Jak přesné je AI počítání kalorií?

První vrstva je správné pochopení vstupu. AI musí poznat, co jste napsali nebo řekli. Druhá vrstva je identita potraviny: například zda jde o konkrétní značku, čerstvou nebo tepelně upravenou variantu. Třetí vrstva je množství. Čtvrtá vrstva jsou samotná nutriční data a výpočet.

Pokud jsou první tři kroky nejisté, přesná databáze už výsledek nezachrání. Naopak při jasném produktu a přesném množství může být AI jen pohodlným rozhraním a do samotného výpočtu téměř nezasahovat. Proto je zavádějící hodnotit celý systém pouze podle schopnosti modelu rozpoznat fotografii.

Kalorie i makroživiny se mění s množstvím. Rozdíl mezi 100 a 150 gramy je matematicky jednoduchý, ale fotografie nemusí spolehlivě určit, která hodnota je správná. Stejný problém nastává u výrazů jako „trocha džemu“, „miska rýže“ nebo „jeden velký krajíc“. AI může použít typickou porci, pokud to systém bezpečně podporuje, ale jde stále o předpoklad.

Když množství znáte, zadání gramů nebo konkrétní jednotky přesnost výrazně zlepší. Když ho neznáte, je dobré zachovat odhad jako odhad a nepřidávat k němu falešnou přesnost na desetiny. Pro dlouhodobé sledování může být konzistentní přibližná metoda užitečná, ale její omezení by mělo být zřejmé.

Naskenování čárového kódu může velmi dobře určit konkrétní balený výrobek, pokud je produkt v dostupném zdroji a data jsou použitelné kvality. Tím se výrazně snižuje riziko, že vyberete podobně pojmenovanou, ale jinou potravinu. Stále však potřebujete vědět, kolik výrobku jste skutečně snědli.

Pokud má balení 200 gramů a sníte polovinu, aplikace potřebuje tuto informaci převést na 100 gramů nebo odpovídající porci. AI zde může pomoci interpretovat větu „dal jsem si půl balení“, ale autoritativní výpočet by měl být deterministický nad známou hmotností a nutričními údaji produktu.

Fotozápis je výborný pro rychlost. Může odhalit několik složek jídla, které byste jinak museli vypisovat. Zároveň ale přidává nejistotu u gramáže, skrytého oleje, omáček a receptu. Dvě podobně vypadající porce mohou mít odlišnou energetickou hodnotu, i když je model vizuálně pojmenuje stejně.

Proto je bezpečnější, když fotografie vytvoří návrh a systém jasně ví, že jde o foto-odvozený vstup. Pokud resolver vyžaduje potvrzení, klient ho nesmí obejít jen proto, aby byl zápis o jedno kliknutí rychlejší. Možnost uživatelské korekce je součást přesnosti, nikoli známka selhání AI.

Ptejte se, zda systém ukazuje nebo alespoň interně zachovává zdroj potraviny, zda odděluje modelový návrh od nutričního výpočtu a zda umí odmítnout nebo zpochybnit nejasný případ. Důvěryhodnost roste, když lze výsledek vysvětlit: tato potravina, toto množství, tato data, tento součet.

Jídelní Check staví autoritativní zápis na vyřešených potravinách a serverovém výpočtu. AI může navrhovat a interpretovat, ale běžný zápis nemá přijmout modelově vymyšlené kalorie jako zdroj pravdy. To neodstraňuje nejistotu vstupu, ale zabraňuje tomu, aby se další nejistota přidávala ještě ve výpočetní vrstvě.