jedinice
1. Uvod u umjetnu inteligenciju u prehrani i dijetetici: uloge, granice, provjera valjanosti i etika 2. Priča o zapošljavanju klijenata i prehrani: priprema intervjua i prikupljanje podataka pomoću umjetne inteligencije 3. Izračun energije i makronutrijenata: disciplina potvrđivanja nacrta umjetne inteligencije 4. Baze podataka o hrani i podaci o hranjivim tvarima: povezivanje umjetne inteligencije s pravim izvorom 5. Nacrt plana prehrane: Izrada plana obroka uz AI i odobrenje dijetetičara 6. Razvoj jelovnika i recepata: ravnoteža okusa, kulture i prehrane 7. Alergije, netolerancija i medicinska ograničenja: Kontrola kritična za sigurnost 8. Praćenje i motivacija klijenata: Praćenje napretka i povratne informacije 9. Sadržaj obuke klijenata: brošura, društveni mediji i jasno objašnjenje 10. Skeniranje dokaza i zdravstvene tvrdnje: Ispravno čitanje znanosti, izbjegavanje lažnih tvrdnji 11. End-to-end tijek rada, privatnost/KVKK, etika i kontrola kvalitete
Jedinica 4 / 11

Baze podataka o hrani i podaci o hranjivim tvarima: povezivanje umjetne inteligencije s pravim izvorom

Dobici:

  • Sposobnost razumijevanja nužnosti dobivanja nutritivnih vrijednosti iz dobro poznatih baza podataka (USDA, TÜBER, BeBiS), a ne iz memorije umjetne inteligencije
  • Sposobnost usmjeravanja umjetne inteligencije da radi izračune i tumačenja samo s podacima izvučenim iz izvora, s RAG logikom
  • Sposobnost sprječavanja nutricionističkih pogrešaka uzimajući u obzir konverzije sirovo/kuhano, jasnoću porcija i dosljednost izvora

U središtu svakodnevnog rada dijetetičara je pitanje "koliko ima ove hranjive tvari?" Postoji pitanje. Koliko grama proteina ima u 100 grama pilećih prsa? Koliko grama vlakana ima u kriški kruha od cjelovitog zrna pšenice? Koliko kalorija ima žlica maslinovog ulja? Odgovori na ova pitanja nalaze se u bazama podataka o sastavu hrane — službenim tablicama koje navode sadržaj energije, makro i mikronutrijenata u tisućama namirnica na temelju laboratorijskih analiza. Najopasnija pogreška umjetne inteligencije na ovom polju je mišljenje da "pamti" te brojeve. Međutim, jezični model ne pamti brojeve; Generira vjerojatnost i često daje vrijednosti koje su bliske stvarnosti, ali ponekad ozbiljno pogrešne. Glavna poruka ove jedinice je jasna: uzmite nutritivnu vrijednost iz priznate baze podataka, a ne iz memorije umjetne inteligencije; Koristite AI za rad s točnim podacima, a ne za pamćenje podataka.

Poznate baze podataka i za što se koriste

Glavni izvori koji se široko koriste u svijetu i Turskoj su:

baza podataka

Opseg

jaka točka

Pažnja

USDA FoodData Central (SAD)

Vrlo veliki, ~četvrt milijuna zapisa

Detaljno, besplatno, s API-jem

USA proizvodi; lokalna hrana ograničena

TÜBER / Türkiye Dodaci vodiču za prehranu

Fokus na tursku kuhinju

Domaća hrana i porcija

Opseg uži od USDA

BeBiS (Informacijski sustav o prehrani)

Uobičajeni softver u Turskoj

Turski recepti

Licencirani softver

USDA/EuroFIR

Podaci o europskom sastavu

Standard temeljen na zemlji

Pristup može biti institucionalni

Ono što se podrazumijeva pod "API" je sučelje koje omogućuje softveru da programski (automatski) postavlja pitanja bazi podataka i prima strukturirane odgovore. Posjedovanje API-ja za resurse kao što je USDA FoodData Central omogućuje povezivanje AI alata sa stvarnim podacima u budućnosti. Ovo je osnova pristupa "AI-ja vođenog podacima": ne uklapajte se u modele, crpite iz stvarnog izvora.

Pažnja: ista hranjiva tvar može pokazivati ​​različite vrijednosti u različitim bazama podataka; Zato što su uvjeti uzgoja, sorta, način kuhanja i analiza različiti. Ne postoji jedan "točan" broj; Postoji razuman raspon. Zabilježite koji resurs koristite u planu klijenta kako biste bili dosljedni.

Logika "Dohvaćanja": povezivanje AI ​​s izvorom

U modernim aplikacijama, način za povezivanje AI sa stvarnim podacima je RAG pristup — Retrieval-Augmented Generation na engleskom. Jednostavno: umjesto uklapanja odgovora iz memorije, model prvo izvlači relevantne podatke iz pouzdanog izvora (baza podataka, dokument), zatim generira odgovor na temelju tih podataka. U praksi to provodite na dva načina:

  1. Ručno hranjenje: kopirate vrijednosti hrane iz provjerene tablice i dajete ih AI-u; AI samo izračunava/interpretira te podatke, ne dodaje brojeve iz vlastite memorije.
  2. Povezano vozilo: koristite vozilo povezano s bazom podataka; AI prosljeđuje upit stvarnom izvoru i koristi vraćenu vrijednost.

U oba slučaja, zlatno pravilo je isto: broj dolazi iz izvora, AI ga tumači. "Koliko željeza ima u 100 grama leće?" upitao je YZ. Postaviti otvoreno pitanje znači pozvati na izmišljanje.

Generički proizvod, brendirani proizvod i mješavina obroka

Baze podataka o hranjivim tvarima imaju više zapisa pod istim imenom, a odabir pogrešnog zapisa tihi je izvor pogreške. Na primjer, traženje pojma "jogurt" dat će vam desetke različitih zapisa, kao što su punomasni, polumasni, bezmasni, grčki (procijeđeni) i zaslađeni voćni jogurt; Njihove kalorije i makronaredbe jako su udaljene jedna od druge. Grčki jogurt ima gotovo dvostruko više proteina od običnog jogurta. Slično tome, zapisi o "brandiranom proizvodu" (zapakirani proizvod tvrtke) i zapisi o "općoj prehrani" nose različite vrijednosti. U dobroj praksi, odgovarate proizvodu koji klijent stvarno konzumira što je moguće bliže: ako je moguće, na temelju oznake nutritivne vrijednosti na pakiranju, inače birate najbliži opis u bazi podataka. Pitajte AI ​​"koji zapis trebam odabrati?" Kada se posavjetujete, može vam predložiti pravi pojam za pretraživanje; ali konačni odabir ploče i usporedba s etiketom je pod vašom kontrolom. Korištenje istog zapisa za istu hranjivu tvar kroz plan također je važno za dosljednost; Korištenje punomasnog mlijeka pola vremena i obranog mlijeka pola vremena će iskriviti ukupne vrijednosti.

Pretvorbe porcija i kuhanja

Nutritivne baze podataka obično daju vrijednosti na 100 grama sirovog. Ali klijent jede kuhanu, a ne sirovu leću. Težina se mijenja upijanjem vode tijekom kuhanja; 100 grama sirove riže kuhanom se povećava na ~250-300 grama. Dakle, "kuhano 200 grama" i "sirovo 100 grama" imaju različite nutritivne vrijednosti. AI može napraviti te transformacije, ali može zbuniti smjer. Uvijek razjasnite je li vrijednost koju koristite sirova ili kuhana; ovo je čest izvor računskih pogrešaka.

tri mini kućišta

Slučaj 1 — Hvatanje halucinacije. Dijetetičar je upitao YZ: "Koliko grama proteina ima u 100 grama kuhane brokule?" on pita; AI kaže "oko 8 grama". Dijetetičar gleda na USDA: stvarna vrijednost je ~2,4 grama. AI ga je pomiješao s podacima o mahunarkama/orašastim plodovima i trostruko napuhao. Dijetetičar koristi točnu vrijednost. Lekcija: zeleno povrće ima malo proteina; Broj nije točan samo zato što je tečan.

Slučaj 2 — Konfuzija sirovo/kuhano. U nacrtu plana, AI koristi sirovu vrijednost za “150 grama tjestenine” (~525 kcal), dok klijent jede 150 grama kuhane tjestenine (~210 kcal). Razlika je 315 kcal u jednom obroku, što je ozbiljno odstupanje čak i uz jedan obrok dnevno. Dijetetičar pojašnjava mjernu jedinicu na "kuhano" i ponovno izračunava.

Slučaj 3 — Ispravna uporaba. Dijetetičar kopira vrijednosti od 100 grama za piletinu, rižu i brokulu iz USDA-e, dajući ih AI-u s uputama da "samo izračuna ukupnu makronaredbu za obrok s ovim podacima, dodajući brojeve iz vlastite memorije." AI zbraja samo zadane brojeve; dijetetičar potvrđuje tresnuvši ga natrag. Podaci su došli iz izvora, AI je izračunala.

Predlošci upita koji se mogu kopirati

PREDLOŽAK ZA IZRAČUN S IZVORNIM PODACIMA (RAG logika) Vaša uloga: pomoćnik koji radi samo s nutritivnim vrijednostima KOJE SU VAM DATE. DODAJTE ili PROMIJENITE nutritivne vrijednosti iz vlastite memorije. Ako podaci nedostaju, upišite "[nema podataka]", nadoknadite. Podaci (na 100 g, izvor: USDA):- Pileća prsa (kuhana): 165 kcal, 31 g proteina, 3,6 g masti, 0 g ugljikohidrata- Riža (kuhana): ...Zadatak: Izračunajte ukupne kcal i makro za 120 g piletine + 150 g riže.

PREDLOŽAK ZA KONVERZIJU SIROVO/KUHANO Vrijednost sljedeće hrane navedena je na 100 g SIROVE: [vrijednosti]. Klijent jede [X] g KUHANOG. Kada se kuha, mijenja se omjer težine. U skladu s tim izračunajte hranjivu vrijednost pojedene količine i JASNO napišite koju pretpostavku koristite.

DATABASE QUERY PREPARATION TEMPLATEI žele pronaći nutritivnu vrijednost obroka. Navedite KOJI pojam trebam pretraživati ​​u bazi podataka o hrani (USDA/TUBER) za sljedeću hranu, koji zapis trebam odabrati, sirovo/kuhano. Ne dajte vrijednosti VAMA; samo mi reci točan pojam za pretraživanje i točku pažnje. Hranjive tvari: [...]

OBRAZAC ZA PROVJERU KONZISTENTNOSTI Interpretirajte hranjive vrijednosti za sljedeći obrok na dva različita načina: (1) pod pretpostavkom da je sva hrana sirova, (2) pod pretpostavkom da je sva hrana kuhana. Usporedite dva zbroja i objasnite odakle dolazi razlika. Tako da mogu vidjeti koju pretpostavku trebam provjeriti.

Slab upit / Jak upit

Slab upit:

Koliko kalorija ima zdjela juhe od leće?

"Jelo" je nejasno, recept je nejasan, izvora nema; AI izmišlja broj iz svoje memorije i ne kaže kako je došao do njega.

Snažan upit:

Vaša uloga: pomoćnik koji samo računa s danim podacima. Porcija juhe od leće = 300 g. Sastojci (vrijednosti na 100 g, izvor USDA, dajem u nastavku): crvena leća (kuhana) [vrijednosti], luk [vrijednosti], maslinovo ulje [vrijednosti]. Količine po porciji: [...]. Izračunajte ukupni kcal i makronaredbu s ovim podacima, nemojte dodavati napamet, pokažite korake.

Drugi brzi izvor daje informacije o posluživanju, sirovo/kuhano i ograničenje "ne dodavaj"; Izlaz je revizijski i pouzdan.

Uobičajene greške

  • Vjerovanje umjetnoj inteligenciji: Otvoreno ispitivanje hranjive vrijednosti; Ovo je poziv na halucinacije.
  • Zabuna sirovo/kuhano: najčešća tiha pogreška; Uvijek razjasnite mjernu jedinicu.
  • Zabuna izvora: miješanje različitih hranjivih tvari iz različitih baza podataka; Koristite dosljedne resurse u planu.
  • Ostavljanje dijela nejasnim: izračunavanje izraza kao što su "tanjur", "šaka" bez njihovog pretvaranja u grame.
  • Fokusiranje na jedan broj umjesto na raspon: Zaboravljanje da ista hrana ima razuman raspon vrijednosti; stvaranje lažne sigurnosti.

Ukratko

Podaci o prehrani područje su u kojem je jezični model najslabiji; Budući da model ne pamti brojeve, on ih proizvodi. Stoga uvijek preuzmite nutritivne vrijednosti iz priznate baze podataka (USDA, TÜBER, BeBiS) i koristite AI za izračunavanje i tumačenje samo tih podataka — na temelju RAG logike, podataka izvučenih iz izvora. Obratite pozornost na pretvorbe sirovo/kuhano, bistrinu porcija i dosljednost izvora. Samo zato što je broj ispao tečan nije točan; Do istine možete doći samo ako radite s izvorom.

Zadatak aplikacije

Odaberite tri namirnice (na primjer, kuhana jaja, kruh od cjelovitog zrna pšenice, grčki jogurt). Prvo, pitajte AI otvorenog tipa i dobijte njegove vrijednosti (iz njegove memorije). Zatim pronađite stvarne vrijednosti tih istih nutrijenata iz USDA FoodData Centrala. Usporedite dva skupa i upišite u tablicu koliko je odstupanja u svakoj hrani. Ova tablica će otkriti princip "ne vjeruj memoriji, poveži na izvor".

popis za provjeru

  • [ ] Dobio sam nutritivne vrijednosti iz poznate baze podataka, a ne iz AI memorije.
  • [ ] Stavio sam ograničenje na AI da "radi samo s danim podacima, ne dodaje ništa".
  • [ ] Za svaku namirnicu sam razjasnio da li je sirova ili kuhana.
  • [ ] Pretvorio sam porcije u grame; Nisam ostavio "tanjur/šaku" za sobom.
  • [ ] Koristio sam jedan dosljedan izvor unutar plana.
  • [ ] Provjerio sam AI-jev zbroj množenjem.
Bivši Sljedeći