엔드투엔드 워크플로, 개인 정보 보호/KVKK, 윤리 및 품질 관리

이득:

• 'AI 생산 → 인간 검증 → 인간 승인'의 사이클로 고객 여정을 끝까지 안전하게 운영할 수 있는 능력
• KVKK/기밀 유지 범위 내에서 고객 데이터를 보호하고 모든 단계에 4가지 윤리 원칙을 적용하는 능력
• 5가지 주요 질문(계정, 소스, 알레르기 유발 물질, 익명성, 승인)을 통해 결과를 자체 점검하여 궁극적인 책임을 질 수 있는 능력

이전 10개 단원에서는 섭취, 계산, 데이터베이스, 계획, 레시피, 알레르기, 추적, 교육, 증거 등 영양 및 식이요법의 개별 작업에서 AI를 사용하는 방법을 살펴보았습니다. 이 마지막 단원에서는 모든 것을 하나로 모아 영양사로서 일상 업무에서 AI를 엔드 투 엔드로 안전하고 윤리적으로 운영하는 방법을 보여줍니다. 각 작업을 잘 수행하는 것만으로는 충분하지 않기 때문입니다. 데이터가 어디로 가는지, 누가 무엇을 결정하는지, 어디에서 중지하고 사람의 승인을 받는지 등 이 모든 것이 일관된 시스템을 만들어야 합니다. 또한 이 단원에서는 전체 모듈을 연결하는 세 가지 빨간색 선인 개인 정보 보호(KVKK), 윤리 및 궁극적인 인간 동의를 명확히 합니다.

엔드투엔드 고객 여정

다음 표에는 방문부터 영양사, 후속 조치까지 AI가 활용되고 사람의 승인이 필수적인 고객의 여정이 요약되어 있습니다.

무대

AI의 직업

인간 승인 포인트

1. 접수 준비

면접안내, 노트편집

영양사가 인터뷰를 진행합니다.

2. 평가

에너지/거시 계정 초안

영양사가 다시 계산함

3. 데이터베이스

소스 데이터를 사용한 계산

영양사가 값을 확인합니다.

4. 계획

식사 옵션 개요

영양사가 균형을 맞추고 확인합니다.

5. 레시피

변형, 개선

영양 및 맛 검증

6. 보안

알레르기 항원 사전 검사

영양사가 말로 확인합니다.

7. 추적

추세 요약, 메시지 개요

인간의 임상적 해석과 관계

8. 교육

내용개요

과학/윤리 감사

9. 증거

요약, 중요한 쿼리

영양사가 검증한 원산지

이 차트의 일반적인 패턴을 참조하세요. AI는 각 단계에서 청사진 또는 예비 단계를 생성합니다. 각 단계마다 사람의 승인 지점이 있습니다. 이 시스템은 "AI 생산 → 인간 검증 → 인간 확인"의 사이클을 기반으로 합니다. 이 순환이 깨지면 속도는 향상되지만 보안과 책임감은 상실됩니다.

개인정보 보호 및 KVKK: 데이터 보호

고객 데이터(신원, 건강 기록, 분석, 약물 치료, 측정)는 터키의 KVKK 및 유럽의 GDPR 범위 내의 "특수 범주 개인 데이터"이며 가장 높은 보호를 받을 가치가 있습니다. AI 도구를 사용할 때 따라야 할 원칙:

1. 익명화: 이름, TR ID, 연락처, 기관, 생년월일과 같은 식별 데이터를 제거합니다. "43세 여성, 제2형 당뇨병"이면 충분합니다.
2. 최소 데이터: 작업에 필요한 최소 데이터를 공유합니다. 더 이상.
3. 안전한 도구 선택: 모델 훈련에 데이터가 사용되지 않는 데이터 처리 계약이 포함된 기업 도구를 선택하세요.
4. 명시적 동의: 고객에게 데이터 처리 방법에 대해 알리고 동의를 얻습니다.
5. 기록 및 보존: 데이터가 저장되는 위치와 데이터에 액세스할 수 있는 사람을 제어합니다. 불필요한 데이터를 삭제하세요.

주의: "속도를 위해" 익명화하지 않고 분석 PDF 또는 클라이언트 파일을 AI 도구에 업로드하면 한 번의 클릭으로 해결하기 어려운 KVKK 위반이 발생할 수 있습니다. 속도는 결코 개인 정보 보호를 능가하지 않습니다. 의심스러우면 공유하지 마세요.

윤리적 틀: 네 가지 원칙

건강 윤리의 네 가지 고전적 원칙은 영양 실천에도 적용됩니다: 선의(고객의 복지를 위해 일함), 비악의(특히 안전이 중요한 결정에서), 자율성(고객 자신의 결정에 대한 존중, 사전 동의), 정의(자원, 예산 및 문화의 차이에 민감한 포괄적 서비스). AI의 사용은 다음 원칙과 충돌해서는 안 됩니다. 확인되지 않은 출력은 해를 끼칠 수 있으며(비악의 위반), 고객에게 알리지 않고 데이터를 처리하는 것은 자율성을 침해하며, 단일 문화에 따라 계획을 세우는 것은 정의를 훼손합니다. 윤리는 나중에 추가되는 레이어가 아니라 모든 단계에 짜여진 규율입니다.

품질 관리: 자신의 작업을 검사합니다.

엔드투엔드 작업을 하면서 AI 사용을 정기적으로 감사하세요. 간단한 자체 점검: 각 고객 인쇄물에 대해 "내가 이 번호를 확인했습니까? 이 알레르기 항원을 검사했습니까? 이 주장을 입증했습니까? 이 데이터를 익명화했습니까? 이 계획을 승인했습니까?" 이 다섯 가지 질문에 "예"라고 대답할 수 없으면 출력이 아직 준비되지 않은 것입니다.

세 개의 미니 케이스

사례 1 - 체인의 약한 고리. 영양사는 AI를 사용하여 섭취-계정-계획 체인을 신속하게 설정하지만 안전 단계(알레르기 확인)를 건너뜁니다. "이전 단계가 좋았다면 이것도 좋다"고 가정하기 때문입니다. 그런데 의뢰인이 참깨 알레르기가 있어서 소스에 참깨가 포함되어 있었습니다. 체인의 한 링크가 끊어지면 전체 체인이 안전하지 않습니다. 교훈: 각 단계의 승인 지점은 독립적입니다. 하나는 다른 하나를 대체하지 않습니다.

사례 2 - 개인정보 침해 체인. 효율성을 위해 병원에서는 모든 클라이언트 파일을 이름별로 AI 도구에 로드하고 대량 계획을 작성하려고 합니다. 감사 결과 이는 KVKK 위반이며 데이터가 기관 외부로 유출된 것으로 나타났습니다. 클리닉은 프로세스를 중지하고 익명화 및 축소된 흐름으로 전환합니다. 교훈: 효율성이 개인 정보 침해를 변명할 수는 없습니다. 처음부터 개인정보가 보호되도록 시스템을 설정하세요.

사례 3 — 엔드투엔드 흐름을 수정합니다. 신규 고객의 경우, 영양사는 (1) 익명화된 데이터로 인터뷰 가이드를 생성하고, (2) AI 초안을 갖고 계산을 수동으로 확인하고, (3) USDA에서 영양가를 제공하고, (4) 옵션 계획을 얻어 균형을 맞추고, (5) 일대일로 알레르기 항원을 선별하고, (6) 고객에게 개인화된 교육을 제공하고, (7) 주간 후속 조치를 위해 추세 요약을 사용합니다. 모든 단계에서 승인 포인트를 적용하고 데이터를 익명으로 유지하며 계획 자체를 승인합니다. 결과: AI를 통해 안전과 책임성을 훼손하지 않고 최대 40%의 시간을 절약합니다. 교훈: 시스템이 올바르게 설정되면 속도와 보안이 함께 제공됩니다.

복사 가능한 프롬프트 템플릿

엔드투엔드 작업 프레임워크 템플릿귀하의 역할: DRAFT 준비 영양사 보조원. 각 인쇄물 끝에 "영양사 승인 필요"라는 메모를 넣고 문자 그대로 확인해야 하는 사항을 나열합니다(계정, 알레르기 항원, 출처). 클라이언트(익명): [...]. 퀘스트: [단계]. 꾸며낸 데이터를 추가하지 마세요. 확실하지 않은 곳에 표시하세요.

개인 정보 보호 사전 확인 템플릿AI 도구에 제공하기 전에 개인 정보 보호를 위해 다음 텍스트를 스캔하십시오. 이름, ID, 연락처, 기관, 생년월일, 분석 ID와 같은 식별 데이터가 포함되어 있습니까? 그렇다면 표시하고 익명화된 버전을 제안하세요. 텍스트: [...]

품질 자체 감사 템플릿 다음 고객 인쇄물에 대한 체크리스트를 적용하고 각 항목을 충족/누락으로 표시하십시오. (1) 확인된 계정, (2) 소스의 영양가, (3) 알레르겐 검사를 받았는지, (4) 익명 데이터, (5) 영양사의 승인이 있는지, (6) 정량화된 건강 주장입니다. 누락된 부분이 있으면 표시하세요. 출력: [...]

윤리적 검토 템플릿 다음 계획/내용은 이익, 비악의, 자율성(동의/정보), 정의(예산/문화 포용성)라는 네 가지 윤리 원칙 측면에서 문제를 제기합니까? 각 정책을 간략하게 평가하고 개선 사항을 제안합니다. 내용: [...]

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

Ayşe 씨의 분석과 파일을 추가하면 완전한 계획이 나올 것입니다.

명명된 데이터, 한 단계의 "전체 계획", 승인 지점 없음: KVKK 위반 및 확인되지 않고 안전하지 않은 출력의 위험이 있습니다.

강력한 프롬프트:

귀하의 역할: 초안 조수; 승인은 영양사에게 있습니다. 의뢰인(익명): 41세 여성, 제2형 당뇨병, [해당 숫자값, 이름/신원 NONE]. 작업: 옵션이 포함된 초안 식사 계획. 각 식사에 대한 예상 매크로와 "반드시 확인해야 하는" 메모입니다. 알레르기 유발 물질: 참깨(아무 것도 추가하지 마세요). 마지막에는 영양사가 직접 확인해야 할 사항을 나열합니다. 적합 데이터를 추가합니다.

두 번째 프롬프트는 데이터를 익명화하고 출력을 스텁하며 보안 제약 조건과 체크포인트를 포함합니다. 기밀성과 품질이 모두 보호됩니다.

일반적인 실수

• 체인의 링크 건너뛰기: 이전 단계가 양호했기 때문에 보안/승인 단계를 건너뜁니다.
• 효율성을 위해 개인 정보 보호 희생: 명명된 파일 대량 업로드 - 심각한 KVKK 위반입니다.
• 일회성 '전체 계획' 기대: 체크포인트를 건너뛰는 블랙박스 출력에 의존합니다.
• 나중에 윤리에 대해 생각하기: 모든 단계에서 윤리를 엮는 대신 마지막에 윤리를 기억합니다.
• 자체 검사 우회: 5가지 기본 질문(계정/알레르기/소스/익명/승인)에 대해 테스트하지 않고 출력을 사용합니다.
• 동의를 잊는 것: 고객에게 데이터가 어떻게 처리되는지 알리지 않습니다.

요약하면

인공 지능은 영양 및 식이 요법의 실행을 처음부터 끝까지 가속화할 수 있습니다. 하지만 모든 단계에서 'AI 생산 → 인간 검증 → 인간 확인'의 순환이 유지되어야 안전할 것입니다. 항상 고객 데이터를 익명화하고, 속도를 위해 KVKK와 기밀성을 희생하지 말고, 모든 단계에 4가지 윤리 원칙을 적용하고, 5가지 기본 질문을 통해 결과를 자체 감사하세요. 체인의 각 링크는 독립적인 승인 지점입니다. 그 중 하나가 고장나면 시스템은 안전하지 않습니다. 기억하세요: AI는 직업을 강화하지만 직업을 대체하지는 않습니다. 진단, 치료 결정, 최종 계획 승인(과학, 윤리, 서명)은 영양사의 몫입니다. AI는 빠른 조수입니다. 당신은 책임있는 전문가입니다.

응용과제

처음부터 끝까지 미니 클라이언트 흐름을 설정하십시오. 익명 프로필을 선택하고 (1) 인터뷰 가이드, (2) 계정 개요 + 확인, (3) 소스 데이터가 포함된 식사, (4) 알레르기 검사, (5) 교육 유인물을 순차적으로 생성합니다. 각 단계에서 어떤 인간 체크포인트를 적용했는지 적어보세요. 그런 다음 "품질 자체 감사 템플릿"을 전체 흐름에 적용하고 격차를 찾아 수정합니다. 마지막으로 "개인정보 사전 확인"을 실행하여 데이터가 실제로 익명인지 확인하세요.

체크리스트

• [ ] 각 단계마다 “AI 생성 → 검증 → 검증” 사이클을 적용했습니다.
• [ ] 고객 데이터를 익명화하고 최소한의 데이터를 공유했습니다.
• [ ] 안전/계약 차량을 이용했습니다. 동의를 받았습니다.
• [ ] 나는 네 가지 윤리 원칙(이익, 무해, 자율, 정의)을 준수했습니다.
• [ ] 다섯 가지 주요 질문으로 결과를 자체 점검했습니다.
• [ ] 영양사로서 최종 승인을 내렸습니다. 나는 책임이 있습니다.

모듈 시험

1. 영양사가 인공지능으로 계산한 일일 칼로리 목표치를 확인하지 않고 고객의 계획에 전송합니다. 이 접근 방식의 근본적인 실수는 무엇입니까?

• A) 인공지능 출력물은 검증 없이 사용할 수 없습니다. 계정 초안은 반드시 영양사의 재계산 및 승인을 받아야 합니다 ✔
• B) 인공지능은 항상 칼로리 수치를 과소평가한다
• 다) 칼로리 계산 대신 거시적 계산만 해야 한다.
• D) 계획은 이메일이 아닌 종이로 고객에게 전달되어야 합니다.

설명: 인공지능은 계산을 올바르게 할 수 있지만 활동 계수와 같은 가정을 잘못 가정하여 동일한 신뢰도로 잘못된 결과를 생성할 수도 있습니다. 식이요법은 안전이 중요한 분야입니다. 모든 계정은 영양사에 의해 재검증되어야 하며 최종 승인은 사람에게 속해야 합니다.

2. 클라이언트 데이터를 인공 지능 도구로 전송할 때 개인 정보 보호(KVKK) 측면에서 가장 좋은 행동은 무엇입니까?

• A) 빠른 진행을 위해 고객의 성명과 분석 PDF를 그대로 업로드해 주시기 바랍니다.
• 나) 개인 식별 정보를 제거하고 데이터를 익명화하여 필요한 임상 정보만 공유해야 합니다. ✔
• 다) 데이터를 암호화하면 이름정보도 전송 가능
• D) 목적이 좋기 때문에 의뢰인에게 묻지 않고 전체 파일을 공유할 수 있습니다.

설명: 클라이언트 상태 데이터는 특별한 개인 데이터입니다. 이름, TR ID, 연락처 정보 등의 식별 정보를 제거하고 데이터를 익명화해야 합니다. 업무에 필요한 최소한의 데이터는 공유되어야 합니다. 원본 파일을 이름으로 업로드하는 것은 심각한 위반입니다.

3. 인공지능은 2000kcal 목표에 '탄수화물 220g, 단백질 150g, 지방 90g'을 준다. 영양사가 가장 먼저 해야 할 검증은 무엇인가요?

• A) 인공지능은 연산에 오류가 없기 때문에 값을 있는 그대로 받아들인다.
• 나) 단백질 양만 조절하면 충분하다
• C) 매크로 그램에 4/4/9를 곱하여 총 칼로리가 목표 칼로리에 도달하는지 확인하세요 ✔
• D) 매크로를 기반으로 칼로리 목표를 2290으로 늘립니다.

설명: 4/4/9를 다시 곱한 매크로: 220x4 + 150x4 + 90x9 = 880 + 600 + 810 = 2290kcal. 총 목표치를 290kcal 초과합니다. 가치관이 일치하지 않습니다. 역곱셈은 AI 매크로 오류를 잡는 가장 간단하고 강력한 방법입니다.

4. 영양가치 데이터에서 인공지능의 가장 취약하고 가장 위험한 점은 무엇인가?

• A) 인공 지능은 항상 영양가를 미터법 단위로 제공합니다.
• 나) 인공지능은 채소의 가치만 알고 있다
• 다) 인공지능은 소수점 이하 자릿수가 너무 많아 영양가치를 주기 때문에 속도가 느리다.
• D) 인공 지능은 기억에서 영양가를 생산하면서 영양가를 조정할 수 있습니다. 따라서 인식된 데이터베이스에서 값을 가져와야 합니다. ✔

설명: 언어 모델은 숫자를 기억하지 않고 확률적으로 숫자를 생성합니다. 따라서 음식의 단백질/칼로리 값은 유창하지만 부정확하게 표시될 수 있습니다(환각). 그렇기 때문에 영양가치는 잘 알려진 데이터베이스에서 가져와야 하며, 인공지능은 해당 데이터로만 작동해야 합니다.

5. 식사 계획에서는 인공지능이 칼로리와 매크로를 정확하게 유지했지만 하루 종일은 흰 빵, 파스타, 닭고기로 구성됩니다. 여기에 무엇이 빠졌나요?

• A) 매크로가 포함되어 있음에도 불구하고 섬유질, 야채 및 미량 영양소의 균형이 이루어지지 않습니다. 영양다양성 측면에서 계획이 미흡함 ✔
• B) 칼로리 목표가 너무 높게 설정되었습니다.
• 다) 단백질 함량이 높아 문제가 있다
• 라) 식사횟수는 3회 이상이어야 한다.

설명: 매크로가 목표에 도달했다는 사실이 계획이 정상임을 나타내지는 않습니다. 섬유질, 야채, 미량 영양소 균형(비타민, 미네랄)도 제공되어야 합니다. 이 균형 판단은 영양사의 몫입니다. 매크로 정확도만으로는 충분하지 않습니다.

6. 헤이즐넛 알레르기가 있는 고객에게는 인공지능이 '아몬드버터 사용' 등 대체품을 제안한다. 영양사가 이 권장 사항을 안전하지 않다고 생각할 수 있는 이유는 무엇입니까?

• A) 아몬드 페이스트는 헤이즐넛 페이스트보다 가격이 더 비쌉니다.
• B) 아몬드는 헤이즐넛과 동일한 견과류 알레르기 그룹에 속할 수 있습니다. 같은 그룹에 속하기 때문에 대체는 위험할 수 있습니다✔
• C) 아몬드 페이스트는 칼로리가 훨씬 높습니다.
• D) 아몬드 페이스트는 터키 요리에 적합하지 않습니다.

설명: 헤이즐넛과 아몬드는 동일한 '나무 견과류' 알레르기 그룹에 속합니다. 알레르기는 단일 식품이 아닌 그룹 단위로 관리됩니다. 대체자가 같은 그룹에 속하면 위험합니다. 영양사는 알레르기 그룹을 알고 대체를 정확하게 확인합니다.

7. 와파린(혈액 희석제)을 복용하는 고객에게 비타민 K가 풍부한 잎채소를 사용하는 올바른 접근 방식은 무엇입니까?

• A) 모든 녹색 잎이 많은 음식은 엄격히 금지되어야 합니다.
• 나) 비타민K 섭취는 허용되어야 하며 전혀 고려되어서는 안 된다.
• 다) 비타민K 섭취를 일정하게 유지하고 상황을 의사와 공유해야 한다 ✔
• D) 잎채소는 저녁에만 먹어야 한다

설명: 와파린을 사용하는 사람들의 목표는 비타민 K를 완전히 금지하는 것이 아니라 섭취량을 일정하게 유지하는 것입니다. 큰 변동은 약물의 효과를 손상시킵니다. 이 '일관성 유지' 유형 제약은 AI에서 누락된 임상적 정교함이며 의사와 공유됩니다.

8. 내담자가 일주일에 1kg의 '증가'를 관찰하면 어떻게 올바른 해석을 할 수 있습니까?

• A) 계획은 저칼로리로 처음부터 바로 작성해야 합니다.
• B) 고객에게 체중 측정을 중단하도록 해야 합니다.
• C) 일주일 정도 증가하면 확실한 체중 증가로 간주됩니다.
• D) 단일 측정이 아니라 여러 주 간의 추세를 살펴봐야 합니다. 단기적인 변동(예: 수분 보유)은 임상적으로 평가되어야 합니다 ✔

설명: 단일 측정은 오해의 소지가 있습니다. 수분 보유량, 월경 주기, 염분 섭취량 등의 요인으로 인해 단기적인 변동이 발생합니다. 중요한 것은 몇 주간의 추세입니다. 이 임상적 해석은 영양사가 합니다. AI는 데이터만 정리한다.

9. 인공지능은 소셜미디어 스케치에서 '녹차는 지방을 태우고 신진대사를 촉진한다'라는 문장을 만들어낸다. 영양사의 윤리적 책임은 무엇입니까?

• A) 증거에 근거하여 과장된 주장을 근거로 삼아 이를 정확한 언어로 번역하고 일반 정보에 대한 경고를 추가합니다. ✔
• 나) 관심을 끌기 때문에 주장을 그대로 공개하는 것
• 다) 문장을 더욱 강화하고 '암을 예방한다'를 추가한다.
• D) 녹차에 대한 이야기는 금지되어 있으므로 내용을 전혀 게시하지 않습니다.

설명: 인공 지능은 과장되고 입증되지 않은 주장을 하는 경향이 있습니다. 영양사는 증거 수준에 따라 이러한 주장을 조정하고 확실성과 기적이라는 표현을 제거하고 '그것은 일반적인 정보입니다'라는 경고를 추가해야 합니다. 건강 관련 주장의 정직성은 윤리적 의무입니다.

10. 한 영양사가 발표를 위해 인공지능에게 '간헐적 단식의 이점을 입증하는 3가지 연구'를 요청합니다. 이 요청의 주요 위험은 무엇입니까?

• A) 인공지능은 너무 많은 일을 시키고 영양사를 지치게 한다
• B) 인공지능은 존재하지 않는 연구, 저자, 저널을 만들어낼 수 있습니다. 원본 소스의 확인 없이는 소스를 사용할 수 없습니다 ✔
• 다) 인공지능 학습은 영어로만 진행됩니다.
• D) 세 가지 연구는 항상 발표하기에 부족하다

설명: 언어 모델은 실제로 존재하지 않는 작품, 작가, 저널을 만들어낼 수 있습니다(원천 환각). 인공지능은 문헌 검색 엔진이 아닙니다. 올바른 방법: PubMed/Cochrane에서 실제 소스를 찾아 AI로 요약하도록 합니다. 각 참조는 기본 소스에서 확인됩니다.

11. '아침식사를 하는 사람이 날씬해진다'는 관찰연구에서 '아침식사를 하면 살이 빠진다'는 결론은 왜 잘못된 걸까요?

• A) 너무 새로운 연구이므로 아직 타당성이 없습니다.
• B) 아침식사는 사실 살이 찌게 한다, 공부가 잘못됐다
• 다) 관찰연구에서는 상관관계만 보인다. 인과관계가 입증되지 않았으며, 다른 요인으로 인해 연관성이 있을 수 있음 ✔
• 라) 표본이 여성으로만 구성되어 있으므로 타당하지 않다.

설명: 관찰 연구에서는 인과관계(하나가 다른 하나를 유발함)가 아닌 상관관계(함께 발생)를 보여줍니다. 아침을 먹는 사람들은 일반적으로 더 활동적이고 규칙적으로 생활할 수 있습니다. 관계는 다른 요인으로 인해 발생할 수 있습니다. 인과관계와 상관관계를 혼동하는 것은 일반적인 증거 읽기 오류입니다.

12. 24시간 영양 알림에서 내담자는 '하루에 견과류 두 줌'이라고 말합니다. AI는 '60그램'으로 추정한다. 올바른 접근 방식은 무엇입니까?

• A) 인공지능의 60그램 가정은 확실한 것으로 간주된다.
• B) 계획에서 견과류가 완전히 제거되었습니다.
• 다) 100그램을 평균값으로 한다.
• D) 부분은 인공지능을 가정한 것이 아니며, 의뢰인에게 물어보거나 저울로 측정하여 명시함 ✔

설명: 부분 추정치는 사람마다 크게 다릅니다. 한 줌은 30g 또는 90g이 될 수 있습니다. AI의 가정은 측정이 아니라 시작 범위입니다. 실제 양은 고객에게 물어보거나 주방 저울을 사용하여 확인해야 합니다.

13. 영양 데이터베이스는 일반적으로 생 100g당 값을 제공합니다. 이로 인해 어떤 오류가 발생할 수 있나요?

• A) 조리된 부분에 원시 값을 적용하면(또는 그 반대) 심각한 칼로리/매크로 오류가 발생할 수 있습니다. 측정 단위를 명확히 해야 합니다 ✔
• B) 생 값은 항상 조리된 값보다 낮습니다. 문제 없습니다.
• C) 데이터베이스는 조리된 값만 반환하므로 문제가 없습니다.
• D) 생것과 익힌 것의 차이는 고기에서만 볼 수 있고 곡물에서는 볼 수 없습니다.

설명: 요리하는 동안 음식은 물을 흡수하여 무게가 변합니다. 생쌀 100g을 익히면 ~250~300g으로 늘어납니다. 조리된 양에 원시 값을 적용하거나 그 반대로 적용하면 심각한 칼로리 오류가 발생합니다. 사용된 값이 생것인지 아니면 조리된 것인지 항상 명확히 해야 합니다.

14. 모듈 전반에 걸쳐 강조된 핵심 원리는 영양학에서 인공 지능의 역할을 어떻게 설명합니까?

• A) 인공지능은 숙련된 영양사를 대신해 스스로 결정을 내릴 수 있다.
• B) 인공 지능은 보조자이자 초안 생성기입니다. 진단, 치료 결정 및 최종 승인은 영양사/의사의 몫입니다 ✔
• 다) 인공지능은 계산용이 아닌 시각적 디자인에만 사용된다.
• 라) 인공지능 출력은 과학적 근거를 바탕으로 하기 때문에 검증 없이도 안전하다.

설명: 인공 지능은 보조자 및 드래프트 생성자로서 반복 작업 속도를 높이지만 안전이 중요한 영역에서 작업하기 때문에 진단, 영양 치료 결정 및 최종 계획 승인은 유능한 전문가(영양사 및 필요한 경우 의사)에게 속합니다. 확인되지 않은 출력은 서명되지 않은 초안입니다.