Штучний інтелект проти ручного обліку калорій: який метод точніший?

Існує три основні методи обліку їжі в додатках для відстеження калорій: розпізнавання їжі на основі штучного інтелекту, ручний пошук у базі даних та сканування штрих-кодів. Кожен з цих методів має свої переваги, недоліки та профілі помилок. У цій статті ми порівняємо їх за критеріями, які дійсно важливі для реального обліку: точність, швидкість, послідовність з часом та типи помилок, які виникають у кожному методі.

Не йдеться про те, який метод теоретично кращий. Мова йде про те, який метод забезпечує найкращі результати, коли його використовують реальні люди в реальних ситуаціях харчування, день за днем, тижнями і місяцями.

Визначення трьох методів

Облік їжі за допомогою фото з штучним інтелектом передбачає фотографування вашої страви. Алгоритми комп'ютерного зору визначають продукти, оцінюють порції на основі візуального аналізу та повертають дані про харчування. Користувач підтверджує або коригує результат. Сучасні реалізації, такі як Nutrola, виконують цей процес за менше ніж три секунди.

Ручний пошук у базі даних передбачає введення назви продукту в рядок пошуку додатку, вибір правильного елемента зі списку результатів та вказівку розміру порції. Це традиційний метод, який більшість додатків для обліку калорій використовували з початку ери смартфонів.

Сканування штрих-кодів передбачає використання камери телефону для сканування штрих-коду упакованого продукту, що дозволяє отримати дані про харчування безпосередньо з етикетки виробника. Користувач вказує, скільки порцій він спожив.

Порівняння точності

Точність обліку їжі за допомогою фото

Точність розпізнавання їжі штучним інтелектом значно покращилася з моменту перших реалізацій. Сучасні системи досягають точності ідентифікації продуктів на рівні 85-95% для звичайних продуктів, а залишкові помилки зазвичай пов'язані з плутаниною між візуально схожими елементами, такими як білий рис і рис з цвітної капусти, або неправильною ідентифікацією змішаних страв з прихованими інгредієнтами.

Оцінка порцій за фотографіями додає ще один джерело помилок. Дослідження, присвячене оцінці дієти на основі зображень, включаючи систематичний огляд Марінгера та ін. (2018), опублікований у Європейському журналі харчування, показало, що точність оцінки порцій за фотографіями становить 10-20% від виміряних значень для більшості типів їжі. Деякі категорії, особливо рідкі та аморфні продукти, такі як запіканки, демонструють вищу варіативність.

Типовий діапазон помилок за прийом їжі: 10-20%.

Критична перевага обліку їжі за допомогою фото полягає в тому, що його помилки випадкові, а не систематичні. Штучний інтелект може трохи завищити оцінку однієї страви і трохи занижувати наступну. Протягом повного дня харчування ці випадкові помилки, як правило, компенсуються, що дає значно точніші добові підсумки, ніж оцінки окремих прийомів їжі. Дослідження Кордейро та ін. (2015) показало, що добові підсумки калорій від обліку в додатку відхилялися приблизно на 10% від виміряних значень, навіть коли оцінки окремих прийомів їжі показували більші помилки.

Точність ручного пошуку в базі даних

Точність ручного обліку залежить від двох факторів: якості бази даних продуктів та точності оцінки порцій користувачем.

Якість бази даних варіюється в значній мірі. Краудсорсингові бази даних, куди будь-який користувач може додавати записи про продукти, мають показники помилок від 15 до 25% у значеннях макронутрієнтів, згідно з оглядом 2020 року, опублікованим у журналі Nutrients (Евенепуль та ін.). Дублікати, застарілі дані, помилки введення користувачів та регіональні варіації створюють ситуацію, коли вибір неправильного запису може призвести до помилки в 100 і більше калорій для одного продукту.

Бази даних, перевірені дієтологами, усувають більшість помилок на стороні бази даних, знижуючи внесок бази даних у загальну помилку до 5% або менше.

Оцінка порцій користувачами є більш значним джерелом помилок. Дослідження постійно показують, що непідготовлені особи занижують розміри порцій на 20-40% для калорійно насичених продуктів і завищують порції низькокалорійних продуктів. Дослідження Чандона та Вансинка (2007), опубліковане в журналі Journal of Consumer Research, виявило, що помилки в оцінці порцій зростають із збільшенням кількості їжі: чим більша фактична порція, тим більше заниження.

Типовий діапазон помилок за прийом їжі: 15-40%, сильно залежить від навичок користувача та якості бази даних.

Недолік ручного обліку полягає в тому, що його помилки, як правило, систематичні, а не випадкові. Користувачі постійно занижують калорійність висококалорійних продуктів і завищують низькокалорійних. Цей систематичний ухил не компенсується протягом дня, а накопичується, що призводить до того, що добові підсумки постійно нижчі за фактичне споживання.

Точність сканування штрих-кодів

Сканування штрих-кодів є найточнішим методом для упакованих продуктів, оскільки воно отримує дані безпосередньо з інформації про харчування, наданої виробником, яка регулюється FDA в США та еквівалентними органами в інших країнах.

FDA дозволяє 20% варіації в зазначених значеннях харчування, але дослідження 2010 року Урбана та ін. у журналі Journal of the American Dietetic Association показало, що більшість протестованих продуктів відповідали зазначеним значенням з відхиленням до 10%. Точність бази даних висока.

Помилка на стороні користувача при скануванні штрих-кодів повністю пов'язана з оцінкою порцій. Якщо на етикетці вказано, що порція становить 30 грамів, а ви з'їли 45 грамів, але зареєстрували лише одну порцію, ви ввели помилку в 50% для цього продукту. Для продуктів, що споживаються в дискретних одиницях, таких як один батончик граноли, ця помилка є мінімальною. Для продуктів, що споживаються в змінних кількостях, таких як злаки, налиті з коробки, помилка може бути суттєвою.

Типовий діапазон помилок за прийом їжі: 5-10% для дискретних упакованих продуктів, 15-30% для упакованих продуктів зі змінними порціями.

Обмеження сканування штрих-кодів полягає в тому, що воно працює лише для упакованих продуктів з штрих-кодами. Воно не може обробляти страви з ресторанів, домашню їжу, свіжі продукти, делікатеси або будь-яку їжу, яка не має штрих-коду. Для більшості людей це охоплює лише 30-50% їх загального споживання їжі.

Порівняння швидкості

Швидкість безпосередньо впливає на довгострокове дотримання. Кожне дослідження з дотримання обліку вказує на те, що затримка в обліку є основним фактором відмови. Чим швидший метод, тим більше ймовірність, що користувачі будуть його дотримуватися протягом тижнів і місяців.

Облік їжі за допомогою фото: 2-5 секунд за прийом їжі. Вказати, зняти, підтвердити. Процес майже миттєвий і вимагає мінімальних когнітивних зусиль. Для особи, яка реєструє п'ять прийомів їжі на день, загальний час обліку за день становить приблизно 15-25 секунд.

Сканування штрих-кодів: 5-15 секунд за одиницю. Сканувати, підтвердити кількість порцій. Швидко для одноразових закусок, повільніше для страв, що складаються з кількох упакованих інгредієнтів. Домашня страва з п'яти упакованих інгредієнтів вимагає п'яти окремих сканувань і коригувань порцій. Загальний час обліку за день: 1-5 хвилин залежно від складності страви.

Ручний пошук у базі даних: 30 секунд до 3 хвилин за продукт. Ввести пошуковий запит, прокрутити результати, вибрати правильний варіант, вказати розмір порції. Типова страва з трьох-чотирьох різних компонентів займає 2-8 хвилин для ручного обліку. Загальний час обліку за день: 10-25 хвилин.

Різниця в швидкості накопичується з часом. У перший тиждень усі три методи здаються керованими, оскільки мотивація висока. На четвертому тижні метод, який вимагає 20 хвилин на день, має значно вищий рівень відмови, ніж метод, який вимагає 20 секунд на день.

Послідовність з часом

Послідовність обліку в довгостроковій перспективі є найважливішим показником для результатів здоров'я. Метод обліку, який має 95% точності, але відмовляється після двох тижнів, призводить до гірших результатів, ніж метод, який має 85% точності і підтримується протягом шести місяців.

Дослідження з дотримання обліку показують чіткі закономірності за методами.

Облік їжі за допомогою фото демонструє найвищі показники дотримання в довгостроковій перспективі. Мінімальні часові витрати та низьке когнітивне навантаження роблять його стійким у різних контекстах харчування, включаючи ресторани, подорожі, соціальні прийоми їжі та напружені робочі дні. Користувачі, які використовують облік на основі штучного інтелекту, підтримують щоденний рівень обліку на рівні 70-85% протягом шести місяців.

Сканування штрих-кодів демонструє помірне дотримання для користувачів, які в основному споживають упаковані продукти, але значно знижується для користувачів з різноманітним харчуванням. Нездатність методу обробляти неупаковані продукти створює прогалини в обліку, які накопичуються з часом. Користувачі, які в основному покладаються на сканування штрих-кодів, підтримують рівень обліку на рівні 50-65% протягом шести місяців.

Ручний пошук у базі даних демонструє найнижче дотримання в довгостроковій перспективі. Часові витрати на кожен прийом їжі створюють бар'єр, який зростає, коли первісна мотивація знижується. Дослідження додатків для ручного ведення щоденників їжі постійно показують, що частота обліку знижується приблизно на 50% з першого до третього місяця. Шестимісячні показники дотримання для ручного обліку зазвичай становлять 30-45%.

Профілі помилок у різних сценаріях харчування

Різні сценарії харчування виявляють різні сильні та слабкі сторони кожного методу.

Домашні страви

Облік їжі за допомогою фото: Фотографує готову страву. Точність залежить від здатності штучного інтелекту визначати окремі компоненти та візуально оцінювати порції. Добре працює для окремих продуктів, таких як курка на грилі, рис і овочі. Менш точний для змішаних страв, де інгредієнти не видно. Типова точність: 15-20% помилки.

Ручний пошук: Користувач вводить кожен інгредієнт окремо. Точність залежить від того, чи враховує користувач олії, соуси та приправи. Багато користувачів реєструють основні інгредієнти, але пропускають дві столові ложки оливкової олії (240 калорій), використаної при приготуванні. Типова точність: 20-35% помилки, з систематичним ухилом у бік заниження.

Сканування штрих-кодів: Можна сканувати окремі упаковані інгредієнти, але користувачеві потрібно розрахувати порцію кожного інгредієнта. Точний для сканованих інгредієнтів, але не може врахувати неупаковані продукти, такі як свіжі овочі та олії для приготування. Типова точність: 15-25% помилки, з істотними прогалинами.

Страви з ресторанів

Облік їжі за допомогою фото: Фотографує страву, як її подали. Це сценарій, в якому облік їжі за допомогою фото має найбільшу перевагу. Штучний інтелект може оцінити ресторанну страву за секунди, тоді як ручний пошук вимагає або знайти конкретний ресторан у базі даних, що можливо лише для мережевих ресторанів, або оцінити кожен компонент окремо. Типова точність: 15-25% помилки.

Ручний пошук: Вимагає або знайти точний пункт меню в базі даних, або розбити страву на компоненти та оцінити кожен з них. Страви мережевих ресторанів часто доступні в базах даних, але незалежні ресторани рідко представлені. Ручний метод для ресторанних страв повільний, невизначений і сильно залежить від навичок оцінки користувача. Типова точність: 25-45% помилки.

Сканування штрих-кодів: Не застосовується для ресторанних страв. Користувачі повинні повернутися до ручного пошуку або методів обліку за допомогою фото.

Упаковані закуски

Облік їжі за допомогою фото: Може визначати багато звичайних упакованих закусок з фотографій, особливо якщо упаковка видима. Точність хороша для стандартних продуктів, але може мати проблеми з незнайомими або регіональними продуктами. Типова точність: 10-15% помилки.

Ручний пошук: Працює добре, якщо конкретний продукт є в базі даних. Основне джерело помилок — оцінка порцій для продуктів, споживаних з більшої упаковки. Типова точність: 10-20% помилки.

Сканування штрих-кодів: Це найсильніший сценарій для сканування штрих-кодів. Скануйте упаковку, реєструйте порцію. Для одноразових упакованих продуктів точність становить 5%. Для упаковок з кількома порціями, де користувач оцінює розмір порції, точність становить 10-15%.

Змішані або складні страви

Облік їжі за допомогою фото: Змішані страви, такі як смажені страви, запіканки, супи та каррі, становлять найбільшу проблему для візуального розпізнавання, оскільки окремі інгредієнти не видно. Штучний інтелект оцінює на основі загальної категорії страви та очевидного обсягу. Типова точність: 20-30% помилки.

Ручний пошук: Якщо точна страва є в базі даних, точність залежить від якості бази даних. Якщо користувач повинен вводити інгредієнти окремо, процес займає багато часу і підлягає помилкам через пропуски. Типова точність: 20-35% помилки.

Сканування штрих-кодів: Не застосовується для більшості змішаних страв. Користувачі повинні використовувати альтернативний метод.

Кумулятивний ефект вибору методу

Реальна різниця між методами обліку не відображає лише точність за прийом їжі. Це комбінація точності та послідовності з часом визначає результати.

Розглянемо двох гіпотетичних користувачів протягом 30 днів:

Користувач A використовує облік їжі за допомогою фото з середньою помилкою 15% за прийом їжі, але реєструє 95% своїх прийомів їжі. Їхня добова оцінка калорій, за всіма зареєстрованими прийомами їжі, відхиляється від фактичного споживання приблизно на 8% в середньому через випадкові помилки, які частково компенсуються. Завдяки 95% покриттю прийомів їжі їхні дані обліку представляють близьку оцінку фактичного споживання протягом повного місяця.

Користувач B використовує ручний пошук з середньою помилкою 10% за прийом їжі, коли реєструє, але реєструє лише 60% своїх прийомів їжі через брак часу та втоми. Прийоми їжі, які вони пропускають, часто є ресторанними стравами, закусками та соціально незручними ситуаціями, які зазвичай є найбільш калорійними. Їхні дані обліку систематично занижують фактичне споживання, а непройдені 40% створюють сліпу зону, яку жодна кількість точності за прийом їжі не може компенсувати.

Користувач A має більш корисні дані, незважаючи на нижчу точність за прийом їжі. Саме тому дотримання є домінуючим фактором у виборі методу обліку, і чому методи, які зменшують тертя, навіть за рахунок помірного зниження точності, забезпечують кращі результати в реальному світі.

Оптимальний підхід: відповідність методу

Найефективніший реальний підхід не полягає в ексклюзивному покладанні на жоден з методів, а в розумному поєднанні методу з ситуацією.

Використовуйте облік їжі за допомогою фото для ресторанних страв, їжі в їдальнях, страв, приготованих іншими, складних страв та будь-якої ситуації, де швидкість і зручність є пріоритетом. Це охоплює сценарії, де ручні методи є найповільнішими та найменш точними.

Використовуйте сканування штрих-кодів для упакованих продуктів, споживаних у дискретних кількостях: білковий батончик, пакетик чіпсів, упаковка йогурту. Це використовує найвищу точність сканування штрих-кодів.

Використовуйте ручний пошук для простих, одноінгредієнтних продуктів, де ви знаєте точну кількість: 200 грамів курячої грудки, один середній банан, дві яйця. Ці продукти швидко шукати та легко точно порціонувати.

Використовуйте голосовий облік коли ваші руки зайняті: під час приготування, водіння або їжі на ходу. Цей метод фіксує запис про прийом їжі до того, як ви його забудете, що є більш цінним, ніж ідеальна точність.

Nutrola підтримує всі чотири методи в одному додатку, дозволяючи користувачам перемикатися між обліком їжі за допомогою фото, скануванням штрих-кодів, ручним пошуком та голосовим обліком в залежності від ситуації. Ця гнучкість означає, що користувачі завжди можуть обрати метод, який забезпечує найкраще співвідношення точності та зусиль для конкретної їжі, яку вони реєструють.

Висновок

Облік їжі за допомогою фото не є найточнішим методом для кожного окремого продукту. Сканування штрих-кодів виграє для упакованих продуктів, а ретельний ручний облік з кухонними вагами може досягти виняткової точності для простих інгредієнтів.

Але точність за прийом їжі не є показником, який визначає успіх обліку. Показник, який визначає успіх, — це загальна точність вашої дієти протягом тижнів і місяців. Ця загальна точність є продуктом точності за прийом їжі, помноженої на послідовність. І в плані послідовності облік їжі за допомогою фото виграє рішуче, оскільки це єдиний метод, достатньо швидкий, щоб витримати тертя повсякденного життя без погіршення з часом.

Найкращий метод обліку — це той, який ви насправді будете використовувати, кожен прийом їжі, кожен день, так довго, як вам потрібні дані. Для більшості людей цей метод передбачає, що штучний інтелект виконує основну роботу, а людина швидко підтверджує. Три секунди, і далі — живіть своїм життям. Дані накопичуються на фоні, а інсайти слідують.