Yapay zeka kalori sayma uygulamaları doğru mu?

Yapay zeka kalori sayma uygulamaları doğru mu?

Yapay zeka kalori sayma uygulamaları doğru mu? Kesin olarak değil: tahmin yürütürler ve yayımlanmış çalışmalar bu tahminin ya yakın ya da yüzlerce kalori yanlış çıkabildiğini gösteriyor. Hatanın yönü rastgele değil. Uygulamalar toplam kaloriyi çoğunlukla düşük, yağı ise yüksek tahmin ediyor, çünkü bir fotoğraf yoğunluğu, ağırlığı ve gizli yağı göstermez. Farkın büyük kısmını uygulamanın kalitesinden çok bu mekanizma açıklıyor.

Fotoğraf neden kaloriyi doğrudan gösteremez?

Fotoğraf, tabaktan yansıyan ışığın düz bir görüntüsüdür. Şekli, rengi ve yaklaşık boyutu gösterir. Yoğunluğu, ağırlığı ve bir sosun içine karışanı göstermez.

İki kase pilav, biri daha sıkı basıldıysa, birbirine benzeyip farklı tartılabilir. Yağdan parlayan bir sebze sote ile az yağlı pişmiş olanı fotoğrafta neredeyse aynı görünür. Örnek bir rakam olarak, iki yemek kaşığı yağ yaklaşık 240 kalori ekler ve bunun hiçbiri fotoğrafta görünmez.

Bu yüzden yalnızca daha iyi fotoğraf çekmek sorunu çözmez. Kamera ışığın ne yaptığını yakalar, terazinin ne diyeceğini değil. Tek bir görüntüden yapılan her tahmin, görüntünün gösteremediği kısımları tahmin etmek zorundadır.

Uygulama fotoğraftan kaloriyi nasıl tahmin eder?

Yapay zeka görüntü modeli fotoğrafa bakar ve hangi yiyeceklerin olduğunu belirler. Sonra tabak boyutu, yiyeceğin yüksekliği ve tipik porsiyon şekilleriyle kıyaslama gibi görsel ipuçlarından porsiyon miktarını tahmin eder.

Model, belirlenen yiyeceklerden ve tahmini porsiyonlardan kalori ve makro değerlerini doğrudan üretir. Bu, barkod okutmaktan ya da veri tabanında arama yapmaktan farklıdır. Bu aşamada ölçülmüş değerler tablosunda bir arama yapılmaz.

Ardından kişi modelin ürettiği sonucu gözden geçirir. Kaydetmeden önce yiyeceği, porsiyonu veya sayıları düzenleyebilir. Fotoğraf tahmininin yalnızca bir tahmin olmaktan çıkıp kayda dönüştüğü yer bu inceleme adımıdır.

Belirle, tahmin et, gözden geçir: bu sıra, tahminin nerede yanlış gidebileceğini ve kişinin kendi düzeltmesinin nerede devreye girebileceğini anlamanın ilk adımıdır.

Yağ neden kalori ve karbonhidrattan daha kötü tahmin ediliyor, toplam ne kadar sapıyor?

Nutrients dergisindeki 2026 tarihli bir çalışma, yapay zeka modellerini standart hastane yemek fotoğrafları üzerinden diyetisyenlerle karşılaştırdı. En güçlü modellerin, ChatGPT-4o ve Gemini 1.5 Pro, enerji ve karbonhidrat tahminleri diyetisyenlerin değerleriyle 0,8 üzerinde korelasyon gösterdi ve çoğu zaman yaklaşık %10 içinde kaldı (Nutrients, DOI 10.3390/nu18060966). Çalışmadaki her model yağı ortalama %20'nin üzerinde fazla tahmin etti. Protein tahmini de enerjiden daha zayıftı.

Nedeni kameranın görebildiğiyle ilgili. Pilav gibi karbonhidratı yüksek yiyeceklerde hacim ile kalori arasındaki ilişki oldukça öngörülebilir. Yağ ise çoğu zaman görünmez: sosun içine karışır ya da diğer malzemelerin altında birikir. Yağı yalnızca görünüşten tahmin eden model fazla düzeltmeye eğilimlidir.

Sadece yağı değil, toplam kalori farkını da sayılarla gösteren iki çalışma daha var. NUTRITION 2026'da sunulan bir ön bulgu, MyFitnessPal, LoseIt!, CalAI ve Appediet olmak üzere dört ticari uygulamayı sınadı. Önce malzemeleri 0,1 grama kadar ölçülmüş 102 metabolik mutfak öğünü, ardından sonradan incelenen 200'den fazla ek öğün kullanıldı. Uygulamalar öğün başına kaloriyi yaklaşık 250 ila 345 kcal, yağı ise yaklaşık 30 g düşük tahmin etti (EurekAlert, NIH/NIDDK). Bu sonuç ön bulgudur ve henüz hakem değerlendirmesinden geçmemiştir.

npj Digital Medicine'de yayımlanan hakemli bir çalışma, SNAQ adlı yapay zeka uygulamasını, obezitesi olan kadınlarda enerji alımının altın standardı olan çift etiketli suyla karşılaştırdı. Uygulama günlük alımı ortalama 817 kcal, yani %25 düşük tahmin etti. Ölçülen ortalama günde 3.004 kcal idi. Tekrarlı ölçümler arasındaki uyum neredeyse sıfırdı, ICC 0,00 (PMC, npj Digital Medicine).

Örüntü şu: kontrollü, tek tabaklı fotoğraflar en yakın tahmini veriyor. Serbest yaşamdaki, çok kalemli öğünlerde fark en büyük.

Basılı besin etiketi gerçekten daha doğru mu?

Fotoğraf tahminine kıyasla basılı etiket sağlam bir zemin gibi görünür, ancak arkasındaki kural belirli bir yönde işler.

Türkiye'de etiketteki beyanları Türk Gıda Kodeksi Gıda Etiketleme ve Tüketicileri Bilgilendirme Yönetmeliği düzenler. Karşılaştırma için ABD'deki kurala bakalım: FDA'nın 21 CFR 101.9(g) maddesine göre kalori, toplam yağ, doymuş yağ, trans yağ, kolesterol ve sodyum Sınıf I besin ögeleridir. Bunlar etikette beyan edilen değerin %120'sini aşamaz. Düşük beyan edilmelerine karşı ise bir alt sınır yoktur.

Yani ABD'de bir etiketteki kalori, gerçek laboratuvar değerinden yasal olarak %20'ye kadar yüksek çıkabilir ve kural daha düşük çıkmasını engellemez. Protein, vitaminler, mineraller ve diyet lifi ise Sınıf II besin ögeleridir: beyan edilen değerin en az %80'i olmalıdır, üst sınır yoktur.

Bu, etiketlerin güvenilmez olduğu anlamına gelmez. Bağlam şu: laboratuvarda sınanmış, düzenlenmiş bir kalori rakamı bile kesinlik garantisi değil, yerleşik bir tavan taşır. Fotoğraf tahmini de basılı etiket de yaklaşık değerdir, yalnızca hata kaynakları farklıdır. Etiketteki değerleri yediğiniz miktara çevirmek için besin etiketi hesaplayıcıyı kullanabilirsiniz.

Yapay zekayla kalori sayımı elle kayıttan daha mı doğru?

İki yöntem de hatasız değil. Elle kayıtta, yani veri tabanında yiyecek arayıp porsiyon girerken, doğru girdiyi seçmek ve kendi porsiyonunuzu doğru tahmin etmek size kalır.

Fotoğrafla kayıt bu işi modele devreder. Model de aynı temel sorunla karşılaşır: yiyeceği tartamaz ve yemeğin içini göremez.

goFOOD Lite adlı işaretleyici tabanlı bir araştırma uygulamasının çalışmasında, 468 fotoğraf kaydından 60'ı, yani %12,8'i çekim hataları yüzünden atıldı. Nedenler arasında referans işaretinin eksikliği ya da tabağın tam görünmemesi vardı (JMIR mHealth and uHealth, DOI 10.2196/24467). Bu, çekim hatalarını azaltmak için özel olarak tasarlanmış bir sistemde bile yapay zeka modelinden ayrı bir hata kaynağıdır.

Hiçbir yöntem tahmini ortadan kaldırmaz. Fark, tahminin nerede yapıldığıdır: kişinin porsiyon kararında mı, modelin görüntüyü okumasında mı.

Fotoğraf tahmini ne için kullanılmalı ve sonucu sessizce ne bozar?

Fotoğraf tahminini nihai sayı değil, hızlı bir ilk geçiş olarak görün. Tek ve sade bir tabakta tahminler, Nutrients hastane çalışmasına göre eğitimli bir gözlemcinin yargısına daha yakın çıkıyor. Soslu ya da yağlı, karışık ev yemeğinde fark, NIH/NIDDK ve npj Digital Medicine bulgularına göre genellikle açılıyor.

Sonucu sessizce bozan birkaç şey var:

• Gizli yağ ya da sos, yağ değerini en çok şaşırtır. Yağ, görüntüde çoğu zaman görünmediği için yapay zeka modellerinin en geniş farkla fazla tahmin ettiği makrodur.
• Kalabalık ya da çok kaplı tabak porsiyon tahminini karıştırır. Serbest yaşamdaki karışık öğün çalışmaları, tek ve standart tabak kullanan çalışmalardan daha büyük hata buldu.
• Boyut referansının olmaması porsiyonu tahmin etmeyi zorlaştırır. goFOOD Lite çalışmasında çekim hataları fotoğraf kayıtlarının onda birinden fazlasının tamamen başarısız olmasına yol açtı.
• İnceleme adımını atlamak modelin ilk tahminini kalıcı yapar. Kaydetmeden önce yiyeceği ya da porsiyonu düzenlemek, görüntünün tek başına gösteremediğini düzeltebileceğiniz yerdir.
• Yapay zeka tahminini basılı etiketle kıyaslamak etiketin kendi tavanını göz ardı eder. ABD'de laboratuvarda sınanmış bir etiket, kalori ve yağ gibi Sınıf I besin ögelerinde gerçek değerin yasal olarak %20'ye kadar üstünde çıkabilir.

Ev yemeğinde daha sıkı bir sayı isteyen biri yemeği malzeme malzeme kurabilir, bunun için evde yapılan yemeğin kalorisini malzeme malzeme hesaplama rehberine bakın. Toplamı öğrendikten sonra ücretsiz tarif kalori hesaplayıcı onu porsiyonlara böler, ortak bir yemek için fotoğraf tahminine gerek kalmaz.

Avocalo ile takipte fotoğraf tahmini nereye oturur?

Avocalo'nun fotoğrafla kaydı, bu yazıda anlatıldığı gibi çalışır. Bir öğünün fotoğrafını çekersiniz ya da galerinizden seçersiniz, yapay zeka görüntü modeli yiyecekleri belirler ve görüntüden porsiyonu, kaloriyi, proteini, karbonhidratı ve yağı tahmin eder.

Bu tahmin bir besin veri tabanıyla eşleştirilmez. Uygulama yiyeceği tartmaz, gizli yağı, sosu ya da tam porsiyon boyutunu göremez. Sonucu kaydetmeden önce gözden geçirir ve düzenlersiniz.

Doğrudan aramayı tercih ettiğiniz yiyecekler için Avocalo elle kayıt da sunar: Open Food Facts, USDA FoodData Central ve ulusal gıda kompozisyon tablolarından oluşan bir veri tabanında arama yapar, son ve sık kullandığınız öğeleri yeniden kullanırsınız. İki yöntem birlikte, tek başına olduklarından günlük yemeğin daha büyük kısmını kapsar. Uygulamayı App Store veya Google Play'de bulmak için Avocalo'yu indirin.

Sık sorulan sorular

Yapay zeka kalori uygulaması zamanla daha doğru hale gelir mi?

Bu çalışmalar böyle bir gelişmeyi göstermedi. Atıf yapılan araştırmalar uygulama performansını tek bir zamanda ölçtü, tekrarlı kullanımla öğrenmeyi değil. Uzun kullanımla doğruluğun arttığını ölçen bir veri yok. Uygulamanın kişinin alışkanlıklarını zamanla öğrendiği iddiasını doğrulamak için ayrı bir çalışma gerekir.

Yemeği pişirmeden önce ve sonra fotoğraflamak işe yarar mı?

Bu uygulamayı sınayan bir çalışma olmadığı için kaynaklı bir cevap yok. Araştırmaların gösterdiği şu: hatanın büyük kısmını zamanlama değil, porsiyonun ve malzemelerin görünürlüğü belirliyor. Tabağın tamamının göründüğü net bir fotoğraf, goFOOD Lite çalışmasının saptadığı çekim hatası sorununu giderir.

Aynı fotoğraf için iki uygulama neden farklı kalori verir?

Farklı uygulamalar farklı yapay zeka modelleri kullanır ve Nutrients çalışması aynı standart fotoğraflarda modeller arasında gerçek farklar buldu. ChatGPT-4o ve Gemini 1.5 Pro diyetisyen değerleriyle 0,8 üzerinde korelasyon gösterdi, ancak birebir aynı değildi. Tüm modeller yağı farklı oranlarda fazla tahmin etti.

Veri tabanıyla elle kayıt her zaman fotoğraf tahmininden daha doğru mu?

Her zaman değil. Elle kayıt yapay zekanın tahminini ortadan kaldırır, ama doğru veri tabanı girdisini seçmeye ve porsiyonu kendinizin tahmin etmesine bağlıdır. İki yöntemde de hata var. npj Digital Medicine çalışması, amaca özel bir yapay zeka uygulamasının bile serbest yaşamda geniş uyum sınırları gösterdiğini buldu.

Kaynaklar

• NIH News Release, NUTRITION 2026 (EurekAlert): tartılmış metabolik mutfak öğünleriyle sınanan dört ticari uygulamaya dair ön bulgu.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: çift etiketli suyla hakemli karşılaştırma.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: yapay zeka modellerinin diyetisyenlerle hakemli karşılaştırması.
• 21 CFR 101.9(g), FDA nutrition labeling tolerance rule (eCFR): basılı besin etiketleri için yasal tolerans. Türkiye'deki karşılığı: Türk Gıda Kodeksi Gıda Etiketleme ve Tüketicileri Bilgilendirme Yönetmeliği.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: işaretleyici tabanlı fotoğraf kaydı çalışmasında çekim hatası oranı.
• Avocalo editoryal politikası: Avocalo rakamlarını nasıl kaynaklandırır ve denetler.

Yayımlayan: Petros IT Solutions SRL. Bir hata mı fark ettiniz? [email protected] adresine yazın.