अन्न डेटाबेस आणि पोषक डेटा: AI ला योग्य स्त्रोताशी जोडणे

नफा:

• कृत्रिम बुद्धिमत्ता मेमरी ऐवजी सुप्रसिद्ध डेटाबेसेस (USDA, TÜBER, BeBiS) वरून पौष्टिक मूल्ये मिळविण्याची आवश्यकता समजून घेण्याची क्षमता
• आरएजी लॉजिकसह केवळ स्त्रोताकडून काढलेल्या डेटासह गणना आणि अर्थ लावण्यासाठी कृत्रिम बुद्धिमत्ता निर्देशित करण्याची क्षमता
• कच्चे/शिजवलेले रूपांतरण, भाग स्पष्टता आणि स्त्रोत सुसंगतता लक्षात घेऊन पौष्टिक त्रुटी टाळण्याची क्षमता

आहारतज्ञांच्या दैनंदिन कामाच्या केंद्रस्थानी "या पोषक तत्वात किती आहे?" हा प्रश्न असतो. एक प्रश्न आहे. 100 ग्रॅम चिकन ब्रेस्टमध्ये किती ग्रॅम प्रथिने असतात? संपूर्ण गव्हाच्या ब्रेडच्या स्लाईसमध्ये किती ग्रॅम फायबर असतात? एका चमचे ऑलिव्ह ऑइलमध्ये किती कॅलरीज असतात? या प्रश्नांची उत्तरे फूड कंपोझिशन डेटाबेसमध्ये आहेत - अधिकृत तक्ते जे प्रयोगशाळेच्या विश्लेषणावर आधारित हजारो पदार्थांमधील ऊर्जा, मॅक्रो आणि सूक्ष्म पोषक घटकांची यादी करतात. या क्षेत्रातील कृत्रिम बुद्धिमत्तेची सर्वात धोकादायक चूक म्हणजे ती या संख्या "लक्षात ठेवते" असा विचार करणे. तथापि, भाषा मॉडेल संख्या लक्षात ठेवत नाही; हे संभाव्यतेने व्युत्पन्न करते आणि अनेकदा वास्तविकतेच्या जवळ असलेली परंतु कधीकधी गंभीरपणे चुकीची मूल्ये देते. या युनिटचा मुख्य संदेश स्पष्ट आहे: एआयच्या मेमरीमधून नव्हे तर मान्यताप्राप्त डेटाबेसमधून पोषण मूल्य मिळवा; अचूक डेटासह कार्य करण्यासाठी AI वापरा, डेटा लक्षात ठेवण्यासाठी नाही.

सुप्रसिद्ध डेटाबेस आणि ते कशासाठी वापरले जातात

जगात आणि तुर्कीमध्ये मोठ्या प्रमाणावर वापरले जाणारे मुख्य स्त्रोत आहेत:

डेटाबेस

व्याप्ती

मजबूत बिंदू

लक्ष द्या

USDA फूडडेटा सेंट्रल (यूएसए)

खूप मोठे, ~ चतुर्थांश दशलक्ष रेकॉर्ड

API सह तपशीलवार, विनामूल्य

यूएसए उत्पादने; स्थानिक अन्न मर्यादित

TÜBER / Türkiye पोषण मार्गदर्शक पूरक

तुर्की पाककृती केंद्रित

स्थानिक अन्न आणि भाग

व्याप्ती USDA पेक्षा कमी

BeBiS (पोषण माहिती प्रणाली)

Türkiye मध्ये सामान्य सॉफ्टवेअर

तुर्की पाककृती

परवानाकृत सॉफ्टवेअर

USDA/EuroFIR

युरोपियन रचना डेटा

देश आधारित मानक

प्रवेश संस्थात्मक असू शकतो

"API" चा अर्थ असा इंटरफेस आहे जो सॉफ्टवेअरला प्रोग्रामॅटिकली (स्वयंचलितपणे) डेटाबेसला प्रश्न विचारण्यास आणि संरचित उत्तरे प्राप्त करण्यास अनुमती देतो. USDA FoodData Central सारख्या संसाधनांसाठी API असल्याने भविष्यात AI टूलला खऱ्या डेटाशी जोडणे शक्य होते. हा "डेटा-चालित एआय" दृष्टिकोनाचा आधार आहे: मॉडेल्समध्ये बसू नका, वास्तविक स्त्रोताकडून काढा.

लक्ष द्या: समान पोषक भिन्न डेटाबेसमध्ये भिन्न मूल्ये दर्शवू शकतात; कारण शेतीची स्थिती, विविधता, स्वयंपाक करण्याची पद्धत आणि विश्लेषण वेगळे आहे. एकही "योग्य" संख्या नाही; वाजवी श्रेणी आहे. क्लायंट प्लॅनमध्ये तुम्ही कोणते संसाधन वापरता ते रेकॉर्ड करा जेणेकरून तुम्ही सुसंगत राहू शकता.

"पुनर्प्राप्ती" तर्क: AI ला स्त्रोताशी जोडणे

आधुनिक ऍप्लिकेशन्समध्ये, AI ला रिअल डेटाशी जोडण्याचा मार्ग म्हणजे RAG दृष्टीकोन — Retrieval-Augmented Generation in English. फक्त: मेमरीमधून उत्तर फिट करण्याऐवजी, मॉडेल प्रथम विश्वसनीय स्रोत (डेटाबेस, दस्तऐवज) वरून संबंधित डेटा खेचते, नंतर त्या डेटावर आधारित उत्तर तयार करते. सराव मध्ये तुम्ही हे दोन प्रकारे अंमलात आणता:

1. मॅन्युअल फीडिंग: आपण विश्वासार्ह टेबलमधून अन्नाची मूल्ये कॉपी करता आणि ते AI ला द्या; एआय केवळ या डेटासह गणना करते/व्याख्या करते, ते स्वतःच्या मेमरीमधून संख्या जोडत नाही.
2. कनेक्ट केलेले वाहन: तुम्ही डेटाबेस-कनेक्ट केलेले वाहन वापरता; AI क्वेरी वास्तविक स्त्रोताकडे अग्रेषित करते आणि परत केलेले मूल्य वापरते.

दोन्ही प्रकरणांमध्ये, सुवर्ण नियम समान आहे: संख्या स्त्रोताकडून येते, एआय त्याचा अर्थ लावते. "100 ग्रॅम मसूरमध्ये किती लोह असते?" YZ ला विचारले. ओपन एंडेड प्रश्न विचारणे म्हणजे बनावटपणाला आमंत्रण देणे होय.

जेनेरिक उत्पादन, ब्रँडेड उत्पादन आणि जेवणाचे मिश्रण

पोषक डेटाबेसमध्ये एकाच नावाखाली अनेक रेकॉर्ड असतात आणि चुकीचे रेकॉर्ड निवडणे ही त्रुटीचा मूक स्रोत आहे. उदाहरणार्थ, "दही" शोधल्याने तुम्हाला डझनभर वेगवेगळे रेकॉर्ड मिळतील, जसे की फुल-फॅट, हाफ-फॅट, फॅट-फ्री, ग्रीक-प्रकार (ताणलेले), आणि गोड फळ दही; त्यांच्या कॅलरी आणि मॅक्रो एकमेकांपासून खूप दूर आहेत. ग्रीक दह्यामध्ये नेहमीच्या दह्यापेक्षा जवळजवळ दुप्पट प्रथिने असतात. त्याचप्रमाणे, "ब्रँडेड उत्पादन" रेकॉर्ड (कंपनीचे पॅकेज केलेले उत्पादन) आणि "सामान्य पोषण" रेकॉर्ड भिन्न मूल्ये ठेवतात. चांगल्या सरावात, तुम्ही क्लायंट वापरत असलेल्या उत्पादनाशी शक्य तितक्या जवळून जुळता: शक्य असल्यास, पॅकेजिंगवरील पोषण लेबलवर आधारित, अन्यथा तुम्ही डेटाबेसमधील सर्वात जवळचे वर्णन निवडता. AI ला विचारा "मी कोणता रेकॉर्ड निवडू?" तुम्ही सल्ला घेता तेव्हा ते तुम्हाला योग्य शोध संज्ञा सुचवू शकते; परंतु अंतिम रेकॉर्ड निवड आणि लेबलची तुलना आपल्या नियंत्रणात आहे. संपूर्ण योजनेमध्ये समान पोषक घटकांसाठी समान रेकॉर्ड वापरणे देखील सुसंगततेसाठी महत्वाचे आहे; पूर्ण चरबीयुक्त दूध अर्धा वेळ आणि स्किम दूध अर्धा वेळ वापरल्याने बेरीज विकृत होईल.

भाग आणि स्वयंपाक रूपांतरण

पौष्टिक डेटाबेस सहसा प्रति 100 ग्रॅम कच्च्या मूल्ये देतात. पण ग्राहक कच्ची मसूर नव्हे तर शिजवलेली डाळ खातो. स्वयंपाक करताना पाणी शोषून वजन बदलते; 100 ग्रॅम कच्चा तांदूळ शिजवल्यावर 250-300 ग्रॅम पर्यंत वाढतो. म्हणून, "शिजवलेले 200 ग्रॅम" आणि "कच्चे 100 ग्रॅम" मध्ये भिन्न पौष्टिक मूल्ये आहेत. AI हे परिवर्तन करू शकते, परंतु ते दिशा गोंधळात टाकू शकते. आपण वापरत असलेले मूल्य कच्चे आहे की शिजवलेले आहे हे नेहमी स्पष्ट करा; हे गणना त्रुटींचे वारंवार स्त्रोत आहे.

तीन लहान प्रकरणे

केस 1 - एक भ्रम पकडणे. एका आहारतज्ज्ञाने YZ ला विचारले, "उकडलेल्या ब्रोकोलीच्या 100 ग्रॅममध्ये किती ग्रॅम प्रथिने असतात?" तो विचारतो; एआय "सुमारे 8 ग्रॅम" म्हणते. आहारतज्ञ USDA पाहतो: वास्तविक मूल्य ~2.4 ग्रॅम आहे. AI ने ते शेंगा/नट डेटामध्ये मिसळले आणि ते तिप्पट वाढवले. आहारतज्ञ योग्य मूल्य वापरतात. धडा: हिरव्या भाज्यांमध्ये प्रथिने कमी असतात; केवळ अस्खलित असल्यामुळे संख्या बरोबर नाही.

केस 2 - कच्चा/शिजलेला गोंधळ. ड्राफ्ट प्लॅनमध्ये, AI “150 ग्रॅम पास्ता” (~525 kcal) साठी कच्चे मूल्य वापरते, तर क्लायंट 150 ग्रॅम शिजवलेला पास्ता (~210 kcal) खातो. एका जेवणात फरक 315 किलोकॅलरी आहे, जो दिवसातून एक जेवण घेऊनही गंभीर विचलन आहे. आहारतज्ञ मोजमापाचे एकक "शिजवलेले" स्पष्ट करतात आणि पुन्हा गणना करतात.

केस 3 - योग्य वापर. एक आहारतज्ञ USDA कडून चिकन, तांदूळ आणि ब्रोकोलीसाठी 100-ग्राम मूल्ये कॉपी करतो, त्यांना AI ला "फक्त या डेटासह जेवणासाठी एकूण मॅक्रो मोजा, ​​त्याच्या स्वत: च्या मेमरीमधून संख्या जोडणे" अशा सूचना देतो. एआय फक्त दिलेल्या संख्यांसह जोडते; आहारतज्ञ त्याची पुष्टी करतात. स्त्रोताकडून डेटा आला, एआयने अंकगणित केले.

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

स्रोत डेटासह गणना टेम्प्लेट (RAG लॉजिक) तुमची भूमिका: सहाय्यक जो फक्त तुम्हाला दिलेल्या पौष्टिक मूल्यांसह कार्य करतो. तुमच्या स्वतःच्या स्मृतीमधून पौष्टिक मूल्ये जोडा किंवा बदला. डेटा गहाळ असल्यास "[डेटा नाही]" लिहा, तयार करा. डेटा (प्रति 100 ग्रॅम, स्त्रोत: USDA):- चिकन ब्रेस्ट (शिजवलेले): 165 kcal, 31 g प्रोटीन, 3.6 g fat, 0 g carbs- भात (शिजवलेले): ...कार्य: 120 ग्रॅम चिकन + 150 ग्रॅम तांदूळ साठी एकूण kcal आणि मॅक्रो मोजा.

रॉ/कुक्ड कन्व्हर्जन टेम्प्लेट प्रति 100 ग्रॅम RAW साठी खालील अन्नाचे मूल्य दिले आहे: [मूल्य]. क्लायंट [X] g शिजवलेले खातो. शिजवल्यावर वजन ~[प्रमाण] बदलते. त्यानुसार, खाल्लेल्या रकमेचे पौष्टिक मूल्य मोजा आणि तुम्ही कोणते गृहितक वापरता ते स्पष्टपणे लिहा.

डाटाबेस प्रश्न तयारी टेम्पलेट मला जेवणाचे पौष्टिक मूल्य शोधायचे आहे. खालील खाद्यपदार्थांसाठी मी फूड डेटाबेस (USDA/TUBER) मध्ये कोणती संज्ञा शोधली पाहिजे, ज्याची नोंद मी निवडली पाहिजे, कच्चे/शिजवलेले आहे याची यादी करा. तुम्हाला मूल्ये देऊ नका; फक्त मला योग्य शोध संज्ञा आणि लक्ष द्या. पोषक घटक: [...]

सुसंगतता तपासा टेम्प्लेट खालील जेवणाच्या पौष्टिक मूल्यांचा दोन वेगवेगळ्या प्रकारे अर्थ लावा: (१) सर्व पदार्थ कच्चे आहेत असे गृहित धरणे, (२) सर्व पदार्थ शिजवलेले आहेत असे गृहीत धरणे. दोन बेरीजची तुलना करा आणि फरक कुठून येतो ते स्पष्ट करा. त्यामुळे मला कोणत्या गृहीतकाची पडताळणी करायची आहे ते मी पाहू शकतो.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

मसूरच्या सूपच्या एका वाडग्यात किती कॅलरीज असतात?

"एक डिश" अस्पष्ट आहे, कृती अस्पष्ट आहे, स्त्रोत अनुपस्थित आहे; AI त्याच्या मेमरीमधून एक नंबर बनवते आणि ते कसे आले ते सांगत नाही.

शक्तिशाली सूचना:

तुमची भूमिका: सहाय्यक जो केवळ दिलेल्या डेटासह गणना करतो. मसूर सूप सर्व्हिंग = 300 ग्रॅम. साहित्य (मूल्ये प्रति 100 ग्रॅम, स्रोत USDA, मी खाली देतो): लाल मसूर (शिजवलेले) [मूल्य], कांदा [मूल्ये], ऑलिव्ह तेल [मूल्ये]. प्रति सेवा प्रमाण: [...]. या डेटासह एकूण kcal आणि मॅक्रोची गणना करा, मेमरीमधून जोडू नका, चरण दर्शवा.

दुसरा प्रॉम्प्ट स्त्रोत सर्व्हिंग, कच्ची/शिजलेली माहिती आणि "जोडू नका" प्रतिबंध देतो; आउटपुट ऑडिट करण्यायोग्य आणि विश्वासार्ह आहे.

सामान्य चुका

• एआयच्या स्मरणशक्तीवर विश्वास ठेवणे: पौष्टिक मूल्यांबद्दल खुले प्रश्न; हे भ्रमाला आमंत्रण आहे.
• गोंधळात टाकणारे कच्चे/शिजवलेले: सर्वात सामान्य मूक चूक; मापनाचे एकक नेहमी स्पष्ट करा.
• स्त्रोत गोंधळ: वेगवेगळ्या डेटाबेसमधून विविध पोषक घटकांचे मिश्रण करणे; योजनेमध्ये सातत्यपूर्ण संसाधने वापरा.
• भाग अस्पष्ट सोडणे: "एक प्लेट", "एक मूठभर" सारख्या अभिव्यक्तींचे ग्रॅममध्ये रूपांतर न करता गणना करणे.
• श्रेणीऐवजी एकाच संख्येवर लक्ष केंद्रित करणे: समान अन्नामध्ये मूल्यांची वाजवी श्रेणी आहे हे विसरणे; खोटी खात्री निर्माण करणे.

सारांशात

पोषण डेटा हे क्षेत्र आहे जेथे भाषा मॉडेल सर्वात कमकुवत आहे; कारण मॉडेलला संख्या आठवत नाही, ते तयार करते. म्हणून नेहमी मान्यताप्राप्त डेटाबेस (USDA, TÜBER, BeBiS) कडून पोषण मूल्ये मिळवा आणि केवळ त्या डेटाची गणना आणि अर्थ लावण्यासाठी AI चा वापर करा — RAG तर्कावर आधारित, स्त्रोताकडून काढलेला डेटा. कच्चे/शिजवलेले रूपांतरण, भाग स्पष्टता आणि स्त्रोत सुसंगततेकडे लक्ष द्या. फक्त संख्या अस्खलित आली म्हणून बरोबर नाही; आपण केवळ स्त्रोतासह कार्य करून सत्य मिळवू शकता.

अर्ज कार्य

तीन पदार्थ निवडा (उदाहरणार्थ, उकडलेले अंडी, संपूर्ण गव्हाची ब्रेड, ग्रीक दही). प्रथम, एआय ओपन-एंडेडला विचारा आणि त्याची मूल्ये मिळवा (त्याच्या मेमरीमधून). नंतर USDA FoodData Central वरून त्याच पोषक तत्वांची वास्तविक मूल्ये शोधा. दोन संचांची तुलना करा आणि प्रत्येक अन्नामध्ये किती विचलन आहे ते टेबलमध्ये लिहा. हे सारणी "मेमरीवर विश्वास ठेवू नका, स्त्रोताशी दुवा" हे तत्त्व प्रकट करेल.

चेकलिस्ट

• [ ] मला पौष्टिक मूल्ये एआय मेमरीमधून नव्हे तर एका सुप्रसिद्ध डेटाबेसमधून मिळाली.
• [ ] मी AI वर "फक्त दिलेल्या डेटासह कार्य करा, काहीही जोडू नका" असे निर्बंध घातले आहेत.
• [ ] मी प्रत्येक अन्नासाठी स्पष्ट केले आहे की ते कच्चे आहे की शिजवलेले आहे.
• मी भागांचे रूपांतर ग्रॅममध्ये केले; मी मागे "थाट/ मूठभर" सोडले नाही.
• [ ] मी योजनेमध्ये एकच सुसंगत स्त्रोत वापरला.
• [ ] मी AI ची बेरीज परत गुणाकार करून सत्यापित केली.