Cât de precise sunt aplicațiile de calorii cu AI?

Cât de precise sunt aplicațiile de numărat calorii cu AI?

Cât de precise sunt aplicațiile de numărat calorii cu AI? Nu cu certitudine: ele estimează, iar studiile publicate arată că această estimare poate fi apropiată sau greșită cu sute de calorii. Direcția erorii nu este întâmplătoare. Aplicațiile tind să subestimeze totalul de calorii și să supraestimeze grăsimile, pentru că o poză nu poate arăta densitatea, greutatea sau uleiul ascuns. Acest mecanism, nu doar calitatea aplicației, explică cea mai mare parte a diferenței.

De ce nu poate o poză să arate direct caloriile?

O fotografie este o imagine plată a luminii reflectate de o farfurie. Arată formă, culoare și mărime aproximativă. Nu arată densitatea, greutatea sau ce este amestecat într-un sos.

Două boluri de orez pot arăta identic și totuși pot cântări diferit, dacă unul este îndesat mai tare. Un wok lucios de ulei arată aproape la fel ca unul gătit cu spray de gătit. Ca reper ilustrativ, două linguri de ulei adaugă aproximativ 240 de calorii, iar nimic din asta nu se vede într-o poză.

De aceea pozele mai bune, singure, nu rezolvă problema. O cameră foto captează ce face lumina, nu ce ar arăta un cântar. Orice estimare dintr-o singură imagine trebuie să ghicească părțile pe care imaginea nu le poate arăta.

Cum estimează aplicațiile caloriile dintr-o fotografie?

Un model AI de viziune analizează imaginea și identifică ce alimente sunt prezente. Apoi estimează porțiile din indicii vizuale din poză, precum mărimea farfuriei, înălțimea mâncării și comparația cu forme tipice de porții.

Din alimentele identificate și porțiile estimate, modelul produce direct cifre pentru calorii și macronutrienți. Asta diferă de un scanare de cod de bare sau o căutare în bază de date. La acest pas nu există nicio verificare într-un tabel cu valori măsurate.

Persoana revizuiește apoi ce a produs modelul. Poate edita alimentul identificat, mărimea porției sau cifrele înainte de a salva ceva. Acest pas de verificare este momentul în care o estimare din poză devine o înregistrare, nu doar o presupunere.

Această secvență, identificare, estimare, verificare, este primul pas pentru a înțelege unde poate greși estimarea și unde editarea proprie a persoanei poate corecta eroarea.

De ce sunt grăsimile estimate mai prost decât caloriile sau carbohidrații, și cât de departe ajunge eroarea totală în studii?

Un studiu din 2026, publicat în Nutrients, a comparat modele AI cu dieteticieni autorizați, folosind fotografii standardizate de mese din spital. Estimările de energie și carbohidrați ale celor mai puternice modele, ChatGPT-4o și Gemini 1.5 Pro, au corelat peste 0,8 cu cifrele dieteticienilor, adesea cu o diferență de aproximativ 10 procente (Nutrients, DOI 10.3390/nu18060966). Fiecare model din acel studiu a arătat o eroare medie de peste 20 de procente în supraestimarea grăsimilor. Proteinele au fost, de asemenea, mai puțin precise decât energia.

Motivul se leagă de ce poate vedea o cameră foto. Alimentele bogate în carbohidrați, precum orezul, au o relație destul de previzibilă între volum și calorii. Grăsimea este adesea invizibilă, ascunsă într-un sos sau adunată sub alte ingrediente. Un model care ghicește grăsimea doar din aspect tinde să supracorecteze.

Două studii suplimentare pun cifre pe diferența totală de calorii, nu doar pe grăsimi. O constatare preliminară prezentată la NUTRITION 2026 a testat patru aplicații comerciale, MyFitnessPal, LoseIt!, CalAI și Appediet, pe un set inițial de 102 mese dintr-o bucătărie metabolică, cu ingrediente cântărite la 0,1 grame, apoi peste 200 de mese suplimentare analizate ulterior. Aplicațiile au subestimat caloriile cu aproximativ 250 până la 345 kcal per masă, și cu aproximativ 30 g de grăsime (EurekAlert, NIH/NIDDK). Acest rezultat este preliminar și nu a fost încă revizuit de specialiști (peer review).

Un studiu revizuit de specialiști, publicat în npj Digital Medicine, a comparat o aplicație AI numită SNAQ cu apa dublu marcată, o metodă de referință pentru măsurarea aportului energetic, la femei cu obezitate. Aplicația a subestimat aportul zilnic cu 817 kcal în medie, o eroare de 25 de procente, față de o medie măsurată de 3.004 kcal pe zi. Acordul la măsurători repetate a fost practic zero, un ICC de 0,00 (PMC, npj Digital Medicine).

Tiparul: fotografiile controlate, cu o singură farfurie, produc cele mai apropiate estimări. Mesele din viața reală, cu mai multe alimente, produc cele mai mari diferențe.

O etichetă nutrițională tipărită e chiar mai precisă?

O etichetă tipărită pare un teren sigur față de o presupunere dintr-o poză, dar regula din spatele ei funcționează într-o direcție specifică.

În Uniunea Europeană, Regulamentul (UE) nr. 1169/2011 privind informarea consumatorilor cu privire la produsele alimentare stabilește cerințele pentru eticheta nutrițională, iar toleranțele de conformitate sunt gestionate la nivelul fiecărui stat membru, nu printr-un prag unic la nivel european. În Statele Unite, regula FDA 21 CFR 101.9(g) clasifică caloriile, grăsimile totale, grăsimile saturate, grăsimile trans, colesterolul și sodiul drept nutrienți de Clasă I. Aceștia nu pot depăși 120 de procente din valoarea declarată pe etichetă. Regulamentul nu stabilește niciun prag minim împotriva subestimării lor.

O valoare calorică de pe etichetă poate fi legal cu până la 20 de procente mai mare decât valoarea reală de laborator, și nimic din regulă nu o oprește să fie mai mică. Proteinele, vitaminele, mineralele și fibrele alimentare sunt în schimb nutrienți de Clasă II: trebuie să fie cel puțin 80 de procente din valoarea declarată, fără plafon.

Asta nu înseamnă că etichetele sunt nesigure. Este context: chiar și o cifră calorică testată în laborator și reglementată are un plafon incorporat, nu o garanție de exactitate. O estimare din poză și o etichetă tipărită sunt ambele aproximări, cu surse diferite de eroare.

Numărarea caloriilor cu AI e mai precisă decât notarea manuală?

Niciuna dintre metode nu este lipsită de erori. Notarea manuală, căutarea într-o bază de date alimentară și introducerea unei porții, depinde de faptul că persoana alege înregistrarea corectă și estimează corect propria porție.

Notarea din poză mută această muncă către model. Modelul se confruntă cu aceeași problemă centrală: nu poate cântări mâncarea și nu poate vedea în interiorul unui fel de mâncare.

Un studiu al unei aplicații de cercetare bazate pe marcaje, numită goFOOD Lite, a constatat că din 468 de înregistrări foto, 60, adică 12,8 procente, au trebuit eliminate din cauza erorilor de captare. Motivele au inclus un marcaj de referință lipsă sau farfuria neafișată complet (JMIR mHealth and uHealth, DOI 10.2196/24467). Aceasta este o sursă de eroare separată de modelul AI în sine, într-un sistem construit special pentru a reduce greșelile de captare.

Nicio metodă nu elimină presupunerea. Diferența este unde apare presupunerea, în estimarea proprie a porției de către o persoană, sau în citirea unei imagini de către un model.

Pentru ce ar trebui folosită de fapt o estimare din poză, și ce o strică pe nesimțite?

Tratează o estimare din poză ca pe o primă trecere rapidă, nu ca pe o cifră finală. Pentru o farfurie simplă, cu un singur fel de mâncare, estimările se apropie de judecata unui observator instruit, conform studiului din Nutrients pe mese din spital. Pentru o masă gătită acasă, mixtă, cu sos sau ulei, diferența tinde să crească, conform constatărilor NIH/NIDDK și npj Digital Medicine.

Mai multe lucruri strică rezultatul pe nesimțite:

• Uleiul sau sosul ascuns denaturează cel mai mult cifra pentru grăsimi. Grăsimea este macronutrientul pe care modelele AI îl supraestimează cu cea mai mare marjă, pentru că adesea nu poate fi văzută în imagine.
• O farfurie încărcată sau cu mai multe feluri de mâncare încurcă estimarea porției. Studiile din viața reală, cu mese mixte, au găsit erori mai mari decât studiile cu farfurii singure, standardizate.
• Lipsa unui reper de mărime îngreunează estimarea porției. Studiul goFOOD Lite a constatat că erorile de captare au făcut ca peste una din zece înregistrări foto să eșueze complet.
• Sărirea peste pasul de verificare fixează prima presupunere a modelului. Editarea alimentului sau a porției înainte de salvare este momentul în care o persoană poate corecta ce imaginea singură nu putea arăta.
• Compararea unei estimări AI cu o etichetă tipărită ignoră plafonul propriu al etichetei. O etichetă testată în laborator poate depăși legal cu până la 20 de procente valoarea calorică reală pentru nutrienți de Clasă I precum caloriile și grăsimile.

Un cititor care vrea o cifră mai precisă pentru un fel de mâncare gătit acasă poate construi totalul ingredient cu ingredient, urmând ghidul cum calculezi caloriile mâncării gătite acasă. Odată cunoscut acel total, calculatorul gratuit de calorii pe porție îl împarte pe porții, fără să mai fie nevoie de o estimare din poză pentru un fel de mâncare împărțit.

Unde se încadrează estimarea din poză în urmărirea cu Avocalo?

Notarea din poză a Avocalo funcționează exact așa cum descrie acest articol. Fotografiezi o masă sau alegi una din galerie, iar un model AI de viziune identifică alimentele și estimează porțiile, caloriile, proteinele, carbohidrații și grăsimile din imagine.

Acea estimare nu este verificată într-o bază de date alimentară. Aplicația nu cântărește mâncarea și nu vede uleiul ascuns, sosul sau mărimea exactă a porției. Tu revizuiești și editezi rezultatul înainte de a-l salva.

Pentru alimentele pe care preferi să le cauți direct, Avocalo oferă și notare manuală: caută într-o bază de date alimentară construită din Open Food Facts, USDA FoodData Central și tabele naționale de compoziție a alimentelor, și refolosește alimentele recente sau frecvente. Folosite împreună, cele două metode acoperă mai mult din alimentația unei zile decât oricare separat. Vizitează Avocalo pentru a găsi aplicația pe App Store sau Google Play.

Întrebări frecvente

O aplicație AI de calorii poate învăța să fie mai precisă în timp?

Studiile de aici au testat performanța aplicațiilor la un singur moment în timp, nu învățarea prin utilizare repetată. Niciuna dintre cercetările citate nu a măsurat dacă precizia crește odată cu utilizarea îndelungată. O afirmație despre o aplicație care învață obiceiurile unei persoane în timp ar avea nevoie de propriul ei studiu pentru a fi verificată.

Ajută să fotografiezi mâncarea înainte și după gătit?

Studiile citate nu testează această practică specifică, așa că nu există un răspuns bazat pe surse aici. Ce arată însă cercetarea este că vizibilitatea porției și a ingredientelor, nu momentul fotografierii, cauzează cea mai mare parte a erorii. O poză clară, cu toată farfuria vizibilă, rezolvă problema erorilor de captare identificată de studiul goFOOD Lite.

De ce dau două aplicații diferite valori diferite pentru aceeași poză?

Aplicații diferite folosesc modele AI diferite, iar studiul din Nutrients a găsit variații reale între modele pe aceleași fotografii standardizate. ChatGPT-4o și Gemini 1.5 Pro au corelat peste 0,8 cu valorile dieteticienilor, dar nu identic, iar toate modelele au supraestimat grăsimile cu marje diferite.

Notarea manuală cu o bază de date este mereu mai precisă decât o estimare din poză?

Nu întotdeauna. Notarea manuală elimină presupunerea AI-ului, dar depinde de persoana care alege înregistrarea corectă din bază de date și estimează singură mărimea porției. Ambele metode au erori, iar studiul din npj Digital Medicine a găsit limite largi de acord chiar și pentru o aplicație AI construită special pentru acest scop, folosită în viața reală.

Surse

• NIH News Release, NUTRITION 2026 (EurekAlert): constatare preliminară privind patru aplicații comerciale numite, testate pe mese cântărite dintr-o bucătărie metabolică.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: comparație revizuită de specialiști cu apa dublu marcată.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: comparație revizuită de specialiști a modelelor AI cu dieteticieni autorizați.
• 21 CFR 101.9(g), regula FDA de toleranță pentru etichetarea nutrițională (eCFR): toleranța legală americană pentru etichetele nutriționale tipărite; pentru piața din România și UE se aplică Regulamentul (UE) nr. 1169/2011 privind informarea consumatorilor cu privire la produsele alimentare.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: rata erorilor de captare într-un studiu de notare din poză bazat pe marcaje.
• Politica editorială Avocalo: cum surprinde și verifică Avocalo cifrele.

Publicat de Petros IT Solutions SRL. Ai găsit o eroare? Scrie la [email protected].