Vi bygger en kalorietæller med foto, så du forventer nok, vi siger, det er magi. Det er det ikke. Her er den ærlige version — tallene de fleste apps i denne kategori diskret udelader fra deres markedsføring.
Spørgsmålet alle stiller, før de stoler på en foto-app
Du peger kameraet mod en tallerken pasta, appen siger "620 kcal", og din første tanke er: siger hvem? Fair nok. Hvis tallet kan være halveret forkert, giver hele vanen ingen mening. Så er AI-kalorietællere egentlig præcise? Lad os skille det, foto-AI er genuint god til, fra det, den stadig gætter på.
Det, der er løst: at genkende maden på tallerkenen
At genkende hvad du spiser er stort set et løst problem. Moderne vision-modeller genkender almindelige retter korrekt omkring 85-95% af tiden. Grillet kylling, en burrito bowl, røræg — modellen kender dem. Uafhængige anmeldelser af Lose It!'s "Snap It"-funktion har sat madgenkendelsen til omkring 70%, og anmeldelser af Cal AI viser, at den rammer inden for cirka 10% på simple, fuldt synlige måltider. Genkendelsesfejl er nu undtagelsen, ikke reglen.
Det, der ikke er: portioner, skjulte olier og blandede retter
Portionsstørrelse er der, hvor den egentlige fejl bor. Et foto er et fladt 2D-billede af en 3D-tallerken — modellen kan ikke veje din ris. Portionsestimater fra billeder afviger typisk med ±15-30%, og studier, der sammenligner billedbaserede metoder med guldstandard-målinger, finder, at de i gennemsnit undervurderer indtaget med omkring 20%.
Tre ting gør det værre:
- Skjulte kalorier. Spiseskeen olivenolie i panden, smørret i saucen. Usynlig på billedet, meget synlig på vægten. Anmeldere, der tester Cal AI, rapporterer konsekvent om oversete olier og skjulte ingredienser.
- Blandede og indpakkede retter. Gryderetter, gratiner, burritos — alt, der er lagdelt. De samme Cal AI-anmeldelser rapporterede fejl på 25% eller mere ved blandede eller indpakkede retter — mod ~10% på simple retter.
- Dybdeusikkerhed. En lav, bred skål og en smal, dyb skål kan fotografere næsten identisk, mens de rummer meget forskellige mængder.
Så det ærlige fejlbudget ser sådan ud: genkendelse bidrager lidt, portioner bidrager meget.
Køkken-skævheden, ingen nævner
Det meste træningsdata til mad-AI er stærkt vestligt orienteret. En cheeseburger får et mere præcist estimat end en tallerken menemen, plov eller en hjemmelavet dansk gryderet — ikke fordi de retter er sværere, men fordi modellen har set færre eksempler af dem. Hvis du spiser uden for den vestlige kanon (mange af vores brugere gør — Kalo findes på engelsk, tyrkisk og russisk), så forvent bredere fejlmarginer, og ret oftere. Vi er ikke immune over for det her — det er ingen endnu.
Hvorfor ±20% stadig er godt nok — hvis du retter hurtigt og logger dagligt
Her er den del, der lyder som en undskyldning, men er understøttet af forskning: konsistens slår præcision. Studiet "Log Often, Lose More" (Obesity, 2019) fandt, at loghyppighed — ikke nøjagtighed — var den signifikante forudsigelse for vægttab, og at tiden brugt på logning faldt fra ~23 minutter om dagen til ~15, efterhånden som folk blev mere rutinerede. Andet arbejde viser, at den bedste indikator for overholdelse simpelthen er antallet af dage, du logger mindst to måltider.
Et ±20%-estimat, du rent faktisk noterer hver dag, slår en gram-perfekt indtastning, du opgiver efter to uger. Og fejl ophæver hinanden delvist: overvurder frokosten, undervurder aftensmaden, og din ugentlige trend — det tal, der faktisk betyder noget — forbliver nyttig.
To ærlige forbehold. Hvis du har brug for klinisk præcision (medicinske tilstande, fysik-konkurrence), er en køkkenvægt plus en stor, verificeret database som MyFitnessPals stadig det bedre værktøj — det er en reel styrke ved dem, sammen med restaurantdækning, selvom det nu koster $79,99/år for Premium, og deres crowdsourcede database har sine egne problemer med duplikerede indtastninger. Og hvis du vil have det billigste kendte premium-navn, er Lose It! til $39,99/år svært at slå, selvom dens portionsestimering tester inkonsekvent.
Sådan håndterer Kalo usikkerhed: se det, ret det på to tryk
Da portionsfejl er uundgåelig, bliver designspørgsmålet: hvad gør appen ved det?
Kalo viser dig sin tillid i stedet for at foregive sikkerhed — et usikkert estimat ser usikkert ud. Og at rette det er en to-tryks handling direkte på resultatkortet, ikke en gravning gennem fem skærme i en redigeringsmenu. Tag billedet, kig, juster portionen, færdig. Jo hurtigere rettelsen er, jo oftere sker den rent faktisk, og jo skarpere bliver din reelle nøjagtighed.
Den anden halvdel er, hvorfor vi byggede Kalo omkring venner. Du kan tilføje op til 5 venner, se alles dag side om side, reagere og skubbe til hinanden, bygge stimer sammen — for forskningen siger, at en partner, der ændrer sig sammen med dig, er den stærkeste løftestang, der findes (i et JAMA Internal Medicine-studie med ~3.700 par sprang rygeres chancer for at kvitte fra omkring 8% til næsten 50%, når deres partner kvittede samtidig — og det samme mønster gjaldt for motion og vægttab). Nøjagtighed holder et tal ærligt; selskab holder vanen i live. Én ven kan markeres som din partner og deler dit Premium-abonnement.
Hvis du vil have en tracker, der er ærlig om sine fejlmarginer og nem at rette — og sjovere med dine folk i den — er Kalo på iOS og Android.