AI ile çalışan kalori sayma uygulamaları kullandım ve beklediğimden bile daha kötüydü.

---

Söz baştan çıkarıcı: yemeğinizin bir fotoğrafını çekin ve yapay zeka tam olarak kaç kalori tükettiğinizi anında söyleyecektir. Artık sıkıcı manuel günlüğü yok, porsiyon boyutlarında tahmin yok, daha fazla insan hatası yok. Cal Ai gibi uygulamalar, kaybet! Ve MyFitnessPal'ın yeni fotoğraf özellikleri, akıllı telefonunuzun kamerasının ağır kaldırma yapmasına izin vererek kalori izlemede devrim yarattığını iddia ediyor.

Ancak kalori sayımı ile uzun, karmaşık bir geçmişi olan biri olarak – ve kuşkusuz, biraz lanetli bir uzmanlık olarak – bir fotoğrafla kalori saymanın tam olarak göründüğü kadar aptal olduğunu söyleyebilirim.

Yapay zeka ile çalışan kalori sayımının nasıl çalışması gerekiyor

Kalori sayma uygulamaları, geliştiricilerin kalori izlemesi ile ilgili en büyük sorun olduğunu iddia etmeyi vaat ediyor: insan hatası. Saha zorlayıcıdır – telefonunuzun plakanızı anında analiz edebildiği zaman veritabanlarını aramak ve bölümleri ölçmek için zaman harcar?

Cal AI veya Snapcalorie AI gibi uygulamalar, ne yediğiniz ve ne kadar olduğu hakkında eğitimli tahminler yapmak için renk, doku ve göreceli boyut gibi görsel ipuçlarını kullanır.

Yapay zeka yöntemlerinin kalori tahmininde sinir bozucu insan doğruluğu problemini çözebileceğini iddia ediyorlar – ki bu adil olmak gerekirse yanlış olmak kolaydır. Cal AI, kendisini bu alandaki daha sofistike seçeneklerden biri olarak pazarlıyor, bu yüzden kendim görmeye karar verdim. Uygulama ilk üç gün, sonra 29,99 $/yıl için ücretsiz.

Kurulum işlemi basittir: Uygulamayı indirin, bir hesap oluşturun, temel demografik bilgileri girin ve hedeflerinizi ayarlayın. İşte ilk kırmızı bayrağımla karşılaştım. Uygulama neşeyle bana “10 lbs kaybetmenin gerçekçi bir hedef olduğunu” bildirdi – 10 kilo kaybetmenin beni aslında düşük BMI bölgesine iteceği durumunda. Bu tür bir battaniye ifadesi, bireysel sağlık ihtiyaçları hakkında nüans eksikliği olduğunu ortaya koymaktadır.

Cal Ai'nin fotoğraf günlüğü işlemi şu adımları izler:

1. İdeal olarak düz bir arka plana karşı, yemeğinizin net bir fotoğrafını çekin.

2. Tüm malzemelerin görünür ve iyi aydınlatılmış olduğundan emin olun.

3. Ölçek için bir referans nesne (madeni para veya eliniz gibi) ekleyin.

4. Görüntüyü yükleyin ve AI analizini bekleyin.

5. Uygulamanın kimliklerini ve porsiyon tahminlerini gözden geçirin ve düzeltin.

6. Girişi günlük günlüğünüze kaydedin.

Uygulama daha iyi sonuçlar elde etmek için ayrıntılı ipuçları sağlar: doğal aydınlatma kullanın, gölgelerden kaçının, kamerayı plakaya paralel tutun ve hiçbir malzemenin gizli olmadığından emin olun. Bu yönergeler teoride makul görünüyor, ancak bu uygulamaların karşılaştığı temel zorluğa-gerçek dünya yemeğinin karmaşıklığı.

Gerçek çılgınca hayal kırıklığı yaratıyor

Testime basit bir şeyle başladım: 222 gram ağırlığındaki pembe bir bayan elma. Elbette bu AI için kolay bir kazanç olacaktır – APPLES, anında tanınabilmesi gereken ayırt edici bir şekil ve renge sahip, dünyadaki en çok fotoğraflanan yiyecekler arasında.

Cal ai elmaımı güvenle Tikka Masala olarak tanımladı.

Başka bir şans verdim, bu sefer elmayı barkodunun yanında fotoğraflamak ve tam ağırlığını gösteren bir mutfak ölçeğinde oturmak. Uygulama bu sefer bir elma olarak tanıdı, ancak gerçek sayı 120'ye daha yakın olması gerektiğinde 80 kaloride tahmin etti. Bu% 33'lük bir az tahmin – alımını doğru bir şekilde izlemeye çalışıyorsanız tam olarak istediğiniz hassasiyet değil.

Gerçek test daha karmaşık bir yemekle geldi: kızarmış tofu, soğan, salatalık, domates, beyaz peynir ve nohut, hepsi cömertçe petrol bazlı bir ev yapımı salata sosu ile giyinmiş öğle yemeği. Bu, AI'nın manuel günlüğe göre avantajını sergileyen bir tür karışık yemektir – tek tek malzemeleri aramaya veya miktarlarını tahmin etmeniz gerekmez.

Sonuçlar algoritmik aşırı güvende bir masterclass idi. Uygulama, altın-kahverengi kızarmış tofu'yu manuel olarak düzeltmek zorunda olduğum kruton olarak tanımladı. Sebzeleri ve beyaz peygamberleri tanıyarak oldukça iyi bir iş çıkardı, ancak yağ içeriğine tamamen koklandı. Salata pansuman ile gözle görülür bir şekilde parlayan olmasına rağmen, uygulama tüm yemeği 450 kalori olarak tahmin etti.

Bu tahmin gülünç derecede düşüktü. Tek bir nohut kutusu yaklaşık 400 kalori içeriyor ve benim bölümüm kabaca bu miktar artı önemli miktarlarda beyaz peynir ve birkaç yemek kaşığı zeytinyağı bazlı pansuman içeriyordu. Bu yemek için gerçekçi bir kalori sayısı 800 ila 900 kaloriye daha yakın olurdu.

Uygulamanın porsiyon tahmini, içerik tanımlamasından daha da sorunlu oldu. Orijinal salatanın dörtte birinden daha az olan daha küçük bir porsiyon fotoğrafladığımda Cal AI bunu 250 kalori olarak tahmin etti. Uygulamanın kendi mantığına göre, yemeğin% 25'inden azı bir şekilde kalorisinin% 55'inden fazlasını içeriyordu. Matematik sadece işe yaramıyor.

Bu, fotoğraf tabanlı kalori sayımının temel bir sınırlamasını vurgular: Kameralar üç boyutlu nesnelerin iki boyutlu görüntülerini yakalar. Tutarlı referans noktaları veya sofistike derinlik analizi olmadan, fotoğraflardan gelen hacim tahmin etmek büyük ölçüde tahmin. İnsanlar bile bu görevle mücadele ediyorlar, bu yüzden beslenme profesyonelleri genellikle gıdaların doğruluk için tartılmasını öneriyor.

AI kalori sayma manzarasının daha dolu bir resmini almak için, diğer iki popüler uygulamayı da test ettim: Snapcalorie ve Calorie Mama.

Snapcalorie: Daha iyi sayılar, aynı sorunlar

Snapcalorie, Cal Ai'nin sorunlu kilo kaybı mesajlaşmasına kıyasla çok daha makul bir günlük kalori hedefi önererek hemen bazı şüphecilik kazandı. Bununla birlikte, bu doğruluk dik bir fiyata geliyor-sadece bir haftalık ücretsiz denemeden sonra yılda 79,99 dolar, bu da onu test ettiğim en pahalı seçenek haline getiriyor.

Uygulama ilginç bir özellik sunuyor: kameranın göremeyeceği içerikler hakkında ek bağlam sağlamanızı sağlayan bir “not ekle” işlevi. Teorik olarak, bu, fotoğraf tabanlı izlemenin temel sınırlamalarından birini ele almaktadır.

Snapcalorie'yi aynı pembe Lady Apple ile test ettiğimde, 115 kalori tahmin ederek Cal Ai'den çok daha iyi performans gösterdi. Ancak Yunan salata testi tanıdık sorunları ortaya çıkardı. Snapcalorie'nin ilk tahmini saçma bir şekilde düşük 257 kaloriydi. Daha küçük bir kısmı fotoğrafladığımda-Cal Ai'yi zorlayan aynı alt çeyrek hizmeti-Snapcalorie 184 kalori tahmin etti. Matematik hala işe yaramadı; Bu daha küçük kısım,% 70 değil, daha büyük porsiyonun kabaca% 25'i olmalıdır.

Uygulamaya adil bir şans vermeye kararlı olarak, “Tofu, Feta, Nohut ve Zeytinyağı Tam Konteyneri” ni manuel olarak belirlemek için Not özelliğini kullandım. Bu insan müdahalesiyle, Snapcalorie tahminini 761 kaloriye çarptı – yine de düşük tarafta olsa da çok daha makul ve doğru.

Ancak bu bariz soruyu gündeme getiriyor: Doğru sonuçlar elde etmek için ayrıntılı içerik bilgilerini manuel olarak girmem gerekirse, fotoğraf tam olarak ne başarıyor? Esasen fotoğraf çekme hareketlerinden geçerken geleneksel kalori sayma çalışmalarını yapıyorum.

Kalori Anne: AI denemediğinde

Calorie Mama, üç uygulamanın en sinir bozucu ve gülünç deneyimini sağladı. Arayüz ilkel hissediyor ve AI'nın performansı o kadar zayıf ki, uygulama esasen otomatik fotoğraf analizinin öncülünü terk ediyor.

Bir fotoğraf yükledikten sonra, Calorie Mama sadece gıda maddelerini değil, aynı zamanda porsiyon boyutlarını da manuel olarak onaylamanızı gerektirir. Bu, fotoğraf tabanlı günlüğün tüm amacını yener-manuel girişin yine de gerektireceği tüm işi yapıyorsunuz.

Yunan salata fotoğrafımı yüklediğimde, kalori anne bunu sadece “tofu” olarak tanımladı – sebzeleri, beyaz peynir, nohut ve giyinmeyi tamamen görüyor. Uygulama daha sonra benden porsiyon boyutunu manuel olarak ayarlamamı istedi ve karmaşık bir karışık tabak sade tofudan başka bir şey içermiyormuş gibi günlüğe kaydetmeyi tamamladı gibi görünüyordu.

Bu sadece yanlış değildi; işe yaramazdı. En azından Cal Ai ve Snapcalorie, kalori tahminleri kapalı olsa bile birden fazla malzemeyi tanımaya çalıştılar. Calorie Mama, temel zorluktan tamamen vazgeçiyor ve yapay zekayı dikkat çekici bir fotoğraf depolama sisteminden biraz daha fazlasına indirdi.

AI ile çalışan kalori sayımı zamanımı boşa harcadı

Yapay zeka ile çalışan kalori sayımı vaadi verimliliktir-SNAP ve GO, manuel giriş gerekmez. Ama deneyimlerim farklı bir gerçeklik ortaya çıktı. İçerik kimliklerini düzeltmek, porsiyon boyutlarını ayarlamak ve uygulamanın tahminlerini ikinci olarak tahmin etmek için önemli ölçüde zaman harcadım. Birçok durumda, gıda ölçeği ve veritabanı araması ile geleneksel manuel günlüğü kullanarak daha hızlı olurdum.

Bu sinir bozucu bir muamma yaratır: AI'nın sonuçlarını incelemezseniz, çılgınca yanlış veriler elde edersiniz. Ancak her girişi doğrularsanız, teknolojiyi ilk etapta kullanarak haklı olan zaman kazandıran faydayı kaybedersiniz. Her iki dünyanın en kötüsü – manuel izleme çabası otomatik tahminin belirsizliği ile birleşiyor.

Belki de en önemlisi, kullanıcıların yanlış tahminleri tanıyacak geçmişi olmadığında olan şeydir. Yıllarca kalori sayma deneyimim – bu tarih gibi problematik – Cal Ai'nin sayıları kapalıyken tespit edilecek bilgiyi canlandırın. Peki ya teknolojiye güvenen kullanıcılar?

Kalorilerin sistematik olarak hafife alınması, kilo vermeye çalışan insanlar için özellikle zararlı olabilir, çünkü gerçekte olduğundan daha az yediklerine inanmalarına yol açabilir. Tersine, fazla tahmin, yiyecek etrafında gereksiz kısıtlamaya veya kaygıya neden olabilir. Her iki durumda da, yanlış veriler tüm izleme amacını zayıflatır.

AI kalorisi sayma uygulamalarıyla ilgili temel sorun sadece teknik değil, felsefi. Bu araçlar, hassas kalori izlemenin sağlık için hem gerekli hem de faydalı olduğu fikrinden ortaya çıkar ve güçlendirir. Ancak araştırmalar, obsesif kalori sayımının birçok insan için yarardan daha fazla zarar verebileceğini düşündürmektedir.

Dış metriklerden ziyade iç açlık ve tokluk ipuçlarına odaklanan sezgisel yemek, beslenmeye daha sürdürülebilir ve psikolojik olarak sağlıklı bir yaklaşım olarak umut vaat etti. Bu çerçeve, belirli sayısal hedeflere vurmak yerine sizi nasıl hissettirdiğine bağlı olarak gıda ile sağlıklı bir ilişki geliştirmeyi vurgulamaktadır.

Çoğu insan için, dengeli beslenmenin genel prensiplerini anlamak-bol miktarda sebze yiyerek, yeterli protein de dahil olmak üzere rafine olanlara tam tahıl seçmek-titiz kalori izlemeden daha iyi uzun vadeli sonuçlar sağlar.

Sonuçta

Yapay zeka ile çalışan kalori sayma uygulamaları, diyet izlemede insan hatasını çözmeyi vaat ediyor, ancak eski problemlerin çoğunu korurken yeni yanlışlık biçimleri sunuyorlar. Amacınız jenerik gıdalarda kaç kalori olduğuna dair kaba bir tahmin almaksa, bu uygulamalar bir miktar değer sağlayabilir. Ancak, alım izlemelerinde hassasiyet isteyen herkes için, gıda ölçekleriyle birleştirilen geleneksel yöntemler daha güvenilirdir.

Daha da önemlisi, hassas kalori sayımının sağlık hedeflerinize hizmet edip etmediğini sorgularım. Birçok insan için, gıda ile-biri memnuniyet, enerji seviyeleri ve sayısal hedeflerden ziyade genel refah temelli-daha sezgisel bir ilişki geliştirmek, daha iyi fiziksel ve zihinsel sağlığa liderlik eder. Belki bedenlerimizi dinlemenin eski moda yaklaşımı herhangi bir algoritmadan daha iyi çalışır.