ફૂડ ડેટાબેસેસ અને પોષક તત્ત્વોનો ડેટા: AI ને યોગ્ય સ્ત્રોત સાથે જોડવું

નફો:

• આર્ટિફિશિયલ ઇન્ટેલિજન્સ મેમરીને બદલે જાણીતા ડેટાબેસેસ (USDA, TÜBER, BeBiS)માંથી પોષક મૂલ્યો મેળવવાની જરૂરિયાતને સમજવાની ક્ષમતા
• આરએજી તર્ક સાથે માત્ર સ્ત્રોતમાંથી મેળવેલા ડેટા સાથે ગણતરીઓ અને અર્થઘટન કરવા માટે કૃત્રિમ બુદ્ધિમત્તાને દિશામાન કરવાની ક્ષમતા
• કાચા/રાંધેલા રૂપાંતરણો, ભાગની સ્પષ્ટતા અને સ્ત્રોત સુસંગતતાને ધ્યાનમાં લઈને પોષણની ભૂલોને રોકવાની ક્ષમતા

ડાયેટિશિયનના રોજિંદા કાર્યના કેન્દ્રમાં પ્રશ્ન છે "આ પોષક તત્વોમાં કેટલું છે?" એક પ્રશ્ન છે. 100 ગ્રામ ચિકન બ્રેસ્ટમાં કેટલા ગ્રામ પ્રોટીન હોય છે? આખા ઘઉંની બ્રેડની સ્લાઈસમાં કેટલા ગ્રામ ફાઈબર હોય છે? ઓલિવ તેલના ચમચીમાં કેટલી કેલરી હોય છે? આ પ્રશ્નોના જવાબો ફૂડ કમ્પોઝિશન ડેટાબેઝમાં રાખવામાં આવ્યા છે - સત્તાવાર કોષ્ટકો જે પ્રયોગશાળા વિશ્લેષણના આધારે હજારો ખોરાકની ઊર્જા, મેક્રો અને સૂક્ષ્મ પોષકતત્ત્વોની સૂચિ આપે છે. આ ક્ષેત્રમાં કૃત્રિમ બુદ્ધિની સૌથી ખતરનાક ભૂલ એ વિચારવું છે કે તે આ સંખ્યાઓને "યાદ રાખે છે". જો કે, ભાષા મોડેલ નંબરો યાદ રાખતું નથી; તે સંભવિત રીતે જનરેટ કરે છે અને ઘણીવાર એવા મૂલ્યો આપે છે જે વાસ્તવિકતાની નજીક હોય છે પરંતુ ક્યારેક ગંભીર રીતે ખોટા હોય છે. આ એકમનો મુખ્ય સંદેશ સ્પષ્ટ છે: માન્યતા પ્રાપ્ત ડેટાબેઝમાંથી પોષક મૂલ્ય મેળવો, AI ની મેમરીમાંથી નહીં; સચોટ ડેટા સાથે કામ કરવા માટે AI નો ઉપયોગ કરો, ડેટા યાદ રાખવા માટે નહીં.

જાણીતા ડેટાબેસેસ અને તેનો ઉપયોગ શેના માટે થાય છે

વિશ્વમાં અને તુર્કીમાં વ્યાપકપણે ઉપયોગમાં લેવાતા મુખ્ય સ્ત્રોતો છે:

ડેટાબેઝ

અવકાશ

મજબૂત બિંદુ

ધ્યાન

યુએસડીએ ફૂડડેટા સેન્ટ્રલ (યુએસએ)

ખૂબ મોટો, ~ ક્વાર્ટર મિલિયન રેકોર્ડ્સ

API સાથે વિગતવાર, મફત

યુએસએ ઉત્પાદનો; સ્થાનિક ખોરાક મર્યાદિત

TÜBER / Türkiye પોષણ માર્ગદર્શિકા પૂરક

ટર્કિશ રાંધણકળા કેન્દ્રિત

સ્થાનિક ખોરાક અને ભાગ

USDA કરતાં અવકાશ સાંકડો

BeBiS (પોષણ માહિતી સિસ્ટમ)

Türkiye માં સામાન્ય સોફ્ટવેર

ટર્કિશ વાનગીઓ

લાઇસન્સ સોફ્ટવેર

USDA/EuroFIR

યુરોપિયન રચના ડેટા

દેશ આધારિત ધોરણ

પ્રવેશ સંસ્થાકીય હોઈ શકે છે

"API" નો અર્થ એ ઇન્ટરફેસ છે જે સોફ્ટવેરને પ્રોગ્રામેટિકલી (ઓટોમેટીકલી) ડેટાબેઝને પ્રશ્નો પૂછવા અને સ્ટ્રક્ચર્ડ જવાબો પ્રાપ્ત કરવાની મંજૂરી આપે છે. યુએસડીએ ફૂડડેટા સેન્ટ્રલ જેવા સંસાધનો માટે API રાખવાથી ભવિષ્યમાં AI ટૂલ્સને વાસ્તવિક ડેટા સાથે કનેક્ટ કરવાનું શક્ય બને છે. આ "ડેટા-સંચાલિત AI" અભિગમનો આધાર છે: મોડેલોને ફિટ કરશો નહીં, વાસ્તવિક સ્ત્રોતમાંથી દોરો.

ધ્યાન આપો: સમાન પોષક તત્વો વિવિધ ડેટાબેઝમાં વિવિધ મૂલ્યો બતાવી શકે છે; કારણ કે ખેતીની સ્થિતિ, વિવિધતા, રસોઈ પદ્ધતિ અને વિશ્લેષણ અલગ છે. ત્યાં કોઈ એક "સાચો" નંબર નથી; વાજબી શ્રેણી છે. ક્લાયંટ પ્લાનમાં તમે કયા સંસાધનનો ઉપયોગ કરો છો તે રેકોર્ડ કરો જેથી કરીને તમે સુસંગત રહી શકો.

"પુનઃપ્રાપ્તિ" તર્ક: AI ને સ્ત્રોત સાથે જોડવું

આધુનિક એપ્લિકેશન્સમાં, AI ને વાસ્તવિક ડેટા સાથે કનેક્ટ કરવાની રીત એ RAG અભિગમ છે — અંગ્રેજીમાં પુનઃપ્રાપ્તિ-સંવર્ધિત જનરેશન. સરળ રીતે: મેમરીમાંથી જવાબને ફિટ કરવાને બદલે, મોડેલ પ્રથમ વિશ્વસનીય સ્ત્રોત (ડેટાબેઝ, દસ્તાવેજ) માંથી સંબંધિત ડેટા ખેંચે છે, પછી તે ડેટાના આધારે જવાબ જનરેટ કરે છે. વ્યવહારમાં તમે આને બે રીતે લાગુ કરો છો:

1. મેન્યુઅલ ફીડિંગ: તમે વિશ્વસનીય ટેબલમાંથી ખોરાકના મૂલ્યોની નકલ કરો અને તેને AI ને આપો; AI માત્ર આ ડેટા સાથે ગણતરી/અર્થઘટન કરે છે, તે તેની પોતાની મેમરીમાંથી સંખ્યાઓ ઉમેરતું નથી.
2. કનેક્ટેડ વાહન: તમે ડેટાબેઝ-કનેક્ટેડ વાહનનો ઉપયોગ કરો છો; AI વાસ્તવિક સ્ત્રોત પર ક્વેરી ફોરવર્ડ કરે છે અને પરત કરેલ મૂલ્યનો ઉપયોગ કરે છે.

બંને કિસ્સાઓમાં, સુવર્ણ નિયમ સમાન છે: સંખ્યા સ્રોતમાંથી આવે છે, AI તેનું અર્થઘટન કરે છે. "100 ગ્રામ દાળમાં કેટલું આયર્ન હોય છે?" YZ ને પૂછ્યું. ઓપન-એન્ડેડ પ્રશ્ન પૂછવો એ ફેબ્રિકેશનને આમંત્રણ આપવાનું છે.

સામાન્ય ઉત્પાદન, બ્રાન્ડેડ ઉત્પાદન અને ભોજન મિશ્રણ

પોષક તત્ત્વોના ડેટાબેસેસમાં એક જ નામ હેઠળ બહુવિધ રેકોર્ડ્સ હોય છે, અને ખોટા રેકોર્ડની પસંદગી એ ભૂલનો શાંત સ્ત્રોત છે. ઉદાહરણ તરીકે, “દહીં” શોધવાથી તમને ડઝનેક અલગ-અલગ રેકોર્ડ્સ મળશે, જેમ કે ફુલ-ફેટ, અડધી-ફેટ, ફેટ-ફ્રી, ગ્રીક-ટાઈપ (તાણવાળું), અને મધુર ફળ દહીં; તેમની કેલરી અને મેક્રો એકબીજાથી ખૂબ દૂર છે. ગ્રીક દહીંમાં નિયમિત દહીં કરતાં લગભગ બમણું પ્રોટીન હોય છે. તેવી જ રીતે, "બ્રાન્ડેડ પ્રોડક્ટ" રેકોર્ડ્સ (કંપનીની પેકેજ્ડ પ્રોડક્ટ) અને "સામાન્ય પોષણ" રેકોર્ડ્સ અલગ અલગ મૂલ્યો ધરાવે છે. સારી પ્રેક્ટિસમાં, તમે ક્લાયંટ વાસ્તવમાં જે ઉત્પાદનનો ઉપયોગ કરે છે તે શક્ય તેટલી નજીકથી મેળ ખાઓ છો: જો શક્ય હોય તો, પેકેજિંગ પરના પોષણ લેબલના આધારે, અન્યથા તમે ડેટાબેઝમાં સૌથી નજીકનું વર્ણન પસંદ કરો છો. AI ને પૂછો "મારે કયો રેકોર્ડ પસંદ કરવો જોઈએ?" જ્યારે તમે સંપર્ક કરો છો, ત્યારે તે તમને યોગ્ય શોધ શબ્દ સૂચવી શકે છે; પરંતુ અંતિમ રેકોર્ડની પસંદગી અને લેબલની સરખામણી તમારા નિયંત્રણ હેઠળ છે. સમગ્ર યોજનામાં સમાન પોષક તત્વો માટે સમાન રેકોર્ડનો ઉપયોગ સુસંગતતા માટે પણ મહત્વપૂર્ણ છે; ફુલ ફેટ દૂધનો અડધો સમય અને સ્કિમ મિલ્કનો અડધો સમય ઉપયોગ કરવાથી ટોટલ બગડે છે.

ભાગ અને રસોઈ રૂપાંતરણ

પોષક ડેટાબેઝ સામાન્ય રીતે 100 ગ્રામ કાચા દીઠ મૂલ્યો આપે છે. પરંતુ ગ્રાહક કાચી દાળ નહીં પણ રાંધેલી દાળ ખાય છે. રસોઈ દરમિયાન પાણી શોષીને વજનમાં ફેરફાર થાય છે; 100 ગ્રામ કાચા ચોખા જ્યારે રાંધવામાં આવે ત્યારે વધીને ~250-300 ગ્રામ થાય છે. તેથી, "રાંધેલા 200 ગ્રામ" અને "કાચા 100 ગ્રામ" ના પોષક મૂલ્યો અલગ અલગ હોય છે. AI આ પરિવર્તનો કરી શકે છે, પરંતુ તે દિશાને ગૂંચવી શકે છે. હંમેશા સ્પષ્ટ કરો કે તમે જે મૂલ્યનો ઉપયોગ કરો છો તે કાચી છે કે રાંધેલી છે; આ ગણતરીની ભૂલોનો અવારનવાર સ્ત્રોત છે.

ત્રણ નાના કેસો

કેસ 1 - આભાસ પકડવો. એક આહારશાસ્ત્રીએ YZ ને પૂછ્યું, "બાફેલી બ્રોકોલીના 100 ગ્રામમાં કેટલા ગ્રામ પ્રોટીન હોય છે?" તે પૂછે છે; AI કહે છે "લગભગ 8 ગ્રામ". ડાયેટિશિયન યુએસડીએને જુએ છે: વાસ્તવિક મૂલ્ય ~2.4 ગ્રામ છે. AI એ તેને લીગ્યુમ/અખરોટના ડેટા સાથે ભેળવ્યું અને તેને ત્રણ ગણું ફૂલાવ્યું. આહારશાસ્ત્રી યોગ્ય મૂલ્યનો ઉપયોગ કરે છે. પાઠ: લીલા શાકભાજીમાં પ્રોટીન ઓછું હોય છે; નંબર સાચો નથી કારણ કે તે અસ્ખલિત છે.

કેસ 2 — કાચી/રાંધેલી મૂંઝવણ. ડ્રાફ્ટ પ્લાનમાં, AI “150 ગ્રામ પાસ્તા” (~525 kcal) માટે કાચા મૂલ્યનો ઉપયોગ કરે છે, જ્યારે ક્લાયન્ટ 150 ગ્રામ રાંધેલા પાસ્તા (~210 kcal) ખાય છે. એક ભોજનમાં તફાવત 315 kcal છે, જે દિવસમાં એક ભોજન સાથે પણ ગંભીર વિચલન છે. ડાયેટિશિયન માપના એકમને "રાંધેલા" માટે સ્પષ્ટ કરે છે અને પુનઃગણતરી કરે છે.

કેસ 3 - સાચો ઉપયોગ. એક ડાયેટિશિયન યુએસડીએમાંથી ચિકન, ચોખા અને બ્રોકોલી માટેના 100-ગ્રામ મૂલ્યોની નકલ કરે છે, તેમને AIને સૂચના સાથે આપે છે કે "ફક્ત આ ડેટા સાથે ભોજન માટે કુલ મેક્રોની ગણતરી કરો, તેની પોતાની મેમરીમાંથી સંખ્યાઓ ઉમેરીને." AI માત્ર આપેલ સંખ્યાઓ સાથે ઉમેરે છે; ડાયેટિશિયન તેને પાછું સ્લેમ કરીને પુષ્ટિ આપે છે. સ્રોતમાંથી ડેટા આવ્યો, એઆઈએ અંકગણિત કર્યું.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

સ્ત્રોત ડેટા (RAG લોજિક) સાથેની ગણતરીનો નમૂનો તમારી ભૂમિકા: સહાયક જે ફક્ત તમને આપવામાં આવેલા પોષક મૂલ્યો સાથે કામ કરે છે. તમારી પોતાની મેમરીમાંથી પોષક મૂલ્યો ઉમેરો અથવા બદલો. જો ડેટા ખૂટે છે તો "[કોઈ ડેટા નથી]" લખો, બનાવો. ડેટા (100 ગ્રામ દીઠ, સ્ત્રોત: USDA):- ચિકન બ્રેસ્ટ (રાંધેલું): 165 kcal, 31 ગ્રામ પ્રોટીન, 3.6 ગ્રામ ચરબી, 0 ગ્રામ કાર્બોહાઈડ્રેટ- ચોખા (રાંધેલા): ...કાર્ય: 120 ગ્રામ ચિકન + 150 ગ્રામ ચોખા માટે કુલ kcal અને મેક્રોની ગણતરી કરો.

કાચો/રાંધેલા રૂપાંતર નમૂનો100 ગ્રામ RAW દીઠ નીચેના ખોરાકની કિંમત આપવામાં આવે છે: [મૂલ્યો]. ક્લાયંટ [X] ગ્રામ રાંધેલું ખાય છે. જ્યારે રાંધવામાં આવે છે, ત્યારે વજન ~[ગુણોત્તર] બદલાય છે. તદનુસાર, ખાવાની માત્રાના પોષક મૂલ્યની ગણતરી કરો અને તમે કઈ ધારણાનો ઉપયોગ કરો છો તે સ્પષ્ટ રીતે લખો.

ડેટાબેઝ ક્વેરી તૈયારી ટેમ્પલેટ હું ભોજનનું પોષણ મૂલ્ય શોધવા માંગુ છું. નીચેના ખાદ્યપદાર્થો માટે મારે ફૂડ ડેટાબેઝ (USDA/TUBER) માં કયો શબ્દ શોધવો જોઈએ તેની સૂચિ બનાવો, જે રેકોર્ડ મારે પસંદ કરવો જોઈએ, કાચો/રાંધેલા. તમને મૂલ્યો ન આપો; ફક્ત મને સાચો શોધ શબ્દ અને ધ્યાન દોરો. પોષક તત્વો: [...]

સુસંગતતા તપાસો નમૂનો નીચેના ભોજન માટેના પોષક મૂલ્યોનું બે અલગ અલગ રીતે અર્થઘટન કરો: (1) ધારો કે બધા ખોરાક કાચા છે, (2) ધારો કે બધા ખોરાક રાંધેલા છે. બે સરવાળોની તુલના કરો અને તફાવત ક્યાંથી આવે છે તે સમજાવો. તેથી હું જોઈ શકું છું કે મારે કઈ ધારણાને ચકાસવાની જરૂર છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મસૂરના સૂપના બાઉલમાં કેટલી કેલરી હોય છે?

"એક વાનગી" અસ્પષ્ટ છે, રેસીપી અસ્પષ્ટ છે, સ્ત્રોત ગેરહાજર છે; AI તેની મેમરીમાંથી નંબર બનાવે છે અને તે કઈ રીતે આવ્યું તે કહેતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સહાયક જે ફક્ત આપેલ ડેટા સાથે ગણતરી કરે છે. મસૂરનો સૂપ સર્વિંગ = 300 ગ્રામ. ઘટકો (100 ગ્રામ દીઠ મૂલ્યો, સ્ત્રોત USDA, હું નીચે આપું છું): લાલ દાળ (રાંધેલી) [મૂલ્યો], ડુંગળી [મૂલ્યો], ઓલિવ તેલ [મૂલ્યો]. સેવા દીઠ જથ્થો: [...]. આ ડેટા સાથે કુલ kcal અને મેક્રોની ગણતરી કરો, મેમરીમાંથી ઉમેરશો નહીં, પગલાં બતાવો.

બીજો પ્રોમ્પ્ટ સ્ત્રોત સર્વિંગ, કાચી/રાંધેલી માહિતી અને "ઉમેરશો નહીં" અવરોધ આપે છે; આઉટપુટ ઓડિટેબલ અને વિશ્વસનીય છે.

સામાન્ય ભૂલો

• AI ની યાદશક્તિ પર વિશ્વાસ: પોષક મૂલ્યની ખુલ્લી પ્રશ્નાર્થ; આ આભાસને આમંત્રણ છે.
• મૂંઝવણભર્યું કાચું/રાંધેલું: સૌથી સામાન્ય શાંત ભૂલ; માપનનું એકમ હંમેશા સ્પષ્ટ કરો.
• સ્ત્રોત મૂંઝવણ: વિવિધ ડેટાબેઝમાંથી વિવિધ પોષક તત્વોનું મિશ્રણ; યોજનામાં સુસંગત સંસાધનોનો ઉપયોગ કરો.
• ભાગને અસ્પષ્ટ છોડવો: "એક પ્લેટ", "એક મુઠ્ઠીભર" જેવા અભિવ્યક્તિઓને ગ્રામમાં રૂપાંતરિત કર્યા વિના ગણતરી કરવી.
• શ્રેણીને બદલે એક જ સંખ્યા પર ધ્યાન કેન્દ્રિત કરવું: એ ભૂલી જવું કે સમાન ખોરાકમાં મૂલ્યોની વાજબી શ્રેણી છે; ખોટી નિશ્ચિતતા બનાવવી.

સારાંશમાં

ન્યુટ્રિશનલ ડેટા એ વિસ્તાર છે જ્યાં ભાષાનું મોડેલ સૌથી નબળું છે; કારણ કે મોડેલ નંબરો યાદ રાખતું નથી, તે તેમને ઉત્પન્ન કરે છે. તેથી હંમેશા માન્ય ડેટાબેઝ (USDA, TÜBER, BeBiS) માંથી પોષક મૂલ્યો મેળવો અને માત્ર તે ડેટાની ગણતરી અને અર્થઘટન કરવા માટે AI નો ઉપયોગ કરો — RAG તર્કના આધારે, સ્ત્રોતમાંથી લેવામાં આવેલ ડેટા. કાચા/રાંધેલા રૂપાંતરણો, ભાગની સ્પષ્ટતા અને સ્ત્રોત સુસંગતતા પર ધ્યાન આપો. માત્ર એટલા માટે કે નંબર અસ્ખલિત બહાર આવ્યો તે સાચો નથી; તમે સ્ત્રોત સાથે કામ કરીને જ સત્ય મેળવી શકો છો.

એપ્લિકેશન કાર્ય

ત્રણ ખોરાક પસંદ કરો (ઉદાહરણ તરીકે, બાફેલા ઇંડા, આખા ઘઉંની બ્રેડ, ગ્રીક દહીં). પ્રથમ, AI ઓપન-એન્ડેડને પૂછો અને તેના મૂલ્યો (તેની મેમરીમાંથી) મેળવો. પછી યુએસડીએ ફૂડડેટા સેન્ટ્રલમાંથી તે જ પોષક તત્વોના વાસ્તવિક મૂલ્યો શોધો. બે સેટની સરખામણી કરો અને કોષ્ટકમાં લખો કે દરેક ખોરાકમાં કેટલું વિચલન છે. આ કોષ્ટક "મેમરી પર વિશ્વાસ ન કરો, સ્ત્રોત સાથે લિંક કરો" ના સિદ્ધાંતને જાહેર કરશે.

ચેકલિસ્ટ

• [ ] મને AI મેમરીમાંથી નહીં પણ જાણીતા ડેટાબેઝમાંથી પોષક મૂલ્યો મળ્યા છે.
• [ ] મેં AI પર પ્રતિબંધ મૂક્યો છે કે "માત્ર આપેલ ડેટા સાથે કામ કરો, કંઈપણ ઉમેરશો નહીં".
• [ ] મેં દરેક ખોરાક માટે સ્પષ્ટ કર્યું છે કે તે કાચું છે કે રાંધેલું છે.
• [ ] મેં ભાગોને ગ્રામમાં રૂપાંતરિત કર્યા; મેં પાછળ "થાળી/મુઠ્ઠીભર" છોડ્યું નથી.
• [ ] મેં યોજનામાં એક સુસંગત સ્ત્રોતનો ઉપયોગ કર્યો.
• [ ] મેં AI નો સરવાળો તેને પાછો ગુણાકાર કરીને ચકાસ્યો.