Fotós kalóriaszámlálót építünk, szóval azt várnád, hogy azt mondjuk, ez varázslat. Nem az. Íme az őszinte verzió — azok a számok, amiket a legtöbb app ebben a kategóriában csendben kihagy a marketingjéből.
A kérdés, amit mindenki felteszünk, mielőtt megbízna egy fotós appban
Rááll a kamerával egy tányér tésztára, az app azt mondja: „620 kcal", és az első gondolatod: ki mondta ezt? Jogos. Ha a szám akár feleannyival is téves lehet, az egész szokásnak nincs értelme. Szóval tényleg pontosak az AI kalóriaszámlálók? Válasszuk szét, miben tényleg jó a fotós AI, és mit még mindig csak tippel.
Ami megoldott: az étel felismerése a tányéron
Annak felismerése, hogy mit eszel, nagyrészt megoldott probléma. A modern látásmodellek a hétköznapi ételeket 85-95%-os pontossággal ismerik fel helyesen. Grillcsirke, burrito bowl, rántotta — a modell tudja. A Lose It! „Snap It" funkciójáról szóló független tesztek az ételfelismerést kb. 70%-ra tették, a Cal AI-ról szóló elemzések pedig azt találták, hogy egyszerű, teljesen látható ételeknél kb. 10%-on belül marad. A felismerési hibák ma már a kivételt, nem a szabályt jelentik.
Ami nem: az adagméret, a rejtett olajok és a kevert ételek
Az adagméret az, ahol az igazi hiba rejlik. Egy fotó egy 3D tányér lapos 2D képe — a modell nem tudja lemérni a rizsedet. A képalapú adagbecslések jellemzően ±15-30%-kal térnek el, és az arany standard méréseket a képalapú módszerekkel összehasonlító tanulmányok szerint ezek átlagosan kb. 20%-kal alulbecslik a bevitelt.
Három dolog rontja tovább a helyzetet:
- Rejtett kalóriák. Az evőkanál olívaolaj a serpenyőben, a vaj a szószban. A fotón láthatatlan, a mérlegen nagyon is látható. A Cal AI-t tesztelő értékelők rendszeresen jelzik a kimaradt olajokat és rejtett hozzávalókat.
- Kevert és becsomagolt ételek. Raguk, rakott ételek, burritók, minden, ami réteges. Ugyanezek a Cal AI-tesztek 25%-os vagy nagyobb hibát mértek kevert vagy becsomagolt ételeknél — szemben az egyszerűeknél mért ~10%-kal.
- Mélységi bizonytalanság. Egy lapos, széles tál és egy szűk, mély tál a fotón szinte egyformán nézhet ki, miközben egészen más mennyiséget rejt.
Az őszinte hibaköltségvetés tehát így fest: a felismerés keveset ad hozzá, az adagméret sokat.
A konyhai torzítás, amiről senki nem beszél
Az élelmiszer-felismerő AI-ok betanítási adatai többnyire erősen nyugati túlsúlyúak. Egy sajtburgerre szorosabb becslést kapsz, mint egy tányér menemenre, plovra vagy egy házias magyar gulyásra — nem azért, mert ezek az ételek nehezebbek, hanem mert a modell kevesebbet látott belőlük. Ha a nyugati kánonon kívül étkezel (sok felhasználónk ezt teszi — a Kalo angolul, törökül és oroszul is elérhető), számíts szélesebb hibahatárokra, és javíts gyakrabban. Mi sem vagyunk immunisak erre — egyelőre senki sem az.
Miért elég a ±20% is — ha gyorsan korrigálsz és naponta naplózol
Íme a rész, ami kifogásnak hangzik, de kutatás áll mögötte: a következetesség legyőzi a pontosságot. A „Log Often, Lose More" tanulmány (Obesity, 2019) azt találta, hogy a naplózás gyakorisága — nem a pontossága — volt a fogyás jelentős előrejelzője, és hogy a naplózással töltött idő napi ~23 percről ~15-re csökkent, ahogy az emberek begyakorolták. Más kutatások szerint a legjobb kitartás-mutató egyszerűen az, hány napon naplózol legalább két étkezést.
Egy ±20%-os becslés, amit tényleg felírsz minden nap, felülmúlja azt a grammpontos bejegyzést, amit két hét után feladsz. És a hibák részben kioltják egymást: túlbecsülöd az ebédet, alulbecsülöd a vacsorát, a heti trended — a szám, ami tényleg számít — pedig hasznos marad.
Két őszinte kikötés. Ha klinikai pontosságra van szükséged (egészségügyi állapot, alkati verseny), egy konyhai mérleg plusz egy olyan nagy, ellenőrzött adatbázis, mint a MyFitnessPal-é, még mindig a jobb eszköz — ez tényleg az erősségük, az étteremadatbázisukkal együtt, bár ez ma már 79,99 USD/év a Premiumért, és a közösségi adatbázisuknak megvannak a maga duplikált bejegyzés-problémái. Ha pedig a legolcsóbb ismert nevű prémiumot keresed, a Lose It! 39,99 USD/évért nehezen felülmúlható, még ha az adagbecslési tesztjei nem is konzisztensek.
Hogyan kezeli a Kalo a bizonytalanságot: nézd meg, javítsd két koppintással
Mivel az adaghiba elkerülhetetlen, a tervezési kérdés az, mit csinál ezzel az app.
A Kalo megmutatja a bizonytalanságát, ahelyett hogy biztosnak tettetné magát — egy bizonytalan becslés bizonytalannak is néz ki. A javítás pedig egy két koppintásos művelet közvetlenül az eredménykártyán, nem egy ötlépéses keresgélés egy szerkesztőmenüben. Lefotózod, ránézel, igazítasz az adagon, kész. Minél gyorsabb a javítás, annál gyakrabban történik meg valójában, és annál szorosabb lesz a valós pontosságod.
A másik fele az, hogy miért a barátokra építettük a Kalót. Legfeljebb 5 barátot adhatsz hozzá, egymás mellett láthatjátok a napjaitokat, reagálhattok és noszogathatjátok egymást, közösen építhettek sorozatokat — mert a kutatás szerint az, ha a partnered veled együtt változik, a legerősebb eszköz, ami létezik (egy ~3700 párt vizsgáló JAMA Internal Medicine tanulmányban a dohányosok leszokási esélye kb. 8%-ról közel 50%-ra ugrott, ha a partnerük ugyanakkor szokott le — és ugyanez a minta érvényesült a mozgásnál és a fogyásnál is). A pontosság őszintén tartja a számot; a társaság életben tartja a szokást. Egy barátot beállíthatsz partneredként, és megosztja veled a Premium-előfizetést.
Ha olyan nyomkövetőt szeretnél, amely őszinte a hibahatáraival és könnyen javítható — és szórakoztatóbb, ha a saját embereid is benne vannak —, a Kalo elérhető iOS-re és Androidra.