı ve krema, onu bir fincan başına 350 ila 450 kaloriye çıkarır. Temel bir mercimek çorbası ise 160 ila 200 kalori içerir.

Bir hafta boyunca bu hatalar, yüzlerce hatta binlerce yanlış sayılan kaloriye dönüşebilir; bu da bir diyetin ya da kilo alımının tamamen alt üst olmasına neden olabilir.

Küresel Yemeklerin Karmaşıklığı

Batı yemekleri genellikle göze çarpan, ayrılabilir bileşenlere sahiptir: bir protein, bir nişasta, bir sebze. Ancak birçok Batı dışı mutfak, bilgisayarla görme için temelde farklı bir zorluk sunar.

Katmanlı ve Karışık Hazırlıklar

Biryani, katmanlı bir yemektir. Pirinç, et, baharatlar, kızarmış soğan ve yağ, ayrı ayrı tabaklanmak yerine entegre edilmiştir. Yemeğin yüzeyinin bir fotoğrafı yalnızca üst katmanı gösterir. Oaxaca'daki mole negro, tek bir sos haline getirilmiş 30'dan fazla malzeme içerir. Tayland'ın massaman köri yemeği, hindistancevizi sütü, kavrulmuş fıstık, patates ve eti tek bir ayırt edilemez karışımda birleştirir.

Bir yapay zeka modelinin kalori tahminini doğru yapabilmesi için, yemeğin sadece görünümünü değil, içeriğini de anlaması gerekir.

Aynı Yemeğin Bölgesel Varyasyonu

Lübnan, Suriye, İsrail ve Türkiye'de yapılan "hummus" önemli ölçüde zeytinyağı içeriği, tahin oranı ve porsiyon boyutunda farklılık gösterir. Ev yapımı bir Hyderabadi biryani, restoran tarzı bir Lucknowi biryaniden hem teknik hem de kalori yoğunluğu açısından farklıdır. Tamales, Meksika ve Orta Amerika genelinde bölgeden bölgeye değişiklik gösterir; iç harçları yağda kızartılmış domuz etinden, yağsız tavuk etine kadar çeşitlilik gösterir.

Bir modelin güvenilir tahminler yapabilmesi için yalnızca yemek düzeyinde tanıma değil, bölgesel bağlama da ihtiyacı vardır.

Görünmez Kalori Katkıları

Birçok küresel yemek geleneği, son yemekte görünmez hale gelen cömert miktarda pişirme yağı kullanır. Hint mutfağında ghee kullanılır. Batı Afrika yemekleri genellikle palmiye yağı kullanır. Latin Amerika mutfağı ise yağ ve manteca içerir. Orta Doğu mutfağı ise bol miktarda zeytinyağı ve tereyağı kullanır.

Bu yağlar, pişirme sırasında yemeğe emilir. Bir fotoğraf bunları gösteremez, ancak toplam kalorinin %30 ila %50'sini oluşturabilir.

Nutrola'nın Küresel Gıda Tanıma Yaklaşımı

Farklı mutfaklarda çalışan bir gıda yapay zekası oluşturmak, her aşamada dikkatli bir çaba gerektirir: veri toplama, model mimarisi ve tanıma sonrası besin haritalaması.

Ölçekli Çeşitli Eğitim Verisi

Nutrola'nın eğitim veri seti, 130'dan fazla ülkeden alınan gıda görüntülerini içerir. Sadece kamuya açık Batı merkezli veri setlerine dayanmak yerine, sistem, beslenme uzmanları tarafından doğrulanmış etiketlerle bölgesel olarak toplanan görüntüleri de içermektedir. Bu, modelin yalnızca stok fotoğraflar değil, Etiyopya ve Eritre'deki evlerde ve restoranlarda çekilmiş gerçek yemeklerin binlerce örneğini gördüğü anlamına gelir.

Yemek Düzeyinde Besin Profilleri

Nutrola, her yemeği genel bileşenlere ayırmak yerine, yemeklerin gerçekten nasıl hazırlandığına dair besin profillerini korur. Dal makhani "mercimek + bilinmeyen yağ" değildir. Bu, bilinen bir hazırlama yöntemi olan özel bir yemektir ve kalori tahmini, onu tanımlayan tereyağı, krema ve yavaş pişirme tekniğini yansıtır.

Bu yaklaşım, bölgesel varyantları da kapsar. Sistem, patatesli Kolkata tarzı biryani ile Hyderabadi dum biryani arasında ayrım yapar çünkü kalori profilleri gerçekten farklıdır.

Gizli Malzemeler İçin Çok Modlu Girdi

Bir fotoğraf yeterli olmadığında, Nutrola boşlukları doldurmak için ses ve metin istemlerini kullanır. Bir kullanıcı "bu hindistancevizi yağında pişirildi" veya "arepanın içinde peynir var" diyebilir ve sistem tahmini buna göre ayarlar. Bu çok modlu yaklaşım, saf fotoğraf tabanlı sistemlerin çözemediği görünmez kalori sorununu ele alır.

Daha İyi Küresel Tanımanın Kullanıcılar İçin Anlamı

Batı dışı diyetleri günlük olarak tüketen milyonlarca insan için doğru gıda yapay zekası bir lüks değil, bir gerekliliktir. Bu, çalışan bir beslenme takipçisi ile hedeflerini sessizce sabote eden bir uygulama arasındaki farktır.

2023'te Journal of the Academy of Nutrition and Dietetics'te yayımlanan bir çalışma, kullanıcılar uygulamalarını yanlış olarak algıladıklarında beslenme takibi uyumunun %40 oranında düştüğünü bulmuştur. Eğer takipçiniz sürekli olarak yemeklerinizi yanlış tanımlıyorsa, ona güvenmeyi bırakırsınız ve ardından kullanmayı da bırakırsınız.

Doğru küresel gıda tanıma, diaspora toplulukları için de önemlidir. Haftada dal, roti ve salatalardan oluşan bir karışım yiyen ikinci nesil bir Hint-Amerikalı, her iki mutfağı da eşit hassasiyetle ele alan bir uygulamaya ihtiyaç duyar. Londra'da egusi çorbası pişiren bir Nijeryalı öğrencinin, yapay zekanın bu yemeği hiç görmediği için her malzemeyi manuel olarak girmesi gerekmemelidir.

Gıda Yapay Zekası İçin Gelecek Yol Haritası

Gıda tanıma alanı daha fazla çeşitliliğe doğru ilerliyor, ancak ilerleme dengesiz. ISIA Food-500 ve Nutrition5k gibi yeni veri setleri kapsama alanını genişletiyor ve transfer öğrenme teknikleri, modellerin daha az etiketlenmiş veri ile temsil edilmeyen mutfaklara uyum sağlamasına olanak tanıyor.

Gelecekteki temel ayırt edici özellik, doğrulanmış besin verileri olacaktır. Bir yemeğin biryani olduğunu tanımak, sorunun yalnızca yarısıdır. Bu tanımayı doğru bir kalori ve makro dağılımına bağlamak, genel bir gıda veritabanının sağlayabileceğinden daha fazla bölgeye özgü besin bilgisi gerektirir.

Standart bir Batı diyetinin dışında beslenme takibi yapan herkes için, herhangi bir gıda yapay zekası hakkında sorulması gereken soru basittir: bu sistem benim yiyeceklerim üzerinde mi eğitim aldı?

Sıkça Sorulan Sorular

Hint mutfağı için en iyi kalori takip uygulaması hangisidir?

Hint mutfağı için en iyi kalori takipçisi, iki şeye ihtiyaç duyar: çeşitli Güney Asya yemekleri üzerinde eğitim almış bir tanıma modeli ve geleneksel hazırlama yöntemlerini dikkate alan bir besin veritabanı. Çoğunlukla Batı veri setleri üzerinde eğitim almış uygulamalar, biryani, paneer tikka ve dal makhani gibi yemekleri genel girişler olarak yanlış sınıflandırır ve önemli kalori hataları üretir. Nutrola'nın modeli, 130'dan fazla ülkeden alınan gıda görüntüleriyle eğitim almıştır ve gerçek pişirme yöntemlerini yansıtan yemek spesifik besin profilleri korumaktadır; bunlar arasında ghee, krema ve bölgesel varyasyonlar yer alır.

Neden kalori takipçim etnik yemekler için yanlış sonuçlar veriyor?

Çoğu yaygın gıda takipçisi, Food-101 gibi Batı mutfaklarına hakim veri setleri üzerinde eğitim almış tanıma modelleri kullanır. Bu modeller, tanımadıkları yemeklerle karşılaştıklarında ya bunları görsel olarak benzer bir Batı yemeği olarak yanlış sınıflandırır ya da genel veri tabanı girişlerine başvurur. Bu yanlış eşleşmelerin besin profilleri genellikle yüzlerce kalori farkıyla yanlıştır; özellikle ghee, palmiye yağı veya hindistancevizi sütü gibi pişirme yağları içeren yemekler için bu durum geçerlidir, çünkü bu yağlar fotoğraflarda görünmez.

Yapay zeka Orta Doğu yemeklerinin kalorilerini doğru bir şekilde takip edebilir mi?

Yapay zeka, şayet model, shawarma, fattoush, kibbeh ve mansaf gibi yemekler üzerinde özel olarak eğitim aldıysa ve besin veritabanı zeytinyağı, tahin ve tereyağı içeriğini dikkate alıyorsa Orta Doğu yemeklerini doğru bir şekilde takip edebilir. Orta Doğu mutfağındaki birçok gıda, pişirme sırasında entegre edilen yağlardan önemli ölçüde kalori alır. Fotoğraf tanıma ile kullanıcıdan sağlanan hazırlama detaylarını birleştiren bir sistem, daha güvenilir tahminler üretecektir.

Gıda yapay zekası, birçok karışık malzeme içeren yemeklerle nasıl başa çıkıyor?

Karışık veya katmanlı malzemeler içeren karmaşık yemekler, gıda tanımanın en zorlayıcı zorluklarından biridir. Saf görüntü tabanlı sistemler yalnızca görünür yüzeyi analiz edebilir ve iç katmanlar ile emilmiş yağları gözden kaçırır. Gelişmiş gıda yapay zekası, yemek düzeyinde tanıma ile bu durumu ele alır; bu, bireysel bileşenler yerine tamamı tanımlanarak gerçekleştirilir ve kullanıcıların metin veya ses yoluyla gizli malzemeler hakkında detay eklemesine olanak tanır. Bu birleşik yaklaşım, karmaşık, çok bileşenli hazırlıklar için doğruluğu önemli ölçüde artırır.

Kalabalık kaynaklı gıda verileri uluslararası mutfaklar için ne kadar doğrudur?

Kalabalık kaynaklı besin veritabanları, uluslararası mutfaklar için en az doğru olanlardır. Jollof pilavı, ceviche veya pad Thai gibi yemekler için yapılan girişler genellikle bölgesel varyasyonları, pişirme yağlarını veya otantik hazırlama yöntemlerini dikkate almayan kullanıcılar tarafından gönderilir. Tek bir "biryani" girişi, hafif bir sebze biryanisi ile zengin bir kuzu dum biryani arasındaki kalori aralığını temsil edemez. Doğrulanmış veritabanları, bölgeye özgü besin profilleri ve varyant düzeyinde detaylar sunarak Batı dışı mutfaklar için çok daha güvenilir veriler sağlar.