Ganancias:
- Capacidad de comprender la necesidad de obtener valores nutricionales de bases de datos conocidas (USDA, TÜBER, BeBiS) en lugar de memorias de inteligencia artificial.
- Capacidad de dirigir la inteligencia artificial para realizar cálculos e interpretaciones únicamente con los datos extraídos de la fuente, con lógica RAG.
- Capacidad para prevenir errores nutricionales al considerar las conversiones crudo/cocido, la claridad de las porciones y la consistencia de la fuente.
En el centro del trabajo diario de un dietista está la pregunta "¿cuánto hay en este nutriente?" Hay una pregunta. ¿Cuántos gramos de proteína hay en 100 gramos de pechuga de pollo? ¿Cuántos gramos de fibra hay en una rebanada de pan integral? ¿Cuántas calorías tiene una cucharada de aceite de oliva? Las respuestas a estas preguntas se encuentran en bases de datos de composición de alimentos: tablas oficiales que enumeran el contenido energético, de macro y micronutrientes de miles de alimentos según análisis de laboratorio. El error más peligroso de la inteligencia artificial en este campo es pensar que "recuerda" estos números. Sin embargo, el modelo de lenguaje no memoriza números; Genera probabilísticamente y a menudo da valores cercanos a la realidad pero a veces seriamente erróneos. El mensaje principal de esta unidad es claro: obtener el valor nutricional de una base de datos reconocida, no de la memoria de la IA; Utilice la IA para trabajar con datos precisos, no para recordarlos.
Bases de datos conocidas y para qué se utilizan
Las principales fuentes ampliamente utilizadas en el mundo y en Türkiye son:
base de datos
Alcance
punto fuerte
Atención
Central de datos alimentarios del USDA (EE. UU.)
Muy grande, ~un cuarto de millón de registros
Detallado, gratuito, con API
productos de EE.UU.; comida local limitada
Suplementos de la Guía Nutricional TÜBER / Türkiye
Cocina turca centrada
Comida local y porción.
Alcance más limitado que el del USDA
BeBiS (Sistema de Información Nutricional)
Software común en Türkiye
recetas turcas
Software con licencia
USDA/EuroFIR
Datos de composición europea
Estándar basado en el país
El acceso puede ser institucional.
Lo que se entiende por "API" es la interfaz que permite que un software haga preguntas mediante programación (automáticamente) a la base de datos y reciba respuestas estructuradas. Tener una API para recursos como USDA FoodData Central hace posible conectar herramientas de inteligencia artificial a datos reales en el futuro. Ésta es la base del enfoque de “IA basada en datos”: no ajustarse a modelos, extraer de la fuente real.
Atención: Un mismo nutriente puede presentar valores diferentes en distintas bases de datos; Porque las condiciones de cultivo, la variedad, el método de cocción y el análisis son diferentes. No existe un único número "correcto"; Hay un rango razonable. Registre qué recurso utiliza en un plan de cliente para que pueda ser coherente.
Lógica de "recuperación": conectar la IA a la fuente
En las aplicaciones modernas, la forma de conectar la IA con datos reales es el enfoque RAG (Retrieval-Augmented Generation) en inglés. Simplemente: en lugar de ajustar la respuesta de la memoria, el modelo primero extrae datos relevantes de una fuente confiable (base de datos, documento) y luego genera una respuesta basada en esos datos. En la práctica, esto se implementa de dos maneras:
- Alimentación manual: copias los valores de los alimentos de la tabla de confianza y se los das a la IA; La IA sólo calcula/interpreta con estos datos, no suma números de su propia memoria.
- Vehículo conectado: utiliza un vehículo conectado a una base de datos; La IA reenvía la consulta a la fuente real y utiliza el valor devuelto.
En ambos casos, la regla de oro es la misma: el número proviene de la fuente, la IA lo interpreta. "¿Cuánto hierro hay en 100 gramos de lentejas?" preguntó YZ. Hacer una pregunta abierta es invitar a la fabricación.
Producto genérico, producto de marca y mezcla de comidas.
Las bases de datos de nutrientes tienen varios registros con el mismo nombre y seleccionar el registro incorrecto es una fuente silenciosa de error. Por ejemplo, si busca "yogur" obtendrá docenas de registros diferentes, como yogur de frutas con toda la grasa, semidescremado, sin grasa, de tipo griego (colado) y endulzado; Sus calorías y macros están muy alejadas entre sí. El yogur griego tiene casi el doble de proteínas que el yogur normal. De manera similar, los registros de "productos de marca" (productos envasados de una empresa) y los registros de "nutrición general" tienen valores diferentes. En una buena práctica, se coincide lo más posible con el producto que el cliente realmente consume: si es posible, según la etiqueta nutricional del envase; de lo contrario, se elige la descripción más cercana en la base de datos. Pregúntale a la IA "¿qué registro debo elegir?" Cuando realiza una consulta, puede sugerirle el término de búsqueda correcto; pero la selección final del disco y la comparación con el sello está bajo su control. Usar el mismo registro para el mismo nutriente en todo el plan también es importante para mantener la coherencia; Usar leche entera la mitad del tiempo y leche descremada la mitad del tiempo distorsionará los totales.
Conversiones de porciones y cocción
Las bases de datos nutricionales suelen dar valores por 100 gramos crudos. Pero el cliente come lentejas cocidas, no crudas. El peso cambia al absorber agua durante la cocción; 100 gramos de arroz crudo aumentan a ~250-300 gramos cuando se cocinan. Por tanto, “200 gramos cocidos” y “100 gramos crudos” tienen valores nutricionales diferentes. La IA puede realizar estas transformaciones, pero puede confundir la dirección. Aclara siempre si el valor que utilizas es crudo o cocido; ésta es una fuente frecuente de errores de cálculo.
tres mini casos
Caso 1: Atrapar una alucinación. Un dietista preguntó a YZ: "¿Cuántos gramos de proteína hay en 100 gramos de brócoli hervido?" él pregunta; La IA dice "unos 8 gramos". El dietista consulta el USDA: el valor real es ~2,4 gramos. La IA lo mezcló con datos de legumbres y frutos secos y lo infló tres veces. El dietista utiliza el valor correcto. Lección: los vegetales verdes son bajos en proteínas; El número no es correcto sólo porque sea fluido.
Caso 2: Confusión crudo/cocido. En un borrador del plan, la IA utiliza el valor crudo de “150 gramos de pasta” (~525 kcal), mientras que el cliente come 150 gramos de pasta cocida (~210 kcal). La diferencia es de 315 kcal en una comida, lo que supone una desviación importante incluso con una comida al día. La dietista aclara la unidad de medida a "cocido" y vuelve a calcular.
Caso 3: Uso correcto. Un dietista copia los valores de 100 gramos de pollo, arroz y brócoli del USDA y se los entrega a la IA con la instrucción de “simplemente calcular la macro total de una comida con estos datos, sumando números de su propia memoria”. La IA sólo suma con números dados; El dietista confirma devolviéndolo de golpe. Los datos vinieron de la fuente, la IA hizo la aritmética.
Plantillas de avisos copiables
PLANTILLA DE CÁLCULO CON DATOS FUENTE (lógica RAG) Tu rol: asistente que trabaja solo con los valores nutricionales QUE TE DARON. AGREGA o CAMBIA valores nutricionales de tu propia memoria. Si faltan datos escriba "[sin datos]", recupere. Datos (por 100 g, fuente: USDA):- Pechuga de pollo (cocida): 165 kcal, 31 g de proteína, 3,6 g de grasa, 0 g de carbohidratos- Arroz (cocido): ...Tarea: Calcular las kcal totales y macro para 120 g de pollo + 150 g de arroz.
PLANTILLA DE CONVERSIÓN CRUDO/COCIDOEl valor del siguiente alimento se da por 100 g CRUDO: [valores]. El cliente come [X] g COCIDO. Cuando se cocina, el peso ~[proporción]cambia. En consecuencia, calcule el valor nutricional de la cantidad consumida y escriba CLARAMENTE qué suposición utiliza.
PLANTILLA DE PREPARACIÓN DE CONSULTA DE BASE DE DATOSQuiero encontrar el valor nutricional de una comida. Enumere QUÉ término debo buscar en la base de datos de alimentos (USDA/TUBER) para los siguientes alimentos, qué registro debo elegir, crudo/cocido. No te des los valores a TI; sólo dime el término de búsqueda correcto y el punto de atención.Nutrientes: [...]
PLANTILLA DE VERIFICACIÓN DE CONSISTENCIA Interprete los valores nutricionales de la siguiente comida de dos maneras diferentes: (1) suponiendo que todos los alimentos están crudos, (2) suponiendo que todos los alimentos están cocidos. Compara los dos totales y explica de dónde viene la diferencia. Entonces puedo ver qué suposición necesito verificar.
Aviso débil / Aviso fuerte
Aviso débil:
¿Cuántas calorías tiene un plato de sopa de lentejas?
"Un plato" es vago, la receta es vaga, la fuente está ausente; La IA inventa un número a partir de su memoria y no dice cómo se le ocurrió.
Potente mensaje:
Tu rol: asistente que sólo calcula con los datos proporcionados. Ración de sopa de lentejas = 300 g. Ingredientes (valores por 100 g, fuente USDA, los doy a continuación): lentejas rojas (cocidas) [valores], cebolla [valores], aceite de oliva [valores]. Cantidades por ración: [...]. Calcula kcal totales y macro con estos datos, no sumas de memoria, muestra pasos.
La segunda fuente de información proporciona la porción, información cruda/cocinada y la restricción de "no agregar"; El resultado es auditable y fiable.
Errores comunes
- Confiar en la memoria de la IA: cuestionamiento abierto del valor nutricional; Esta es una invitación a la alucinación.
- Confundir crudo/cocido: El error silencioso más común; Aclare siempre la unidad de medida.
- Confusión de fuentes: mezclar diferentes nutrientes de diferentes bases de datos; Utilice recursos consistentes en un plan.
- Dejar la porción vaga: Calcular expresiones como “un plato”, “un puñado” sin convertirlas a gramos.
- Centrarse en un solo número en lugar de en un rango: Olvidar que un mismo alimento tiene un rango razonable de valores; creando una falsa certeza.
En resumen
Los datos nutricionales son el área donde el modelo lingüístico es más débil; Como el modelo no recuerda los números, los produce. Por lo tanto, obtenga siempre los valores nutricionales de una base de datos reconocida (USDA, TÜBER, BeBiS) y utilice la IA para calcular e interpretar solo esos datos, basándose en la lógica RAG, datos extraídos de la fuente. Preste atención a las conversiones crudo/cocido, la claridad de las porciones y la consistencia de la fuente. Sólo porque el número salió fluido no es correcto; Sólo puedes obtener la verdad trabajando con la fuente.
Tarea de aplicación
Elija tres alimentos (por ejemplo, huevos duros, pan integral, yogur griego). Primero, pregunte a la IA de forma abierta y obtenga sus valores (de su memoria). Luego encuentre los valores reales de esos mismos nutrientes en USDA FoodData Central. Compara los dos conjuntos y anota en una tabla cuánta desviación hay en cada alimento. Esta tabla revelará el principio de "no confiar en la memoria, vincular a la fuente".
lista de verificación
- [] Obtuve los valores nutricionales de una base de datos conocida, no de la memoria de la IA.
- [] Puse la restricción a la IA para "trabajar sólo con los datos proporcionados, no agregar nada".
- [ ] He aclarado para cada alimento si está crudo o cocido.
- [ ] Convertí las porciones en gramos; No dejé "un plato/un puñado".
- [] Utilicé una única fuente consistente dentro de un plan.
- [] Verifiqué la suma de la IA multiplicándola nuevamente.