Yuki'nin Hikayesi: Bir Göçmenin Nutrola ile Uluslararası Yemek Takibi

Yuki Tanaka, Londra'da bir yazılım geliştirme pozisyonunu kabul ettiğinde kalori takip uygulamalarını düşünmüyordu. Aklında kariyer fırsatı, yurtdışında yaşama şansı ve annesinin yemekleri olmadan hayatta kalıp kalamayacağı vardı. Beslenme takibi kolay bir iş olacaktı. Tokyo'da iki yıl boyunca Asken adlı Japon uygulamasıyla yemeklerini kaydetmişti ve Londra'ya vardığında sadece İngilizce bir eşdeğerine geçeceğini düşünmüştü.

Yanıldı.

Sonrasında, dört ay boyunca yediği yemekleri takip edemeyen uygulamalarla mücadele etti. Bu, Nutrola'yı nasıl bulduğunun ve bu uygulamanın sadece takip alışkanlıklarını değil, yeni bir ülkedeki gıda ile olan ilişkisini nasıl değiştirdiğinin hikayesidir.

---

Kimsenin Size Söylemediği Sorun

Londra'daki ilk haftasında Yuki, MyFitnessPal'ı indirdi. İngilizce konuşan dünyada en popüler kalori takip uygulaması olduğu için mantıklı bir seçim gibi görünüyordu. Pazartesi sabahı açtı, "oyakodon" araması yaptı ve sonuç alamadı.

Bunun yerine "chicken and egg rice bowl" aradı. Karşısına çıkan veriler son derece tutarsızdı — bir kullanıcı 320 kalori, diğeri aynı yemek için 680 kalori iddia ediyordu. Hiçbiri, kullandığı dashi suyunun sodyum içeriğini hesaba katmamıştı. "Nimono" (büyükanne tarafından öğretildiği haşlanmış sebze yemeği) aradığında, uygulama "tarçın" sonuçları verdi.

Sorun, MyFitnessPal'ın kötü bir uygulama olması değildi. Sorun, 14 milyondan fazla gıda içeren kalabalık veritabanının büyük ölçüde Amerikalı ve Avrupalı kullanıcılar tarafından oluşturulmuş olmasıydı. 2024 Sağlık Bakanlığı anketine göre Japonya'da tüketilen yemeklerin yaklaşık %65'ini oluşturan Japon ev yemekleri neredeyse hiç temsil edilmiyordu. Var olan girişler de genellikle diğer kafası karışmış göçmenler tarafından yüklenmişti ve doğrulukları büyük ölçüde değişiyordu.

Yuki, her bir malzemeyi manuel olarak girmeye çalışarak devam etti. Tek bir kâse ev yapımı miso çorbası için altı ayrı öğeyi kaydetmesi gerekiyordu. Bu, her öğün için üç dakikadan fazla sürüyordu. İki hafta içinde kahvaltıyı tamamen takip etmeyi bıraktı.

---

Fotoğraf Yapay Zekası İşleri Daha Kötü Hale Getirdiğinde

Bir meslektaşı, tek bir fotoğraftan her yemeği tanımlayabileceğini vaat eden CalAI adlı fotoğraf tabanlı bir kalori takip uygulamasını önerdi. Yuki umutluydu. Ev yapımı udon çorbasının fotoğrafını çekti.

CalAI bunu ramen olarak tanımladı.

Basit bir udon suyu ile zengin bir tonkotsu ramen arasındaki kalori farkı 400 kaloriyi aşabilir. Yuki bunu manuel olarak düzeltti, ancak bu durum devam etti. Soba erişteleri spagetti olarak tanımlandı. Onigiri (somon dolgulu pirinç topları) "beyaz pirinç, sade" olarak kaydedildi. Uygulama, bazen kullandığı nori sarma veya umeboshi dolgusunu hiç tanımıyordu.

Temel sorun, CalAI'nın görüntü tanıma modelinin ağırlıklı olarak Batı yemekleri üzerine eğitilmiş olmasıydı. Bir burrito ile enchilada arasında etkileyici bir hassasiyetle ayrım yapabiliyordu, ancak çoğu Japon yemeğini aynı şeyin varyasyonları olarak ele alıyordu: "Asya erişte çorbası" veya "pirinç yemeği." Günlük Japon yemekleri tüketen biri için bu düzeydeki yanlışlık, hiç takip etmemekten daha kötüydü çünkü yanlış bir veri algısı yaratıyor ve gerçek beslenme hatalarına yol açabiliyordu.

---

Ters Sorun: Japon Uygulamaları ve Britanya Yemekleri

Yuki, telefonunda Asken uygulaması yüklü olduğu için Britanya yemekleri için onu kullanmayı denedi. Daire arkadaşları ona tam İngiliz kahvaltısını tanıttığında — yumurta, pastırma, sosis, fırın fasulyesi, tost, ızgara domates ve black pudding — uygulama "black pudding" için hiçbir sonuç bulamadı. İngiltere'de yaygın olan Heinz tarzı fırın fasulyesi için de hiçbir giriş yoktu. "Shepherd's pie" araması ise şüpheli bir şekilde yuvarlak sayılarla tek bir giriş döndürdü.

Yuki, milyonlarca göçmenin sessizce yaşadığı bir boşlukta sıkışmıştı. 2024 itibarıyla BM göç verilerine göre, dünya genelinde yaklaşık 281 milyon uluslararası göçmen bulunmaktadır. Bu kişilerin önemli bir kısmı, yerel mutfakları yerken kendi ülkelerinin yemeklerini de pişirmektedir. Ancak kalori takip endüstrisi — tahmini 8.5 milyar dolarlık bir pazar — hala ürünlerini herkesin tek bir ülkenin tek bir mutfağından yemek yediği varsayımıyla tasarlamaktadır.

Yuki, kahvaltıda miso çorbası, öğle yemeğinde bir Pret A Manger sandviçi ve akşam yemeğinde yakisoba yiyordu. Piyasada hiçbir uygulama, bu üç öğünü doğru bir şekilde takip edemiyordu. Kalorileri kafasında tahmin etmeye başladı; Uluslararası Obezite Dergisi'nden gelen araştırmalar, bunun ortalama %30 ila %40 oranında bir yanlış tahmine yol açtığını gösteriyor.

---

Nutrola'yı Bulmak

Yuki, Kasım 2025'te "Amerikan olmayan yemekler için en iyi kalori takipçisi?" başlıklı bir Reddit gönderisi aracılığıyla Nutrola'yı keşfetti. Gönderideki birkaç kullanıcı, uluslararası veritabanı kapsamını özellikle belirtmişti. O akşam uygulamayı indirdi ve "oyakodon" araması yaptı.

Sonuç anında belirdi. Kalabalık bir tahmin değil, 100'den fazla besin maddesi ile tam besin verileri olan doğrulanmış bir giriş — tavuk ve yumurtadan gelen protein, pirinçten gelen karbonhidrat ve soya sosu ile dashi'den gelen sodyumun tam ayrımı ile birlikte. Kalori sayısı, alışkanlık gereği karşılaştırdığı Japon Standart Gıda Bileşimi Tablosu'ndaki 490 kalori ile eşleşiyordu.

"Nimono"yu aradı. Buldu. "Natto." Buldu, K2 vitamini ve nattokinaz verileri ile birlikte. "Chawanmushi." Buldu. Londra'ya geldiğinden beri evde pişirdiği her yemek, bir kalori takip uygulamasında yer alıyordu.

Sonra Britanya tarafını test etti. "Full English breakfast." Buldu, bileşenlerin ayrıntılı dökümü ile. "Shepherd's pie." Buldu, kuzu ve sığır etine dayalı versiyonlar için ayrı girişlerle. "Sticky toffee pudding." Buldu. Nutrola'nın 1.000.000'dan fazla doğrulanmış gıda veritabanı, sadece USDA değil, Japon MEXT gıda bileşimi tabloları, İngiltere'nin McCance ve Widdowson verileri, EuroFIR ve diğer birçok ulusal kaynaktan beslenme otoritelerinden yararlanıyordu.

Japon kimliği ile Britanya'daki günlük yaşamı arasında bir seçim yapmak zorunda kalmadı. Tek bir uygulama her ikisini de anlıyordu.

---

Her Şeyi Değiştiren Fotoğraf

Gerçek test, bir Cumartesi sabahı geldi. Yuki, her zamanki gibi miso çorbasını yaptı — beyaz miso, küp doğranmış yumuşak tofu, wakame deniz yosunu ve doğranmış yeşil soğan. Nutrola'nın fotoğraf kaydetme özelliğini açtı ve tek bir fotoğraf çekti.

Yapay zeka, bunu "tofu ve wakame ile miso çorbası" olarak tanımladı. "Asya çorbası" değil. "Karışık, sıvı" değil. Belirli bileşenleri tanıdı ve kâse için 84 kalori tahmini döndürdü; bu, Yuki'nin mutfak terazisiyle her bileşeni tarttığında hesapladığı değerin %5 içinde bir sonuçtu.

Udon ile tekrar test etti. Nutrola, bunu doğru bir şekilde udon erişte çorbası olarak tanımladı — ramen değil, spagetti değil, "Asya erişteleri" değil. Bu ayrım önemliydi çünkü bir kâse kake udon yaklaşık 350 kalori içerirken, bir kâse tonkotsu ramen 750 kaloriyi aşabiliyordu. Bunun yanlış olması, küçük bir rahatsızlık değil. Bir hafta boyunca, neredeyse 3.000 kalorilik bir fark yaratabilir; bu da bir yağ kaybı veya koruma hedefini tamamen altüst edebilir.

Nutrola'nın yapay zeka modeli, Japon, Kore, Çin, Hint, Orta Doğu, Afrika, Latin Amerika ve Avrupa mutfaklarından gelen gıda görüntüleri üzerinde eğitilmişti. Batı varsayımlarına dayanmıyordu. Gerçekten neye baktığını anlıyordu.

---

Mutfaklar Arası Ses Kaydı

Yuki, Nutrola'nın ses kaydı özelliğini de kullanmaya başladı; bu özellik, yediği yemekleri doğal İngilizce ile söyleyip otomatik olarak kaydetmesine olanak tanıyordu. "Yanında turşulu salatalık ile oyakodon yedim" dediğinde, uygulama her iki öğeyi de doğru bir şekilde ayrıştırarak doğrulanmış veritabanından doğru girişleri çekiyordu.

Bu, "Pret'ten bir chicken tikka sandviçi ve bir flat white aldım" dediğinde de aynı şekilde sorunsuz çalışıyordu. Ses yapay zekası, İngilizce konuşulan Japon yemek isimlerini, Britanya yemek terminolojisini ve karışık mutfak yemeklerini tereddüt etmeden işleyebiliyordu. Günde iki farklı mutfaktan yemek yiyen biri için bu, önemli bir zaman tasarrufu sağladı. Ortalama kayıt süresi, her öğün için üç dakikadan fazla iken on saniyenin altına düştü.

---

Mikro Besin Keşfi

Nutrola'yı kullanmaya başladıktan üç hafta sonra, Yuki haftalık beslenme raporunda daha önceki hiçbir uygulamanın göstermediği bir şeyi fark etti. İyot alımı, Londra'ya taşındıktan sonra %62 oranında düşmüştü.

Bunun hemen anlamı vardı. Japonya'da, diyetinde deniz yosunu, balık ve soya sosundan doğal olarak zengin bir iyot alımı vardı. Geleneksel Japon diyeti, günde yaklaşık 1.000 ila 3.000 mikrogram iyot sağlar; bu, WHO'nun önerdiği 150 mikrogramın çok üzerindedir. Ancak Londra'da daha az deniz yosunu, daha fazla ekmek, makarna ve süt ürünü tüketiyordu. İyot alımı günde yaklaşık 95 mikrograma düşmüştü — teknik olarak önerilen minimumun altında.

Ayrıca selenyum alımının da düştüğünü keşfetti. Japon diyetleri, düzenli balık tüketimi sayesinde genellikle yüksek selenyum içerir; ancak Yuki'nin Londra'daki diyeti daha çok tavuk ve bitkisel proteinlere kaymıştı. Nutrola'nın 100'den fazla besin maddesini takip etmesi, bu durumu ilk kez görünür hale getirdi.

Nutrola'nın yapay zeka koçluk özelliği, bu eğilimleri proaktif olarak belirtti. Sadece bir grafik göstermedi. "İyot alımınız son 14 gündür hedefin altında. Yemeklerinize deniz yosunu, süt ürünleri veya iyotlu tuz eklemeyi düşünün." şeklinde bir bildirim gönderdi. Ardından, mevcut yeme alışkanlığına uygun olarak, Japon usulü deniz yosunu salatası ve Britanya kedgeree (balık ve pirinç yemeği) gibi spesifik tarifler önerdi.

Denediği diğer hiçbir uygulama iyot takibi yapmamıştı. MyFitnessPal 11 besin maddesini takip ediyor. Cronometer daha fazlasını takip ediyor, ancak Japon yemekleri için veritabanı kapsamı sınırlı. CalAI ise mikro besinleri takip etmiyordu. Nutrola'nın küresel olarak doğrulanmış veritabanı ve derin mikro besin takibi, Yuki'nin iki kültürlü diyetinin tam beslenme resmini ilk kez görmesini sağladı.

---

Karışık Beslenmeyi Anlayan Yapay Zeka Koçluğu

Yuki'nin bulduğu en ince avantajlardan biri, Nutrola'nın yapay zeka beslenme koçluğuydu. Çoğu koçluk algoritması, tek bir diyet modeline göre ayarlanmıştır. Her gün yaklaşık aynı tür yiyecek yediğinizi varsayar ve bu modele göre önerilerde bulunur.

Yuki'nin modeli farklıydı. Pazartesi tamamen Japon yemekleri olabilir. Salı, Japon kahvaltısı, Britanya öğle yemeği ve akşam yemeği olarak Hint yemekleri karışımı olabilir. Çarşamba, ofis kantininde tamamen Britanya yemekleri olabilir. Katı bir koçluk modeli, bu değişkenlikle başa çıkmakta zorlanırdı.

Nutrola'nın yapay zekası uyum sağladı. Japon ağırlıklı günlerde protein alımının güçlü olduğunu (balık, tofu ve yumurta sayesinde) ancak Britanya konfor yemekleri yediği günlerde düştüğünü fark etti. Ona genel bir "daha fazla protein ye" uyarısı vermek yerine, Britanya yemeklerine özel eklemeler önerdi — örneğin, pub öğle yemeğine bir yan olarak edamame eklemek veya omega-3 alımını sabit tutmak istediğinde balık ve patates kızartmasını seçmek gibi.

Koçluk, gerçek yemek verilerinden oluşturulduğu için kişisel bir his veriyordu; tek bir mutfak için tasarlanmış bir şablon değil. Yuki'nin "Japon yiyici" veya "Britanya yiyici" olmadığını anlıyordu. O, her ikisiydi.

---

Daha Büyük Resim: Gıda Küresel, Takip Uygulamaları Değil

Yuki'nin hikayesi benzersiz değil. Beslenme takip endüstrisindeki yapısal bir başarısızlığın temsilcisidir. 2026'da gıda küresel. İnsanlar ülkeler arasında hareket ediyor, kültürler arası evlilikler yapıyor, sosyal medya aracılığıyla yeni mutfaklar keşfediyor ve evde füzyon yemekleri pişiriyor. Büyük bir şehirdeki ortalama bir kentsel sakin, tipik bir haftada en az beş farklı mutfak geleneği ile karşılaşıyor.

Yine de çoğu kalori takip uygulaması hala tek bir pazar için inşa ediliyor. MyFitnessPal'ın veritabanı büyük ölçüde Amerikan ağırlıklıdır. Yazio Avrupa'da güçlüdür ancak Asya'da zayıftır. FatSecret, makul bir küresel kapsama sahiptir ancak doğrulama eksikliği vardır; bu da girişlerin yalnızca anonim kullanıcılar tarafından gönderilenlere dayandığı anlamına gelir. Asken, Japon yemekleri için mükemmeldir ancak Japonya dışındaki kullanımı neredeyse işe yaramaz.

Nutrola istisnadır. Doğrulanmış veritabanı, 40'tan fazla ülkedeki gıda bileşimi otoritelerinden veri çekmektedir. Yapay zeka tanıma modeli, küresel gıda görüntüleri üzerinde eğitilmiştir. Ses kaydı, desteklenen herhangi bir dilde konuşulan her mutfak için yemek isimlerini işler. Batı dışı yemekleri bir kenar durumu olarak ele almaz. Her mutfağı eşit derecede önemli kabul eder; çünkü 2026'da bu, insanların gerçekten nasıl yediğini yansıtan tek yaklaşımdır.

Yuki için Nutrola'yı bulmak, takip uygulamasıyla savaşmayı bırakıp gerçek sağlık hedeflerine odaklanmaya başlaması anlamına geliyordu. Londra'daki ilk yılında, hedefinin 2 kilogram içinde kiloyu korudu. Mikro besin seviyeleri dengelendi. Verilerini doğru tutmak için büyüdüğü yemekleri terk etmek veya Britanya mutfağından kaçınmak zorunda kalmadı.

Sadece her iki dünyayı da anlayan bir uygulamaya ihtiyacı vardı.

---

Sıkça Sorulan Sorular

Nutrola gerçekten Japon ev yapımı yemekleri bir fotoğraftan tanıyabilir mi?

Evet. Nutrola'nın yapay zeka tanıma modeli, Japon ev yemekleri de dahil olmak üzere dünya çapında birçok mutfaktan gelen gıda görüntüleri üzerinde eğitilmiştir. Udon ve ramen gibi görsel olarak benzer yemekler arasında ayrım yapabilir, miso çorbasındaki tofu ve wakame gibi bileşenleri tanıyabilir ve oyakodon, nimono ve chawanmushi gibi geleneksel yemekler için doğrulanmış besin verileri sağlayabilir. Model, genel "Asya yemekleri" kategorilerine düşmez. Belirli yemekleri ve bileşenleri tanır.

Nutrola'nın uluslararası gıda veritabanı, MyFitnessPal veya CalAI ile nasıl karşılaştırılır?

Nutrola'nın 1.000.000'dan fazla doğrulanmış gıda veritabanı, Japon MEXT tabloları, İngiltere'nin McCance ve Widdowson verileri, USDA ve EuroFIR dahil olmak üzere 40'tan fazla ülkedeki gıda bileşimi otoritelerinden veri çekmektedir. MyFitnessPal'ın kalabalık veritabanının aksine, her Nutrola girişi doğruluk açısından doğrulanmıştır. CalAI, esasen fotoğraf tanımaya odaklanır ve özellikle batı dışı mutfaklar için aynı derinlikte doğrulanmış besin verisi sunmaz. Göçmenler ve çok kültürlü yiyiciler için Nutrola, önemli ölçüde daha geniş ve daha doğru bir kapsama sağlar.

Nutrola, göçmenlerin diyet değişiklikleri için önemli olan iyot ve selenyum gibi mikro besinleri takip ediyor mu?

Nutrola, çoğu kalori takip uygulamasının göz ardı ettiği iyot, selenyum, çinko ve manganez gibi iz mineraller dahil olmak üzere 100'den fazla besin maddesini takip eder. Bu, ülkelerini ve mutfaklarını değiştiren göçmenler için özellikle değerlidir; çünkü mikro besin alımları dramatik bir şekilde değişebilir. Nutrola'nın yapay zeka koçluğu, düşen besin trendlerini proaktif olarak belirler ve boşlukları gidermek için spesifik gıda veya tarifler önerir; bu, diyet geçişleriyle başa çıkan insanlar için en kapsamlı seçeneği sunar.

Nutrola, İngilizce konuşulan Japon yemek isimleri için ses kaydını yönetebilir mi?

Nutrola'nın ses kaydı özelliği, "oyakodon", "edamame" veya "yakisoba" gibi İngilizce konuşulan Japon yemek isimlerini anlar ve bunları doğrulanmış veritabanı girişlerine doğru bir şekilde eşleştirir. Ayrıca karışık mutfak kaydını da yönetir; bu nedenle "Kahvaltıda onigiri yedim ve öğle yemeğinde shepherd's pie yedim" gibi tek bir cümlede söyleyebilirsiniz ve Nutrola her iki öğeyi de doğru bir şekilde ayrıştırıp kaydeder. Bu, çok dilli veya çok kültürlü yiyiciler için manuel aramadan çok daha hızlıdır.

Nutrola, uluslararası yemekleri takip etmede Cronometer'dan daha mı iyi?

Cronometer, mikro besin derinliği ve laboratuvar analizli verileri ile iyi bir üne sahiptir, ancak veritabanı kapsamı büyük ölçüde Kuzey Amerika ve Avrupa yemeklerine yöneliktir. Japon, Güneydoğu Asya, Orta Doğu veya Afrika mutfakları için Nutrola, o bölgelerdeki ulusal gıda bileşimi veritabanlarından alınan girişlerle önemli ölçüde daha geniş bir kapsama sunar. Eğer ağırlıklı olarak Batı yemekleri yiyorsanız, her iki uygulama da iyi performans gösterir. Ancak düzenli olarak birden fazla mutfakta yemek yiyenler için Nutrola, daha tam ve doğru bir deneyim sunar.

Nutrola, Yuki'nin Londra'daki beslenme hedeflerini nasıl korumasına yardımcı oldu?

Nutrola, Yuki'ye üç spesifik şekilde yardımcı oldu. İlk olarak, küresel olarak doğrulanmış veritabanı sayesinde hem Japon ev yemeklerini hem de Britanya yemeklerini manuel malzeme girişi yapmadan doğru bir şekilde kaydedebildi. İkincisi, 100'den fazla besin takibi, Londra'ya taşındıktan sonra iyot ve selenyum alımının önemli ölçüde düştüğünü ortaya koydu; bu da sağlık sorunları yaşamadan eksikliği düzeltmesine olanak tanıdı. Üçüncüsü, yapay zeka koçluğu, karışık mutfak yeme alışkanlığına uyum sağladı ve hem Japon yemek geleneklerini hem de yeni Britanya ortamını dikkate alan kişiselleştirilmiş öneriler sundu. Londra'daki ilk yılında, hedefinin 2 kilogram içinde kiloyu korudu.