Φτιάχνουμε έναν μετρητή θερμίδων από φωτογραφία, οπότε θα περίμενες να σου πούμε ότι είναι μαγικό. Δεν είναι. Ορίστε η ειλικρινής εκδοχή — οι αριθμοί που οι περισσότερες εφαρμογές αυτής της κατηγορίας αποσιωπούν στο μάρκετίνγκ τους.
Η ερώτηση που κάνει ο καθένας πριν εμπιστευτεί μια εφαρμογή φωτογραφίας
Δείχνεις την κάμερα σε ένα πιάτο ζυμαρικά, η εφαρμογή λέει «620 kcal», και η πρώτη σου σκέψη είναι: ποιος το λέει; Δίκιο έχεις. Αν ο αριθμός μπορεί να έχει απόκλιση κατά το μισό, όλη η συνήθεια χάνει το νόημά της. Άρα, είναι πραγματικά ακριβείς οι μετρητές θερμίδων με τεχνητή νοημοσύνη; Ας ξεχωρίσουμε σε τι είναι πραγματικά καλή η φωτογραφική AI από το πού ακόμα μαντεύει.
Τι έχει λυθεί: η αναγνώριση του φαγητού στο πιάτο
Η αναγνώριση του τι τρως είναι σε μεγάλο βαθμό λυμένο πρόβλημα. Τα σύγχρονα μοντέλα όρασης αναγνωρίζουν σωστά συνηθισμένα πιάτα σε ποσοστό 85-95%. Κοτόπουλο στη σχάρα, burrito bowl, αυγά ομελέτα — το μοντέλο τα ξέρει. Ανεξάρτητες αξιολογήσεις της λειτουργίας «Snap It» του Lose It! τοποθέτησαν την αναγνώριση φαγητού γύρω στο 70%, ενώ αξιολογήσεις του Cal AI δείχνουν ότι κινείται εντός περίπου 10% σε απλά, πλήρως ορατά γεύματα. Οι αποτυχίες αναγνώρισης είναι πλέον η εξαίρεση, όχι ο κανόνας.
Τι δεν έχει λυθεί: οι μερίδες, τα κρυφά λάδια και τα μεικτά πιάτα
Το μέγεθος της μερίδας είναι εκεί όπου βρίσκεται το πραγματικό σφάλμα. Μια φωτογραφία είναι μια επίπεδη 2D εικόνα ενός 3D πιάτου — το μοντέλο δεν μπορεί να ζυγίσει το ρύζι σου. Οι εκτιμήσεις μερίδας από εικόνες συνήθως κινούνται στο ±15-30%, και μελέτες που συγκρίνουν μεθόδους με βάση εικόνες με μετρήσεις αναφοράς δείχνουν ότι κατά μέσο όρο υποεκτιμούν την πρόσληψη κατά περίπου 20%.
Τρία πράγματα το κάνουν χειρότερο:
- Κρυφές θερμίδες. Το κουταλάκι ελαιόλαδο στο τηγάνι, το βούτυρο στη σάλτσα. Αόρατα στη φωτογραφία, πολύ ορατά στη ζυγαριά. Οι κριτικοί που δοκιμάζουν το Cal AI αναφέρουν σταθερά παραλειφθέντα λάδια και κρυμμένα υλικά.
- Μεικτά και τυλιγμένα πιάτα. Στιφάδα, γιουβέτσι, μπουρίτο, οτιδήποτε έχει στρώσεις. Οι ίδιες αξιολογήσεις του Cal AI ανέφεραν σφάλματα 25% ή περισσότερο σε μεικτά ή τυλιγμένα πιάτα — έναντι ~10% στα απλά.
- Αμφισημία βάθους. Ένα ρηχό φαρδύ μπολ και ένα στενό βαθύ μπορούν να φωτογραφηθούν σχεδόν πανομοιότυπα, ενώ περιέχουν πολύ διαφορετικές ποσότητες.
Άρα, ο ειλικρινής προϋπολογισμός σφάλματος έχει ως εξής: η αναγνώριση συνεισφέρει λίγο, οι μερίδες συνεισφέρουν πολύ.
Η προκατάληψη κουζίνας που κανείς δεν αναφέρει
Τα περισσότερα δεδομένα εκπαίδευσης για την AI φαγητού είναι έντονα προσανατολισμένα προς τη Δύση. Ένα cheeseburger παίρνει πιο ακριβή εκτίμηση από ένα πιάτο μενεμέν, πλοφ ή ένα σπιτικό ελληνικό γιαχνί — όχι επειδή αυτά τα φαγητά είναι δυσκολότερα, αλλά επειδή το μοντέλο έχει δει λιγότερα παραδείγματά τους. Αν τρως εκτός του δυτικού κανόνα (πολλοί από τους χρήστες μας το κάνουν — το Kalo λειτουργεί στα αγγλικά, τουρκικά και ρωσικά), περίμενε ευρύτερα περιθώρια σφάλματος και διόρθωνε πιο συχνά. Ούτε εμείς είμαστε άτρωτοι σε αυτό — κανείς δεν είναι ακόμα.
Γιατί το ±20% εξακολουθεί να είναι αρκετά καλό — αν διορθώνεις γρήγορα και καταγράφεις καθημερινά
Ορίστε το κομμάτι που ακούγεται σαν δικαιολογία αλλά υποστηρίζεται από έρευνα: η συνέπεια νικά την ακρίβεια. Η μελέτη «Log Often, Lose More» (Obesity, 2019) διαπίστωσε ότι η συχνότητα καταγραφής — όχι η ακρίβεια — ήταν ο σημαντικός προγνωστικός παράγοντας απώλειας βάρους, και ότι ο χρόνος καταγραφής μειώθηκε από ~23 λεπτά την ημέρα σε ~15 καθώς οι άνθρωποι έγιναν πιο έμπειροι. Άλλες έρευνες δείχνουν ότι ο καλύτερος δείκτης τήρησης είναι απλώς ο αριθμός των ημερών που καταγράφεις τουλάχιστον δύο γεύματα.
Μια εκτίμηση ±20% που πραγματικά καταγράφεις κάθε μέρα νικά μια τέλεια στο γραμμάριο καταχώρηση που εγκαταλείπεις μετά από δύο εβδομάδες. Και τα σφάλματα ακυρώνονται εν μέρει: υπερεκτιμάς το μεσημεριανό, υποεκτιμάς το βραδινό, και η εβδομαδιαία τάση σου — ο αριθμός που πραγματικά μετράει — παραμένει χρήσιμη.
Δύο ειλικρινείς επιφυλάξεις. Αν χρειάζεσαι κλινική ακρίβεια (ιατρικές παθήσεις, αγώνες σωματικής διάπλασης), μια ζυγαριά κουζίνας συν μια μεγάλη επαληθευμένη βάση δεδομένων όπως αυτή του MyFitnessPal παραμένει το καλύτερο εργαλείο — αυτό είναι πραγματικό πλεονέκτημά τους, μαζί με την κάλυψη εστιατορίων, αν και τώρα κοστίζει $79,99/έτος για το Premium και η βάση δεδομένων που τροφοδοτείται από τους χρήστες έχει τα δικά της προβλήματα διπλών καταχωρήσεων. Και αν θέλεις το φθηνότερο premium από γνωστό όνομα, το Lose It! στα $39,99/έτος είναι δύσκολο να ξεπεραστεί, ακόμα κι αν οι δοκιμές εκτίμησης μερίδας του δεν είναι συνεπείς.
Πώς χειρίζεται το Kalo την αβεβαιότητα: το βλέπεις, το διορθώνεις σε δύο πατήματα
Εφόσον το σφάλμα μερίδας είναι αναπόφευκτο, το ερώτημα σχεδιασμού γίνεται: τι κάνει η εφαρμογή γι' αυτό;
Το Kalo σου δείχνει το επίπεδο εμπιστοσύνης του αντί να προσποιείται βεβαιότητα — μια αβέβαιη εκτίμηση φαίνεται αβέβαιη. Και η διόρθωσή της είναι μια ενέργεια δύο πατημάτων απευθείας στην κάρτα αποτελέσματος, όχι ένα ψάξιμο πέντε οθονών σε ένα μενού επεξεργασίας. Φωτογραφίζεις, ρίχνεις μια ματιά, προσαρμόζεις τη μερίδα, τέλος. Όσο πιο γρήγορη είναι η διόρθωση, τόσο πιο συχνά γίνεται στην πραγματικότητα, και τόσο πιο ακριβής γίνεται η πραγματική σου ακρίβεια.
Το άλλο μισό είναι γιατί χτίσαμε το Kalo γύρω από τους φίλους. Μπορείς να προσθέσεις έως 5 φίλους, να βλέπεις τη μέρα του καθενός δίπλα-δίπλα, να αντιδράς και να παρακινείς, να χτίζεις σερί μαζί — γιατί η έρευνα λέει ότι ένας σύντροφος που αλλάζει μαζί σου είναι ο ισχυρότερος μοχλός που υπάρχει (σε μια μελέτη του JAMA Internal Medicine με ~3.700 ζευγάρια, οι πιθανότητες των καπνιστών να το κόψουν εκτινάχθηκαν από περίπου 8% σε σχεδόν 50% όταν ο σύντροφός τους το έκοψε ταυτόχρονα — και το ίδιο μοτίβο ίσχυσε για την άσκηση και την απώλεια βάρους). Η ακρίβεια κρατά έναν αριθμό ειλικρινή· η παρέα κρατά τη συνήθεια ζωντανή. Έναν φίλο μπορείς να τον ορίσεις ως σύντροφό σου και μοιράζεται το Premium σου.
Αν θέλεις έναν tracker που είναι ειλικρινής για τα περιθώρια σφάλματός του και εύκολο να διορθωθεί — και πιο διασκεδαστικό με τους δικούς σου ανθρώπους μέσα — το Kalo είναι διαθέσιμο σε iOS και Android.