قواعد بيانات الأغذية وبيانات المغذيات: ربط الذكاء الاصطناعي بالمصدر الصحيح

المكاسب:

• القدرة على فهم ضرورة الحصول على القيم الغذائية من قواعد البيانات المعروفة (USDA، TÜBER، BeBiS) بدلاً من ذاكرة الذكاء الاصطناعي
• القدرة على توجيه الذكاء الاصطناعي لإجراء الحسابات والتفسيرات فقط مع البيانات المأخوذة من المصدر، وبمنطق RAG
• القدرة على منع الأخطاء الغذائية من خلال النظر في التحويلات الخام / المطبوخة ووضوح الأجزاء واتساق المصدر

في قلب العمل اليومي لأخصائي التغذية يوجد سؤال "ما مقدار هذه العناصر الغذائية؟" هناك سؤال. كم جرام من البروتين في 100 جرام من صدور الدجاج؟ كم جرام من الألياف يوجد في شريحة من خبز القمح الكامل؟ كم عدد السعرات الحرارية في ملعقة كبيرة من زيت الزيتون؟ يتم الاحتفاظ بالإجابات على هذه الأسئلة في قواعد بيانات تكوين الأغذية - وهي جداول رسمية تسرد محتوى الطاقة والمغذيات الكبيرة والدقيقة لآلاف الأطعمة بناءً على التحليل المختبري. وأخطر خطأ يرتكبه الذكاء الاصطناعي في هذا المجال هو الاعتقاد بأنه "يتذكر" هذه الأرقام. ومع ذلك، فإن النموذج اللغوي لا يحفظ الأرقام؛ إنه يولد بشكل احتمالي وغالباً ما يعطي قيماً قريبة من الواقع ولكنها في بعض الأحيان خاطئة بشكل خطير. الرسالة الرئيسية لهذه الوحدة واضحة: الحصول على القيمة الغذائية من قاعدة بيانات معترف بها، وليس من ذاكرة الذكاء الاصطناعي؛ استخدم الذكاء الاصطناعي للعمل مع البيانات الدقيقة، وليس لتذكر البيانات.

قواعد البيانات المعروفة وفي ماذا تستخدم

المصادر الرئيسية المستخدمة على نطاق واسع في العالم وفي تركيا هي:

قاعدة البيانات

النطاق

نقطة قوية

انتبه

وزارة الزراعة الأمريكية FoodData Central (الولايات المتحدة الأمريكية)

كبيرة جدًا، حوالي ربع مليون سجل

تفصيلية، مجانية، مع API

منتجات الولايات المتحدة الأمريكية؛ الطعام المحلي محدود

TÜBER / Türkiye دليل المكملات الغذائية

يركز المطبخ التركي

الطعام المحلي والجزء

نطاق أضيق من وزارة الزراعة الأمريكية

BeBiS (نظام معلومات التغذية)

البرامج الشائعة في تركيا

وصفات تركية

البرامج المرخصة

وزارة الزراعة الأمريكية/يوروفير

بيانات التكوين الأوروبية

المعيار القائم على البلد

يمكن أن يكون الوصول مؤسسيًا

المقصود بـ "API" هو الواجهة التي تسمح للبرنامج بطرح الأسئلة برمجيًا (تلقائيًا) على قاعدة البيانات وتلقي إجابات منظمة. إن وجود واجهة برمجة تطبيقات لموارد مثل USDA FoodData Central يجعل من الممكن ربط أدوات الذكاء الاصطناعي بالبيانات الحقيقية في المستقبل. وهذا هو أساس نهج "الذكاء الاصطناعي المبني على البيانات": لا تناسب النماذج، بل استمد من المصدر الحقيقي.

انتبه: قد تظهر نفس العناصر الغذائية قيمًا مختلفة في قواعد بيانات مختلفة؛ لأن حالة الزراعة والتنوع وطريقة الطبخ والتحليل مختلفة. لا يوجد رقم واحد "صحيح"؛ هناك نطاق معقول. قم بتسجيل المورد الذي تستخدمه في خطة العميل حتى تكون متسقًا.

منطق "الاسترجاع": ربط الذكاء الاصطناعي بالمصدر

في التطبيقات الحديثة، طريقة ربط الذكاء الاصطناعي بالبيانات الحقيقية هي نهج RAG - توليد الاسترجاع المعزز باللغة الإنجليزية. ببساطة: بدلاً من حفظ الإجابة من الذاكرة، يقوم النموذج أولاً بسحب البيانات ذات الصلة من مصدر موثوق (قاعدة بيانات، مستند)، ثم يقوم بإنشاء إجابة بناءً على تلك البيانات. من الناحية العملية، يمكنك تنفيذ ذلك بطريقتين:

1. التغذية اليدوية: تقوم بنسخ قيم الطعام من الجدول الموثوق به وإعطائه إلى الذكاء الاصطناعي؛ يقوم الذكاء الاصطناعي بحساب/تفسير هذه البيانات فقط، ولا يضيف أرقامًا من ذاكرته الخاصة.
2. مركبة متصلة: أنت تستخدم مركبة متصلة بقاعدة البيانات؛ يقوم الذكاء الاصطناعي بإعادة توجيه الاستعلام إلى المصدر الفعلي واستخدام القيمة التي تم إرجاعها.

في كلتا الحالتين، القاعدة الذهبية هي نفسها: الرقم يأتي من المصدر، ويفسره الذكاء الاصطناعي. "ما هي كمية الحديد الموجودة في 100 جرام من العدس؟" سأل YZ. إن طرح سؤال مفتوح هو دعوة للتلفيق.

منتج عام، منتج ذو علامة تجارية، ومزيج الوجبات

تحتوي قواعد البيانات المغذية على سجلات متعددة تحت نفس الاسم، واختيار السجل الخاطئ يعد مصدرًا صامتًا للخطأ. على سبيل المثال، البحث عن "الزبادي" سيعطيك العشرات من السجلات المختلفة، مثل كامل الدسم، نصف دسم، خالي من الدهون، من النوع اليوناني (المصفى)، وزبادي الفواكه المحلاة؛ السعرات الحرارية ووحدات الماكرو الخاصة بهم بعيدة جدًا عن بعضها البعض. يحتوي الزبادي اليوناني على ضعف البروتين الموجود في الزبادي العادي تقريبًا. وبالمثل، تحمل سجلات "المنتج ذو العلامة التجارية" (المنتج المعبأ للشركة) وسجلات "التغذية العامة" قيمًا مختلفة. في الممارسة الجيدة، يمكنك مطابقة المنتج الذي يستهلكه العميل فعليًا بأكبر قدر ممكن: إن أمكن، بناءً على ملصق التغذية الموجود على العبوة، وإلا فإنك تختار أقرب وصف في قاعدة البيانات. اسأل الذكاء الاصطناعي "أي سجل يجب أن أختار؟" عند الاستشارة، يمكن أن يقترح عليك مصطلح البحث الصحيح؛ لكن اختيار السجل النهائي ومقارنته بالتسمية هو تحت سيطرتك. يعد استخدام نفس السجل لنفس العناصر الغذائية خلال الخطة أمرًا مهمًا أيضًا لتحقيق الاتساق؛ إن استخدام الحليب كامل الدسم نصف الوقت والحليب خالي الدسم نصف الوقت سوف يشوه المجاميع.

تحويلات الجزء والطبخ

عادة ما تعطي قواعد البيانات الغذائية قيمًا لكل 100 جرام خام. لكن العميل يأكل العدس المطبوخ وليس العدس النيئ. يتغير الوزن عن طريق امتصاص الماء أثناء الطهي؛ 100 جرام من الأرز الخام يزيد إلى 250-300 جرام عند طهيه. ولذلك فإن "200 جرام مطبوخ" و"100 جرام نيئ" لهما قيم غذائية مختلفة. يمكن للذكاء الاصطناعي إجراء هذه التحولات، لكنه قد يربك الاتجاه. وضح دائمًا ما إذا كانت القيمة التي تستخدمها نيئة أم مطبوخة؛ وهذا مصدر متكرر للأخطاء الحسابية.

ثلاث حالات صغيرة

الحالة 1 - اصطياد الهلوسة. سأل اختصاصي التغذية YZ: "كم جرامًا من البروتين يوجد في 100 جرام من البروكلي المسلوق؟" يسأل؛ يقول الذكاء الاصطناعي "حوالي 8 جرام". ينظر اختصاصي التغذية إلى وزارة الزراعة الأمريكية: القيمة الفعلية هي ~ 2.4 جرام. قام الذكاء الاصطناعي بخلطها مع بيانات البقوليات/الجوز وقام بتضخيمها ثلاثة أضعاف. يستخدم اختصاصي التغذية القيمة الصحيحة. الدرس المستفاد: الخضار الخضراء منخفضة في البروتين. الرقم غير صحيح لمجرد أنه بطلاقة.

الحالة 2 - الارتباك الخام/المطبوخ. في مسودة الخطة، يستخدم الذكاء الاصطناعي القيمة الخام لـ "150 جرامًا من المعكرونة" (~ 525 سعرة حرارية)، بينما يتناول العميل 150 جرامًا من المعكرونة المطبوخة (~ 210 سعرة حرارية). الفرق هو 315 سعرة حرارية في الوجبة الواحدة، وهو انحراف خطير حتى مع وجبة واحدة في اليوم. يوضح اختصاصي التغذية وحدة القياس إلى "مطبوخة" ويعيد الحساب.

الحالة 3 - الاستخدام الصحيح. يقوم اختصاصي تغذية بنسخ قيم 100 جرام للدجاج والأرز والقرنبيط من وزارة الزراعة الأمريكية، وإعطائها إلى الذكاء الاصطناعي مع تعليمات "فقط قم بحساب إجمالي الماكرو لوجبة ما باستخدام هذه البيانات، وإضافة أرقام من ذاكرته الخاصة". يضيف الذكاء الاصطناعي أرقامًا معينة فقط؛ يؤكد اختصاصي التغذية بضربه مرة أخرى. جاءت البيانات من المصدر، وقام الذكاء الاصطناعي بإجراء العمليات الحسابية.

قوالب سريعة قابلة للنسخ

نموذج حساب مع بيانات المصدر (منطق RAG) دورك: مساعد يعمل فقط مع القيم الغذائية المعطاة لك. قم بإضافة أو تغيير القيم الغذائية من ذاكرتك الخاصة. إذا كانت البيانات مفقودة، فاكتب "[لا توجد بيانات]"، وقم بالتعويض. البيانات (لكل 100 جرام، المصدر: وزارة الزراعة الأمريكية): - صدر دجاج (مطبوخ): 165 سعرة حرارية، 31 جرام بروتين، 3.6 جرام دهون، 0 جرام كربوهيدرات - أرز (مطبوخ): ...المهمة: احسب إجمالي السعرات الحرارية والماكرو لـ 120 جرام دجاج + 150 جرام أرز.

نموذج تحويل خام/مطبوخ يتم إعطاء قيمة الأطعمة التالية لكل 100 جرام خام: [القيم]. يأكل العميل [X] جم مطبوخًا. عند الطهي، يتغير الوزن ~[النسبة]. وبناءً على ذلك، احسب القيمة الغذائية للكمية التي يتم تناولها واكتب بوضوح الافتراض الذي تستخدمه.

قالب إعداد استعلام قاعدة البياناتأريد العثور على القيمة الغذائية للوجبة. قم بإدراج المصطلح الذي يجب أن أبحث عنه في قاعدة بيانات الأغذية (USDA/TUBER) عن الأطعمة التالية، والتي يجب أن أختار تسجيلها، نيئة/مطبوخة. لا تعطي القيم لك؛ فقط أخبرني بمصطلح البحث الصحيح ونقطة الاهتمام. العناصر الغذائية: [...]

نموذج التحقق من الاتساق قم بتفسير القيم الغذائية للوجبة التالية بطريقتين مختلفتين: (1) بافتراض أن جميع الأطعمة نيئة، (2) بافتراض أن جميع الأطعمة مطبوخة. قارن بين المجموعين واشرح من أين يأتي الفرق. حتى أتمكن من معرفة الافتراض الذي أحتاج إلى التحقق منه.

موجه ضعيف / موجه قوي

حث ضعيف:

كم عدد السعرات الحرارية في وعاء من حساء العدس؟

"طبق" غامض، والوصفة غامضة، والمصدر غائب؛ يقوم الذكاء الاصطناعي بتكوين رقم من ذاكرته ولا يذكر كيف توصل إليه.

مطالبة قوية:

دورك: المساعد الذي يقوم بالحسابات فقط باستخدام البيانات المقدمة. حصة شوربة العدس = 300 جرام. المكونات (القيم لكل 100 جرام، مصدر وزارة الزراعة الأمريكية، أعطي أدناه): العدس الأحمر (المطبوخ) [القيم]، البصل [القيم]، زيت الزيتون [القيم]. الكميات لكل حصة: [...]. احسب إجمالي السعرات الحرارية والماكرو باستخدام هذه البيانات، لا تقم بإضافتها من الذاكرة، اعرض الخطوات.

يقدم مصدر المطالبة الثاني المعلومات الأولية/المطبوخة وقيد "عدم الإضافة"؛ المخرجات قابلة للتدقيق وموثوقة.

الأخطاء الشائعة

• الثقة في ذاكرة الذكاء الاصطناعي: تساؤل مفتوح حول القيمة الغذائية؛ هذه دعوة للهلوسة.
• الخلط بين الخام والمطبوخ: الخطأ الصامت الأكثر شيوعًا؛ قم دائمًا بتوضيح وحدة القياس.
• ارتباك المصدر: خلط العناصر الغذائية المختلفة من قواعد بيانات مختلفة؛ استخدم موارد متسقة في الخطة.
• ترك الجزء غامضًا: حساب عبارات مثل "طبق"، "حفنة" دون تحويلها إلى جرامات.
• التركيز على رقم واحد بدلاً من النطاق: نسيان أن نفس الطعام له نطاق معقول من القيم؛ خلق اليقين الزائف.

في ملخص

البيانات الغذائية هي المنطقة التي يكون فيها النموذج اللغوي أضعف؛ لأن النموذج لا يتذكر الأرقام، فإنه ينتجها. لذا، احصل دائمًا على القيم الغذائية من قاعدة بيانات معترف بها (USDA، TÜBER، BeBiS) واستخدم الذكاء الاصطناعي لحساب تلك البيانات وتفسيرها فقط - استنادًا إلى منطق RAG، والبيانات المأخوذة من المصدر. انتبه إلى التحويلات الخام/المطبوخة، ووضوح الأجزاء، واتساق المصدر. فمجرد أن الرقم خرج بطلاقة ليس صحيحا؛ لا يمكنك الحصول على الحقيقة إلا من خلال العمل مع المصدر.

مهمة التطبيق

اختر ثلاثة أطعمة (على سبيل المثال، البيض المسلوق، خبز القمح الكامل، الزبادي اليوناني). أولاً، اسأل الذكاء الاصطناعي بشكل مفتوح واحصل على قيمه (من ذاكرته). ثم ابحث عن القيم الفعلية لتلك العناصر الغذائية نفسها من USDA FoodData Central. قارن بين المجموعتين واكتب في الجدول مقدار الانحراف الموجود في كل طعام. سيكشف هذا الجدول عن مبدأ "لا تثق بالذاكرة، اربط بالمصدر".

قائمة مرجعية

• [ ] حصلت على القيم الغذائية من قاعدة بيانات معروفة، وليس من ذاكرة الذكاء الاصطناعي.
• [ ] لقد وضعت قيودًا على الذكاء الاصطناعي بحيث "يعمل فقط مع البيانات المقدمة، ولا يضيف أي شيء".
• [ ] لقد وضحت لكل طعام هل هو نيئ أم مطبوخ.
• [ ] قمت بتحويل الأجزاء إلى جرامات؛ لم أترك "طبقًا/حفنة" خلفي.
• [ ] لقد استخدمت مصدرًا ثابتًا واحدًا ضمن الخطة.
• [ ] لقد تحققت من مجموع الذكاء الاصطناعي عن طريق ضربه مرة أخرى.