Gains :
- Capacité à comprendre la nécessité d'obtenir des valeurs nutritionnelles à partir de bases de données connues (USDA, TÜBER, BeBiS) plutôt qu'à partir de la mémoire de l'intelligence artificielle
- Capacité à diriger l'intelligence artificielle pour effectuer des calculs et des interprétations uniquement avec les données tirées de la source, avec la logique RAG
- Capacité à prévenir les erreurs nutritionnelles en tenant compte des conversions cru/cuit, de la clarté des portions et de la cohérence de la source
Au cœur du travail quotidien d'un diététiste se trouve la question « quelle quantité contient ce nutriment ? Il y a une question. Combien de grammes de protéines dans 100 grammes de poitrine de poulet ? Combien de grammes de fibres contient une tranche de pain de blé entier ? Combien de calories y a-t-il dans une cuillère à soupe d’huile d’olive ? Les réponses à ces questions sont conservées dans des bases de données sur la composition des aliments – des tableaux officiels qui répertorient la teneur en énergie, en macro et micronutriments de milliers d’aliments sur la base d’analyses en laboratoire. L’erreur la plus dangereuse de l’intelligence artificielle dans ce domaine est de penser qu’elle « se souvient » de ces chiffres. Cependant, le modèle de langage ne mémorise pas les nombres ; Il génère de manière probabiliste et donne souvent des valeurs proches de la réalité mais parfois gravement fausses. Le message principal de cette unité est clair : obtenir la valeur nutritionnelle à partir d'une base de données reconnue, et non de la mémoire de l'IA ; Utilisez l’IA pour travailler avec des données précises, et non pour mémoriser les données.
Bases de données connues et à quoi elles servent
Les principales sources largement utilisées dans le monde et en Turquie sont :
base de données
Portée
point fort
Attention
USDA FoodData Central (États-Unis)
Très gros, environ un quart de million d'enregistrements
Détaillé, gratuit, avec API
Produits américains ; nourriture locale limitée
Suppléments du Guide nutritionnel TÜBER / Türkiye
La cuisine turque axée
Nourriture et portion locales
Portée plus étroite que celle de l'USDA
BeBiS (Système d'Information Nutritionnelle)
Logiciel commun en Turquie
recettes turques
Logiciel sous licence
USDA/EuroFIR
Données de composition européenne
Norme nationale
L’accès peut être institutionnel
Ce que l'on entend par « API » est l'interface qui permet à un logiciel de poser par programme (automatiquement) des questions à la base de données et de recevoir des réponses structurées. Disposer d'une API pour des ressources telles que USDA FoodData Central permet à l'avenir de connecter des outils d'IA à des données réelles. C’est la base de l’approche « data-driven AI » : ne pas ajuster les modèles, puiser à la source réelle.
Attention : Le même nutriment peut afficher des valeurs différentes dans différentes bases de données ; Parce que les conditions d'élevage, la variété, le mode de cuisson et l'analyse sont différents. Il n’existe pas de numéro « correct » unique ; Il existe une fourchette raisonnable. Enregistrez la ressource que vous utilisez dans un plan client afin d'être cohérent.
Logique de « récupération » : connecter l'IA à la source
Dans les applications modernes, le moyen de connecter l’IA aux données réelles est l’approche RAG – Retrieval-Augmented Generation en anglais. Simplement : au lieu d'ajuster la réponse de la mémoire, le modèle extrait d'abord les données pertinentes d'une source fiable (base de données, document), puis génère une réponse basée sur ces données. En pratique, vous implémentez cela de deux manières :
- Alimentation manuelle : vous copiez les valeurs de l'aliment de la table de confiance et les transmettez à l'IA ; L'IA calcule/interprète uniquement ces données, elle n'ajoute pas de chiffres à partir de sa propre mémoire.
- Véhicule connecté : Vous utilisez un véhicule connecté à une base de données ; L'IA transmet la requête à la source réelle et utilise la valeur renvoyée.
Dans les deux cas, la règle d’or est la même : le numéro vient de la source, l’IA l’interprète. "Combien de fer y a-t-il dans 100 grammes de lentilles ?" » demanda YZ. Poser une question ouverte, c’est inviter à la fabrication.
Produit générique, produit de marque et mélange de repas
Les bases de données sur les nutriments contiennent plusieurs enregistrements sous le même nom, et la sélection du mauvais enregistrement est une source d'erreur silencieuse. Par exemple, la recherche de « yaourt » vous donnera des dizaines d’enregistrements différents, tels que yaourt aux fruits entier, demi-gras, sans gras, de type grec (égoutté) et sucré ; Leurs calories et macros sont très éloignées les unes des autres. Le yaourt grec contient presque deux fois plus de protéines que le yaourt ordinaire. De même, les enregistrements « produit de marque » (le produit emballé d'une entreprise) et les enregistrements « nutrition générale » comportent des valeurs différentes. En bonne pratique, vous faites correspondre le plus fidèlement possible le produit que le client consomme réellement : si possible, en vous basant sur l'étiquette nutritionnelle figurant sur l'emballage, sinon vous choisissez la description la plus proche dans la base de données. Demandez à l'IA "quel enregistrement dois-je choisir ?" Lors de votre consultation, il peut vous suggérer le bon terme de recherche ; mais la sélection finale du disque et la comparaison avec le label sont sous votre contrôle. L’utilisation du même enregistrement pour le même nutriment tout au long d’un plan est également importante pour la cohérence ; Utiliser du lait entier la moitié du temps et du lait écrémé la moitié du temps faussera les totaux.
Conversions de portions et de cuisson
Les bases de données nutritionnelles donnent généralement des valeurs pour 100 grammes bruts. Mais le client mange des lentilles cuites et non crues. Le poids change en absorbant de l'eau pendant la cuisson ; 100 grammes de riz cru augmentent jusqu'à environ 250 à 300 grammes une fois cuits. Par conséquent, « 200 grammes cuits » et « 100 grammes crus » ont des valeurs nutritionnelles différentes. L’IA peut effectuer ces transformations, mais elle peut brouiller les pistes. Précisez toujours si la valeur que vous utilisez est crue ou cuite ; c'est une source fréquente d'erreurs de calcul.
trois mini-cases
Cas 1 — Attraper une hallucination. Une diététiste a demandé à YZ : « Combien de grammes de protéines y a-t-il dans 100 grammes de brocoli bouilli ? » demande-t-il ; AI dit "environ 8 grammes". Le diététiste consulte l'USDA : la valeur réelle est d'environ 2,4 grammes. L’IA l’a mélangé avec des données sur les légumineuses/noix et l’a gonflé trois fois. Le diététicien utilise la bonne valeur. Leçon : les légumes verts sont pauvres en protéines ; Le numéro n’est pas correct simplement parce qu’il est courant.
Cas 2 — Confusion cru/cuit. Dans un projet de plan, l'IA utilise la valeur brute pour « 150 grammes de pâtes » (~525 kcal), alors que le client mange 150 grammes de pâtes cuites (~210 kcal). La différence est de 315 kcal par repas, ce qui constitue un écart important même avec un repas par jour. Le diététicien précise l'unité de mesure à « cuit » et recalcule.
Cas 3 — Utilisation correcte. Un diététiste copie les valeurs de 100 grammes pour le poulet, le riz et le brocoli de l'USDA, les donnant à l'IA avec l'instruction de « simplement calculer la macro totale pour un repas avec ces données, en ajoutant les chiffres de sa propre mémoire ». L'IA n'ajoute qu'avec des nombres donnés ; » confirme la diététicienne en lui répondant brusquement. Les données provenaient de la source, l’IA faisait le calcul.
Modèles d'invite copiables
MODÈLE DE CALCUL AVEC DONNEES SOURCE (logique RAG)Votre rôle : assistant qui travaille uniquement avec les valeurs nutritionnelles QUI VOUS SONT DONNÉES.AJOUTEZ ou MODIFIEZ les valeurs nutritionnelles de votre propre mémoire. S'il manque des données, écrivez "[aucune donnée]", rattrapez. Données (pour 100 g, source : USDA) :- Poitrine de poulet (cuite) : 165 kcal, 31 g de protéines, 3,6 g de matières grasses, 0 g de glucides- Riz (cuit) : ...Tâche : Calculez le total de kcal et de macro pour 120 g de poulet + 150 g de riz.
MODÈLE DE CONVERSION CRU/CUITLa valeur de l'aliment suivant est donnée pour 100 g CRU : [valeurs]. Le client mange [X] g CUIT. Une fois cuit, le poids ~[rapport]change. En conséquence, calculez la valeur nutritionnelle de la quantité consommée et écrivez CLAIREMENT quelle hypothèse vous utilisez.
MODÈLE DE PRÉPARATION DE REQUÊTE DE BASE DE DONNÉESJe souhaite connaître la valeur nutritionnelle d'un repas. Indiquez QUEL terme je dois rechercher dans la base de données sur les aliments (USDA/TUBER) pour les aliments suivants, quel enregistrement je dois choisir, crus/cuits. Ne VOUS donnez pas les valeurs ; dites-moi simplement le terme de recherche correct et le point d'attention.Nutrients : [...]
MODÈLE DE VÉRIFICATION DE COHÉRENCEInterprétez les valeurs nutritionnelles du repas suivant de deux manières différentes : (1) en supposant que tous les aliments sont crus, (2) en supposant que tous les aliments sont cuits. Comparez les deux totaux et expliquez d’où vient la différence. Je peux donc voir quelle hypothèse je dois vérifier.
Invite faible/Invite forte
Invite faible :
Combien de calories y a-t-il dans un bol de soupe aux lentilles ?
« Un plat » est vague, la recette est vague, la source est absente ; L'IA compose un numéro à partir de sa mémoire et ne dit pas comment elle l'a obtenu.
Invite puissante :
Votre rôle : assistant qui calcule uniquement avec les données données. Portion de soupe aux lentilles = 300 g. Ingrédients (valeurs pour 100 g, source USDA, je donne ci-dessous) : lentilles rouges (cuites) [valeurs], oignon [valeurs], huile d'olive [valeurs]. Quantités par portion : [...]. Calculez le total des kcal et des macros avec ces données, n'ajoutez pas de mémoire, affichez les étapes.
La deuxième source d'invite donne les informations de portion, de cru/cuit et la contrainte « ne pas ajouter » ; Le résultat est vérifiable et fiable.
Erreurs courantes
- Faire confiance à la mémoire de l'IA : Questionnement ouvert sur la valeur nutritionnelle ; C’est une invitation à l’hallucination.
- Confondre cru/cuit : L’erreur silencieuse la plus courante ; Clarifiez toujours l’unité de mesure.
- Confusion des sources : mélange de différents nutriments provenant de différentes bases de données ; Utilisez des ressources cohérentes dans un plan.
- Laisser la portion vague : Calculer des expressions telles que « une assiette », « une poignée » sans les convertir en grammes.
- Se concentrer sur un seul chiffre plutôt que sur une fourchette : oublier que le même aliment a une fourchette raisonnable de valeurs ; créer une fausse certitude.
En résumé
Les données nutritionnelles sont le domaine dans lequel le modèle linguistique est le plus faible ; Parce que le modèle ne mémorise pas les chiffres, il les produit. Obtenez donc toujours les valeurs nutritionnelles d'une base de données reconnue (USDA, TÜBER, BeBiS) et utilisez l'IA pour calculer et interpréter uniquement ces données – sur la base de la logique RAG, des données extraites de la source. Faites attention aux conversions cru/cuit, à la clarté des portions et à la cohérence de la source. Ce n’est pas juste parce que le numéro est sorti couramment ; Vous ne pouvez obtenir la vérité qu’en travaillant avec la source.
Tâche de candidature
Choisissez trois aliments (par exemple, œufs durs, pain de blé entier, yaourt grec). Tout d'abord, interrogez l'IA de manière ouverte et récupérez ses valeurs (à partir de sa mémoire). Recherchez ensuite les valeurs réelles de ces mêmes nutriments sur USDA FoodData Central. Comparez les deux ensembles et notez dans un tableau l’écart qu’il y a dans chaque aliment. Ce tableau révélera le principe du « ne pas faire confiance à la mémoire, lien vers la source ».
liste de contrôle
- [ ] J'ai obtenu les valeurs nutritionnelles d'une base de données bien connue, pas de la mémoire de l'IA.
- [ ] J'ai imposé à l'IA la restriction de "travailler uniquement avec les données fournies, de ne rien ajouter".
- [ ] J'ai précisé pour chaque aliment s'il est cru ou cuit.
- [ ] J'ai converti les portions en grammes ; Je n'ai pas laissé "une assiette/une poignée" derrière moi.
- [ ] J'ai utilisé une seule source cohérente dans un plan.
- [ ] J'ai vérifié la somme de l'IA en la multipliant.