ഭക്ഷ്യ ഡാറ്റാബേസുകളും പോഷക ഡാറ്റയും: ശരിയായ ഉറവിടത്തിലേക്ക് AI ബന്ധിപ്പിക്കുന്നു

നേട്ടങ്ങൾ:

• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മെമ്മറിയിൽ നിന്നല്ല, അറിയപ്പെടുന്ന ഡാറ്റാബേസുകളിൽ നിന്ന് (USDA, TÜBER, BeBiS) പോഷക മൂല്യങ്ങൾ നേടേണ്ടതിൻ്റെ ആവശ്യകത മനസ്സിലാക്കാനുള്ള കഴിവ്
• RAG ലോജിക് ഉപയോഗിച്ച് ഉറവിടത്തിൽ നിന്ന് വരച്ച ഡാറ്റ ഉപയോഗിച്ച് മാത്രം കണക്കുകൂട്ടലുകളും വ്യാഖ്യാനങ്ങളും നടത്താൻ കൃത്രിമ ബുദ്ധിയെ നയിക്കാനുള്ള കഴിവ്
• അസംസ്കൃത/വേവിച്ച പരിവർത്തനങ്ങൾ, ഭാഗങ്ങളുടെ വ്യക്തത, ഉറവിട സ്ഥിരത എന്നിവ പരിഗണിച്ച് പോഷകാഹാര പിശകുകൾ തടയാനുള്ള കഴിവ്

ഒരു ഡയറ്റീഷ്യൻ്റെ ദൈനംദിന ജോലിയുടെ കാതൽ "ഈ പോഷകത്തിൽ എത്രമാത്രം ഉണ്ട്?" ഒരു ചോദ്യമുണ്ട്. 100 ഗ്രാം ചിക്കൻ ബ്രെസ്റ്റിൽ എത്ര ഗ്രാം പ്രോട്ടീൻ ഉണ്ട്? ഗോതമ്പ് ബ്രെഡിൻ്റെ ഒരു കഷ്ണത്തിൽ എത്ര ഗ്രാം നാരുണ്ട്? ഒരു ടേബിൾ സ്പൂൺ ഒലിവ് ഓയിലിൽ എത്ര കലോറി ഉണ്ട്? ഈ ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ ഫുഡ് കോമ്പോസിഷൻ ഡാറ്റാബേസുകളിൽ അടങ്ങിയിരിക്കുന്നു - ലബോറട്ടറി വിശകലനത്തെ അടിസ്ഥാനമാക്കി ആയിരക്കണക്കിന് ഭക്ഷണങ്ങളുടെ ഊർജ്ജം, മാക്രോ, മൈക്രോ ന്യൂട്രിയൻ്റ് ഉള്ളടക്കം ലിസ്റ്റ് ചെയ്യുന്ന ഔദ്യോഗിക പട്ടികകൾ. ഈ ഫീൽഡിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഏറ്റവും അപകടകരമായ തെറ്റ് അത് ഈ സംഖ്യകളെ "ഓർമ്മിക്കുന്നു" എന്ന് കരുതുന്നതാണ്. എന്നിരുന്നാലും, ഭാഷാ മാതൃക അക്കങ്ങൾ മനഃപാഠമാക്കുന്നില്ല; ഇത് സാധ്യതാപരമായി സൃഷ്ടിക്കുകയും പലപ്പോഴും യാഥാർത്ഥ്യത്തോട് അടുപ്പമുള്ളതും എന്നാൽ ചിലപ്പോൾ ഗുരുതരമായ തെറ്റായതുമായ മൂല്യങ്ങൾ നൽകുന്നു. ഈ യൂണിറ്റിൻ്റെ പ്രധാന സന്ദേശം വ്യക്തമാണ്: അംഗീകൃത ഡാറ്റാബേസിൽ നിന്ന് പോഷകമൂല്യം നേടുക, AI-യുടെ മെമ്മറിയിൽ നിന്നല്ല; കൃത്യമായ ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ AI ഉപയോഗിക്കുക, ഡാറ്റ ഓർക്കാൻ അല്ല.

അറിയപ്പെടുന്ന ഡാറ്റാബേസുകളും അവ എന്തിനാണ് ഉപയോഗിക്കുന്നത്

ലോകത്തും തുർക്കിയിലും വ്യാപകമായി ഉപയോഗിക്കുന്ന പ്രധാന ഉറവിടങ്ങൾ ഇവയാണ്:

ഡാറ്റാബേസ്

വ്യാപ്തി

ശക്തമായ പോയിൻ്റ്

ശ്രദ്ധ

USDA FoodData Central (USA)

വളരെ വലുത്, ~കാൽ ദശലക്ഷം റെക്കോർഡുകൾ

API ഉപയോഗിച്ച് വിശദമായ, സൗജന്യം

യുഎസ്എ ഉൽപ്പന്നങ്ങൾ; പ്രാദേശിക ഭക്ഷണം പരിമിതം

TÜBER / Türkiye പോഷകാഹാര ഗൈഡ് അനുബന്ധങ്ങൾ

ടർക്കിഷ് പാചകരീതി ശ്രദ്ധ കേന്ദ്രീകരിച്ചു

പ്രാദേശിക ഭക്ഷണവും ഭാഗവും

യുഎസ്ഡിഎയേക്കാൾ ഇടുങ്ങിയ വ്യാപ്തി

BeBiS (പോഷകാഹാര വിവര സംവിധാനം)

തുർക്കിയിലെ സാധാരണ സോഫ്റ്റ്‌വെയർ

ടർക്കിഷ് പാചകക്കുറിപ്പുകൾ

ലൈസൻസുള്ള സോഫ്റ്റ്‌വെയർ

USDA/EuroFIR

യൂറോപ്യൻ കോമ്പോസിഷൻ ഡാറ്റ

രാജ്യം അടിസ്ഥാനമാക്കിയുള്ള മാനദണ്ഡം

പ്രവേശനം സ്ഥാപനപരമാകാം

"API" എന്നതുകൊണ്ട് അർത്ഥമാക്കുന്നത് ഒരു സോഫ്റ്റ്‌വെയറിനെ പ്രോഗ്രാമാറ്റിക് ആയി (യാന്ത്രികമായി) ഡാറ്റാബേസിലേക്ക് ചോദ്യങ്ങൾ ചോദിക്കാനും ഘടനാപരമായ ഉത്തരങ്ങൾ സ്വീകരിക്കാനും അനുവദിക്കുന്ന ഇൻ്റർഫേസാണ്. USDA FoodData Central പോലുള്ള ഉറവിടങ്ങൾക്കായി ഒരു API ഉള്ളത് ഭാവിയിൽ AI ടൂളുകളെ യഥാർത്ഥ ഡാറ്റയുമായി ബന്ധിപ്പിക്കുന്നത് സാധ്യമാക്കുന്നു. ഇതാണ് "ഡാറ്റ-ഡ്രൈവ് AI" സമീപനത്തിൻ്റെ അടിസ്ഥാനം: മോഡലുകൾക്ക് അനുയോജ്യമല്ല, യഥാർത്ഥ ഉറവിടത്തിൽ നിന്ന് വരയ്ക്കുക.

ശ്രദ്ധിക്കുക: ഒരേ പോഷകം വ്യത്യസ്ത ഡാറ്റാബേസുകളിൽ വ്യത്യസ്ത മൂല്യങ്ങൾ കാണിച്ചേക്കാം; കാരണം കൃഷിയുടെ അവസ്ഥയും വൈവിധ്യവും പാചകരീതിയും വിശകലനവും വ്യത്യസ്തമാണ്. ഒരൊറ്റ "ശരിയായ" സംഖ്യയില്ല; ന്യായമായ പരിധിയുണ്ട്. ഒരു ക്ലയൻ്റ് പ്ലാനിൽ നിങ്ങൾ ഉപയോഗിക്കുന്ന ഉറവിടം രേഖപ്പെടുത്തുക, അതുവഴി നിങ്ങൾക്ക് സ്ഥിരത പുലർത്താനാകും.

"വീണ്ടെടുക്കൽ" യുക്തി: AI-യെ ഉറവിടത്തിലേക്ക് ബന്ധിപ്പിക്കുന്നു

ആധുനിക ആപ്ലിക്കേഷനുകളിൽ, യഥാർത്ഥ ഡാറ്റയിലേക്ക് AI-യെ ബന്ധിപ്പിക്കുന്നതിനുള്ള മാർഗ്ഗം RAG സമീപനമാണ് - ഇംഗ്ലീഷിൽ വീണ്ടെടുക്കൽ-ഓഗ്മെൻ്റഡ് ജനറേഷൻ. ലളിതമായി: മെമ്മറിയിൽ നിന്നുള്ള ഉത്തരം ഘടിപ്പിക്കുന്നതിനുപകരം, മോഡൽ ആദ്യം വിശ്വസനീയമായ ഉറവിടത്തിൽ നിന്ന് (ഡാറ്റാബേസ്, പ്രമാണം) പ്രസക്തമായ ഡാറ്റ വലിക്കുന്നു, തുടർന്ന് ആ ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഒരു ഉത്തരം സൃഷ്ടിക്കുന്നു. പ്രായോഗികമായി നിങ്ങൾ ഇത് രണ്ട് തരത്തിൽ നടപ്പിലാക്കുന്നു:

1. മാനുവൽ ഫീഡിംഗ്: നിങ്ങൾ വിശ്വസനീയമായ പട്ടികയിൽ നിന്ന് ഭക്ഷണത്തിൻ്റെ മൂല്യങ്ങൾ പകർത്തി അത് AI-ക്ക് നൽകുന്നു; AI ഈ ഡാറ്റ ഉപയോഗിച്ച് മാത്രമേ കണക്കാക്കൂ/വ്യാഖ്യാനം ചെയ്യൂ, അത് സ്വന്തം മെമ്മറിയിൽ നിന്ന് നമ്പറുകൾ ചേർക്കുന്നില്ല.
2. ബന്ധിപ്പിച്ച വാഹനം: നിങ്ങൾ ഒരു ഡാറ്റാബേസ് ബന്ധിപ്പിച്ച വാഹനം ഉപയോഗിക്കുന്നു; AI ചോദ്യം യഥാർത്ഥ ഉറവിടത്തിലേക്ക് കൈമാറുകയും തിരികെ നൽകിയ മൂല്യം ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

രണ്ട് സാഹചര്യങ്ങളിലും, സുവർണ്ണ നിയമം ഒന്നുതന്നെയാണ്: നമ്പർ ഉറവിടത്തിൽ നിന്നാണ് വരുന്നത്, AI അതിനെ വ്യാഖ്യാനിക്കുന്നു. "100 ഗ്രാം പയറിൽ എത്ര ഇരുമ്പ് ഉണ്ട്?" YZ ചോദിച്ചു. ഒരു തുറന്ന ചോദ്യം ചോദിക്കുന്നത് കെട്ടിച്ചമയ്ക്കലിനെ ക്ഷണിക്കുക എന്നതാണ്.

ജനറിക് ഉൽപ്പന്നം, ബ്രാൻഡഡ് ഉൽപ്പന്നം, ഭക്ഷണ മിശ്രിതം

പോഷക ഡാറ്റാബേസുകൾക്ക് ഒരേ പേരിൽ ഒന്നിലധികം റെക്കോർഡുകൾ ഉണ്ട്, തെറ്റായ റെക്കോർഡ് തിരഞ്ഞെടുക്കുന്നത് പിശകിൻ്റെ നിശബ്ദ ഉറവിടമാണ്. ഉദാഹരണത്തിന്, "തൈര്" എന്നതിനായി തിരയുന്നത്, പൂർണ്ണ കൊഴുപ്പ്, പകുതി കൊഴുപ്പ്, കൊഴുപ്പ് രഹിത, ഗ്രീക്ക്-തരം (അരിച്ചെടുത്തത്), മധുരമുള്ള പഴം തൈര് എന്നിങ്ങനെ ഡസൻ കണക്കിന് വ്യത്യസ്ത റെക്കോർഡുകൾ നിങ്ങൾക്ക് നൽകും; അവയുടെ കലോറിയും മാക്രോകളും പരസ്പരം വളരെ അകലെയാണ്. ഗ്രീക്ക് തൈരിൽ സാധാരണ തൈരിൻ്റെ ഏകദേശം ഇരട്ടി പ്രോട്ടീൻ ഉണ്ട്. അതുപോലെ, "ബ്രാൻഡഡ് ഉൽപ്പന്നം" റെക്കോർഡുകളും (ഒരു കമ്പനിയുടെ പാക്കേജുചെയ്ത ഉൽപ്പന്നം) "പൊതു പോഷകാഹാരം" റെക്കോർഡുകളും വ്യത്യസ്ത മൂല്യങ്ങൾ വഹിക്കുന്നു. നല്ല പ്രയോഗത്തിൽ, ക്ലയൻ്റ് യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന ഉൽപ്പന്നവുമായി നിങ്ങൾ പൊരുത്തപ്പെടുന്നു: സാധ്യമെങ്കിൽ, പാക്കേജിംഗിലെ പോഷകാഹാര ലേബൽ അടിസ്ഥാനമാക്കി, അല്ലെങ്കിൽ നിങ്ങൾ ഡാറ്റാബേസിലെ ഏറ്റവും അടുത്തുള്ള വിവരണം തിരഞ്ഞെടുക്കുക. AI-യോട് ചോദിക്കുക "ഞാൻ ഏത് റെക്കോർഡാണ് തിരഞ്ഞെടുക്കേണ്ടത്?" നിങ്ങൾ കൂടിയാലോചിക്കുമ്പോൾ, നിങ്ങൾക്ക് ശരിയായ തിരയൽ പദം നിർദ്ദേശിക്കാനാകും; എന്നാൽ അവസാന റെക്കോർഡ് തിരഞ്ഞെടുക്കലും ലേബലുമായുള്ള താരതമ്യവും നിങ്ങളുടെ നിയന്ത്രണത്തിലാണ്. ഒരു പ്ലാനിലുടനീളം ഒരേ പോഷകത്തിന് ഒരേ റെക്കോർഡ് ഉപയോഗിക്കുന്നത് സ്ഥിരതയ്ക്ക് പ്രധാനമാണ്; ഫുൾ ഫാറ്റ് മിൽക്ക് പകുതി സമയവും കൊഴുപ്പ് നീക്കിയ പാല് പകുതി സമയവും ഉപയോഗിക്കുന്നത് മൊത്തത്തിലുള്ള വികലമാക്കും.

ഭാഗവും പാചക പരിവർത്തനവും

പോഷകാഹാര ഡാറ്റാബേസുകൾ സാധാരണയായി 100 ഗ്രാമിന് അസംസ്കൃത മൂല്യങ്ങൾ നൽകുന്നു. എന്നാൽ ഉപഭോക്താവ് കഴിക്കുന്നത് വേവിച്ച പയറാണ്, അസംസ്കൃത പയറല്ല. പാചകം ചെയ്യുമ്പോൾ വെള്ളം ആഗിരണം ചെയ്യുന്നതിലൂടെ ഭാരം മാറുന്നു; 100 ഗ്രാം അസംസ്കൃത അരി പാകം ചെയ്യുമ്പോൾ ~ 250-300 ഗ്രാം ആയി വർദ്ധിക്കുന്നു. അതിനാൽ, "വേവിച്ച 200 ഗ്രാം", "അസംസ്കൃത 100 ഗ്രാം" എന്നിവയ്ക്ക് വ്യത്യസ്ത പോഷക മൂല്യങ്ങളുണ്ട്. AI-ക്ക് ഈ പരിവർത്തനങ്ങൾ വരുത്താൻ കഴിയും, പക്ഷേ അത് ദിശയെ ആശയക്കുഴപ്പത്തിലാക്കും. നിങ്ങൾ ഉപയോഗിക്കുന്ന മൂല്യം അസംസ്കൃതമാണോ വേവിച്ചതാണോ എന്ന് എപ്പോഴും വ്യക്തമാക്കുക; ഇത് കണക്കുകൂട്ടൽ പിശകുകളുടെ പതിവ് ഉറവിടമാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഒരു ഹാലുസിനേഷൻ പിടിപെടുന്നു. ഒരു ഡയറ്റീഷ്യൻ YZ-നോട് ചോദിച്ചു, "100 ഗ്രാം വേവിച്ച ബ്രോക്കോളിയിൽ എത്ര ഗ്രാം പ്രോട്ടീൻ ഉണ്ട്?" അവൻ ചോദിക്കുന്നു; "ഏകദേശം 8 ഗ്രാം" എന്ന് AI പറയുന്നു. ഡയറ്റീഷ്യൻ USDA നോക്കുന്നു: യഥാർത്ഥ മൂല്യം ~2.4 ഗ്രാം ആണ്. AI അതിനെ പയറുവർഗ്ഗ/പരിപ്പ് ഡാറ്റയുമായി കലർത്തി മൂന്നിരട്ടിയായി ഉയർത്തി. ഡയറ്റീഷ്യൻ ശരിയായ മൂല്യം ഉപയോഗിക്കുന്നു. പാഠം: പച്ച പച്ചക്കറികളിൽ പ്രോട്ടീൻ കുറവാണ്; ഒഴുക്കുള്ളതുകൊണ്ട് മാത്രം നമ്പർ ശരിയാകില്ല.

കേസ് 2 - അസംസ്കൃത / പാകം ചെയ്ത ആശയക്കുഴപ്പം. ഒരു ഡ്രാഫ്റ്റ് പ്ലാനിൽ, AI "150 ഗ്രാം പാസ്ത" (~525 കിലോ കലോറി) യുടെ അസംസ്കൃത മൂല്യം ഉപയോഗിക്കുന്നു, അതേസമയം ക്ലയൻ്റ് 150 ഗ്രാം പാകം ചെയ്ത പാസ്ത (~210 കിലോ കലോറി) കഴിക്കുന്നു. വ്യത്യാസം ഒരു ഭക്ഷണത്തിൽ 315 കിലോ കലോറി ആണ്, ഇത് ഒരു ദിവസം ഒരു ഭക്ഷണം പോലും ഗുരുതരമായ വ്യതിയാനമാണ്. ഡയറ്റീഷ്യൻ അളവിൻ്റെ യൂണിറ്റ് "പാകം" എന്ന് വ്യക്തമാക്കുകയും വീണ്ടും കണക്കാക്കുകയും ചെയ്യുന്നു.

കേസ് 3 - ശരിയായ ഉപയോഗം. ഒരു ഡയറ്റീഷ്യൻ USDA-യിൽ നിന്ന് ചിക്കൻ, അരി, ബ്രോക്കോളി എന്നിവയുടെ 100-ഗ്രാം മൂല്യങ്ങൾ പകർത്തി, "ഈ ഡാറ്റ ഉപയോഗിച്ച് ഭക്ഷണത്തിനായുള്ള മൊത്തം മാക്രോ കണക്കാക്കുക, സ്വന്തം മെമ്മറിയിൽ നിന്ന് സംഖ്യകൾ ചേർക്കുക" എന്ന നിർദ്ദേശത്തോടെ AI-ക്ക് നൽകുന്നു. തന്നിരിക്കുന്ന നമ്പറുകൾക്കൊപ്പം മാത്രമേ AI ചേർക്കൂ; ഡയറ്റീഷ്യൻ അത് വീണ്ടും അടിച്ചുകൊണ്ട് സ്ഥിരീകരിക്കുന്നു. ഉറവിടത്തിൽ നിന്നാണ് ഡാറ്റ വന്നത്, AI ഗണിതശാസ്ത്രം ചെയ്തു.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ഉറവിട ഡാറ്റയുള്ള കണക്കുകൂട്ടൽ ടെംപ്ലേറ്റ് (റാഗ് ലോജിക്)നിങ്ങളുടെ റോൾ: നിങ്ങൾക്ക് നൽകിയിരിക്കുന്ന പോഷക മൂല്യങ്ങൾ ഉപയോഗിച്ച് മാത്രം പ്രവർത്തിക്കുന്ന അസിസ്റ്റൻ്റ്. നിങ്ങളുടെ സ്വന്തം മെമ്മറിയിൽ നിന്ന് പോഷക മൂല്യങ്ങൾ ചേർക്കുക അല്ലെങ്കിൽ മാറ്റുക. ഡാറ്റ നഷ്‌ടപ്പെട്ടാൽ, "[ഡാറ്റയില്ല]" എന്ന് എഴുതുക. ഡാറ്റ (100 ഗ്രാം, ഉറവിടം: USDA):- ചിക്കൻ ബ്രെസ്റ്റ് (വേവിച്ചത്): 165 കിലോ കലോറി, 31 ഗ്രാം പ്രോട്ടീൻ, 3.6 ഗ്രാം കൊഴുപ്പ്, 0 ഗ്രാം കാർബോഹൈഡ്രേറ്റ്സ്- അരി (വേവിച്ചത്): ... ടാസ്ക്: 120 ഗ്രാം ചിക്കൻ + 150 ഗ്രാം അരിക്ക് മൊത്തം കിലോ കലോറിയും മാക്രോയും കണക്കാക്കുക.

അസംസ്കൃത/ പാകം ചെയ്ത പരിവർത്തന ടെംപ്ലേറ്റ് ഇനിപ്പറയുന്ന ഭക്ഷണത്തിൻ്റെ മൂല്യം 100 ഗ്രാം റോയ്ക്ക് നൽകിയിരിക്കുന്നു: [മൂല്യങ്ങൾ]. ക്ലയൻ്റ് [X] ഗ്രാം പാചകം ചെയ്യുന്നു. പാകം ചെയ്യുമ്പോൾ, ഭാരം ~[അനുപാതം] മാറുന്നു. അതനുസരിച്ച്, കഴിക്കുന്ന അളവിൻ്റെ പോഷകമൂല്യം കണക്കാക്കി നിങ്ങൾ ഏത് അനുമാനമാണ് ഉപയോഗിക്കുന്നതെന്ന് വ്യക്തമായി എഴുതുക.

ഡാറ്റാബേസ് ക്വറി തയ്യാറാക്കൽ ടെംപ്ലേറ്റ് ഒരു ഭക്ഷണത്തിൻ്റെ പോഷകമൂല്യം കണ്ടെത്താൻ ഞാൻ ആഗ്രഹിക്കുന്നു. ഇനിപ്പറയുന്ന ഭക്ഷണങ്ങൾക്കായി ഫുഡ് ഡാറ്റാബേസിൽ (USDA/TUBER) ഞാൻ തിരയേണ്ട പദങ്ങൾ പട്ടികപ്പെടുത്തുക, ഏത് രേഖയാണ് ഞാൻ തിരഞ്ഞെടുക്കേണ്ടത്, അസംസ്കൃതം/പാകം. മൂല്യങ്ങൾ നിങ്ങൾക്ക് നൽകരുത്; ശരിയായ തിരയൽ പദവും ശ്രദ്ധാകേന്ദ്രവും എന്നോട് പറയൂ. പോഷകങ്ങൾ: [...]

സ്ഥിരത പരിശോധന ടെംപ്ലേറ്റ് ഇനിപ്പറയുന്ന ഭക്ഷണത്തിൻ്റെ പോഷക മൂല്യങ്ങളെ രണ്ട് വ്യത്യസ്ത രീതികളിൽ വ്യാഖ്യാനിക്കുക: (1) എല്ലാ ഭക്ഷണങ്ങളും അസംസ്കൃതമാണെന്ന് കരുതുക, (2) എല്ലാ ഭക്ഷണങ്ങളും പാകം ചെയ്തതാണെന്ന് കരുതുക. രണ്ട് ആകെത്തുകകൾ താരതമ്യം ചെയ്ത് വ്യത്യാസം എവിടെ നിന്നാണ് വരുന്നതെന്ന് വിശദീകരിക്കുക. അതിനാൽ ഏത് അനുമാനമാണ് ഞാൻ പരിശോധിക്കേണ്ടതെന്ന് എനിക്ക് കാണാൻ കഴിയും.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഒരു ബൗൾ ലെൻ്റിൽ സൂപ്പിൽ എത്ര കലോറി ഉണ്ട്?

"ഒരു വിഭവം" അവ്യക്തമാണ്, പാചകക്കുറിപ്പ് അവ്യക്തമാണ്, ഉറവിടം ഇല്ല; AI അതിൻ്റെ മെമ്മറിയിൽ നിന്ന് ഒരു നമ്പർ ഉണ്ടാക്കുന്നു, അത് എങ്ങനെ വന്നുവെന്ന് പറയുന്നില്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: നൽകിയിരിക്കുന്ന ഡാറ്റ ഉപയോഗിച്ച് മാത്രം കണക്കുകൂട്ടുന്ന അസിസ്റ്റൻ്റ്. ലെൻ്റിൽ സൂപ്പ് സേവിംഗ് = 300 ഗ്രാം. ചേരുവകൾ (100 ഗ്രാമിന് മൂല്യങ്ങൾ, യുഎസ്‌ഡിഎയുടെ ഉറവിടം, ഞാൻ ചുവടെ നൽകുന്നു): ചുവന്ന പയർ (വേവിച്ചത്) [മൂല്യങ്ങൾ], ഉള്ളി [മൂല്യങ്ങൾ], ഒലിവ് ഓയിൽ [മൂല്യങ്ങൾ]. ഓരോ സേവനത്തിനും അളവ്: [...]. ഈ ഡാറ്റ ഉപയോഗിച്ച് മൊത്തം കിലോ കലോറിയും മാക്രോയും കണക്കാക്കുക, മെമ്മറിയിൽ നിന്ന് ചേർക്കരുത്, ഘട്ടങ്ങൾ കാണിക്കുക.

രണ്ടാമത്തെ പ്രോംപ്റ്റ് സ്രോതസ്സ് സെർവിംഗ്, അസംസ്കൃത / പാകം ചെയ്ത വിവരങ്ങളും "ചേർക്കരുത്" എന്ന നിയന്ത്രണവും നൽകുന്നു; ഔട്ട്പുട്ട് ഓഡിറ്റ് ചെയ്യാവുന്നതും വിശ്വസനീയവുമാണ്.

സാധാരണ തെറ്റുകൾ

• AI-യുടെ മെമ്മറിയിൽ വിശ്വാസമർപ്പിക്കുന്നു: പോഷക മൂല്യത്തെക്കുറിച്ചുള്ള തുറന്ന ചോദ്യം; ഇത് ഹാലുസിനേഷനിലേക്കുള്ള ക്ഷണമാണ്.
• അസംസ്കൃത / പാകം ചെയ്ത ആശയക്കുഴപ്പം: ഏറ്റവും സാധാരണമായ നിശബ്ദ തെറ്റ്; അളവിൻ്റെ യൂണിറ്റ് എപ്പോഴും വ്യക്തമാക്കുക.
• ഉറവിട ആശയക്കുഴപ്പം: വ്യത്യസ്‌ത ഡാറ്റാബേസുകളിൽ നിന്നുള്ള വ്യത്യസ്ത പോഷകങ്ങൾ മിശ്രണം ചെയ്യുക; ഒരു പ്ലാനിൽ സ്ഥിരമായ വിഭവങ്ങൾ ഉപയോഗിക്കുക.
• ഭാഗം അവ്യക്തമായി വിടുക: "ഒരു പ്ലേറ്റ്", "ഒരു പിടി" തുടങ്ങിയ പദപ്രയോഗങ്ങൾ ഗ്രാമാക്കി മാറ്റാതെ കണക്കാക്കുന്നു.
• ഒരു ശ്രേണിക്ക് പകരം ഒരൊറ്റ സംഖ്യയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു: ഒരേ ഭക്ഷണത്തിന് ന്യായമായ മൂല്യങ്ങളുണ്ടെന്ന കാര്യം മറക്കുന്നു; തെറ്റായ ഉറപ്പ് സൃഷ്ടിക്കുന്നു.

ചുരുക്കത്തിൽ

ഭാഷാ മാതൃക ഏറ്റവും ദുർബലമായ മേഖലയാണ് പോഷകാഹാര ഡാറ്റ; മോഡൽ അക്കങ്ങൾ ഓർക്കാത്തതിനാൽ, അത് അവ ഉത്പാദിപ്പിക്കുന്നു. അതിനാൽ എല്ലായ്‌പ്പോഴും അംഗീകൃത ഡാറ്റാബേസിൽ നിന്ന് (USDA, TÜBER, BeBiS) പോഷക മൂല്യങ്ങൾ നേടുകയും ആ ഡാറ്റ മാത്രം കണക്കാക്കാനും വ്യാഖ്യാനിക്കാനും AI ഉപയോഗിക്കുക - RAG ലോജിക് അടിസ്ഥാനമാക്കി, ഉറവിടത്തിൽ നിന്നുള്ള ഡാറ്റ. അസംസ്കൃത/വേവിച്ച പരിവർത്തനങ്ങൾ, ഭാഗങ്ങളുടെ വ്യക്തത, ഉറവിട സ്ഥിരത എന്നിവയിൽ ശ്രദ്ധിക്കുക. സംഖ്യ ഒഴുക്കോടെ പുറത്തുവന്നതുകൊണ്ട് മാത്രം ശരിയല്ല; ഉറവിടവുമായി പ്രവർത്തിച്ചാൽ മാത്രമേ നിങ്ങൾക്ക് സത്യം കണ്ടെത്താൻ കഴിയൂ.

ആപ്ലിക്കേഷൻ ടാസ്ക്

മൂന്ന് ഭക്ഷണങ്ങൾ തിരഞ്ഞെടുക്കുക (ഉദാഹരണത്തിന്, വേവിച്ച മുട്ടകൾ, മുഴുവൻ ഗോതമ്പ് ബ്രെഡ്, ഗ്രീക്ക് തൈര്). ആദ്യം, AI ഓപ്പൺ-എൻഡ് ചോദിക്കുകയും അതിൻ്റെ മൂല്യങ്ങൾ (അതിൻ്റെ മെമ്മറിയിൽ നിന്ന്) നേടുകയും ചെയ്യുക. USDA FoodData Central-ൽ നിന്ന് അതേ പോഷകങ്ങളുടെ യഥാർത്ഥ മൂല്യങ്ങൾ കണ്ടെത്തുക. രണ്ട് സെറ്റുകളും താരതമ്യം ചെയ്ത് ഓരോ ഭക്ഷണത്തിലും എത്രമാത്രം വ്യതിയാനം ഉണ്ടെന്ന് ഒരു പട്ടികയിൽ എഴുതുക. ഈ പട്ടിക "ഓർമ്മയെ വിശ്വസിക്കരുത്, ഉറവിടത്തിലേക്കുള്ള ലിങ്ക്" എന്ന തത്വം വെളിപ്പെടുത്തും.

ചെക്ക്ലിസ്റ്റ്

• AI മെമ്മറിയിൽ നിന്നല്ല, അറിയപ്പെടുന്ന ഒരു ഡാറ്റാബേസിൽ നിന്നാണ് എനിക്ക് പോഷക മൂല്യങ്ങൾ ലഭിച്ചത്.
• [ ] "നൽകിയ ഡാറ്റ ഉപയോഗിച്ച് മാത്രം പ്രവർത്തിക്കുക, ഒന്നും ചേർക്കരുത്" എന്ന നിയന്ത്രണം ഞാൻ AI-യിൽ ഏർപ്പെടുത്തി.
• [ ] ഓരോ ഭക്ഷണത്തിനും അത് അസംസ്കൃതമാണോ വേവിച്ചതാണോ എന്ന് ഞാൻ വ്യക്തമാക്കിയിട്ടുണ്ട്.
• [ ] ഞാൻ ഭാഗങ്ങൾ ഗ്രാമാക്കി മാറ്റി; ഞാൻ "ഒരു പ്ലേറ്റ്/പിടി" ബാക്കിവെച്ചില്ല.
• [ ] ഞാൻ ഒരു പ്ലാനിനുള്ളിൽ ഒരു സ്ഥിരതയുള്ള ഉറവിടം ഉപയോഗിച്ചു.
• [ ] ഞാൻ AI യുടെ തുക തിരികെ ഗുണിച്ച് പരിശോധിച്ചുറപ്പിച്ചു.