سود:
- توانایی درک ضرورت به دست آوردن ارزش های غذایی از پایگاه های اطلاعاتی معروف (USDA، TÜBER، BeBiS) به جای حافظه هوش مصنوعی
- امکان هدایت هوش مصنوعی برای انجام محاسبات و تفسیرها تنها با داده های استخراج شده از منبع، با منطق RAG
- توانایی جلوگیری از خطاهای تغذیه ای با در نظر گرفتن تبدیل های خام/پخته شده، وضوح بخش و قوام منبع
در قلب کار روزانه یک متخصص تغذیه این سوال وجود دارد که "این ماده مغذی چقدر است؟" یک سوال وجود دارد. در 100 گرم سینه مرغ چند گرم پروتئین وجود دارد؟ چند گرم فیبر در یک تکه نان سبوس دار وجود دارد؟ یک قاشق غذاخوری روغن زیتون چند کالری دارد؟ پاسخ به این سؤالات در پایگاههای اطلاعاتی ترکیب مواد غذایی وجود دارد - جداول رسمی که انرژی، محتوای کلان و ریز مغذی هزاران غذا را بر اساس تجزیه و تحلیل آزمایشگاهی فهرست میکند. خطرناک ترین اشتباه هوش مصنوعی در این زمینه این است که فکر می کند این اعداد را «به یاد می آورد». با این حال، مدل زبان اعداد را حفظ نمی کند. به طور احتمالی تولید می کند و اغلب مقادیری را ارائه می دهد که به واقعیت نزدیک هستند اما گاهی اوقات به شدت اشتباه هستند. پیام اصلی این واحد روشن است: ارزش غذایی را از یک پایگاه داده شناخته شده دریافت کنید، نه از حافظه هوش مصنوعی. از هوش مصنوعی برای کار با داده های دقیق استفاده کنید نه برای به خاطر سپردن داده ها.
پایگاههای اطلاعاتی معروف و کاربرد آنها
منابع اصلی پرکاربرد در دنیا و ترکیه عبارتند از:
پایگاه داده
دامنه
نقطه قوت
توجه
USDA FoodData Central (ایالات متحده آمریکا)
رکوردهای بسیار بزرگ، حدود یک چهارم میلیون
مفصل، رایگان، با API
محصولات آمریکا؛ غذای محلی محدود است
مکمل های راهنمای تغذیه TÜBER / Türkiye
غذاهای ترکی متمرکز
غذای محلی و سهم
دامنه باریکتر از USDA
BeBiS (سیستم اطلاعات تغذیه)
نرم افزارهای رایج در ترکیه
دستور العمل های ترکی
نرم افزار دارای مجوز
USDA/EuroFIR
داده های ترکیب اروپایی
استاندارد مبتنی بر کشور
دسترسی می تواند نهادی باشد
منظور از "API" رابطی است که به یک نرم افزار اجازه می دهد تا به صورت برنامه نویسی (به طور خودکار) از پایگاه داده سوال بپرسد و پاسخ های ساختار یافته را دریافت کند. داشتن یک API برای منابعی مانند USDA FoodData Central، اتصال ابزارهای هوش مصنوعی به داده های واقعی را در آینده امکان پذیر می کند. این اساس رویکرد «هوش مصنوعی مبتنی بر داده» است: مدلها را متناسب نکنید، از منبع واقعی استفاده کنید.
توجه: یک ماده مغذی ممکن است مقادیر متفاوتی را در پایگاه داده های مختلف نشان دهد. زیرا شرایط کشاورزی، تنوع، روش پخت و آنالیز متفاوت است. هیچ عدد "درست" واحدی وجود ندارد. محدوده معقولی وجود دارد. منابعی را که در برنامه مشتری استفاده می کنید یادداشت کنید تا بتوانید ثابت قدم باشید.
منطق "بازیابی": اتصال هوش مصنوعی به منبع
در برنامههای مدرن، راه اتصال هوش مصنوعی به دادههای واقعی، رویکرد RAG است - Retrieval-Augmented Generation در انگلیسی. به سادگی: به جای برازش پاسخ از حافظه، مدل ابتدا داده های مربوطه را از یک منبع قابل اعتماد (پایگاه داده، سند) بیرون می کشد، سپس بر اساس آن داده ها پاسخ تولید می کند. در عمل شما این را به دو صورت اجرا می کنید:
- تغذیه دستی: شما مقادیر غذا را از جدول قابل اعتماد کپی می کنید و آن را به هوش مصنوعی می دهید. هوش مصنوعی فقط با این داده ها محاسبه/تفسیر می کند، اعداد را از حافظه خود اضافه نمی کند.
- وسیله نقلیه متصل: شما از وسیله نقلیه متصل به پایگاه داده استفاده می کنید. هوش مصنوعی پرس و جو را به منبع واقعی ارسال می کند و از مقدار بازگشتی استفاده می کند.
در هر دو مورد، قانون طلایی یکسان است: عدد از منبع می آید، هوش مصنوعی آن را تفسیر می کند. "در 100 گرم عدس چقدر آهن وجود دارد؟" از YZ پرسید. پرسیدن یک سوال با پایان باز به معنای دعوت به ساختگی است.
محصول ژنریک، محصول مارک دار و ترکیب غذا
پایگاههای اطلاعاتی مواد مغذی چندین رکورد تحت یک نام دارند و انتخاب رکورد اشتباه منبع بیصدا خطا است. برای مثال، جستجوی «ماست» دهها رکورد مختلف مانند ماست میوهای پرچرب، نیمهچرب، بدون چربی، نوع یونانی (فشرده) و شیرین شده را در اختیار شما قرار میدهد. کالری و ماکرو آنها بسیار دور از یکدیگر است. ماست یونانی تقریباً دو برابر ماست معمولی پروتئین دارد. به طور مشابه، سوابق "محصولات برند" (محصول بسته بندی شده یک شرکت) و سوابق "تغذیه عمومی" دارای ارزش های متفاوتی هستند. در عمل خوب، محصولی را که مشتری واقعاً مصرف میکند تا حد امکان مطابقت میدهید: در صورت امکان، بر اساس برچسب تغذیه روی بستهبندی، در غیر این صورت نزدیکترین توضیحات را در پایگاه داده انتخاب میکنید. از هوش مصنوعی بپرسید "کدام رکورد را باید انتخاب کنم؟" وقتی مشورت می کنید، می تواند عبارت جستجوی مناسب را به شما پیشنهاد دهد. اما انتخاب رکورد نهایی و مقایسه با لیبل تحت کنترل شماست. استفاده از رکورد یکسان برای یک ماده مغذی در طول یک برنامه نیز برای سازگاری مهم است. استفاده از شیر پرچرب نیمی از زمان و شیر بدون چربی نیمی از زمان، کل را مخدوش می کند.
بخش و تبدیل پخت و پز
پایگاه های اطلاعاتی تغذیه معمولاً مقادیری را در هر 100 گرم خام می دهند. اما مشتری عدس پخته می خورد نه عدس خام. وزن با جذب آب در طول پخت تغییر می کند. 100 گرم برنج خام هنگام پخت به 250-300 گرم افزایش می یابد. بنابراین «200 گرم پخته» و «100 گرم خام» ارزش غذایی متفاوتی دارند. هوش مصنوعی میتواند این تغییرات را ایجاد کند، اما میتواند مسیر را اشتباه بگیرد. همیشه روشن کنید که آیا ارزشی که استفاده می کنید خام است یا پخته. این یک منبع مکرر خطاهای محاسباتی است.
سه کیف کوچک
مورد 1 - گرفتن توهم. یک متخصص تغذیه از YZ پرسید: "در 100 گرم کلم بروکلی آب پز چند گرم پروتئین وجود دارد؟" او می پرسد؛ هوش مصنوعی می گوید "حدود 8 گرم". متخصص تغذیه به USDA نگاه می کند: ارزش واقعی 2.4 گرم است. هوش مصنوعی آن را با داده های حبوبات/آجیل مخلوط کرد و آن را سه برابر کرد. متخصص تغذیه از ارزش صحیح استفاده می کند. درس: سبزیجات سبز پروتئین کمی دارند. فقط به دلیل روان بودن عدد صحیح نیست.
مورد 2 - آشفتگی خام/پخته. در یک طرح پیش نویس، هوش مصنوعی از ارزش خام برای «150 گرم پاستا» (~525 کیلو کالری) استفاده می کند، در حالی که مشتری 150 گرم ماکارونی پخته شده (~210 کیلو کالری) می خورد. تفاوت 315 کیلوکالری در یک وعده غذایی است که حتی با یک وعده غذایی در روز انحراف جدی است. متخصص تغذیه واحد اندازه گیری را به "پخته" روشن می کند و دوباره محاسبه می کند.
مورد 3 - استفاده صحیح. یک متخصص تغذیه مقادیر 100 گرمی مرغ، برنج و کلم بروکلی را از USDA کپی میکند و آنها را با این دستورالعمل به هوش مصنوعی میدهد که «فقط کل کل ماکرو یک وعده غذایی را با این دادهها محاسبه کند و اعداد را از حافظه خودش اضافه کند». هوش مصنوعی فقط با اعداد داده شده جمع می کند. متخصص تغذیه با کوبیدن آن را تایید می کند. داده ها از منبع به دست آمد، هوش مصنوعی حساب را انجام داد.
الگوهای درخواستی قابل کپی
الگوی محاسبه با داده های منبع (منطق RAG) نقش شما: دستیار که فقط با ارزش های غذایی داده شده به شما کار می کند. ارزش های غذایی را از حافظه خود اضافه یا تغییر دهید. اگر داده از دست رفته بنویسید "[no data]"، جبران کنید. داده ها (در هر 100 گرم، منبع: USDA):- سینه مرغ (پخته): 165 کیلو کالری، 31 گرم پروتئین، 3.6 گرم چربی، 0 گرم کربوهیدرات- برنج (پخته): ... وظیفه: کل کالری و ماکرو 120 گرم مرغ + 150 گرم برنج را محاسبه کنید.
الگوی تبدیل خام/پخته شده مقدار غذای زیر به ازای هر 100 گرم خام آورده شده است: [مقدار]. مشتری [X] گرم پخته می خورد. هنگام پختن، وزن ~ [نسبت] تغییر می کند. بر این اساس، ارزش غذایی مقدار خورده شده را محاسبه کنید و به وضوح بنویسید که از کدام فرض استفاده می کنید.
الگوی آماده سازی پرس و جوی پایگاه داده من می خواهم ارزش غذایی یک وعده غذایی را بیابم. فهرست کنید کدام عبارت را باید در پایگاه داده مواد غذایی (USDA/TUBER) برای غذاهای زیر جستجو کنم، کدام رکورد را باید انتخاب کنم، خام/پخته. ارزش ها را به شما ندهید؛ فقط عبارت جستجوی صحیح و نقطه توجه را به من بگویید.مواد مغذی: [...]
الگوی بررسی سازگاری ارزش غذایی وعده غذایی زیر را به دو روش مختلف تفسیر کنید: (1) با فرض خام بودن همه غذاها، (2) با فرض پخته شدن همه غذاها. دو مجموع را با هم مقایسه کنید و توضیح دهید که تفاوت از کجا می آید. بنابراین می توانم ببینم کدام فرض را باید تأیید کنم.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
یک کاسه سوپ عدس چند کالری دارد؟
"یک ظرف" مبهم است، دستور غذا مبهم است، منبع وجود ندارد. هوش مصنوعی یک عدد را از حافظه خود می سازد و نمی گوید چگونه به آن رسیده است.
اعلان قدرتمند:
نقش شما: دستیار که فقط با داده های داده شده محاسبه می کند. وعده سوپ عدس = 300 گرم. مواد تشکیل دهنده (مقادیر در هر 100 گرم، منبع USDA، در زیر می آورم): عدس قرمز (پخته شده) [مقدار]، پیاز [ارزش]، روغن زیتون [ارزش]. مقادیر در هر وعده: [...]. کل کیلو کالری و ماکرو را با این داده ها محاسبه کنید، از حافظه اضافه نکنید، مراحل را نشان دهید.
دومین منبع سریع اطلاعات سرو، خام/پخته شده و محدودیت «اضافه نکنید» را ارائه می دهد. خروجی قابل حسابرسی و قابل اعتماد است.
اشتباهات رایج
- اعتماد به حافظه هوش مصنوعی: پرسش بی پایان در مورد ارزش غذایی. این یک دعوت به توهم است.
- گیج کننده خام/پخته: رایج ترین اشتباه بی صدا. Always clarify the unit of measurement.
- سردرگمی منبع: ترکیب مواد مغذی مختلف از پایگاه های داده مختلف. از منابع ثابت در یک برنامه استفاده کنید.
- مبهم گذاشتن قسمت: محاسبه عباراتی مانند "یک بشقاب"، "یک مشت" بدون تبدیل آنها به گرم.
- تمرکز بر یک عدد به جای یک محدوده: فراموش کردن اینکه همان غذا دارای محدوده معقولی از مقادیر است. ایجاد اطمینان کاذب
به طور خلاصه
داده های تغذیه منطقه ای است که مدل زبان ضعیف ترین است. چون مدل اعداد را به خاطر نمی آورد، آنها را تولید می کند. بنابراین همیشه ارزش های غذایی را از یک پایگاه داده شناخته شده (USDA، TÜBER، BeBiS) دریافت کنید و از هوش مصنوعی برای محاسبه و تفسیر فقط آن داده ها استفاده کنید - بر اساس منطق RAG، داده هایی که از منبع استخراج می شوند. به تبدیلهای خام/پخته شده، وضوح بخش و سازگاری منبع توجه کنید. فقط به این دلیل که عدد روان بیرون آمده است صحیح نیست. You can only get the truth by working with the source.
وظیفه کاربردی
سه غذا را انتخاب کنید (به عنوان مثال، تخم مرغ آب پز، نان گندم کامل، ماست یونانی). ابتدا از هوش مصنوعی سوال کنید و مقادیر آن را (از حافظه آن) دریافت کنید. سپس مقادیر واقعی همان مواد مغذی را از USDA FoodData Central بیابید. دو مجموعه را با هم مقایسه کنید و در جدول بنویسید که در هر غذا چقدر انحراف وجود دارد. این جدول اصل "به حافظه اعتماد نکنید، لینک به منبع" را نشان می دهد.
چک لیست
- [ ] من ارزش غذایی را از یک پایگاه داده شناخته شده دریافت کردم، نه از حافظه هوش مصنوعی.
- [ ] من این محدودیت را برای هوش مصنوعی قرار دادم "فقط با داده های داده شده کار کنید، چیزی اضافه نکنید".
- [ ] I have clarified for each food whether it is raw or cooked.
- [ ] من بخش ها را به گرم تبدیل کردم. من "یک بشقاب / مشت" را پشت سر نگذاشتم.
- [ ] من از یک منبع ثابت در یک طرح استفاده کردم.
- [ ] من مجموع هوش مصنوعی را با ضرب مجدد آن تأیید کردم.