zisky:
- Schopnost pochopit nutnost získávání nutričních hodnot ze známých databází (USDA, TÜBER, BeBiS) spíše než z paměti umělé inteligence
- Schopnost nasměrovat umělou inteligenci k provádění výpočtů a interpretací pouze s daty čerpanými ze zdroje, s logikou RAG
- Schopnost předcházet nutričním chybám tím, že vezmete v úvahu konverze syrové/vařené, čistotu porcí a konzistenci zdroje
Jádrem každodenní práce dietologa je otázka „kolik je v této živině?“ Nabízí se otázka. Kolik gramů bílkovin ve 100 gramech kuřecích prsou? Kolik gramů vlákniny obsahuje krajíc celozrnného chleba? Kolik kalorií obsahuje lžíce olivového oleje? Odpovědi na tyto otázky se nacházejí v databázích složení potravin – oficiálních tabulkách, které na základě laboratorních analýz uvádějí energetický, makro a mikronutriční obsah tisíců potravin. Nejnebezpečnější chybou umělé inteligence na tomto poli je myslet si, že si tato čísla „pamatuje“. Jazykový model si však nepamatuje čísla; Generuje pravděpodobnostně a často dává hodnoty, které se blíží realitě, ale někdy jsou vážně špatné. Hlavní poselství této jednotky je jasné: získejte nutriční hodnotu z uznávané databáze, nikoli z paměti AI; Použijte AI k práci s přesnými daty, nikoli k zapamatování dat.
Známé databáze a k čemu slouží
Hlavní zdroje široce používané ve světě a v Turecku jsou:
databáze
Rozsah
silná stránka
Pozor
USDA FoodData Central (USA)
Velmi velké, ~ čtvrt milionu záznamů
Podrobné, zdarma, s API
produkty USA; místní potraviny omezené
Doplňky průvodce výživou TÜBER / Türkiye
Zaměření na tureckou kuchyni
Místní jídlo a porce
Rozsah užší než USDA
BeBiS (informační systém o výživě)
Běžný software v Türkiye
Turecké recepty
Licencovaný software
USDA/EuroFIR
Údaje o evropském složení
Standard založený na zemi
Přístup může být institucionální
"API" znamená rozhraní, které umožňuje softwaru programově (automaticky) klást otázky databázi a přijímat strukturované odpovědi. Díky rozhraní API pro zdroje, jako je USDA FoodData Central, je možné v budoucnu propojit nástroje umělé inteligence se skutečnými daty. To je základ přístupu „umělé inteligence řízené daty“: nepřizpůsobujte modely, čerpajte ze skutečného zdroje.
Pozor: Stejná živina může v různých databázích vykazovat různé hodnoty; Protože podmínky chovu, odrůda, způsob vaření a analýza jsou různé. Neexistuje jediné „správné“ číslo; Je tam rozumný rozsah. Zaznamenejte si, který zdroj používáte v klientském plánu, abyste byli konzistentní.
Logika "načítání": připojení AI ke zdroji
V moderních aplikacích je způsob připojení umělé inteligence ke skutečným datům přístup RAG — Retrieval-Augmented Generation v angličtině. Jednoduše: místo toho, aby se odpověď napasovala z paměti, model nejprve vytáhne relevantní data ze spolehlivého zdroje (databáze, dokumentu) a poté na základě těchto dat vygeneruje odpověď. V praxi to implementujete dvěma způsoby:
- Manuální krmení: Zkopírujete hodnoty jídla z důvěryhodné tabulky a předáte je AI; AI s těmito údaji pouze počítá/interpretuje, čísla z vlastní paměti nesčítá.
- Připojené vozidlo: Používáte vozidlo připojené k databázi; AI předá dotaz skutečnému zdroji a použije vrácenou hodnotu.
V obou případech je zlaté pravidlo stejné: číslo pochází ze zdroje, AI jej interpretuje. "Kolik železa je ve 100 gramech čočky?" zeptal se YZ. Položit otevřenou otázku znamená vyzvat k výrobě.
Generický produkt, značkový produkt a směs jídel
Nutriční databáze mají více záznamů pod stejným názvem a výběr špatného záznamu je tichým zdrojem chyb. Například vyhledáním „jogurt“ získáte desítky různých záznamů, jako je plnotučný, polotučný, beztučný, řeckého typu (cezený) a slazený ovocný jogurt; Jejich kalorie a makra jsou od sebe velmi vzdálené. Řecký jogurt má téměř dvakrát více bílkovin než běžný jogurt. Podobně záznamy „značkový produkt“ (balený produkt společnosti) a záznamy „všeobecná výživa“ mají různé hodnoty. V dobré praxi se co nejvíce shoduje s produktem, který klient skutečně konzumuje: pokud možno na základě nutričního označení na obalu, jinak zvolíte nejbližší popis v databázi. Zeptejte se AI "který záznam si mám vybrat?" Když konzultujete, může vám navrhnout správný hledaný výraz; ale konečný výběr nahrávky a srovnání s labelem je ve vaší režii. Použití stejného záznamu pro stejnou živinu v celém plánu je také důležité pro konzistenci; Použití plnotučného mléka poloviční čas a odstředěného mléka poloviční čas zkreslení součtů.
Přeměny porcí a vaření
Nutriční databáze obvykle uvádějí hodnoty na 100 gramů v syrovém stavu. Klient ale jí vařenou čočku, nikoliv syrovou. Hmotnost se mění absorbováním vody během vaření; 100 gramů syrové rýže se při vaření zvýší na ~250-300 gramů. Proto má „vařených 200 gramů“ a „syrových 100 gramů“ různé nutriční hodnoty. Umělá inteligence může tyto transformace provádět, ale může zmást směr. Vždy si ujasněte, zda je hodnota, kterou používáte, syrová nebo vařená; to je častý zdroj chyb ve výpočtech.
tři mini pouzdra
Případ 1 – Chycení halucinace. Dietolog se zeptal YZ: "Kolik gramů bílkovin je ve 100 gramech vařené brokolice?" ptá se; AI říká „asi 8 gramů“. Dietolog se podívá na USDA: skutečná hodnota je ~2,4 gramu. AI to smíchala s údaji o luštěninách/ořeších a nafoukla to na trojnásobek. Dietolog používá správnou hodnotu. Poučení: zelená zelenina má nízký obsah bílkovin; Číslo není správné jen proto, že je plynulé.
Případ 2 – Záměna syrového/vařeného zboží. V návrhu plánu AI používá syrovou hodnotu pro „150 gramů těstovin“ (~525 kcal), zatímco klient sní 150 gramů vařených těstovin (~210 kcal). Rozdíl je 315 kcal v jednom jídle, což je vážná odchylka i při jednom jídle denně. Dietoložka upřesní měrnou jednotku na „vařená“ a přepočítá.
Případ 3 – Správné použití. Dietolog zkopíruje hodnoty 100 gramů pro kuře, rýži a brokolici z USDA a předá je AI s instrukcí „prostě vypočítat celkové makro pro jídlo s těmito údaji a přidat čísla z vlastní paměti“. AI pouze sčítá s danými čísly; dietoložka potvrdí tím, že ji zabouchne zpět. Data pocházela ze zdroje, AI provedla aritmetiku.
Kopírovatelné šablony výzev
VÝPOČTOVÁ ŠABLONA SE ZDROJOVÝMI ÚDAJI (RAG logika)Vaše role: asistent, který pracuje pouze s VÁMI DANÝMI nutričními hodnotami. PŘIDEJTE nebo ZMĚŇTE nutriční hodnoty z vlastní paměti. Pokud data chybí, napište "[no data]", doplňte. Údaje (na 100 g, zdroj: USDA):- Kuřecí prsa (vařená): 165 kcal, 31 g bílkovin, 3,6 g tuku, 0 g sacharidů- Rýže (vařená): ...Úkol: Vypočítejte celkové kcal a makro pro 120 g kuřecího masa + 150 g rýže.
ŠABLONA KONVERZE SUROVÉ/VARENÉ Na 100 g SUROVÉHO je uvedena hodnota následujících potravin: [hodnoty]. Klient sní [X] g VAŘENÉ. Při vaření se hmotnost ~[poměr] mění. Podle toho si spočítejte nutriční hodnotu snědeného množství a JASNĚ napište, jaký předpoklad používáte.
ŠABLONA PŘÍPRAVY DATABÁZOVÉHO DOTAZU Chci zjistit nutriční hodnotu jídla. Uveďte KTERÝ výraz bych měl vyhledat v databázi potravin (USDA/TUBER) pro následující potraviny, který záznam bych si měl vybrat, syrové/vařené. Nedávejte hodnoty VÁM; jen mi řekněte správný hledaný výraz a bod pozornosti. Živiny: [...]
ŠABLONA KONZISTENCE KONZISTENCE Interpretujte nutriční hodnoty pro následující jídlo dvěma různými způsoby: (1) za předpokladu, že všechny potraviny jsou syrové, (2) za předpokladu, že všechny potraviny jsou tepelně upravené. Porovnejte dva součty a vysvětlete, kde se bere rozdíl. Takže vidím, který předpoklad musím ověřit.
Slabá výzva / Silná výzva
Slabá výzva:
Kolik kalorií je v míse čočkové polévky?
„Jídlo“ je vágní, recept je vágní, chybí zdroj; AI si vymyslí číslo ze své paměti a neřekne, jak k němu přišla.
Výkonná výzva:
Vaše role: asistent, který pouze kalkuluje s danými údaji. Porce čočkové polévky = 300 g. Složení (hodnoty na 100 g, zdroj USDA, uvádím níže): červená čočka (vařená) [hodnoty], cibule [hodnoty], olivový olej [hodnoty]. Množství na porci: [...]. Vypočítejte celkové kcal a makro s těmito údaji, nepřidávejte z paměti, ukažte kroky.
Druhý zdroj výzvy poskytuje informace o podávání, syrové/vařené informace a omezení „nepřidávat“; Výstup je auditovatelný a spolehlivý.
Časté chyby
- Důvěřovat paměti AI: Otevřené zpochybňování nutriční hodnoty; Toto je pozvání k halucinacím.
- Matoucí syrové/vařené: Nejčastější tichá chyba; Vždy si ujasněte měrnou jednotku.
- Záměna zdrojů: Míchání různých živin z různých databází; V plánu používejte konzistentní zdroje.
- Ponechat část vágní: Výpočet výrazů jako „talíř“, „hrst“ bez převádění na gramy.
- Zaměření na jediné číslo místo rozsahu: Zapomínání, že stejné jídlo má rozumný rozsah hodnot; vytváří falešnou jistotu.
V souhrnu
Nutriční údaje jsou oblastí, kde je jazykový model nejslabší; Protože si model čísla nepamatuje, vyrábí je. Vždy tedy získejte nutriční hodnoty z uznávané databáze (USDA, TÜBER, BeBiS) a použijte AI k výpočtu a interpretaci pouze těchto dat – na základě logiky RAG, dat čerpaných ze zdroje. Věnujte pozornost konverzím syrového/vařeného jídla, jasnosti porcí a konzistenci zdroje. Jen proto, že číslo vyšlo plynule, není správné; Pravdu můžete získat pouze prací se zdrojem.
Aplikační úkol
Vyberte si tři potraviny (například vařená vejce, celozrnný chléb, řecký jogurt). Nejprve se zeptejte AI s otevřeným koncem a získejte jeho hodnoty (z jeho paměti). Poté najděte skutečné hodnoty stejných živin z USDA FoodData Central. Porovnejte obě sady a zapište do tabulky, jak velká odchylka je u jednotlivých potravin. Tato tabulka odhalí princip „nevěř paměti, odkaz na zdroj“.
kontrolní seznam
- [ ] Nutriční hodnoty jsem získal ze známé databáze, ne z paměti AI.
- [ ] Omezení na AI jsem dal na "pracovat pouze s danými daty, nic nepřidávat".
- [ ] U každého jídla jsem si ujasnil, zda je syrový nebo tepelně upravený.
- [ ] Převedl jsem porce na gramy; Nenechal jsem po sobě "talíř/hrst".
- [ ] Použil jsem jeden konzistentní zdroj v rámci plánu.
- [ ] Součet AI jsem ověřil zpětným vynásobením.