Печалби:
- Способност да се разбере необходимостта от получаване на хранителни стойности от добре известни бази данни (USDA, TÜBER, BeBiS), а не от паметта на изкуствения интелект
- Възможност за насочване на изкуствения интелект да прави изчисления и интерпретации само с данните, извлечени от източника, с RAG логика
- Възможност за предотвратяване на грешки в храненето чрез отчитане на конверсиите сурово/готвено, яснота на порциите и консистенция на източника
В основата на ежедневната работа на диетолога е въпросът "колко е в това хранително вещество?" Има един въпрос. Колко грама протеин има в 100 грама пилешки гърди? Колко грама фибри има в една филийка пълнозърнест хляб? Колко калории има в една супена лъжица зехтин? Отговорите на тези въпроси се съхраняват в базите данни за състава на храните — официални таблици, които изброяват съдържанието на енергия, макро и микроелементи на хиляди храни въз основа на лабораторен анализ. Най-опасната грешка на изкуствения интелект в тази област е да си мисли, че "помни" тези числа. Езиковият модел обаче не запаметява числа; Той генерира вероятностно и често дава стойности, които са близки до реалността, но понякога са сериозно погрешни. Основното послание на тази единица е ясно: вземете хранителната стойност от разпозната база данни, а не от паметта на AI; Използвайте AI за работа с точни данни, а не за запомняне на данни.
Добре познати бази данни и за какво се използват
Основните източници, широко използвани в света и в Турция, са:
база данни
Обхват
силна страна
внимание
USDA FoodData Central (САЩ)
Много големи, ~ четвърт милион записи
Подробно, безплатно, с API
продукти от САЩ; ограничена местна храна
TÜBER / Türkiye Nutrition Guide добавки
Фокус върху турската кухня
Местна храна и порция
Обхватът е по-тесен от USDA
BeBiS (Информационна система за хранене)
Често срещан софтуер в Турция
Турски рецепти
Лицензиран софтуер
USDA/EuroFIR
Европейски данни за състава
Базиран на държавата стандарт
Достъпът може да бъде институционален
Това, което се разбира под „API“, е интерфейсът, който позволява на софтуера програмно (автоматично) да задава въпроси към базата данни и да получава структурирани отговори. Наличието на API за ресурси като USDA FoodData Central прави възможно свързването на AI инструменти с реални данни в бъдеще. Това е основата на подхода „изкуствен интелект, управляван от данни“: не пасвайте на модели, черпете от истинския източник.
Внимание: Едно и също хранително вещество може да показва различни стойности в различни бази данни; Тъй като условията на отглеждане, сортът, методът на готвене и анализът са различни. Няма нито едно „правилно“ число; Има разумен диапазон. Запишете кой ресурс използвате в клиентски план, за да можете да бъдете последователни.
Логика за "извличане": свързване на AI с източника
В съвременните приложения начинът за свързване на AI с реални данни е RAG подходът — Retrieval-Augmented Generation на английски. Просто: вместо да монтира отговора от паметта, моделът първо извлича подходящи данни от надежден източник (база данни, документ), след което генерира отговор въз основа на тези данни. На практика прилагате това по два начина:
- Ръчно хранене: Копирате стойностите на храната от надеждната таблица и я давате на AI; AI само изчислява/интерпретира тези данни, не добавя числа от собствената си памет.
- Свързано превозно средство: Вие използвате превозно средство, свързано с база данни; AI препраща заявката към действителния източник и използва върнатата стойност.
И в двата случая златното правило е едно и също: числото идва от източника, AI го интерпретира. „Колко желязо има в 100 грама леща?“ попита YZ. Да зададеш отворен въпрос означава да подканиш към измислици.
Генеричен продукт, марков продукт и смес от ястия
Базите данни за хранителни вещества имат множество записи под едно и също име и избирането на грешен запис е тих източник на грешка. Например, търсенето на „кисело мляко“ ще ви даде десетки различни записи, като пълномаслено, полумаслено, обезмаслено, гръцко (цедено) и подсладено плодово кисело мляко; Техните калории и макроси са много далеч едно от друго. Гръцкото кисело мляко има почти два пъти повече протеин от обикновеното кисело мляко. По същия начин записите за „марков продукт“ (пакетиран продукт на фирма) и записите за „общо хранене“ носят различни стойности. В добра практика вие съпоставяте продукта, който клиентът действително консумира, възможно най-близо: ако е възможно, въз основа на етикета за хранителна стойност върху опаковката, в противен случай избирате най-близкото описание в базата данни. Попитайте AI "кой запис да избера?" Когато се консултирате, той може да ви предложи правилната дума за търсене; но окончателният избор на запис и сравнението с етикета е под ваш контрол. Използването на един и същ запис за едно и също хранително вещество в целия план също е важно за последователността; Използването на пълномаслено мляко през половината от времето и обезмаслено мляко през половината време ще изкриви общите резултати.
Преобразуване на порции и готвене
Хранителните бази данни обикновено дават стойности за 100 грама сурови. Но клиентът яде варена леща, а не сурова. Теглото се променя чрез абсорбиране на вода по време на готвене; 100 грама суров ориз се увеличава до ~250-300 грама при готвене. Следователно „сготвени 200 грама“ и „сурови 100 грама“ имат различни хранителни стойности. AI може да направи тези трансформации, но може да обърка посоката. Винаги изяснявайте дали стойността, която използвате, е сурова или варена; това е чест източник на грешки в изчисленията.
три мини калъфа
Случай 1 — Улавяне на халюцинация. Диетолог попита YZ: "Колко грама протеин има в 100 грама варени броколи?" пита той; AI казва "около 8 грама". Диетологът разглежда USDA: действителната стойност е ~2,4 грама. AI го смеси с данни за бобови растения/ядки и го напомпа три пъти. Диетологът използва правилната стойност. Поука: зелените зеленчуци са с ниско съдържание на протеини; Числото не е правилно само защото е свободно.
Случай 2 — Объркване със сурово/готвено. В проектоплан AI използва суровата стойност за „150 грама паста“ (~525 kcal), докато клиентът яде 150 грама варена паста (~210 kcal). Разликата е 315 kcal на едно хранене, което е сериозно отклонение дори при едно хранене на ден. Диетологът уточнява мерната единица до „варено“ и преизчислява.
Случай 3 — Правилна употреба. Диетолог копира 100-грамовите стойности за пиле, ориз и броколи от USDA, като ги дава на AI с инструкцията „просто да изчисли общия макрос за едно хранене с тези данни, добавяйки числа от собствената си памет“. AI добавя само с дадени числа; диетологът потвърждава, като го забива обратно. Данните идват от източника, AI прави аритметиката.
Копируеми шаблони за подкана
ШАБЛОН ЗА ИЗЧИСЛЕНИЕ С ИЗХОДНИ ДАННИ (RAG logic) Вашата роля: асистент, който работи само с хранителните стойности, ДАДЕНИ ВИ. ДОБАВЯНЕ или ПРОМЕНЯНЕ на хранителни стойности от вашата собствена памет. Ако липсват данни, напишете "[няма данни]", компенсирайте. Данни (на 100 g, източник: USDA): - Пилешки гърди (варени): 165 kcal, 31 g протеин, 3,6 g мазнини, 0 g въглехидрати - Ориз (варен): ... Задача: Изчислете общите kcal и макро за 120 g пиле + 150 g ориз.
ШАБЛОН ЗА ПРЕОБРАЗУВАНЕ НА СУРОВА/ГОТВЕНА Стойността на следната храна е дадена за 100 g СУРОВА: [стойности]. Клиентът изяжда [X] g ГОТВЕНИ. При готвене тегловното ~[съотношение] се променя. Съответно изчислете хранителната стойност на изяденото количество и напишете ЯСНО кое предположение използвате.
DATABASE QUERY PREPARATION TEMPLATEI искат да намерят хранителната стойност на храната. Избройте КОЙ термин трябва да търся в хранителната база данни (USDA/TUBER) за следните храни, кой запис трябва да избера, сурови/сготвени. Не давайте ценностите на ВАС; просто ми кажете правилната дума за търсене и точка на внимание. Хранителни вещества: [...]
ШАБЛОН ЗА ПРОВЕРКА НА ПОСЛЕДНОСТ Интерпретирайте хранителните стойности за следното хранене по два различни начина: (1) като приемем, че всички храни са сурови, (2) приемем, че всички храни са сготвени. Сравнете двете суми и обяснете откъде идва разликата. Така че мога да видя кое предположение трябва да проверя.
Слаба подкана / Силна подкана
Слаба подкана:
Колко калории има в купа супа от леща?
„Ястие“ е неясно, рецептата е неясна, източникът липсва; AI измисля число от паметта си и не казва как го е измислил.
Мощна подкана:
Вашата роля: асистент, който само изчислява с дадените данни. Порция супа от леща = 300гр. Състав (стойности за 100 g, източник USDA, давам по-долу): червена леща (варена) [стойности], лук [стойности], зехтин [стойности]. Количества в порция: [...]. Изчислете общо kcal и макро с тези данни, не добавяйте от паметта, покажете стъпки.
Вторият източник на подкана дава информация за сервиране, сурово/готвено и ограничението „не добавяй“; Резултатът е проверим и надежден.
Често срещани грешки
- Доверяване на паметта на AI: Отворени въпроси за хранителната стойност; Това е покана за халюцинация.
- Объркващо сурово/готвено: Най-честата мълчалива грешка; Винаги изяснявайте мерната единица.
- Объркване на източника: Смесване на различни хранителни вещества от различни бази данни; Използвайте последователни ресурси в план.
- Оставянето на частта неясна: Изчисляване на изрази като "чиния", "шепа", без да ги конвертирате в грамове.
- Фокусиране върху едно число вместо диапазон: Забравяне, че една и съща храна има разумен диапазон от стойности; създаване на фалшива сигурност.
В обобщение
Хранителните данни са областта, в която езиковият модел е най-слаб; Тъй като моделът не помни номерата, той ги произвежда. Затова винаги взимайте хранителните стойности от призната база данни (USDA, TÜBER, BeBiS) и използвайте AI, за да изчислите и интерпретирате само тези данни — въз основа на RAG логиката, данни, извлечени от източника. Обърнете внимание на конверсиите сурово/сготвено, бистротата на порциите и консистенцията на източника. Само защото числото излезе свободно, не е правилно; Можете да получите истината само като работите с източника.
Задача за приложение
Изберете три храни (например варени яйца, пълнозърнест хляб, гръцко кисело мляко). Първо попитайте отворения AI и вземете неговите стойности (от неговата памет). След това намерете действителните стойности на същите тези хранителни вещества от USDA FoodData Central. Сравнете двата набора и запишете в таблица колко отклонения има във всяка храна. Тази таблица ще разкрие принципа "не вярвайте на паметта, връзка към източника".
контролен списък
- [ ] Получих хранителните стойности от добре позната база данни, а не от паметта на AI.
- [ ] Поставих ограничението на AI да "работи само с дадените данни, не добавя нищо".
- [ ] За всяка храна съм изяснила дали е сурова или варена.
- [ ] Преобразувах порциите в грамове; Не оставих "чиния/шепа" след себе си.
- [ ] Използвах един последователен източник в рамките на план.
- [ ] Проверих сумата на AI, като я умножих обратно.