- Kaj boš izvedel/a
- Zakaj AI aplikacije za kalorije pogosto delujejo bolj natančno, kot podatki v resnici so
- Kako se prepoznavanje hrane sesuje pri mešanih obrokih, omakah in skritih sestavinah
- Zakaj je ocena velikosti porcije ponavadi največji vir napak pri beleženju hrane
- Kje so lahko kalorije iz skenerja črtne kode še vedno napačne zaradi neskladij v bazi
- Kako izgleda bolj pošten workflow beleženja: oceni, preveri, popravi, nauči se
- Zakaj so popravljeni zapisi bolj uporabni za opazovanje navad kot en popoln seštevek obroka
Fotkaš burrito bowl, club sendvič ali testenine iz restavracije, aplikacija pa ti v par sekundah vrže ven 742 kalorij. Deluje točno, ker je vmesnik hiter, lep in čudno specifičen. Ampak ta urejena številka je lahko samo spolirana ocena, zgrajena na več negotovih ugibanjih.
To ni nek splošen anti-AI rant. AI beleženje hrane je lahko uporabno. Problem je, da veliko photo-first aplikacij, ki jih ljudje primerjajo, vključno z imeni kot Cal AI ali Alma, pogosto naredi, da negotovost izgleda kot dejstvo. Mešan obrok je lahko mimo zaradi prepoznavanja hrane, velikosti porcije, skritih olj in omak, neskladij v bazi ali preprosto zato, ker uporabnik ne popravi napake.
Kontra poanta je simpl: nevarnost ni v tem, da AI ugiba. Nevarnost je v tem, da ugibe predstavi kot avtoritativne seštevke. Če hočeš globlji osnovni pregled o natančnosti AI zaznavanja kalorij, začni tam. Ta članek se fokusira na boljši workflow: osnutek, pregled, popravek, potem pa zaupanje vzorcem skozi čas.
Pravi bug je lažna natančnost
AI aplikacije za kalorije postanejo zavajajoče, ko negotove ocene prikažejo kot točne, zaupanja vredne številke. Težava ni v tem, da aplikacija ocenjuje. Beleženje kalorij je vedno vključevalo ocenjevanje. Težava je, da vmesnik pogosto spremeni ugib v nekaj, kar se zdi izmerjeno.
Ta razlika je bolj pomembna, kot si prizna večina produktnih ekip. “647 kalorij” se bere kot rezultat naprave. “Verjetno 550 do 750 kalorij, prosim potrdi porcijo in omako” se bere kot to, kar dejansko je: informirana ocena, pri kateri je še vedno jasno prisotna negotovost.
Vmesniki so ful dobri pri ustvarjanju zaupanja. Lep kartonček obroka, razrez makrov do grama, zelen score in spolirana animacija lahko uporabnika potisnejo, da se še bolj opre na rezultat, tudi ko je osnovni input precej zmešan. Raziskave algoritmičnih sistemov so pokazale, da signali zaupanja v vmesniku lahko vplivajo na to, koliko se ljudje zanašajo na rezultate, tudi ločeno od dejanske pravilnosti modela ACM.
To je pravi bug. Ne ocenjevanje samo po sebi, ampak lažna natančnost. Če je morala aplikacija iz fotke sklepati jed, ugibati velikost porcije, predpostaviti maščobo pri kuhanju in to povezati z vnosom v prehranski bazi, potem bi morala končna številka to negotovost pošteno nositi s sabo, ne pa je skriti za ostrim seštevkom.
Photo-first aplikacije za kalorije pogosto prodajajo ravno nasproten občutek: hitrost, priročnost, instant odgovore. Pozicioniranje v App Store za orodja kot Cal AI pokaže, kako pogosta je ta obljuba. Fotkaj obrok, hitro dobi kalorije. Ta workflow je privlačen, ampak potiho uči uporabnike, da hitro pomeni tudi zanesljivo.
Običajno ne deluje kot grob osnutek. Deluje končano. Ko aplikacija vrne specifičen seštevek kalorij in urejene makre, veliko ljudi nadaljuje naprej, namesto da bi preverili, ali je bila porcija prevelika, ali je curry vseboval smetano, ali je bila omaka sploh upoštevana.
Bolj kot številka izgleda točna, večjo odgovornost ima aplikacija, da pokaže, kje negotovost ostaja. Če sistem ni prepričan glede velikosti porcije, naj to pove. Če so omake, olja ali mešane sestavine nejasne, naj vpraša. Zaupanja vredna aplikacija za beleženje kalorij mora ustvariti malo trenja tam, kjer je ocena najšibkejša, ne pa odstraniti vse trenje in temu reči inteligenca.
Zato bolj pošten workflow izgleda manj magično. Preglej, popravi, potem pa zapis uporabljaj za vzorce skozi čas. Kiborain model je močnejši ravno zato: prvo oceno obravnava kot izhodišče, ne kot razsodbo.
Fotka obroka ne vidi tega, kar je najbolj pomembno
Računalniški vid je dober pri prepoznavanju vidnih objektov. Banana je banana. Pločevinka gazirane pijače je pločevinka. Ampak hrana ni običajna kategorija objektov, in tu se začne natančnost AI prepoznavanja hrane lomiti.
Pravi obroki so zmešani, prekriti, nasekljani, z omakami in na pol skriti v embalaži, v kateri so prišli. Raziskave prepoznavanja hrane v realnih okoliščinah so pokazale, da je slikovno ocenjevanje prehrane veliko težje zunaj kontroliranih fotk, ker se obroki razlikujejo po svetlobi, kotu, prezentaciji, prekrivanju in sestavi [vir].
To je pomembno, ker pravilno poimenovati jed ni isto kot pravilno oceniti kalorije ali makre. Model lahko nečemu reče “testenine” in vseeno zgreši dele, ki dejansko določajo prehransko vrednost: koliko olja je bilo uporabljenega, ali je omaka smetanova, koliko sira je vmešanega, ali je notri klobasa ali piščanec in kako velika je porcija v resnici.
Isti problem se pojavi pri hrani, za katero ljudje mislijo, da je lahka. Piščančje prsi, kos tofuja in ribji file so lahko presenetljivo podobni, ko so popečeni, narezani ali zakopani pod omako. Solata lahko izgleda lahka, hkrati pa skriva preliv, oreščke, sir, krutone, suho sadje, avokado in več olja, kot ga fotka pokaže.
Mešane jedi so še slabše, ker kamera vidi eno stvar, telo pa procesira več stvari. Curry, narastek, burrito ali smoothie lahko izgledajo kot en sam item, ampak kalorična teža je odvisna od sestavin, ki so pogosto nevidne pod zgornjo plastjo ali zblendane iz vidnega polja.
Smoothie je perfekten primer. Lahko izgleda majhen, čist in “zdrav”, zraven pa vsebuje maslo iz oreščkov, proteinski prašek, polnomastni jogurt, sok, sladila ali več porcij sadja. Fotka ti ne pove, katero verzijo piješ.
Burrito bowl ima isti problem v obratni smeri. Na vrhu mogoče vidiš solato, salso in malo mesa, pravi seštevek pa se skriva spodaj v globini riža, kepici sira, guacamoleju, kisli smetani ali težkem prelivu pod površino.
To ni samo pritožba glede produktnega dizajna. Raziskovalci, ki preučujejo slikovno ocenjevanje prehrane, opozarjajo, da skrite sestavine, načini priprave, mešani recepti in vizualno podobna živila otežijo sklepanje o hranilih samo iz slike [vir].
Torej je prva velika tehnična omejitev preprosta: vidni izgled ne razkrije zanesljivo sestavin ali makrov. Če aplikacija to negotovost spremeni v lepo številko kalorij, brez da bi prosila za pregled ali popravek, problem ni samo model. Problem je teater samozavesti okoli njega.
Velikost porcije je tam, kjer ocena zares poči
Aplikacija lahko pravilno prepozna avokadov toast, riž, piščanca ali oreščke in ti vseeno da napačno številko kalorij. Zato ker kalorije pridejo iz tega, koliko, ne samo iz tega, kaj hrana je.
To je del, ki ga bleščeče beleženje s fotko pogosto skrije. “Hrana je bila prava” se pogosto zamenja z “kalorije so bile prave”, čeprav ocena porcije opravi večino dela pri končnem seštevku.
Iz ene same slike je to težek problem. Brez tehtnice, informacije o globini, znanega referenčnega objekta ali uporabnikove potrditve količine so ocene iz fotke same po sebi šibke, raziskave prehranskega ocenjevanja iz slik pa so pokazale, da lahko ocena velikosti porcije pomembno vpliva na natančnost tudi ko je hrana sama pravilno prepoznana.
Riž je preprost primer. Plitva skleda in globoka skleda lahko od zgoraj izgledata skoraj enako, ampak ena lahko drži precej več kot druga. Aplikacija volumna ne vidi jasno, zato luknjo zapolni z ugibom.
Solate ljudi preslepijo iz istega razloga. Ena žlica preliva proti trem žlicam lahko močno premakne kalorični seštevek, medtem ko fotka še vedno izgleda kot “solata”. Če aplikacija opazi solato, paradižnike in piščanca, zgreši pa količino preliva, sira, semen ali olja, je številka lahko precej mimo.
To se poslabša pri energijsko gostih živilih. Majhna vizualna napaka pri olju, arašidovem maslu, granoli, prelivu, siru ali oreščkih lahko doda veliko več kalorij kot podobno velika napaka pri zeleni solati ali kumari.
“Pest” ni meritev, aplikacije pa jo pogosto obravnavajo, kot da je. Pest oreščkov ali granole se lahko dovolj razlikuje, da popači tako kalorije kot makre, še posebej če aplikacija potiho uporabi privzeto porcijo, uporabnik pa je nikoli ne preveri.
Ta problem privzete porcije je podcenjen. Veliko napak v aplikacijah za štetje kalorij niso dramatični fail-i prepoznavanja. So čisto običajne napake pri beleženju, kjer aplikacija reče “1 porcija” nečesa verjetnega, uporabnik to sprejme, seštevek pa izgleda natančen, čeprav količina nikoli ni bila zares znana.
Zato je pošten workflow: pregledaš, popraviš, potem pa podatke uporabljaš za vzorce skozi čas. Če hočeš bolj praktičen okvir za ravnanje s to negotovostjo, je Kiborain pristop bližje realnosti, ta vodič o natančnem beleženju kalorij pa pokaže, kaj preveriti, preden zaupaš številki.
Črtne kode delujejo objektivno, ampak baze še vedno delajo napake
Skeniranje črtne kode običajno bolje reši eno težavo kot fotka kadarkoli lahko: prepoznavanje izdelka. Pri pakirani hrani je sken lahko precej bolj zanesljiv kot to, da računalniški vid ugiba, ali je tisti ovitek peanut butter ploščica, brownie ploščica ali piškot.
Ampak ljudje črtnim kodam pogosto pripišejo preveč zaslug. Sken lahko najde pravo ime izdelka in vseeno potegne napačen prehranski vnos, ker je rezultat tako natančen kot baza za njim in konkreten zapis izdelka, ki ga aplikacija izbere.
To je pomembno, ker pakirana hrana ni statična. Znamke spreminjajo recepture, sladila, vsebnost proteinov, velikosti pakiranj ali velikosti porcij, medtem ko branding ostane skoraj enak. Proteinska ploščica lahko na polici izgleda isto, pa ima vseeno drugačne grame, kalorije ali makre kot verzija, shranjena v aplikaciji.
Regionalne razlike to še bolj zakomplicirajo. Izdelek, ki se prodaja v ZDA, UK ali EU, ima lahko isti branding, ampak drugačne prehranske oznake, sezname sestavin ali pravila porcij. Zato se morajo prehranski podatki ujemati z dejanskim pakiranjem v tvoji roki, ne samo z imenom izdelka v bazi. FDA-jev Food Labeling Guide pokaže, kako specifični detajli na deklaraciji, kot sta velikost porcije in število porcij v pakiranju, vplivajo na številke, ki jih ljudje beležijo.
Baze, ki jih ustvarjajo uporabniki, dodajo še eno plast šuma. Nekateri vnosi so odlični, nekateri zastareli, nekateri pa so nastali iz stare deklaracije ali druge velikosti pakiranja. Lahko skeniraš črtno kodo, vidiš znano ime znamke in vseeno končaš s kalorijami, vezanimi na napačno velikost porcije.
Praktičen zaključek je preprost: skeniranje črtne kode je pogosto uporabno, ni pa magično. Če je številka res pomembna, primerjaj vnos v aplikaciji z embalažo: velikost porcije, število porcij v pakiranju in kalorije na porcijo, preden mu zaupaš.
To je širši vzorec pri AI aplikacijah za kalorije. Beleženje s fotko se muči s prepoznavanjem hrane, beleženje s črtno kodo pa jo običajno bolje identificira, a še vedno lahko odpove na podatkovni plasti. Drug input, isti osnovni problem: aplikacija pogosto govori z več samozavesti, kot si jo osnovne informacije zaslužijo.
Boljša aplikacija se ne pretvarja, da je ugib končen
Bolj zdrav workflow je preprost: naj AI naredi prvi prelet, potem pa človek zaključi delo. To pomeni prepoznati verjetno hrano, vprašati za velikost porcije, preveriti skrite sestavine in narediti popravljanje enostavno, namesto da se rezultat fotke obravnava kot laboratorijska meritev.
Tu veliko photo calorie aplikacij zgreši filozofijo. Optimizirajo za instant seštevke in gladek demo, ampak beleženje prehrane ni bolj pošteno samo zato, ker je hitrejše.
Pregled in popravek nista dokaz, da aplikacija ni uspela. Sta del, ki prizna realnost, posebej pri mešanih obrokih, jedeh iz restavracij in vsem z olji, omakami, prelivi ali načini priprave, ki jih kamera ne more zanesljivo videti.
Boljši sistem postavlja koristna dodatna vprašanja. Je bil zraven preliv? Koliko žlic? Je bil riž ena skodelica ali dve? Je bilo meso pečeno na žaru ali ocvrto? Ta vprašanja ustvarijo bolj zaupanja vreden zapis kot samozavestna številka v dveh sekundah.
Zato beleženje kalorij najbolje deluje kot orodje za zavedanje, ne kot popoln merilni instrument. Raziskave aplikacij za prehrano in dieto so pokazale, da lahko podpirajo spremembe vedenja in samospremljanje, kar je bolj realen standard kot pričakovati popolno natančnost vsakega vnosa glede na sistematični pregled mHealth aplikacij za prehrano.
In šum ni unikaten za AI. Samoporočanje o prehrani je bilo vedno nepopolno, z neporočanjem in napakami priklica, ki so pogoste tudi v tradicionalnih prehranskih raziskavah kot je dokumentirano v literaturi. AI ne ustvari negotovosti iz nič. Samo lažje jo skrije za spoliran vmesnik.
Vrednost se pokaže pri popravkih
Smisel beleženja ni zmagati v tekmovanju natančnosti pri eni večerji. Smisel je opaziti, kaj se ponavlja.
Če nekdo en teden popravlja vnose večerij, lahko ugotovi, da pravi problem ni piščanec proti lososu. Problem so omake v restavracijah, pesti prigrizkov med kuhanjem ali porcije, ki so se potiho podvojile. Ti vzorci so bolj pomembni kot to, ali je bil en obrok zgrešen za zmeren znesek.
To je konstruktiven argument za aplikacije kot Kibora. Uporaben model ni fotkaj, zaupaj in ubogaj. Je preglej, popravi in potem uporabi popravljene zapise za odkrivanje trendov in znanstveno podprtih insightov, ki ti pomagajo sprejemati boljše odločitve skozi čas.
Če hočeš praktičen standard za ocenjevanje katerekoli aplikacije, išči to zaporedje: oceni, preveri, popravi, potem se uči. To se veliko bolje ujema s tem, kako beleženje prehrane dejansko deluje, in zato je beleženje najbolj vredno takrat, ko razkrije vzorce, ne takrat, ko se pretvarja, da lahko ena fotka zaključi resnico.
Uporabljaj AI kot osnutek, ne kot razsodbo
To je standard. AI aplikacije za kalorije so dovolj dobre za zavedanje, hitrejše beleženje in opazovanje trendov skozi čas. Niso pa dovolj dobre, ko se en nepreverjen vnos obroka obravnava kot natančna resnica.
Pravo vprašanje ni, ali je treba AI-ju zaupati ali ga zavrniti. Vprašanje je, ali si ta konkreten vnos zasluži zaupanje, pregled ali ročni popravek. Če bo številka vplivala na pomembno odločitev, nehaj pustiti, da samozavest aplikacije nadomesti tvojo presojo.
Preprosto pravilo v praksi dobro deluje:
- AI-ju zaupaj bolj pri živilih z eno sestavino ali pakirani hrani, potem ko preveriš izdelek in ga primerjaš z deklaracijo ali rezultatom črtne kode.
- Pozorno preglej mešane jedi, obroke iz restavracij, kalorično goste dodatke, omake, olja, prelive in vse, kjer porcija ni jasna.
- Preklopi na ročni popravek, ko številka vpliva na pomemben cilj, kot je tesen kalorični target, planiranje makrov ali ocenjevanje napredka iz tedna v teden.
Če želiš hiter check pred shranjevanjem vnosa, uporabi to zaporedje: potrdi hrano, potrdi porcijo, preveri skrite sestavine, pri pakirani hrani primerjaj podatke z deklaracijo, potem pa stopi korak nazaj in glej tedenske vzorce, namesto da se zatakneš pri enem obroku.
Zato najboljša aplikacija za kalorije ni tista, ki zveni najbolj prepričano. Je tista, ki ti pomaga opaziti negotovost, jo popraviti in iti naprej. Uporaben prehranski zapis je živ zapis, ne račun, ki ga natisne kamera.
Bleščeče beleženje s fotko prosi za zaupanje. Pošteno beleženje prosi za potrditev. Če želiš workflow, zgrajen okoli pregleda in popravkov namesto pasivnega ugibanja, poglej, kako Kibora ureja beleženje hrane.
Prihodnost beleženja hrane ni bolj samozavestno ugibanje. Je bolj poštena negotovost plus boljše prepoznavanje vzorcev.
- Ključni viri
- Prepoznavanje hrane v realnem svetu: pregled pristopov računalniškega vida za prehransko ocenjevanje
- Ocena velikosti porcij iz fotografij za prehransko ocenjevanje
- Izzivi in priložnosti pri slikovnem prehranskem ocenjevanju
- Nepopolno poročanje pri samoporočanju prehrane in njegov pomen za prehranske raziskave
- U.S. FDA Food Labeling Guide
- Vpliv zaupanja, prikazanega v vmesniku, na uporabnikovo zanašanje na algoritmične sisteme
- Mobilne zdravstvene (mHealth) aplikacije za spremembe prehranskih navad: sistematični pregled
- Cal AI v App Store
