ಆಹಾರ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ನ್ಯೂಟ್ರಿಯೆಂಟ್ ಡೇಟಾ: AI ಅನ್ನು ಸರಿಯಾದ ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸಲಾಗುತ್ತಿದೆ

ಲಾಭಗಳು:

• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸ್ಮರಣೆಗಿಂತ ಹೆಚ್ಚಾಗಿ ಪ್ರಸಿದ್ಧ ಡೇಟಾಬೇಸ್‌ಗಳಿಂದ (USDA, TÜBER, BeBiS) ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳನ್ನು ಪಡೆಯುವ ಅಗತ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ
• RAG ಲಾಜಿಕ್‌ನೊಂದಿಗೆ ಮೂಲದಿಂದ ಪಡೆದ ಡೇಟಾದೊಂದಿಗೆ ಮಾತ್ರ ಲೆಕ್ಕಾಚಾರಗಳು ಮತ್ತು ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ನಿರ್ದೇಶಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಕಚ್ಚಾ/ಬೇಯಿಸಿದ ಪರಿವರ್ತನೆಗಳು, ಭಾಗದ ಸ್ಪಷ್ಟತೆ ಮತ್ತು ಮೂಲ ಸ್ಥಿರತೆಯನ್ನು ಪರಿಗಣಿಸಿ ಪೌಷ್ಟಿಕಾಂಶದ ದೋಷಗಳನ್ನು ತಡೆಗಟ್ಟುವ ಸಾಮರ್ಥ್ಯ

ಆಹಾರ ಪದ್ಧತಿಯ ದೈನಂದಿನ ಕೆಲಸದ ಹೃದಯಭಾಗದಲ್ಲಿ "ಈ ಪೋಷಕಾಂಶದಲ್ಲಿ ಎಷ್ಟು?" ಎಂಬ ಪ್ರಶ್ನೆ ಇದೆ. 100 ಗ್ರಾಂ ಕೋಳಿ ಸ್ತನದಲ್ಲಿ ಎಷ್ಟು ಗ್ರಾಂ ಪ್ರೋಟೀನ್ ಇದೆ? ಗೋಧಿ ಬ್ರೆಡ್‌ನ ಸ್ಲೈಸ್‌ನಲ್ಲಿ ಎಷ್ಟು ಗ್ರಾಂ ಫೈಬರ್ ಇದೆ? ಒಂದು ಚಮಚ ಆಲಿವ್ ಎಣ್ಣೆಯಲ್ಲಿ ಎಷ್ಟು ಕ್ಯಾಲೊರಿಗಳಿವೆ? ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳನ್ನು ಆಹಾರ ಸಂಯೋಜನೆಯ ಡೇಟಾಬೇಸ್‌ಗಳಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ - ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ ಸಾವಿರಾರು ಆಹಾರಗಳ ಶಕ್ತಿ, ಮ್ಯಾಕ್ರೋ ಮತ್ತು ಮೈಕ್ರೋನ್ಯೂಟ್ರಿಯಂಟ್ ವಿಷಯವನ್ನು ಪಟ್ಟಿ ಮಾಡುವ ಅಧಿಕೃತ ಕೋಷ್ಟಕಗಳು. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ತಪ್ಪು ಎಂದರೆ ಅದು ಈ ಸಂಖ್ಯೆಗಳನ್ನು "ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತದೆ" ಎಂದು ಯೋಚಿಸುವುದು. ಆದಾಗ್ಯೂ, ಭಾಷಾ ಮಾದರಿಯು ಸಂಖ್ಯೆಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವುದಿಲ್ಲ; ಇದು ಸಂಭವನೀಯವಾಗಿ ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಆಗಾಗ್ಗೆ ವಾಸ್ತವಕ್ಕೆ ಹತ್ತಿರವಿರುವ ಆದರೆ ಕೆಲವೊಮ್ಮೆ ಗಂಭೀರವಾಗಿ ತಪ್ಪಾದ ಮೌಲ್ಯಗಳನ್ನು ನೀಡುತ್ತದೆ. ಈ ಘಟಕದ ಮುಖ್ಯ ಸಂದೇಶವು ಸ್ಪಷ್ಟವಾಗಿದೆ: ಮಾನ್ಯತೆ ಪಡೆದ ಡೇಟಾಬೇಸ್‌ನಿಂದ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯವನ್ನು ಪಡೆಯಿರಿ, AI ನ ಮೆಮೊರಿಯಿಂದ ಅಲ್ಲ; ನಿಖರವಾದ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು AI ಅನ್ನು ಬಳಸಿ, ಡೇಟಾವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಅಲ್ಲ.

ಪ್ರಸಿದ್ಧ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ಯಾವುದಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ

ಪ್ರಪಂಚದಲ್ಲಿ ಮತ್ತು ತುರ್ಕಿಯೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಮುಖ್ಯ ಮೂಲಗಳು:

ಡೇಟಾಬೇಸ್

ವ್ಯಾಪ್ತಿ

ಬಲವಾದ ಬಿಂದು

ಗಮನ

USDA ಫುಡ್‌ಡೇಟಾ ಸೆಂಟ್ರಲ್ (USA)

ತುಂಬಾ ದೊಡ್ಡದು, ~ಕಾಲು ಮಿಲಿಯನ್ ದಾಖಲೆಗಳು

API ಜೊತೆಗೆ ವಿವರವಾದ, ಉಚಿತ

USA ಉತ್ಪನ್ನಗಳು; ಸ್ಥಳೀಯ ಆಹಾರ ಸೀಮಿತವಾಗಿದೆ

TÜBER / Türkiye ನ್ಯೂಟ್ರಿಷನ್ ಗೈಡ್ ಪೂರಕಗಳು

ಟರ್ಕಿಶ್ ಪಾಕಪದ್ಧತಿ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ

ಸ್ಥಳೀಯ ಆಹಾರ ಮತ್ತು ಭಾಗ

USDA ಗಿಂತ ವ್ಯಾಪ್ತಿ ಕಿರಿದಾಗಿದೆ

BeBiS (ಪೌಷ್ಟಿಕ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆ)

Türkiye ನಲ್ಲಿ ಸಾಮಾನ್ಯ ಸಾಫ್ಟ್‌ವೇರ್

ಟರ್ಕಿಶ್ ಪಾಕವಿಧಾನಗಳು

ಪರವಾನಗಿ ಪಡೆದ ಸಾಫ್ಟ್‌ವೇರ್

USDA/EuroFIR

ಯುರೋಪಿಯನ್ ಸಂಯೋಜನೆ ಡೇಟಾ

ದೇಶ ಆಧಾರಿತ ಮಾನದಂಡ

ಪ್ರವೇಶವು ಸಾಂಸ್ಥಿಕವಾಗಿರಬಹುದು

"API" ಎಂದರೆ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಪ್ರೋಗ್ರಾಮ್ಯಾಟಿಕ್ ಆಗಿ (ಸ್ವಯಂಚಾಲಿತವಾಗಿ) ಡೇಟಾಬೇಸ್‌ಗೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಮತ್ತು ರಚನಾತ್ಮಕ ಉತ್ತರಗಳನ್ನು ಸ್ವೀಕರಿಸಲು ಅನುಮತಿಸುವ ಇಂಟರ್ಫೇಸ್ ಆಗಿದೆ. ಯುಎಸ್‌ಡಿಎ ಫುಡ್‌ಡೇಟಾ ಸೆಂಟ್ರಲ್‌ನಂತಹ ಸಂಪನ್ಮೂಲಗಳಿಗಾಗಿ API ಅನ್ನು ಹೊಂದಿರುವುದು ಭವಿಷ್ಯದಲ್ಲಿ ನೈಜ ಡೇಟಾಗೆ AI ಪರಿಕರಗಳನ್ನು ಸಂಪರ್ಕಿಸಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಇದು "ಡೇಟಾ-ಚಾಲಿತ AI" ವಿಧಾನದ ಆಧಾರವಾಗಿದೆ: ಮಾದರಿಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ, ನೈಜ ಮೂಲದಿಂದ ಸೆಳೆಯಿರಿ.

ಗಮನ: ಒಂದೇ ಪೋಷಕಾಂಶವು ವಿಭಿನ್ನ ಡೇಟಾಬೇಸ್‌ಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಮೌಲ್ಯಗಳನ್ನು ತೋರಿಸಬಹುದು; ಏಕೆಂದರೆ ಬೇಸಾಯದ ಸ್ಥಿತಿ, ವೈವಿಧ್ಯ, ಅಡುಗೆ ವಿಧಾನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ವಿಭಿನ್ನವಾಗಿದೆ. ಒಂದೇ "ಸರಿಯಾದ" ಸಂಖ್ಯೆ ಇಲ್ಲ; ಸಮಂಜಸವಾದ ವ್ಯಾಪ್ತಿ ಇದೆ. ಕ್ಲೈಂಟ್ ಯೋಜನೆಯಲ್ಲಿ ನೀವು ಯಾವ ಸಂಪನ್ಮೂಲವನ್ನು ಬಳಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿ ಇದರಿಂದ ನೀವು ಸ್ಥಿರವಾಗಿರಬಹುದು.

"ಮರುಪಡೆಯುವಿಕೆ" ತರ್ಕ: AI ಅನ್ನು ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸುವುದು

ಆಧುನಿಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ, ನೈಜ ಡೇಟಾಗೆ AI ಅನ್ನು ಸಂಪರ್ಕಿಸುವ ಮಾರ್ಗವೆಂದರೆ RAG ವಿಧಾನ - ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಮರುಪಡೆಯುವಿಕೆ-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಷನ್. ಸರಳವಾಗಿ: ಮೆಮೊರಿಯಿಂದ ಉತ್ತರವನ್ನು ಅಳವಡಿಸುವ ಬದಲು, ಮಾದರಿಯು ಮೊದಲು ವಿಶ್ವಾಸಾರ್ಹ ಮೂಲದಿಂದ (ಡೇಟಾಬೇಸ್, ಡಾಕ್ಯುಮೆಂಟ್) ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ಎಳೆಯುತ್ತದೆ, ನಂತರ ಆ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ ನೀವು ಇದನ್ನು ಎರಡು ರೀತಿಯಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತೀರಿ:

1. ಹಸ್ತಚಾಲಿತ ಆಹಾರ: ನೀವು ವಿಶ್ವಾಸಾರ್ಹ ಕೋಷ್ಟಕದಿಂದ ಆಹಾರದ ಮೌಲ್ಯಗಳನ್ನು ನಕಲಿಸಿ ಮತ್ತು ಅದನ್ನು AI ಗೆ ನೀಡಿ; AI ಈ ಡೇಟಾದೊಂದಿಗೆ ಮಾತ್ರ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ/ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ಅದು ತನ್ನ ಸ್ವಂತ ಮೆಮೊರಿಯಿಂದ ಸಂಖ್ಯೆಗಳನ್ನು ಸೇರಿಸುವುದಿಲ್ಲ.
2. ಸಂಪರ್ಕಿತ ವಾಹನ: ನೀವು ಡೇಟಾಬೇಸ್-ಸಂಪರ್ಕಿತ ವಾಹನವನ್ನು ಬಳಸುತ್ತೀರಿ; AI ಪ್ರಶ್ನೆಯನ್ನು ನಿಜವಾದ ಮೂಲಕ್ಕೆ ರವಾನಿಸುತ್ತದೆ ಮತ್ತು ಹಿಂತಿರುಗಿದ ಮೌಲ್ಯವನ್ನು ಬಳಸುತ್ತದೆ.

ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಸುವರ್ಣ ನಿಯಮವು ಒಂದೇ ಆಗಿರುತ್ತದೆ: ಸಂಖ್ಯೆಯು ಮೂಲದಿಂದ ಬರುತ್ತದೆ, AI ಅದನ್ನು ಅರ್ಥೈಸುತ್ತದೆ. "100 ಗ್ರಾಂ ಮಸೂರದಲ್ಲಿ ಎಷ್ಟು ಕಬ್ಬಿಣವಿದೆ?" ಎಂದು YZ ಕೇಳಿದರು. ಮುಕ್ತ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವುದು ಫ್ಯಾಬ್ರಿಕೇಶನ್ ಅನ್ನು ಆಹ್ವಾನಿಸುವುದು.

ಸಾಮಾನ್ಯ ಉತ್ಪನ್ನ, ಬ್ರಾಂಡ್ ಉತ್ಪನ್ನ ಮತ್ತು ಊಟ ಮಿಶ್ರಣ

ಪೌಷ್ಟಿಕಾಂಶದ ಡೇಟಾಬೇಸ್‌ಗಳು ಒಂದೇ ಹೆಸರಿನಡಿಯಲ್ಲಿ ಬಹು ದಾಖಲೆಗಳನ್ನು ಹೊಂದಿವೆ, ಮತ್ತು ತಪ್ಪು ದಾಖಲೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ದೋಷದ ಮೂಕ ಮೂಲವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, "ಮೊಸರು" ಗಾಗಿ ಹುಡುಕುವಿಕೆಯು ನಿಮಗೆ ಪೂರ್ಣ-ಕೊಬ್ಬು, ಅರ್ಧ-ಕೊಬ್ಬು, ಕೊಬ್ಬು-ಮುಕ್ತ, ಗ್ರೀಕ್-ಮಾದರಿಯ (ತಯಾರಿಸಿದ) ಮತ್ತು ಸಿಹಿಗೊಳಿಸಿದ ಹಣ್ಣಿನ ಮೊಸರುಗಳಂತಹ ಹಲವಾರು ವಿಭಿನ್ನ ದಾಖಲೆಗಳನ್ನು ನೀಡುತ್ತದೆ; ಅವರ ಕ್ಯಾಲೋರಿಗಳು ಮತ್ತು ಮ್ಯಾಕ್ರೋಗಳು ಪರಸ್ಪರ ಬಹಳ ದೂರದಲ್ಲಿವೆ. ಗ್ರೀಕ್ ಮೊಸರು ಸಾಮಾನ್ಯ ಮೊಸರುಗಿಂತ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚು ಪ್ರೋಟೀನ್ ಅನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಅದೇ ರೀತಿ, "ಬ್ರಾಂಡೆಡ್ ಉತ್ಪನ್ನ" ದಾಖಲೆಗಳು (ಕಂಪೆನಿಯ ಪ್ಯಾಕೇಜ್ ಮಾಡಿದ ಉತ್ಪನ್ನ) ಮತ್ತು "ಸಾಮಾನ್ಯ ಪೌಷ್ಟಿಕಾಂಶ" ದಾಖಲೆಗಳು ವಿಭಿನ್ನ ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿವೆ. ಉತ್ತಮ ಅಭ್ಯಾಸದಲ್ಲಿ, ಕ್ಲೈಂಟ್ ನಿಜವಾಗಿ ಸೇವಿಸುವ ಉತ್ಪನ್ನಕ್ಕೆ ನೀವು ಹೊಂದಿಕೆಯಾಗುತ್ತೀರಿ: ಸಾಧ್ಯವಾದರೆ, ಪ್ಯಾಕೇಜಿಂಗ್‌ನಲ್ಲಿನ ಪೌಷ್ಟಿಕಾಂಶದ ಲೇಬಲ್ ಅನ್ನು ಆಧರಿಸಿ, ಇಲ್ಲದಿದ್ದರೆ ನೀವು ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಹತ್ತಿರದ ವಿವರಣೆಯನ್ನು ಆರಿಸಿಕೊಳ್ಳಿ. AI ಅನ್ನು ಕೇಳಿ "ನಾನು ಯಾವ ದಾಖಲೆಯನ್ನು ಆರಿಸಬೇಕು?" ನೀವು ಸಮಾಲೋಚಿಸಿದಾಗ, ಅದು ನಿಮಗೆ ಸರಿಯಾದ ಹುಡುಕಾಟ ಪದವನ್ನು ಸೂಚಿಸಬಹುದು; ಆದರೆ ಅಂತಿಮ ದಾಖಲೆ ಆಯ್ಕೆ ಮತ್ತು ಲೇಬಲ್‌ಗೆ ಹೋಲಿಕೆ ನಿಮ್ಮ ನಿಯಂತ್ರಣದಲ್ಲಿದೆ. ಯೋಜನೆಯ ಉದ್ದಕ್ಕೂ ಒಂದೇ ಪೋಷಕಾಂಶಕ್ಕಾಗಿ ಒಂದೇ ದಾಖಲೆಯನ್ನು ಬಳಸುವುದು ಸಹ ಸ್ಥಿರತೆಗೆ ಮುಖ್ಯವಾಗಿದೆ; ಪೂರ್ಣ-ಕೊಬ್ಬಿನ ಹಾಲನ್ನು ಅರ್ಧ ಸಮಯ ಮತ್ತು ಕೆನೆರಹಿತ ಹಾಲನ್ನು ಅರ್ಧ ಸಮಯ ಬಳಸುವುದು ಒಟ್ಟು ಮೊತ್ತವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ.

ಭಾಗ ಮತ್ತು ಅಡುಗೆ ಪರಿವರ್ತನೆಗಳು

ಪೌಷ್ಟಿಕಾಂಶದ ಡೇಟಾಬೇಸ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ 100 ಗ್ರಾಂ ಕಚ್ಚಾ ಮೌಲ್ಯಗಳನ್ನು ನೀಡುತ್ತವೆ. ಆದರೆ ಗ್ರಾಹಕರು ಬೇಯಿಸಿದ ಮಸೂರವನ್ನು ತಿನ್ನುತ್ತಾರೆ, ಹಸಿ ಮಸೂರವನ್ನಲ್ಲ. ಅಡುಗೆ ಸಮಯದಲ್ಲಿ ನೀರನ್ನು ಹೀರಿಕೊಳ್ಳುವ ಮೂಲಕ ತೂಕವು ಬದಲಾಗುತ್ತದೆ; 100 ಗ್ರಾಂ ಕಚ್ಚಾ ಅಕ್ಕಿ ಬೇಯಿಸಿದಾಗ ~ 250-300 ಗ್ರಾಂಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, "ಬೇಯಿಸಿದ 200 ಗ್ರಾಂ" ಮತ್ತು "ಕಚ್ಚಾ 100 ಗ್ರಾಂ" ವಿಭಿನ್ನ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿವೆ. AI ಈ ರೂಪಾಂತರಗಳನ್ನು ಮಾಡಬಹುದು, ಆದರೆ ಇದು ದಿಕ್ಕನ್ನು ಗೊಂದಲಗೊಳಿಸಬಹುದು. ನೀವು ಬಳಸುವ ಮೌಲ್ಯವು ಕಚ್ಚಾ ಅಥವಾ ಬೇಯಿಸಿದದ್ದೇ ಎಂಬುದನ್ನು ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟಪಡಿಸಿ; ಇದು ಲೆಕ್ಕಾಚಾರದ ದೋಷಗಳ ಆಗಾಗ್ಗೆ ಮೂಲವಾಗಿದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಭ್ರಮೆಯನ್ನು ಹಿಡಿಯುವುದು. ಆಹಾರತಜ್ಞರು YZ ಅನ್ನು ಕೇಳಿದರು, "100 ಗ್ರಾಂ ಬೇಯಿಸಿದ ಬ್ರೊಕೊಲಿಯಲ್ಲಿ ಎಷ್ಟು ಗ್ರಾಂ ಪ್ರೋಟೀನ್ ಇದೆ?" ಅವನು ಕೇಳುತ್ತಾನೆ; AI "ಸುಮಾರು 8 ಗ್ರಾಂ" ಎಂದು ಹೇಳುತ್ತದೆ. ಆಹಾರ ಪದ್ಧತಿಯು USDA ಅನ್ನು ನೋಡುತ್ತದೆ: ನಿಜವಾದ ಮೌಲ್ಯವು ~ 2.4 ಗ್ರಾಂ. AI ಇದನ್ನು ದ್ವಿದಳ ಧಾನ್ಯ/ಕಾಯಿ ದತ್ತಾಂಶದೊಂದಿಗೆ ಬೆರೆಸಿ ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚಿಸಿತು. ಆಹಾರ ತಜ್ಞರು ಸರಿಯಾದ ಮೌಲ್ಯವನ್ನು ಬಳಸುತ್ತಾರೆ. ಪಾಠ: ಹಸಿರು ತರಕಾರಿಗಳು ಪ್ರೋಟೀನ್ನಲ್ಲಿ ಕಡಿಮೆ; ನಿರರ್ಗಳವಾಗಿರುವ ಕಾರಣ ಸಂಖ್ಯೆ ಸರಿಯಾಗಿರುವುದಿಲ್ಲ.

ಪ್ರಕರಣ 2 - ಕಚ್ಚಾ/ಬೇಯಿಸಿದ ಗೊಂದಲ. ಕರಡು ಯೋಜನೆಯಲ್ಲಿ, AI "150 ಗ್ರಾಂ ಪಾಸ್ಟಾ" (~525 kcal) ಗಾಗಿ ಕಚ್ಚಾ ಮೌಲ್ಯವನ್ನು ಬಳಸುತ್ತದೆ, ಆದರೆ ಕ್ಲೈಂಟ್ 150 ಗ್ರಾಂ ಬೇಯಿಸಿದ ಪಾಸ್ಟಾವನ್ನು (~ 210 kcal) ತಿನ್ನುತ್ತದೆ. ವ್ಯತ್ಯಾಸವು ಒಂದು ಊಟದಲ್ಲಿ 315 ಕೆ.ಸಿ.ಎಲ್ ಆಗಿದೆ, ಇದು ದಿನಕ್ಕೆ ಒಂದು ಊಟದೊಂದಿಗೆ ಸಹ ಗಂಭೀರ ವಿಚಲನವಾಗಿದೆ. ಆಹಾರತಜ್ಞರು ಮಾಪನದ ಘಟಕವನ್ನು "ಬೇಯಿಸಿದ" ಎಂದು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತಾರೆ ಮತ್ತು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತಾರೆ.

ಪ್ರಕರಣ 3 - ಸರಿಯಾದ ಬಳಕೆ. ಆಹಾರ ತಜ್ಞರು USDA ಯಿಂದ ಕೋಳಿ, ಅಕ್ಕಿ ಮತ್ತು ಕೋಸುಗಡ್ಡೆಯ 100-ಗ್ರಾಂ ಮೌಲ್ಯಗಳನ್ನು ನಕಲಿಸುತ್ತಾರೆ, "ಈ ಡೇಟಾದೊಂದಿಗೆ ಊಟಕ್ಕಾಗಿ ಒಟ್ಟು ಮ್ಯಾಕ್ರೋವನ್ನು ಲೆಕ್ಕಹಾಕಿ, ಅದರ ಸ್ವಂತ ಸ್ಮರಣೆಯಿಂದ ಸಂಖ್ಯೆಗಳನ್ನು ಸೇರಿಸಿ" ಎಂಬ ಸೂಚನೆಯೊಂದಿಗೆ ಅವುಗಳನ್ನು AI ಗೆ ನೀಡುತ್ತಾರೆ. AI ಕೊಟ್ಟಿರುವ ಸಂಖ್ಯೆಗಳೊಂದಿಗೆ ಮಾತ್ರ ಸೇರಿಸುತ್ತದೆ; ಆಹಾರತಜ್ಞರು ಅದನ್ನು ಹಿಂದಕ್ಕೆ ಹೊಡೆಯುವ ಮೂಲಕ ಖಚಿತಪಡಿಸುತ್ತಾರೆ. ಡೇಟಾ ಮೂಲದಿಂದ ಬಂದಿದೆ, AI ಅಂಕಗಣಿತವನ್ನು ಮಾಡಿದೆ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ಲೆಕ್ಕಾಚಾರದ ಟೆಂಪ್ಲೇಟ್ (ರಾಗ್ ಲಾಜಿಕ್)ನಿಮ್ಮ ಪಾತ್ರ: ನಿಮಗೆ ನೀಡಲಾದ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಹಾಯಕ. ನಿಮ್ಮ ಸ್ವಂತ ಸ್ಮರಣೆಯಿಂದ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳನ್ನು ಸೇರಿಸಿ ಅಥವಾ ಬದಲಾಯಿಸಿ. ಡೇಟಾ ಕಳೆದು ಹೋದರೆ "[ಡೇಟಾ ಇಲ್ಲ]" ಎಂದು ಬರೆಯಿರಿ, ಮಾಡಿ. ಡೇಟಾ (ಪ್ರತಿ 100 ಗ್ರಾಂ, ಮೂಲ: USDA):- ಚಿಕನ್ ಸ್ತನ (ಬೇಯಿಸಿದ): 165 kcal, 31 ಗ್ರಾಂ ಪ್ರೋಟೀನ್, 3.6 ಗ್ರಾಂ ಕೊಬ್ಬು, 0 ಗ್ರಾಂ ಕಾರ್ಬ್ಸ್- ಅಕ್ಕಿ (ಬೇಯಿಸಿದ): ... ಕಾರ್ಯ: 120 ಗ್ರಾಂ ಕೋಳಿ + 150 ಗ್ರಾಂ ಅಕ್ಕಿಗೆ ಒಟ್ಟು kcal ಮತ್ತು ಮ್ಯಾಕ್ರೋವನ್ನು ಲೆಕ್ಕ ಹಾಕಿ.

ಕಚ್ಚಾ/ಬೇಯಿಸಿದ ಪರಿವರ್ತನೆ ಟೆಂಪ್ಲೇಟ್ ಈ ಕೆಳಗಿನ ಆಹಾರದ ಮೌಲ್ಯವನ್ನು 100 ಗ್ರಾಂ ಕಚ್ಚಾಗೆ ನೀಡಲಾಗಿದೆ: [ಮೌಲ್ಯಗಳು]. ಕ್ಲೈಂಟ್ [X] ಗ್ರಾಂ ಬೇಯಿಸಿದ ತಿನ್ನುತ್ತದೆ. ಬೇಯಿಸಿದಾಗ, ತೂಕ ~[ಅನುಪಾತ] ಬದಲಾಗುತ್ತದೆ. ಅಂತೆಯೇ, ಸೇವಿಸಿದ ಪ್ರಮಾಣದ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ನೀವು ಬಳಸುವ ಊಹೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ.

ಡೇಟಾಬೇಸ್ ಕ್ವೆರಿ ತಯಾರಿ ಟೆಂಪ್ಲೇಟ್ ನಾನು ಊಟದ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಬಯಸುತ್ತೇನೆ. ಈ ಕೆಳಗಿನ ಆಹಾರಗಳಿಗಾಗಿ ನಾನು ಆಹಾರ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ (USDA/TUBER) ಯಾವ ಪದವನ್ನು ಹುಡುಕಬೇಕು ಎಂಬುದನ್ನು ಪಟ್ಟಿ ಮಾಡಿ, ಯಾವ ದಾಖಲೆಯನ್ನು ನಾನು ಆರಿಸಬೇಕು, ಕಚ್ಚಾ/ಬೇಯಿಸಿದ. ನಿಮಗೆ ಮೌಲ್ಯಗಳನ್ನು ನೀಡಬೇಡಿ; ಸರಿಯಾದ ಹುಡುಕಾಟ ಪದ ಮತ್ತು ಗಮನದ ಬಿಂದುವನ್ನು ನನಗೆ ತಿಳಿಸಿ. ಪೋಷಕಾಂಶಗಳು: [...]

ಸ್ಥಿರತೆ ಚೆಕ್ ಟೆಂಪ್ಲೇಟ್ ಕೆಳಗಿನ ಊಟಕ್ಕೆ ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳನ್ನು ಎರಡು ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಿ: (1) ಎಲ್ಲಾ ಆಹಾರಗಳು ಕಚ್ಚಾ ಎಂದು ಊಹಿಸಿ, (2) ಎಲ್ಲಾ ಆಹಾರಗಳನ್ನು ಬೇಯಿಸಲಾಗಿದೆ ಎಂದು ಊಹಿಸಿ. ಎರಡು ಮೊತ್ತವನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ ಮತ್ತು ವ್ಯತ್ಯಾಸವು ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ಹಾಗಾಗಿ ನಾನು ಯಾವ ಊಹೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಎಂಬುದನ್ನು ನೋಡಬಹುದು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಲೆಂಟಿಲ್ ಸೂಪ್ನ ಬೌಲ್ನಲ್ಲಿ ಎಷ್ಟು ಕ್ಯಾಲೊರಿಗಳಿವೆ?

"ಒಂದು ಭಕ್ಷ್ಯ" ಅಸ್ಪಷ್ಟವಾಗಿದೆ, ಪಾಕವಿಧಾನವು ಅಸ್ಪಷ್ಟವಾಗಿದೆ, ಮೂಲವು ಇರುವುದಿಲ್ಲ; AI ಅದರ ಮೆಮೊರಿಯಿಂದ ಸಂಖ್ಯೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ ಮತ್ತು ಅದು ಹೇಗೆ ಬಂದಿತು ಎಂಬುದನ್ನು ಹೇಳುವುದಿಲ್ಲ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ನೀಡಿದ ಡೇಟಾದೊಂದಿಗೆ ಮಾತ್ರ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಸಹಾಯಕ. ಲೆಂಟಿಲ್ ಸೂಪ್ ಸರ್ವಿಂಗ್ = 300 ಗ್ರಾಂ. ಪದಾರ್ಥಗಳು (100 ಗ್ರಾಂಗೆ ಮೌಲ್ಯಗಳು, ಯುಎಸ್ಡಿಎ ಮೂಲ, ನಾನು ಕೆಳಗೆ ನೀಡುತ್ತೇನೆ): ಕೆಂಪು ಮಸೂರ (ಬೇಯಿಸಿದ) [ಮೌಲ್ಯಗಳು], ಈರುಳ್ಳಿ [ಮೌಲ್ಯಗಳು], ಆಲಿವ್ ಎಣ್ಣೆ [ಮೌಲ್ಯಗಳು]. ಪ್ರತಿ ಸೇವೆಗೆ ಪ್ರಮಾಣಗಳು: [...]. ಈ ಡೇಟಾದೊಂದಿಗೆ ಒಟ್ಟು kcal ಮತ್ತು ಮ್ಯಾಕ್ರೋವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಮೆಮೊರಿಯಿಂದ ಸೇರಿಸಬೇಡಿ, ಹಂತಗಳನ್ನು ತೋರಿಸಿ.

ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ ಮೂಲವು ಸರ್ವಿಂಗ್, ಕಚ್ಚಾ/ಬೇಯಿಸಿದ ಮಾಹಿತಿ ಮತ್ತು "ಸೇರಿಸಬೇಡಿ" ನಿರ್ಬಂಧವನ್ನು ನೀಡುತ್ತದೆ; ಔಟ್ಪುಟ್ ಆಡಿಟ್ ಮಾಡಬಹುದಾದ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• AI ನ ಸ್ಮರಣೆಯನ್ನು ನಂಬುವುದು: ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯದ ಮುಕ್ತ ಪ್ರಶ್ನೆ; ಇದು ಭ್ರಮೆಗೆ ಆಹ್ವಾನವಾಗಿದೆ.
• ಗೊಂದಲಮಯ ಕಚ್ಚಾ/ಬೇಯಿಸಿದ: ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಮೂಕ ತಪ್ಪು; ಅಳತೆಯ ಘಟಕವನ್ನು ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟಪಡಿಸಿ.
• ಮೂಲ ಗೊಂದಲ: ವಿಭಿನ್ನ ಡೇಟಾಬೇಸ್‌ಗಳಿಂದ ವಿಭಿನ್ನ ಪೋಷಕಾಂಶಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು; ಯೋಜನೆಯಲ್ಲಿ ಸ್ಥಿರವಾದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬಳಸಿ.
• ಭಾಗವನ್ನು ಅಸ್ಪಷ್ಟವಾಗಿ ಬಿಡುವುದು: "ಒಂದು ಪ್ಲೇಟ್", "ಕೈಬೆರಳೆಣಿಕೆಯಷ್ಟು" ನಂತಹ ಅಭಿವ್ಯಕ್ತಿಗಳನ್ನು ಗ್ರಾಂಗಳಾಗಿ ಪರಿವರ್ತಿಸದೆ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು.
• ಶ್ರೇಣಿಯ ಬದಲಿಗೆ ಒಂದೇ ಸಂಖ್ಯೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು: ಅದೇ ಆಹಾರವು ಸಮಂಜಸವಾದ ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ಮರೆತುಬಿಡುವುದು; ತಪ್ಪು ಖಚಿತತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಪೌಷ್ಟಿಕಾಂಶದ ದತ್ತಾಂಶವು ಭಾಷಾ ಮಾದರಿಯು ದುರ್ಬಲವಾಗಿರುವ ಪ್ರದೇಶವಾಗಿದೆ; ಮಾದರಿಯು ಸಂಖ್ಯೆಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳದ ಕಾರಣ, ಅದು ಅವುಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ ಯಾವಾಗಲೂ ಮಾನ್ಯತೆ ಪಡೆದ ಡೇಟಾಬೇಸ್‌ನಿಂದ (USDA, TÜBER, BeBiS) ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳನ್ನು ಪಡೆಯಿರಿ ಮತ್ತು ಆ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಮತ್ತು ಅರ್ಥೈಸಲು AI ಅನ್ನು ಬಳಸಿ - RAG ತರ್ಕವನ್ನು ಆಧರಿಸಿ, ಮೂಲದಿಂದ ಡೇಟಾವನ್ನು ಎಳೆಯಿರಿ. ಕಚ್ಚಾ/ಬೇಯಿಸಿದ ಪರಿವರ್ತನೆಗಳು, ಭಾಗದ ಸ್ಪಷ್ಟತೆ ಮತ್ತು ಮೂಲ ಸ್ಥಿರತೆಗೆ ಗಮನ ಕೊಡಿ. ಸಂಖ್ಯೆಯು ನಿರರ್ಗಳವಾಗಿ ಹೊರಬಂದ ಕಾರಣ ಸರಿಯಾಗಿಲ್ಲ; ಮೂಲದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಮೂಲಕ ಮಾತ್ರ ನೀವು ಸತ್ಯವನ್ನು ಪಡೆಯಬಹುದು.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಮೂರು ಆಹಾರಗಳನ್ನು ಆರಿಸಿ (ಉದಾಹರಣೆಗೆ, ಬೇಯಿಸಿದ ಮೊಟ್ಟೆಗಳು, ಸಂಪೂರ್ಣ ಗೋಧಿ ಬ್ರೆಡ್, ಗ್ರೀಕ್ ಮೊಸರು). ಮೊದಲಿಗೆ, AI ಓಪನ್-ಎಂಡೆಡ್ ಅನ್ನು ಕೇಳಿ ಮತ್ತು ಅದರ ಮೌಲ್ಯಗಳನ್ನು (ಅದರ ಮೆಮೊರಿಯಿಂದ) ಪಡೆಯಿರಿ. ನಂತರ USDA FoodData Central ನಿಂದ ಅದೇ ಪೋಷಕಾಂಶಗಳ ನಿಜವಾದ ಮೌಲ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. ಎರಡು ಸೆಟ್‌ಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿ ಆಹಾರದಲ್ಲಿ ಎಷ್ಟು ವಿಚಲನವಿದೆ ಎಂದು ಟೇಬಲ್‌ನಲ್ಲಿ ಬರೆಯಿರಿ. ಈ ಕೋಷ್ಟಕವು "ಮೆಮೊರಿಯನ್ನು ನಂಬಬೇಡಿ, ಮೂಲಕ್ಕೆ ಲಿಂಕ್" ಎಂಬ ತತ್ವವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಪೌಷ್ಟಿಕಾಂಶದ ಮೌಲ್ಯಗಳನ್ನು ಸುಪ್ರಸಿದ್ಧ ಡೇಟಾಬೇಸ್‌ನಿಂದ ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ, AI ಮೆಮೊರಿಯಿಂದಲ್ಲ.
• [ ] ನಾನು AI ಮೇಲೆ "ನೀಡಿರುವ ಡೇಟಾದೊಂದಿಗೆ ಮಾತ್ರ ಕೆಲಸ ಮಾಡು, ಏನನ್ನೂ ಸೇರಿಸಬೇಡಿ" ಎಂಬ ನಿರ್ಬಂಧವನ್ನು ಹಾಕಿದೆ.
• [ ] ನಾನು ಪ್ರತಿ ಆಹಾರಕ್ಕೆ ಅದು ಹಸಿ ಅಥವಾ ಬೇಯಿಸಿದ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಭಾಗಗಳನ್ನು ಗ್ರಾಂ ಆಗಿ ಪರಿವರ್ತಿಸಿದೆ; ನಾನು "ಒಂದು ತಟ್ಟೆ/ಕೈತುಂಬ" ಬಿಟ್ಟು ಹೋಗಲಿಲ್ಲ.
• [ ] ನಾನು ಯೋಜನೆಯಲ್ಲಿ ಒಂದೇ ಸ್ಥಿರವಾದ ಮೂಲವನ್ನು ಬಳಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಮತ್ತೆ ಗುಣಿಸುವ ಮೂಲಕ AI ನ ಮೊತ್ತವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.