Keuntungan:
- Kemampuan untuk memahami perlunya memperoleh nilai nutrisi dari database terkenal (USDA, TÜBER, BeBiS) daripada dari memori kecerdasan buatan
- Kemampuan mengarahkan kecerdasan buatan untuk melakukan perhitungan dan interpretasi hanya dengan data yang diambil dari sumbernya, dengan logika RAG
- Kemampuan mencegah kesalahan nutrisi dengan mempertimbangkan konversi mentah/matang, kejelasan porsi, dan konsistensi sumber
Inti dari pekerjaan sehari-hari seorang ahli gizi adalah pertanyaan "berapa banyak nutrisi ini?" Ada sebuah pertanyaan. Berapa gram protein dalam 100 gram dada ayam? Berapa gram serat dalam sepotong roti gandum? Berapa banyak kalori dalam satu sendok makan minyak zaitun? Jawaban atas pertanyaan-pertanyaan ini terdapat dalam database komposisi makanan – tabel resmi yang mencantumkan kandungan energi, makro dan mikronutrien dari ribuan makanan berdasarkan analisis laboratorium. Kesalahan paling berbahaya dari kecerdasan buatan di bidang ini adalah berpikir bahwa ia “mengingat” angka-angka ini. Namun, model bahasanya tidak menghafal angka; Ini menghasilkan secara probabilistik dan sering kali memberikan nilai yang mendekati kenyataan tetapi terkadang sangat salah. Pesan utama dari unit ini jelas: dapatkan nilai gizi dari database yang diakui, bukan dari memori AI; Gunakan AI untuk bekerja dengan data yang akurat, bukan untuk mengingat data.
Database terkenal dan kegunaannya
Sumber utama yang banyak digunakan di dunia dan di Türkiye adalah:
basis data
Ruang lingkup
titik kuat
Perhatian
Pusat Data Makanan USDA (AS)
Sangat besar, ~seperempat juta rekaman
Rinci, gratis, dengan API
produk Amerika; makanan lokal terbatas
Suplemen Panduan Nutrisi TÜBER / Türkiye
Masakan Turki terfokus
Makanan lokal dan porsinya
Cakupannya lebih sempit dibandingkan USDA
BeBiS (Sistem Informasi Gizi)
Perangkat lunak umum di Türkiye
resep Turki
Perangkat lunak berlisensi
USDA/EuroFIR
Data komposisi Eropa
Standar berbasis negara
Akses bisa bersifat institusional
Yang dimaksud dengan “API” adalah antarmuka yang memungkinkan suatu perangkat lunak secara terprogram (otomatis) mengajukan pertanyaan ke database dan menerima jawaban terstruktur. Memiliki API untuk sumber daya seperti USDA FoodData Central memungkinkan untuk menghubungkan alat AI ke data nyata di masa depan. Ini adalah dasar dari pendekatan “AI berbasis data”: jangan sesuaikan model, ambil dari sumber sebenarnya.
Perhatian: Nutrisi yang sama mungkin menunjukkan nilai berbeda di database berbeda; Karena kondisi budidaya, variasi, cara memasak dan analisisnya berbeda. Tidak ada satu pun nomor yang "benar"; Ada kisaran yang masuk akal. Catat sumber daya mana yang Anda gunakan dalam paket klien sehingga Anda bisa konsisten.
Logika "Pengambilan": menghubungkan AI ke sumbernya
Dalam aplikasi modern, cara untuk menghubungkan AI ke data nyata adalah pendekatan RAG — Retrieval-Augmented Generation dalam bahasa Inggris. Sederhananya: alih-alih menyesuaikan jawaban dari memori, model terlebih dahulu mengambil data yang relevan dari sumber yang dapat diandalkan (database, dokumen), kemudian menghasilkan jawaban berdasarkan data tersebut. Dalam praktiknya Anda menerapkan ini dalam dua cara:
- Pemberian makanan secara manual: Anda menyalin nilai makanan dari tabel tepercaya dan memberikannya kepada AI; AI hanya menghitung/menafsirkan dengan data ini, tidak menambahkan angka dari memorinya sendiri.
- Kendaraan yang terhubung: Anda menggunakan kendaraan yang terhubung dengan database; AI meneruskan kueri ke sumber sebenarnya dan menggunakan nilai yang dikembalikan.
Dalam kedua kasus tersebut, aturan emasnya sama: angka berasal dari sumbernya, AI menafsirkannya. "Berapa banyak zat besi dalam 100 gram lentil?" tanya YZ. Mengajukan pertanyaan terbuka berarti mengundang pemalsuan.
Produk generik, produk bermerek, dan campuran makanan
Basis data nutrisi memiliki banyak catatan dengan nama yang sama, dan memilih catatan yang salah merupakan sumber kesalahan yang tidak terlihat. Misalnya, menelusuri “yogurt” akan memberi Anda lusinan catatan berbeda, seperti yogurt buah penuh lemak, setengah lemak, bebas lemak, tipe Yunani (disaring), dan yogurt buah manis; Kalori dan makronya sangat jauh satu sama lain. Yoghurt Yunani memiliki protein hampir dua kali lipat dari yogurt biasa. Demikian pula, catatan “produk bermerek” (produk kemasan perusahaan) dan catatan “nutrisi umum” memiliki nilai yang berbeda. Dalam praktik yang baik, Anda mencocokkan produk yang sebenarnya dikonsumsi klien sedekat mungkin: jika memungkinkan, berdasarkan label nutrisi pada kemasan, jika tidak, Anda memilih deskripsi yang paling mendekati dalam database. Tanyakan kepada AI “catatan mana yang harus saya pilih?” Saat Anda berkonsultasi, ia dapat menyarankan Anda istilah pencarian yang tepat; namun pemilihan rekaman akhir dan perbandingannya dengan label berada di bawah kendali Anda. Menggunakan catatan yang sama untuk nutrisi yang sama di seluruh rencana juga penting untuk konsistensi; Menggunakan susu penuh lemak separuh waktu dan susu skim separuh waktu akan merusak totalnya.
Konversi porsi dan masakan
Basis data nutrisi biasanya memberikan nilai per 100 gram mentah. Namun klien memakan lentil matang, bukan lentil mentah. Beratnya berubah dengan menyerap air selama memasak; 100 gram nasi mentah meningkat menjadi ~250-300 gram saat dimasak. Oleh karena itu, “dimasak 200 gram” dan “mentah 100 gram” memiliki nilai gizi yang berbeda. AI dapat melakukan transformasi ini, namun dapat membingungkan arah. Selalu jelaskan apakah nilai yang Anda gunakan mentah atau matang; ini sering menjadi sumber kesalahan perhitungan.
tiga kasus mini
Kasus 1 — Menangkap halusinasi. Seorang ahli diet bertanya kepada YZ, “Berapa gram protein dalam 100 gram brokoli rebus?” dia bertanya; AI mengatakan "sekitar 8 gram". Ahli diet melihat USDA: nilai sebenarnya adalah ~2,4 gram. AI mencampurkannya dengan data kacang-kacangan/kacang-kacangan dan meningkatkannya tiga kali lipat. Ahli gizi menggunakan nilai yang benar. Pelajaran: sayuran hijau rendah protein; Nomor tersebut tidak benar hanya karena fasih.
Kasus 2 — Kebingungan mentah/matang. Dalam rancangan rencana, AI menggunakan nilai mentah untuk “150 gram pasta” (~525 kkal), sedangkan klien memakan 150 gram pasta matang (~210 kkal). Perbedaannya adalah 315 kkal dalam satu kali makan, yang merupakan penyimpangan serius bahkan dengan satu kali makan sehari. Ahli gizi mengklarifikasi satuan pengukuran menjadi "dimasak" dan menghitung ulang.
Kasus 3 — Penggunaan yang benar. Seorang ahli diet menyalin nilai 100 gram untuk ayam, nasi, dan brokoli dari USDA, memberikannya kepada AI dengan instruksi untuk “menghitung total makro untuk makanan dengan data ini, menambahkan angka dari memorinya sendiri.” AI hanya menambahkan angka tertentu; ahli diet menegaskan dengan membantingnya kembali. Data berasal dari sumbernya, AI yang menghitung.
Templat cepat yang dapat disalin
TEMPLATE PERHITUNGAN DENGAN DATA SUMBER (logika RAG)Peran Anda: asisten yang bekerja hanya dengan nilai gizi yang DIBERIKAN KEPADA ANDA.TAMBAHKAN atau UBAH nilai gizi dari ingatan Anda sendiri. Jika data hilang tulis "[tidak ada data]", ganti. Data (per 100 g, sumber: USDA):- Dada ayam (dimasak): 165 kkal, 31 g protein, 3,6 g lemak, 0 g karbohidrat- Nasi (dimasak): ...Tugas: Menghitung total kkal dan makro untuk 120 g ayam + 150 g nasi.
TEMPLATE KONVERSI MENTAH/DIMASAKNilai makanan berikut diberikan per 100 g MENTAH: [nilai]. Klien makan [X] g DIMASAK. Saat dimasak, ~[rasio] beratnya berubah. Oleh karena itu, hitunglah nilai gizi dari jumlah yang dimakan dan tuliskan dengan JELAS asumsi mana yang Anda gunakan.
TEMPLATE PERSIAPAN QUERY DATABASESaya ingin mencari nilai gizi suatu makanan. Cantumkan istilah MANA yang harus saya cari di database makanan (USDA/TUBER) untuk makanan berikut, catatan mana yang harus saya pilih, mentah/dimasak. Jangan memberikan nilai kepada ANDA; cukup beri tahu saya istilah pencarian dan titik perhatian yang benar. Nutrisi: [...]
TEMPLATE PERIKSA KONSISTENSI Interpretasikan nilai gizi makanan berikut dengan dua cara berbeda: (1) dengan asumsi semua makanan mentah, (2) dengan asumsi semua makanan sudah matang. Bandingkan kedua totalnya dan jelaskan dari mana perbedaannya. Jadi saya bisa melihat asumsi mana yang perlu saya verifikasi.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Berapa banyak kalori dalam semangkuk sup miju-miju?
“Hidangannya” tidak jelas, resepnya tidak jelas, sumbernya tidak ada; AI membuat angka dari ingatannya dan tidak mengatakan bagaimana ia menghasilkannya.
Perintah yang kuat:
Peran Anda: asisten yang hanya menghitung dengan data yang diberikan. Porsi sup miju-miju = 300 g. Bahan (nilai per 100 g, sumber USDA, saya berikan di bawah): lentil merah (dimasak) [nilai], bawang bombay [nilai], minyak zaitun [nilai]. Jumlah per porsi: [...]. Hitung total kkal dan makro dengan data ini, jangan tambahkan dari memori, tunjukkan langkah-langkahnya.
Sumber prompt kedua memberikan informasi penyajian, mentah/matang, dan batasan "jangan tambahkan"; Outputnya dapat diaudit dan dapat diandalkan.
Kesalahan umum
- Mempercayai ingatan AI: Pertanyaan terbuka tentang nilai gizi; Ini adalah undangan untuk halusinasi.
- Membingungkan mentah/matang: Kesalahan diam-diam yang paling umum; Selalu perjelas satuan pengukurannya.
- Kebingungan sumber: Mencampur nutrisi yang berbeda dari database yang berbeda; Gunakan sumber daya yang konsisten dalam sebuah rencana.
- Membiarkan porsinya tidak jelas: Menghitung ekspresi seperti "sepiring", "segenggam" tanpa mengubahnya menjadi gram.
- Berfokus pada satu angka dan bukan rentang: Lupa bahwa makanan yang sama memiliki rentang nilai yang masuk akal; menciptakan kepastian palsu.
Singkatnya
Data gizi adalah bagian dimana model bahasanya paling lemah; Karena model tidak mengingat angka, maka model menghasilkannya. Jadi selalu dapatkan nilai nutrisi dari database yang diakui (USDA, TÜBER, BeBiS) dan gunakan AI untuk menghitung dan menafsirkan data tersebut saja — berdasarkan logika RAG, data diambil dari sumbernya. Perhatikan konversi mentah/matang, kejelasan porsi, dan konsistensi sumber. Hanya karena nomor yang keluar dengan lancar tidaklah benar; Anda hanya bisa mendapatkan kebenaran dengan bekerja sama dengan sumbernya.
Tugas aplikasi
Pilih tiga makanan (misalnya telur rebus, roti gandum, yogurt Yunani). Pertama, tanyakan pada AI terbuka dan dapatkan nilainya (dari memorinya). Kemudian temukan nilai sebenarnya dari nutrisi yang sama dari USDA FoodData Central. Bandingkan kedua set tersebut dan tuliskan dalam tabel berapa besar penyimpangan yang terjadi pada setiap makanan. Tabel ini akan mengungkapkan prinsip "jangan percaya memori, tautan ke sumber".
daftar periksa
- [ ] Saya mendapatkan nilai nutrisi dari database terkenal, bukan dari memori AI.
- [ ] Saya membatasi AI untuk "hanya bekerja dengan data yang diberikan, jangan menambahkan apa pun".
- [ ] Saya telah mengklarifikasi untuk setiap makanan apakah itu mentah atau dimasak.
- [ ] Saya mengubah porsinya menjadi gram; Saya tidak meninggalkan "sepiring/segenggam" di belakang.
- [ ] Saya menggunakan satu sumber yang konsisten dalam sebuah rencana.
- [ ] Saya memverifikasi jumlah AI dengan mengalikannya kembali.