Construïm un comptador de calories per foto, així que esperaries que et diguéssim que és màgia. No ho és. Aquí tens la versió honesta — les xifres que la majoria d'apps d'aquesta categoria omet discretament del seu màrqueting.
La pregunta que tothom es fa abans de confiar en una app de fotos
Apuntes la càmera a un plat de pasta, l'app diu "620 kcal", i el teu primer pensament és: qui ho diu? És just. Si el número pot fallar per la meitat, tot el costum perd el sentit. Llavors, són realment exactes els comptadors de calories amb IA? Separem el que la IA de fotos fa genuïnament bé del que encara endevina.
El que està resolt: reconèixer el menjar del plat
Identificar què menges és, en gran part, un problema resolt. Els models de visió moderns reconeixen correctament plats habituals entre el 85 i el 95% de les vegades. Pollastre a la brasa, un burrito bowl, ous remenats — el model els coneix. Ressenyes independents de la funció "Snap It" de Lose It! han situat el reconeixement d'aliments al voltant del 70%, i les ressenyes de Cal AI mostren que s'apropa a un marge del 10% en àpats senzills i completament visibles. Els errors de reconeixement són ara l'excepció, no la norma.
El que no ho està: les racions, els olis amagats i els plats barrejats
La mida de la ració és on viu l'error real. Una foto és una imatge plana en 2D d'un plat en 3D — el model no pot pesar el teu arròs. Les estimacions de ració a partir d'imatges solen variar ±15-30%, i els estudis que comparen mètodes basats en imatges amb mesures de referència troben que, de mitjana, infravaloren la ingesta en un 20% aproximadament.
Tres coses ho empitjoren:
- Calories amagades. La cullerada d'oli d'oliva a la paella, la mantega a la salsa. Invisible a la foto, molt visible a la bàscula. Els revisors que proven Cal AI assenyalen constantment olis passats per alt i ingredients amagats.
- Plats barrejats i embolicats. Guisats, cassoles, burritos, qualsevol cosa amb capes. Les mateixes ressenyes de Cal AI van reportar errors del 25% o més en plats barrejats o embolicats — davant d'un ~10% en els senzills.
- Ambigüitat de la profunditat. Un bol ample i poc fondo i un bol estret i fondo poden fotografiar-se gairebé de manera idèntica mentre contenen quantitats molt diferents.
Així que el pressupost d'error honest queda així: el reconeixement hi contribueix poc, les racions hi contribueixen molt.
El biaix culinari que ningú menciona
La majoria de dades d'entrenament per a la IA alimentària estan fortament orientades cap a Occident. Una hamburguesa amb formatge obté una estimació més ajustada que un plat de menemen, plov o un guisat casolà català — no perquè aquests plats siguin més difícils, sinó perquè el model n'ha vist menys exemples. Si menges fora del cànon occidental (molts dels nostres usuaris ho fan — Kalo funciona en anglès, turc i rus), espera marges d'error més amplis i corregeix amb més freqüència. Nosaltres tampoc som immunes a això — encara ningú ho és.
Per què el ±20% encara és prou bo — si corregeixes ràpid i registres cada dia
Aquí ve la part que sona com una excusa però està recolzada per la recerca: la constància venç la precisió. L'estudi "Log Often, Lose More" (Obesity, 2019) va trobar que la freqüència de registre — no la precisió — era el predictor significatiu de la pèrdua de pes, i que el temps dedicat a registrar va baixar d'uns 23 minuts al dia a uns 15 a mesura que la gent agafava pràctica. Altres estudis mostren que el millor indicador d'adherència és simplement el nombre de dies en què registres almenys dos àpats.
Una estimació del ±20% que realment anotes cada dia venç una entrada perfecta al gram que abandones després de dues setmanes. I els errors es cancel·len parcialment: sobreestimes el dinar, subestimes el sopar, i la teva tendència setmanal — el número que realment importa — segueix sent útil.
Dues advertències honestes. Si necessites precisió clínica (condicions mèdiques, competicions de físic), una bàscula de cuina més una base de dades gran i verificada com la de MyFitnessPal continua sent la millor eina — és un punt fort real d'ells, junt amb la cobertura de restaurants, tot i que ara costa 79,99 $/any per Premium i la seva base de dades col·laborativa té els seus propis problemes d'entrades duplicades. I si vols l'opció premium coneguda més barata, Lose It! a 39,99 $/any és difícil de superar, encara que les seves proves d'estimació de racions siguin inconsistents.
Com gestiona Kalo la incertesa: veu-ho, corregeix-ho en dos tocs
Com que l'error de ració és inevitable, la pregunta de disseny esdevé: què fa l'app al respecte?
Kalo et mostra el seu nivell de confiança en lloc de fingir certesa — una estimació inestable sembla inestable. I corregir-la és un gest de dos tocs directament a la targeta de resultats, no una recerca de cinc pantalles en un menú d'edició. Fes la foto, fes una ullada, ajusta la ració, llest. Com més ràpida sigui la correcció, més sovint passa realment, i més ajustada es torna la teva precisió real.
L'altra meitat és per què vam construir Kalo al voltant dels amics. Pots afegir fins a 5 amics, veure el dia de tothom costat per costat, reaccionar i animar-vos mútuament, construir ratxes junts — perquè la recerca diu que una parella que canvia amb tu és la palanca més forta que existeix (en un estudi de JAMA Internal Medicine amb uns 3.700 parelles, les possibilitats dels fumadors de deixar-ho van saltar d'un 8% aproximadament a gairebé un 50% quan la seva parella ho deixava alhora — i el mateix patró es va mantenir per a l'exercici i la pèrdua de pes). La precisió manté una xifra honesta; la companyia manté viu l'hàbit. Un amic es pot marcar com la teva parella i comparteix el teu Premium.
Si vols una app de seguiment honesta sobre els seus marges d'error i fàcil de corregir — i més divertida amb la teva gent dins — Kalo està disponible per a iOS i Android.