Guadagni:
- Capacità di comprendere la necessità di ottenere valori nutrizionali da database noti (USDA, TÜBER, BeBiS) piuttosto che dalla memoria dell'intelligenza artificiale
- Capacità di indirizzare l'intelligenza artificiale ad effettuare calcoli e interpretazioni solo con i dati ricavati dalla fonte, con logica RAG
- Capacità di prevenire errori nutrizionali considerando le conversioni crudo/cotto, la chiarezza delle porzioni e la consistenza della fonte
Al centro del lavoro quotidiano di un dietista c'è la domanda "quanto c'è in questo nutriente?" C'è una domanda. Quanti grammi di proteine ci sono in 100 grammi di petto di pollo? Quanti grammi di fibre ci sono in una fetta di pane integrale? Quante calorie ci sono in un cucchiaio di olio d'oliva? Le risposte a queste domande sono contenute nei database sulla composizione degli alimenti: tabelle ufficiali che elencano il contenuto energetico, di macro e micronutrienti di migliaia di alimenti sulla base di analisi di laboratorio. L’errore più pericoloso dell’intelligenza artificiale in questo campo è pensare di “ricordare” questi numeri. Tuttavia, il modello linguistico non memorizza i numeri; Genera probabilisticamente e spesso fornisce valori vicini alla realtà ma a volte gravemente sbagliati. Il messaggio principale di questa unità è chiaro: ottenere il valore nutrizionale da un database riconosciuto, non dalla memoria dell'IA; Usa l'intelligenza artificiale per lavorare con dati accurati, non per ricordare i dati.
Database noti e a cosa servono
Le principali fonti ampiamente utilizzate nel mondo e in Türkiye sono:
banca dati
Ambito
punto forte
Attenzione
USDA FoodData Centrale (Stati Uniti)
Molto grande, circa un quarto di milione di record
Dettagliato, gratuito, con API
Prodotti statunitensi; cibo locale limitato
Integratori della Guida nutrizionale TÜBER / Türkiye
Focalizzata sulla cucina turca
Cibo locale e porzione
Ambito più ristretto dell'USDA
BeBiS (Sistema Informativo sulla Nutrizione)
Software comune in Turchia
Ricette turche
Software concesso in licenza
USDA/EuroFIR
Dati sulla composizione europea
Standard basato sul paese
L'accesso può essere istituzionale
Ciò che si intende per "API" è l'interfaccia che consente a un software di porre domande al database in modo programmatico (automatico) e ricevere risposte strutturate. Disporre di un'API per risorse come USDA FoodData Central consentirà in futuro di connettere gli strumenti di intelligenza artificiale a dati reali. Questa è la base dell’approccio “data-driven AI”: non adattare modelli, attingere dalla fonte reale.
Attenzione: lo stesso nutriente può mostrare valori diversi in database diversi; Perché le condizioni di coltivazione, la varietà, il metodo di cottura e l'analisi sono diverse. Non esiste un unico numero "corretto"; C'è un intervallo ragionevole. Registra quale risorsa utilizzi in un piano cliente in modo da poter essere coerente.
Logica di "recupero": collegare l'IA alla sorgente
Nelle applicazioni moderne, il modo per connettere l’intelligenza artificiale ai dati reali è l’approccio RAG – Retrieval-Augmented Generation in inglese. Semplicemente: invece di adattare la risposta dalla memoria, il modello prima estrae i dati rilevanti da una fonte affidabile (database, documento), quindi genera una risposta basata su tali dati. In pratica lo implementi in due modi:
- Alimentazione manuale: copi i valori del cibo dalla tabella fidata e li dai all'IA; L'intelligenza artificiale calcola/interpreta solo con questi dati, non aggiunge numeri dalla propria memoria.
- Veicolo connesso: utilizzi un veicolo connesso al database; L'IA inoltra la query alla fonte effettiva e utilizza il valore restituito.
In entrambi i casi la regola d’oro è la stessa: il numero proviene dalla fonte, l’IA lo interpreta. "Quanto ferro c'è in 100 grammi di lenticchie?" chiese YZ. Porre una domanda aperta significa invitare alla fabbricazione.
Prodotto generico, prodotto di marca e mix di pasti
I database dei nutrienti hanno più record con lo stesso nome e la selezione del record sbagliato è una silenziosa fonte di errore. Ad esempio, la ricerca di "yogurt" ti fornirà dozzine di record diversi, come yogurt intero, semigrasso, senza grassi, di tipo greco (filtrato) e zuccherato alla frutta; Le loro calorie e i loro macronutrienti sono molto distanti tra loro. Lo yogurt greco ha quasi il doppio delle proteine dello yogurt normale. Allo stesso modo, i record del "prodotto di marca" (il prodotto confezionato di un'azienda) e dei record della "nutrizione generale" hanno valori diversi. È buona norma abbinare il più possibile il prodotto che il cliente effettivamente consuma: se possibile in base all'etichetta nutrizionale sulla confezione, altrimenti scegliere la descrizione più vicina presente nel database. Chiedi all'IA "quale record dovrei scegliere?" Durante la consultazione, può suggerirti il termine di ricerca corretto; ma la selezione finale del disco e il confronto con l'etichetta sono sotto il tuo controllo. Anche utilizzare lo stesso record per lo stesso nutriente in tutto un piano è importante per coerenza; Usare latte intero per metà tempo e latte scremato per metà tempo distorcerà i totali.
Conversioni di porzioni e cotture
I database nutrizionali solitamente forniscono valori per 100 grammi crudi. Ma il cliente mangia lenticchie cotte, non lenticchie crude. Il peso varia assorbendo acqua durante la cottura; 100 grammi di riso crudo aumentano fino a ~250-300 grammi una volta cotti. Pertanto "200 grammi cotti" e "100 grammi crudi" hanno valori nutrizionali diversi. L’intelligenza artificiale può effettuare queste trasformazioni, ma può confondere la direzione. Chiarire sempre se il valore che si utilizza è crudo o cotto; questa è una frequente fonte di errori di calcolo.
tre mini custodie
Caso 1: Catturare un'allucinazione. Un dietista ha chiesto a YZ: "Quanti grammi di proteine ci sono in 100 grammi di broccoli bolliti?" chiede; L'intelligenza artificiale dice "circa 8 grammi". Il dietista esamina l'USDA: il valore effettivo è di ~2,4 grammi. L’intelligenza artificiale lo ha mescolato con dati su legumi/noci e lo ha triplicato. Il dietista utilizza il valore corretto. Lezione: le verdure verdi sono povere di proteine; Il numero non è corretto solo perché è fluente.
Caso 2 – Confusione crudo/cotto. In una bozza di piano, l'IA utilizza il valore grezzo per “150 grammi di pasta” (~525 kcal), mentre il cliente sta mangiando 150 grammi di pasta cotta (~210 kcal). La differenza è di 315 kcal in un pasto, che è una deviazione grave anche con un pasto al giorno. Il dietista chiarisce l'unità di misura su “cotto” e ricalcola.
Caso 3 — Uso corretto. Un dietista copia i valori di 100 grammi di pollo, riso e broccoli dall'USDA, fornendoli all'intelligenza artificiale con l'istruzione di "calcolare semplicemente la macro totale di un pasto con questi dati, aggiungendo numeri dalla sua stessa memoria". L'intelligenza artificiale aggiunge solo con determinati numeri; conferma il dietista sbattendolo indietro. I dati provenivano dalla fonte, l’intelligenza artificiale faceva i calcoli.
Modelli di prompt copiabili
MODELLO DI CALCOLO CON DATI FONTE (logica RAG) Il tuo ruolo: assistente che lavora solo con i valori nutrizionali FORNITI. AGGIUNGI o CAMBIA valori nutrizionali dalla tua memoria. Se mancano dati scrivere "[nessun dato]", compensare. Dati (per 100 g, fonte: USDA):- Petto di pollo (cotto): 165 kcal, 31 g di proteine, 3,6 g di grassi, 0 g di carboidrati- Riso (cotto): ...Compito: calcolare le kcal totali e i macro per 120 g di pollo + 150 g di riso.
MODELLO DI CONVERSIONE CRUDO/COTTOIl valore del seguente alimento è dato per 100 g CRUDO: [valori]. Il cliente mangia [X] g COTTO. Una volta cotto, il peso ~[rapporto]cambia. Di conseguenza, calcola il valore nutrizionale della quantità consumata e scrivi CHIARAMENTE quale ipotesi usi.
MODELLO DI PREPARAZIONE DI QUERY DEL DATABASEVoglio trovare il valore nutrizionale di un pasto. Elenca QUALE termine dovrei cercare nel database alimentare (USDA/TUBER) per i seguenti alimenti, quale record dovrei scegliere, crudo/cotto. Non dare i valori a TE; dimmi semplicemente il termine di ricerca corretto e il punto su cui prestare attenzione.Nutrienti: [...]
MODELLO DI CONTROLLO CONSISTENZAInterpreta i valori nutrizionali per il pasto successivo in due modi diversi: (1) presupponendo che tutti gli alimenti siano crudi, (2) presupponendo che tutti gli alimenti siano cotti. Confronta i due totali e spiega da dove viene la differenza. Così posso vedere quale ipotesi devo verificare.
Prompt debole / Prompt forte
Suggerimento debole:
Quante calorie ci sono in una ciotola di zuppa di lenticchie?
“Un piatto” è vago, la ricetta è vaga, la fonte è assente; L'IA compone un numero dalla sua memoria e non dice come lo ha ricavato.
Suggerimento potente:
Il tuo ruolo: assistente che calcola solo con i dati forniti. Porzione di zuppa di lenticchie = 300 g. Ingredienti (valori per 100 g, fonte USDA, riporto di seguito): lenticchie rosse (cotte) [valori], cipolla [valori], olio d'oliva [valori]. Quantità per porzione: [...]. Calcola le kcal totali e le macro con questi dati, non aggiungere dalla memoria, mostra i passaggi.
La seconda fonte di prompt fornisce informazioni sulla porzione, sul crudo/cotto e sul vincolo "non aggiungere"; Il risultato è verificabile e affidabile.
Errori comuni
- Fidarsi della memoria dell'intelligenza artificiale: domande aperte sul valore nutrizionale; Questo è un invito all'allucinazione.
- Confondere crudo/cotto: l’errore silenzioso più comune; Chiarire sempre l'unità di misura.
- Confusione sulle fonti: miscelazione di nutrienti diversi da database diversi; Utilizzare risorse coerenti in un piano.
- Lasciare la porzione nel vago: Calcolare espressioni come “un piatto”, “una manciata” senza convertirle in grammi.
- Concentrarsi su un singolo numero anziché su un intervallo: dimenticare che lo stesso alimento ha un intervallo di valori ragionevole; creando false certezze.
In sintesi
I dati nutrizionali sono l’area in cui il modello linguistico è più debole; Poiché il modello non ricorda i numeri, li produce. Quindi ottieni sempre i valori nutrizionali da un database riconosciuto (USDA, TÜBER, BeBiS) e usa l'intelligenza artificiale per calcolare e interpretare solo quei dati, in base alla logica RAG, dati estratti dalla fonte. Presta attenzione alle conversioni crudo/cotto, alla chiarezza delle porzioni e alla consistenza della fonte. Solo perché il numero è uscito fluente non è corretto; Puoi ottenere la verità solo lavorando con la fonte.
Compito dell'applicazione
Scegli tre alimenti (ad esempio uova sode, pane integrale, yogurt greco). Per prima cosa, chiedi all'IA una risposta aperta e ottieni i suoi valori (dalla sua memoria). Quindi trova i valori effettivi di quegli stessi nutrienti da USDA FoodData Central. Confronta i due set e scrivi in una tabella quanta deviazione c'è in ciascun alimento. Questa tabella rivelerà il principio "non fidarti della memoria, collega alla fonte".
lista di controllo
- [ ] Ho ottenuto i valori nutrizionali da un database noto, non dalla memoria dell'IA.
- [ ] Ho messo la restrizione sull'intelligenza artificiale per "lavorare solo con i dati forniti, non aggiungere nulla".
- [ ] Ho chiarito per ogni alimento se è crudo o cotto.
- [ ] Ho convertito le porzioni in grammi; Non ho lasciato "un piatto/una manciata" dietro.
- [ ] Ho utilizzato un'unica fonte coerente all'interno di un piano.
- [ ] Ho verificato la somma dell'IA moltiplicandola.