هل تطبيقات حساب السعرات بالذكاء الاصطناعي دقيقة؟

هل تطبيقات حساب السعرات بالذكاء الاصطناعي دقيقة؟

هل تطبيقات حساب السعرات بالذكاء الاصطناعي دقيقة؟ ليس بيقين: هي تقدّر فقط، وتبيّن الدراسات المنشورة أن التقدير قد يقترب من القيمة الحقيقية وقد يخطئ بمئات السعرات. واتجاه الخطأ ليس عشوائيًا. تميل التطبيقات إلى التقليل من إجمالي السعرات والمبالغة في تقدير الدهون، لأن الصورة لا تُظهر الكثافة ولا الوزن ولا الزيت المخفي. وهذه الآلية، لا جودة التطبيق وحدها، هي التي تفسّر معظم الفجوة.

لماذا لا تكشف الصورة السعرات الحرارية وحدها؟

الصورة الملتقطة للطبق ليست سوى انعكاس ضوء على سطح مسطح. تُظهر الشكل واللون والحجم التقريبي، ولا تُظهر الكثافة ولا الوزن ولا ما اختلط داخل الصلصة.

قد يبدو طبقا أرز متطابقين ويختلف وزنهما إذا كان أحدهما مكبوسًا أكثر. وطبق مقلي لامع بالزيت يشبه تقريبًا طبقًا طُهي برذاذ زيت خفيف. وكرقم توضيحي، تضيف ملعقتان كبيرتان من الزيت نحو 240 سعرة حرارية، ولا يظهر شيء منها في الصورة.

لهذا لا تكفي الصور الأفضل وحدها لحل المشكلة. فالكاميرا تلتقط ما يفعله الضوء، لا ما كانت ستقوله الميزان. وأي تقدير من صورة واحدة عليه أن يخمّن الأجزاء التي لا تظهر فيها.

أين يمكن أن يخطئ تقدير التطبيق من الصورة؟

يمر تقدير الصورة بثلاث خطوات: تحديد الأطعمة، ثم تقدير الحصص من إشارات بصرية مثل حجم الطبق وارتفاع الطعام، ثم مراجعة المستخدم. وينتج النموذج أرقام السعرات والعناصر الكبرى مباشرة، دون مطابقة مع جدول قيم مقيسة، بخلاف مسح الباركود أو البحث في قاعدة بيانات.

يقع الخطأ المحتمل في الخطوة الثانية، لأن الحصة تُخمَّن من الشكل لا من الوزن. وتأتي خطوة المراجعة لتصحيحه: يعدّل المستخدم الطعام أو الحصة أو الأرقام قبل الحفظ، فيتحول التقدير إلى سجل مدوَّن بدل أن يبقى تخمينًا.

لماذا تُقدَّر الدهون بدقة أقل من السعرات والكربوهيدرات، وما حجم الخطأ في الإجمالي؟

قارنت دراسة منشورة عام 2026 في مجلة Nutrients نماذج ذكاء اصطناعي باختصاصيي تغذية مسجلين، باستخدام صور موحدة لوجبات مستشفى. ارتبطت تقديرات الطاقة والكربوهيدرات لدى أقوى النماذج، ChatGPT-4o وGemini 1.5 Pro، بأرقام الاختصاصيين بأكثر من 0.8، وغالبًا ضمن نحو 10 بالمئة (Nutrients، DOI 10.3390/nu18060966). وأظهرت جميع النماذج في تلك الدراسة انحيازًا متوسطًا يتجاوز 20 بالمئة نحو المبالغة في الدهون. وكان البروتين أقل دقة من الطاقة.

يعود السبب إلى ما تراه الكاميرا. فالأطعمة الغنية بالكربوهيدرات مثل الأرز لها علاقة متوقعة نسبيًا بين الحجم والسعرات. أما الدهون فكثيرًا ما تكون غير مرئية، مذابة في الصلصة أو متجمعة تحت المكونات الأخرى. والنموذج الذي يخمّن الدهون من المظهر وحده يميل إلى المبالغة في التصحيح.

وتضع دراستان أخريان أرقامًا على فجوة الإجمالي، لا الدهون وحدها. اختبرت نتيجة أولية عُرضت في مؤتمر NUTRITION 2026 أربعة تطبيقات تجارية، هي MyFitnessPal وLoseIt! وCalAI وAppediet، على مجموعة أولى من 102 وجبة من مطبخ أيضي قيست مكوناتها بدقة 0.1 غ، ثم على أكثر من 200 وجبة إضافية روجعت لاحقًا. قلّلت التطبيقات من السعرات بنحو 250 إلى 345 kcal للوجبة، ومن الدهون بنحو 30 غ (EurekAlert، NIH/NIDDK). وهذه النتيجة أولية ولم تخضع بعد لمراجعة الأقران.

وقارنت دراسة محكّمة في npj Digital Medicine تطبيقًا بالذكاء الاصطناعي اسمه SNAQ بطريقة الماء المعلَّم مضاعفًا، وهي المعيار الذهبي لقياس الطاقة المتناولة، لدى نساء يعانين من السمنة. قلّل التطبيق من المتناول اليومي بمتوسط 817 kcal، أي انحياز بنسبة 25 بالمئة، مقابل متوسط مقيس قدره 3,004 kcal في اليوم. وكان الاتفاق بين القياسات المتكررة شبه معدوم، بمعامل ICC يساوي 0.00 (PMC، npj Digital Medicine).

والنمط واضح: تعطي صور الأطباق المفردة المضبوطة أقرب التقديرات. وتعطي الوجبات المتعددة الأصناف في الحياة الحرة أكبر الفجوات.

هل الملصق الغذائي المطبوع أدق فعلًا؟

يبدو الملصق المطبوع أرضًا أصلب من تخمين الصورة، لكن القاعدة التي تحكمه تعمل في اتجاه محدد. ففي الخليج يحدد المعيار GSO 9 بيانات الوسم للأغذية المعبأة، وتقدّم منظمة الصحة العالمية إرشادات إقليمية، وللمقارنة تنص القاعدة الأمريكية على ما يلي.

بموجب قاعدة FDA الأمريكية 21 CFR 101.9(g)، تُعد السعرات والدهون الكلية والدهون المشبعة والدهون المتحولة والكولسترول والصوديوم عناصر من الفئة الأولى. ولا يجوز أن تتجاوز 120 بالمئة من القيمة المعلنة على الملصق. ولا تضع اللائحة حدًا أدنى يمنع التقليل منها.

يمكن قانونيًا أن تزيد سعرات الملصق حتى 20 بالمئة على القيمة المخبرية الحقيقية، ولا يوجد في القاعدة ما يمنع أن تقل عنها. أما البروتين والفيتامينات والمعادن والألياف الغذائية فهي من الفئة الثانية: يجب أن تبلغ 80 بالمئة على الأقل من القيمة المعلنة، دون سقف أعلى.

هذا لا يعني أن الملصقات غير موثوقة. إنه سياق فحسب: حتى الرقم المخبري المنظَّم يحمل سقفًا مدمجًا، لا ضمانًا للدقة التامة. وتقدير الصورة والملصق المطبوع كلاهما تقريب، ومصدر الخطأ في كل منهما مختلف.

هل حساب السعرات بالذكاء الاصطناعي أدق من التسجيل اليدوي؟

لا تخلو أي من الطريقتين من الخطأ. فالتسجيل اليدوي، أي البحث في قاعدة بيانات الأطعمة وإدخال الحصة، يعتمد على اختيار الشخص المدخل الصحيح وتقدير حجم حصته بدقة.

أما تسجيل الصور فينقل هذا العمل إلى النموذج. ويواجه النموذج المشكلة الأساسية نفسها: لا يستطيع وزن الطعام ولا رؤية ما داخل الطبق.

وجدت دراسة عن تطبيق بحثي يعتمد على علامة مرجعية، اسمه goFOOD Lite، أن 60 تسجيلًا مصورًا من أصل 468، أي 12.8 بالمئة، استُبعدت بسبب أخطاء الالتقاط. ومن الأسباب غياب العلامة المرجعية أو عدم ظهور الطبق كاملًا (JMIR mHealth and uHealth، DOI 10.2196/24467). وهذا مصدر خطأ منفصل عن نموذج الذكاء الاصطناعي نفسه، في نظام صُمم أصلًا لتقليل أخطاء الالتقاط.

لا تلغي أي طريقة التخمين. الفرق في مكان حدوثه: في تقدير الشخص للحصة، أو في قراءة النموذج للصورة.

فيمَ يصلح تقدير الصورة، وما الذي يفسده بصمت؟

يصلح تقدير الصورة بوصفه أول مرور سريع، لا رقمًا نهائيًا. ففي الطبق المفرد البسيط تقترب التقديرات من حكم مراقب مدرَّب، بحسب دراسة المستشفى في Nutrients. وفي الوجبة المنزلية المختلطة بالصلصة أو الزيت تميل الفجوة إلى الاتساع، بحسب نتائج NIH/NIDDK وnpj Digital Medicine.

وتفسد النتيجةَ عدة أمور بصمت:

• الزيت أو الصلصة المخفيان يربكان رقم الدهون أكثر من غيره. فالدهون هي العنصر الذي تبالغ فيه نماذج الذكاء الاصطناعي بأوسع هامش، لأنها كثيرًا ما لا تُرى في الصورة.
• الطبق المزدحم أو متعدد الأصناف يربك تقدير الحصص. فقد وجدت دراسات الوجبات المختلطة في الحياة الحرة أخطاء أكبر من دراسات الأطباق المفردة الموحدة.
• غياب مرجع للحجم يصعّب تخمين الحصة. فقد وجدت دراسة goFOOD Lite أن أخطاء الالتقاط أفشلت أكثر من تسجيل مصور واحد من كل عشرة.
• تخطي المراجعة يثبّت التخمين الأول للنموذج. فتعديل الطعام أو الحصة قبل الحفظ هو ما يصحح به الشخص ما عجزت الصورة وحدها عن إظهاره.
• مقارنة تقدير الذكاء الاصطناعي بالملصق المطبوع تتجاهل سقف الملصق نفسه. فقد يزيد الملصق المختبَر قانونيًا حتى 20 بالمئة على القيمة الحقيقية للعناصر من الفئة الأولى مثل السعرات والدهون.

من يريد رقمًا أدق لطبق منزلي يمكنه بناؤه مكوّنًا بعد مكوّن، كما يشرح دليل حساب السعرات في وصفة منزلية مكوّنًا بعد مكوّن. وبعد معرفة الإجمالي، تقسمه حاسبة سعرات الوصفة للحصة الواحدة أو لكل 100 غ المجانية إلى حصص، دون حاجة إلى تقدير صورة لطبق مشترك.

أين يقع تقدير الصورة في التتبع مع Avocalo؟

يعمل تسجيل الصور في Avocalo كما يصفه هذا المقال. تصوّر وجبتك أو تختار صورة من المعرض، فيحدد نموذج رؤية بالذكاء الاصطناعي الأطعمة ويقدّر الحصص والسعرات والبروتين والكربوهيدرات والدهون من الصورة.

لا يُبحث عن هذا التقدير في قاعدة بيانات غذائية. ولا يزن التطبيق الطعام ولا يرى الزيت المخفي أو الصلصة أو أحجام الحصص الدقيقة. وتراجع النتيجة وتعدّلها قبل حفظها.

وللأطعمة التي تفضّل البحث عنها مباشرة، يوفر Avocalo أيضًا التسجيل اليدوي: ابحث في قاعدة بيانات أطعمة مبنية من Open Food Facts وUSDA FoodData Central وجداول التركيب الغذائي الوطنية، وأعد استخدام العناصر الأخيرة أو المتكررة. وباستخدام الطريقتين معًا تغطي جزءًا أكبر من طعام يومك مما تغطيه إحداهما وحدها. يمكنك تحميل تطبيق Avocalo من App Store أو Google Play.

الأسئلة الشائعة

هل يمكن لتطبيق سعرات بالذكاء الاصطناعي أن يزداد دقة مع الوقت؟

لا يوجد دليل على ذلك في الدراسات المذكورة هنا. اختبرت الدراسات أداء التطبيقات في لحظة واحدة، ولم تقس هل تتحسن الدقة مع طول الاستخدام. وأي ادعاء بأن التطبيق يتعلم عادات المستخدم مع الوقت يحتاج إلى دراسة مستقلة تثبته، ولذلك لا يصح الاعتماد عليه.

هل يفيد تصوير الطعام قبل الطهي وبعده؟

لا تختبر الدراسات المذكورة هذه الممارسة، فلا توجد إجابة موثقة عنها. ما تبينه الأبحاث أن وضوح الحصة والمكونات، لا توقيت التصوير، هو ما يفسر معظم الخطأ. وتعالج الصورة الواضحة التي يظهر فيها الطبق كاملًا مشكلة أخطاء الالتقاط التي رصدتها دراسة goFOOD Lite.

لماذا يعطي تطبيقان مختلفان سعرات مختلفة للصورة نفسها؟

تختلف النتائج لأن كل تطبيق يستخدم نموذج ذكاء اصطناعي مختلفًا. وجدت دراسة Nutrients تباينًا حقيقيًا بين النماذج في الصور القياسية نفسها. ارتبط ChatGPT-4o وGemini 1.5 Pro بقيم اختصاصيي التغذية بأكثر من 0.8 دون تطابق تام، وبالغت جميع النماذج في تقدير الدهون بهوامش متفاوتة.

هل التسجيل اليدوي بقاعدة بيانات أدق دائمًا من تقدير الصورة؟

ليس دائمًا. التسجيل اليدوي يزيل تخمين النموذج، لكنه يعتمد على اختيار المستخدم المدخل الصحيح في قاعدة البيانات وتقدير حجم حصته بنفسه. في الطريقتين خطأ، ووجدت دراسة npj Digital Medicine أن حتى تطبيقًا مصممًا لهذا الغرض كانت حدود الاتفاق فيه واسعة في الحياة اليومية الحرة.

المصادر

• NIH News Release, NUTRITION 2026 (EurekAlert): نتيجة أولية عن أربعة تطبيقات تجارية مسماة اختُبرت مقابل وجبات موزونة من مطبخ أيضي.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: مقارنة محكّمة مع طريقة الماء المعلَّم مضاعفًا.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: مقارنة محكّمة بين نماذج الذكاء الاصطناعي واختصاصيي تغذية مسجلين.
• 21 CFR 101.9(g), FDA nutrition labeling tolerance rule (eCFR): الحد القانوني الأمريكي المسموح لملصقات التغذية المطبوعة. وللمرجع الخليجي انظر المعيار GSO 9 لوسم الأغذية المعبأة لدى GSO وإرشادات الهيئة العامة للغذاء والدواء السعودية في وسم الأغذية.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: نسبة أخطاء الالتقاط في دراسة تسجيل بالصور تعتمد على علامة مرجعية.
• السياسة التحريرية لـ Avocalo: كيف تستند Avocalo إلى المصادر وتتحقق من أرقامها.

نشرتها Petros IT Solutions SRL. هل لاحظت خطأ؟ راسلنا على [email protected].