Gevinster:
- Evne til at forstå nødvendigheden af at opnå ernæringsværdier fra velkendte databaser (USDA, TÜBER, BeBiS) snarere end fra kunstig intelligenshukommelse
- Evne til at lede kunstig intelligens til kun at foretage beregninger og fortolkninger med data hentet fra kilden, med RAG-logik
- Evne til at forhindre ernæringsfejl ved at overveje rå/kogte omdannelser, portionsklarhed og kildekonsistens
Kernen i en diætists daglige arbejde er spørgsmålet "hvor meget er der i dette næringsstof?" Der er et spørgsmål. Hvor mange gram protein i 100 gram kyllingebryst? Hvor mange gram fibre er der i en skive fuldkornsbrød? Hvor mange kalorier er der i en spiseskefuld olivenolie? Svarene på disse spørgsmål findes i fødevaresammensætningsdatabaser - officielle tabeller, der viser energi-, makro- og mikronæringsstofindholdet i tusindvis af fødevarer baseret på laboratorieanalyser. Den mest farlige fejl ved kunstig intelligens på dette område er at tro, at den "husker" disse tal. Sprogmodellen husker dog ikke tal; Det genererer sandsynligt og giver ofte værdier, der er tæt på virkeligheden, men nogle gange alvorligt forkerte. Hovedbudskabet i denne enhed er klart: få næringsværdien fra en anerkendt database, ikke fra AI'ens hukommelse; Brug AI til at arbejde med nøjagtige data, ikke til at huske data.
Velkendte databaser og hvad de bruges til
De vigtigste kilder, der er meget udbredt i verden og i Türkiye, er:
database
Omfang
stærke side
Opmærksomhed
USDA FoodData Central (USA)
Meget store, ~ kvart million poster
Detaljeret, gratis, med API
USA produkter; lokal mad begrænset
TÜBER / Türkiye Nutrition Guide kosttilskud
Fokuseret på det tyrkiske køkken
Lokal mad og portion
Anvendelsesområde snævrere end USDA
BeBiS (ernæringsinformationssystem)
Almindelig software i Türkiye
Tyrkiske opskrifter
Licenseret software
USDA/EuroFIR
Europæiske sammensætningsdata
Landebaseret standard
Adgangen kan være institutionel
Hvad der menes med "API" er den grænseflade, der gør det muligt for en software programmæssigt (automatisk) at stille spørgsmål til databasen og modtage strukturerede svar. At have en API til ressourcer som USDA FoodData Central gør det muligt at forbinde AI-værktøjer til rigtige data i fremtiden. Dette er grundlaget for den "datadrevne AI"-tilgang: Passer ikke til modeller, træk fra den rigtige kilde.
Bemærk: Det samme næringsstof kan vise forskellige værdier i forskellige databaser; Fordi landbrugets tilstand, variation, tilberedningsmetode og analyse er forskellige. Der er ikke et enkelt "korrekt" tal; Der er en rimelig rækkevidde. Registrer, hvilken ressource du bruger i en klientplan, så du kan være konsekvent.
"Retrieval" logik: forbinder AI til kilden
I moderne applikationer er måden at forbinde AI med rigtige data på RAG-tilgangen — Retrieval-Augmented Generation på engelsk. Simpelthen: I stedet for at tilpasse svaret fra hukommelsen, trækker modellen først relevante data fra en pålidelig kilde (database, dokument), og genererer derefter et svar baseret på disse data. I praksis implementerer du dette på to måder:
- Manuel fodring: Du kopierer værdierne af maden fra den betroede tabel og giver den til AI; AI beregner/fortolker kun med disse data, den tilføjer ikke tal fra sin egen hukommelse.
- Forbundet køretøj: Du bruger et databaseforbundet køretøj; AI'en videresender forespørgslen til den faktiske kilde og bruger den returnerede værdi.
I begge tilfælde er den gyldne regel den samme: tallet kommer fra kilden, AI fortolker det. "Hvor meget jern er der i 100 gram linser?" spurgte YZ. At stille et åbent spørgsmål er at invitere til fremstilling.
Generisk produkt, mærkevare og måltidsblanding
Næringsstofdatabaser har flere poster under samme navn, og valg af den forkerte post er en tavs fejlkilde. For eksempel vil søgning efter "yoghurt" give dig dusinvis af forskellige optegnelser, såsom fuldfedt, halvfedt, fedtfrit, græsk-type (spændt) og sødet frugtyoghurt; Deres kalorier og makroer er meget langt fra hinanden. Græsk yoghurt har næsten dobbelt så meget protein som almindelig yoghurt. Tilsvarende har "mærkevare"-optegnelser (et firmas emballerede produkt) og "generel ernæring" forskellige værdier. I god praksis matcher du det produkt, kunden faktisk indtager, så tæt som muligt: hvis det er muligt ud fra næringsdeklarationen på emballagen, ellers vælger du den nærmeste beskrivelse i databasen. Spørg AI "hvilken rekord skal jeg vælge?" Når du konsulterer, kan det foreslå dig den rigtige søgeterm; men det endelige pladevalg og sammenligning med pladeselskabet er under din kontrol. At bruge den samme registrering for det samme næringsstof gennem en plan er også vigtigt for konsistensen; Brug af fuldfed mælk halvdelen af tiden og skummetmælk halvdelen af tiden vil forvrænge totalerne.
Portions- og madlavningskonverteringer
Ernæringsdatabaser giver normalt værdier pr. 100 gram rå. Men kunden spiser kogte linser, ikke rå linser. Vægten ændres ved at absorbere vand under tilberedningen; 100 gram rå ris stiger til ~250-300 gram, når de koges. Derfor har "kogt 200 gram" og "rå 100 gram" forskellige næringsværdier. AI kan lave disse transformationer, men det kan forvirre retningen. Afklar altid, om den værdi, du bruger, er rå eller kogt; dette er en hyppig kilde til regnefejl.
tre minisager
Case 1 - At fange en hallucination. En diætist spurgte YZ: "Hvor mange gram protein er der i 100 gram kogt broccoli?" spørger han; AI siger "ca. 8 gram". Diætisten ser på USDA: den faktiske værdi er ~2,4 gram. AI blandede det med bælgfrugt/nøddedata og pustede det op tre gange. Diætisten bruger den korrekte værdi. Lektion: grønne grøntsager er lavt i protein; Tallet er ikke korrekt, bare fordi det er flydende.
Tilfælde 2 — Rå/kogt forvirring. I et udkast til plan bruger AI råværdien for "150 gram pasta" (~525 kcal), hvorimod klienten spiser 150 gram kogt pasta (~210 kcal). Forskellen er 315 kcal i et måltid, hvilket er en alvorlig afvigelse selv med et måltid om dagen. Diætisten præciserer måleenheden til "tilberedt" og omregner.
Tilfælde 3 — Korrekt brug. En diætist kopierer 100 gram-værdierne for kylling, ris og broccoli fra USDA og giver dem til AI med instruktionen om at "bare beregne den samlede makro for et måltid med disse data ved at tilføje tal fra sin egen hukommelse." AI tilføjer kun med givne tal; diætisten bekræfter ved at smække det tilbage. Data kom fra kilden, AI lavede aritmetikken.
Kopierbare promptskabeloner
BEREGNINGSSKABELON MED KILDEDATA (RAG-logik)Din rolle: assistent, der kun arbejder med de ernæringsværdier, DER ER GIVET DIG.TILFØJ eller ÆNDRE næringsværdier fra din egen hukommelse. Hvis der mangler data, skriv "[ingen data]", kompenser. Data (pr. 100 g, kilde: USDA):- Kyllingebryst (tilberedt): 165 kcal, 31 g protein, 3,6 g fedt, 0 g kulhydrater- Ris (kogte): ...Opgave: Beregn den samlede kcal og makro for 120 g kylling + 150 g ris.
RÅ/KOGTE KONVERTERINGSSkabelon Værdien af følgende fødevare er angivet pr. 100 g RÅ: [værdier]. Klienten spiser [X] g TILBEREDT. Ved kogning ændres vægten ~[forhold]. Beregn derfor næringsværdien af den spiste mængde og skriv Tydeligt, hvilken antagelse du bruger.
DATABASE FORESPØRGSEL FORBEREDELSE SKABELONJeg ønsker at finde næringsværdien af et måltid. Angiv HVILKEN term jeg skal søge i fødevaredatabasen (USDA/TUBER) efter følgende fødevarer, hvilken post jeg skal vælge, rå/tilberedt. Giv ikke værdierne til DIG; bare fortæl mig den korrekte søgeterm og opmærksomhedspunkt.Næringsstoffer: [...]
KONSISTENSKONTROLSKABONEN Fortolk ernæringsværdierne for følgende måltid på to forskellige måder: (1) antager, at alle fødevarer er rå, (2) antager, at alle fødevarer er tilberedt. Sammenlign de to totaler og forklar, hvor forskellen kommer fra. Så jeg kan se, hvilken antagelse jeg skal verificere.
Svag prompt / Stærk prompt
Svag prompt:
Hvor mange kalorier er der i en skål linsesuppe?
"En ret" er vag, opskriften er vag, kilden er fraværende; AI'en udgør et tal fra sin hukommelse og fortæller ikke, hvordan den kom frem til det.
Kraftig prompt:
Din rolle: assistent, der kun regner med de givne data. Linsesuppe servering = 300 g. Ingredienser (værdier pr. 100 g, kilde USDA, jeg giver nedenfor): røde linser (kogte) [værdier], løg [værdier], olivenolie [værdier]. Mængder pr. portion: [...]. Beregn total kcal og makro med disse data, tilføj ikke fra hukommelsen, vis trin.
Den anden promptkilde giver servering, rå/tilberedt information og "tilføj ikke"-begrænsningen; Outputtet er revideret og pålideligt.
Almindelige fejl
- Tillid til AI's hukommelse: Åbent spørgsmål om ernæringsværdi; Dette er en invitation til hallucinationer.
- Forvirrende rå/kogt: Den mest almindelige tavse fejl; Afklar altid måleenheden.
- Kildeforvirring: Blanding af forskellige næringsstoffer fra forskellige databaser; Brug konsekvente ressourcer i en plan.
- Lad portionen være vag: Beregner udtryk som "en tallerken", "en håndfuld" uden at konvertere dem til gram.
- Fokuserer på et enkelt tal i stedet for et interval: At glemme, at den samme mad har en rimelig række af værdier; skabe falsk sikkerhed.
Sammenfattende
Ernæringsdata er det område, hvor sprogmodellen er svagest; Fordi modellen ikke husker tallene, producerer den dem. Så få altid ernæringsværdierne fra en anerkendt database (USDA, TÜBER, BeBiS) og brug AI til kun at beregne og fortolke disse data - baseret på RAG-logik, data hentet fra kilden. Vær opmærksom på rå/kogte omdannelser, portionsklarhed og kildekonsistens. Bare fordi tallet kom flydende ud er ikke korrekt; Du kan kun få sandheden ved at arbejde med kilden.
Ansøgningsopgave
Vælg tre fødevarer (for eksempel kogt æg, fuldkornsbrød, græsk yoghurt). Spørg først den åbne AI og få dens værdier (fra dens hukommelse). Find derefter de faktiske værdier af de samme næringsstoffer fra USDA FoodData Central. Sammenlign de to sæt og skriv ned i en tabel, hvor stor afvigelse der er i hver fødevare. Denne tabel vil afsløre princippet om "stol ikke på hukommelse, link til kilde".
tjekliste
- [ ] Jeg fik næringsværdierne fra en velkendt database, ikke fra AI-hukommelsen.
- [ ] Jeg satte begrænsningen på AI til at "kun arbejde med de givne data, tilføj ikke noget".
- [ ] Jeg har for hver madvare afklaret, om den er rå eller kogt.
- [ ] Jeg konverterede portionerne til gram; Jeg efterlod ikke "en tallerken/håndfuld" bag mig.
- [ ] Jeg brugte en enkelt konsistent kilde i en plan.
- [ ] Jeg verificerede AI'ens sum ved at gange den tilbage.