Vi bygger en kalorieteller med bilde, så du forventer nok at vi sier det er magi. Det er det ikke. Her er den ærlige versjonen — tallene de fleste apper i denne kategorien stille utelater fra markedsføringen sin.
Spørsmålet alle stiller før de stoler på en bilde-app
Du retter kameraet mot en tallerken pasta, appen sier "620 kcal", og den første tanken din er: hvem sier det? Rimelig. Hvis tallet kan bomme med halvparten, mister hele vanen mening. Så, er AI-kalorietellere egentlig nøyaktige? La oss skille det bilde-AI faktisk er god på fra det den fortsatt bare gjetter på.
Det som er løst: å gjenkjenne maten på tallerkenen
Å identifisere hva du spiser er stort sett et løst problem. Moderne synsmodeller gjenkjenner vanlige retter korrekt rundt 85–95% av gangene. Grillet kylling, en burrito bowl, eggerøre — modellen vet det. Uavhengige anmeldelser av Lose It!s «Snap It»-funksjon har satt matgjenkjenningen til rundt 70%, og anmeldelser av Cal AI viser at den treffer innenfor omtrent 10% på enkle, fullt synlige måltider. Gjenkjenningsfeil er nå unntaket, ikke regelen.
Det som ikke er løst: porsjoner, skjulte oljer og blandede retter
Porsjonsstørrelse er der den egentlige feilen ligger. Et bilde er et flatt 2D-bilde av en 3D-tallerken — modellen kan ikke veie risen din. Porsjonsanslag fra bilder avviker vanligvis med ±15–30%, og studier som sammenligner bildebaserte metoder med gullstandard-målinger, finner at de i snitt undervurderer inntaket med rundt 20%.
Tre ting gjør det verre:
- Skjulte kalorier. Spiseskjeen olivenolje i pannen, smøret i sausen. Usynlig på bildet, veldig synlig på vekten. Anmeldere som tester Cal AI rapporterer jevnlig om oversette oljer og skjulte ingredienser.
- Blandede og innpakkede retter. Gryteretter, gratenger, burritos — alt som er lagvis. De samme Cal AI-anmeldelsene rapporterte feil på 25% eller mer på blandede eller innpakkede retter — mot ~10% på enkle retter.
- Dybdetvetydighet. En lav, bred bolle og en smal, dyp bolle kan se nesten identiske ut på bilde, mens de rommer helt ulike mengder.
Så det ærlige feilbudsjettet ser slik ut: gjenkjenning bidrar litt, porsjoner bidrar mye.
Kjøkken-skjevheten ingen nevner
Mesteparten av treningsdataen for mat-AI er sterkt vestlig orientert. En cheeseburger får et strammere anslag enn en tallerken menemen, plov eller en hjemmelaget norsk lapskaus — ikke fordi de rettene er vanskeligere, men fordi modellen har sett færre eksempler av dem. Hvis du spiser utenfor den vestlige kanonen (mange av brukerne våre gjør det — Kalo finnes på engelsk, tyrkisk og russisk), forvent bredere feilmarginer, og korriger oftere. Vi er ikke immune mot dette heller — ingen er det ennå.
Hvorfor ±20% likevel er godt nok — hvis du korrigerer raskt og logger daglig
Her er delen som høres ut som en unnskyldning, men som er støttet av forskning: konsistens slår presisjon. Studien «Log Often, Lose More» (Obesity, 2019) fant at loggingsfrekvens — ikke nøyaktighet — var den signifikante prediktoren for vekttap, og at tiden brukt på logging falt fra ~23 minutter om dagen til ~15 etter hvert som folk ble mer rutinerte. Annen forskning viser at den beste indikatoren for etterlevelse rett og slett er antall dager du logger minst to måltider.
Et ±20%-anslag du faktisk noterer hver dag, slår en gram-perfekt oppføring du gir opp etter to uker. Og feilene kansellerer delvis hverandre: overvurder lunsjen, undervurder middagen, og ukestrenden din — tallet som faktisk teller — forblir nyttig.
To ærlige forbehold. Hvis du trenger klinisk presisjon (medisinske tilstander, fysikkonkurranser), er en kjøkkenvekt pluss en stor, verifisert database som MyFitnessPals fortsatt det bedre verktøyet — det er en reell styrke ved dem, sammen med restaurantdekning, selv om det nå koster $79,99/år for Premium, og deres brukergenererte database har sine egne problemer med dupliserte oppføringer. Og vil du ha det billigste kjente premium-alternativet, er Lose It! til $39,99/år vanskelig å slå, selv om porsjonsanslagene dens tester ujevnt.
Slik håndterer Kalo usikkerhet: se det, rett det på to trykk
Siden porsjonsfeil er uunngåelig, blir designspørsmålet: hva gjør appen med det?
Kalo viser deg sin tillitsgrad i stedet for å late som om den er sikker — et vaklende anslag ser vaklende ut. Og å rette det er en to-trykks handling rett på resultatkortet, ikke en femskjerms graving i en redigeringsmeny. Ta bildet, kikk, juster porsjonen, ferdig. Jo raskere korrigeringen er, jo oftere skjer den faktisk, og jo strammere blir den reelle nøyaktigheten din.
Den andre halvparten er hvorfor vi bygde Kalo rundt venner. Du kan legge til opptil 5 venner, se alles dag side om side, reagere og dytte hverandre, bygge streaker sammen — for forskningen sier at en partner som endrer seg sammen med deg er den sterkeste vektstangen som finnes (i en JAMA Internal Medicine-studie av rundt 3 700 par hoppet røykeres sjanser for å slutte fra rundt 8% til nesten 50% når partneren sluttet samtidig — og samme mønster gjaldt for trening og vekttap). Nøyaktighet holder et tall ærlig; følgeskap holder vanen i live. Én venn kan markeres som partneren din og deler Premium-en din.
Hvis du vil ha en tracker som er ærlig om feilmarginene sine og lett å rette — og morsommere med dine egne folk i den — er Kalo tilgjengelig på iOS og Android.