Aliran Kerja Hujung ke Hujung, Privasi/KVKK, Etika dan Kawalan Kualiti

Keuntungan:

• Keupayaan untuk mengendalikan perjalanan pelanggan dengan selamat dari hujung ke hujung dengan kitaran 'AI menghasilkan → pengesahan manusia → meluluskan manusia'
• Keupayaan untuk melindungi data pelanggan dalam skop KVKK/kerahsiaan dan menggabungkan empat prinsip etika ke dalam setiap langkah
• Keupayaan untuk mengambil tanggungjawab muktamad dengan menyemak sendiri output mereka dengan lima soalan utama (akaun, sumber, alergen, tidak mahu dikenali, kelulusan)

Dalam sepuluh unit sebelumnya kita telah melihat cara menggunakan AI dalam tugas individu pemakanan dan dietetik: pengambilan, pengiraan, pangkalan data, pelan, resipi, alahan, pengesanan, pendidikan, bukti. Unit akhir ini menyatukan semuanya dan menunjukkan kepada anda cara mengendalikan AI hujung ke hujung, selamat dan beretika dalam amalan harian anda sebagai pakar diet. Kerana tidak cukup untuk melakukan setiap tugas dengan baik; ke mana data pergi, siapa yang memutuskan apa, di mana anda berhenti dan mendapatkan kelulusan manusia — semua ini harus mewujudkan sistem yang konsisten. Unit ini juga menjelaskan tiga garis merah yang menghubungkan keseluruhan modul: privasi (KVKK), etika dan persetujuan manusia muktamad.

Perjalanan pelanggan hujung ke hujung

Jadual berikut meringkaskan perjalanan pelanggan dari lawatan ke pakar diet hingga susulan, di mana AI berperanan dan di mana kelulusan manusia adalah penting:

pentas

tugas AI

titik kelulusan manusia

1. Persediaan untuk sambutan

Panduan temuduga, penyuntingan nota

Pakar pemakanan menjalankan temu bual

2. Penilaian

Draf akaun tenaga/makro

Pakar pemakanan mengira semula

3. Pangkalan Data

Pengiraan dengan data sumber

Pakar pemakanan mengesahkan nilai

4. Rancang

Garis besar pilihan hidangan

Pakar pemakanan mengimbangi dan mengesahkan

5. Resipi

Variasi, penghalusan

Pengesahan pemakanan dan rasa

6. Keselamatan

Pra-saringan alergen

Kata kata pakar diet mengesahkan

7. Penjejakan

Ringkasan trend, garis besar mesej

Tafsiran dan hubungan klinikal pada manusia

8. Pendidikan

Garis besar kandungan

Audit saintifik/etika

9. Bukti

Ringkasan, pertanyaan kritikal

Sumbernya disahkan oleh pakar diet

Lihat corak biasa dalam carta ini: AI menghasilkan pelan tindakan atau langkah awal pada setiap peringkat; Terdapat titik kelulusan manusia pada setiap peringkat. Sistem ini berdasarkan kitaran "AI menghasilkan → manusia mengesahkan → manusia mengesahkan". Jika kitaran ini rosak, anda mendapat kelajuan tetapi kehilangan keselamatan dan akauntabiliti.

Privasi dan KVKK: melindungi data

Data pelanggan (identiti, sejarah kesihatan, analisis, ubat, ukuran) ialah "data peribadi kategori khas" dalam skop KVKK di Türkiye dan GDPR di Eropah dan berhak mendapat perlindungan tertinggi. Prinsip yang perlu diikuti apabila bekerja dengan alatan AI:

1. Anonimkan: Alih keluar data pengenalpastian seperti nama, TR ID, kenalan, institusi, tarikh lahir. "Wanita 43 tahun, diabetes jenis 2" sudah memadai.
2. Data minimum: Kongsi data minimum yang diperlukan untuk tugas itu; tiada lagi.
3. Pilih alat yang selamat: Pilih alat korporat dengan kontrak pemprosesan data yang datanya tidak digunakan dalam latihan model.
4. Persetujuan eksplisit: Maklumkan klien tentang cara datanya diproses dan dapatkan persetujuannya.
5. Rakaman dan pengekalan: Kawal tempat data disimpan dan siapa yang mempunyai akses kepadanya; Padamkan data yang tidak diperlukan.

Perhatian: Memuat naik PDF analisis atau fail klien ke alat AI tanpa menamakannya "untuk kelajuan" boleh mengakibatkan pelanggaran KVKK yang sukar untuk diperbaiki dengan satu klik. Kelajuan tidak pernah mengatasi privasi. Jika ragu-ragu, jangan kongsi.

Rangka kerja etika: empat prinsip

Empat prinsip klasik etika kesihatan juga terpakai kepada amalan pemakanan: kebaikan (bekerja untuk kesejahteraan pelanggan), nonmaleficence (terutamanya dalam keputusan kritikal keselamatan), autonomi (menghormati keputusan klien sendiri, persetujuan termaklum), dan keadilan (perkhidmatan inklusif yang sensitif terhadap perbezaan sumber, belanjawan dan budaya). Penggunaan AI seharusnya tidak bercanggah dengan prinsip ini: output yang tidak disahkan boleh menyebabkan kemudaratan (pelanggaran bukan kejahatan), memproses data tanpa memaklumkan pelanggan melanggar autonomi, menghasilkan rancangan mengikut budaya tunggal menjejaskan keadilan. Etika bukanlah lapisan yang ditambahkan kemudian, tetapi disiplin yang terjalin dalam setiap langkah.

Kawalan kualiti: memeriksa kerja anda sendiri

Sentiasa mengaudit penggunaan AI anda sendiri semasa bekerja dari hujung ke hujung. Semakan sendiri yang mudah: untuk setiap cetakan pelanggan, "Adakah saya mengesahkan nombor ini? Adakah saya menyaring alergen ini? Adakah saya mengesahkan tuntutan ini? Adakah saya menamakan data ini? Adakah saya meluluskan rancangan ini?" Jika anda tidak dapat menjawab "ya" kepada lima soalan ini, outputnya belum siap lagi.

tiga kes mini

Kes 1 — Pautan lemah dalam rantai. Pakar diet segera menyediakan rantaian pelan akaun pengambilan dengan AI tetapi melangkau langkah keselamatan (pengesahan alergen); kerana ia menganggap "jika langkah sebelumnya baik, ini juga bagus". Walau bagaimanapun, pelanggan mempunyai alahan bijan dan sos dalam pelan mengandungi bijan. Jika satu pautan dalam rantai putus, keseluruhan rantai tidak selamat. Pengajaran: titik kelulusan setiap peringkat adalah bebas; Satu tidak menggantikan yang lain.

Kes 2 — Rantaian pelanggaran privasi. Untuk kecekapan, klinik cuba memuatkan semua fail pelanggan mengikut nama ke dalam alat AI dan menghasilkan rancangan besar-besaran. Audit mendedahkan bahawa ini adalah pelanggaran KVKK dan data telah keluar dari institusi. Klinik menghentikan proses dan beralih kepada aliran tanpa nama dan berkontrak. Pengajaran: kecekapan tidak memberi alasan pencerobohan privasi; Sediakan sistem sebagai dilindungi privasi dari awal.

Kes 3 — Aliran hujung ke hujung yang betul. Untuk pelanggan baharu, pakar diet: (1) menghasilkan panduan temu bual dengan data tanpa nama, (2) mempunyai draf AI dan mengesahkan pengiraan secara manual, (3) menyuap nilai pemakanan daripada USDA, (4) mendapatkan dan mengimbangi pelan pilihan, (5) skrin untuk alergen pada asas satu-satu, (6) menyediakan pendidikan susulan yang diperibadikan kepada pelanggan, (7) mingguan yang diperibadikan secara ringkas. Ia menggunakan titik kelulusan pada setiap langkah, mengekalkan data tanpa nama dan meluluskan pelan itu sendiri. Keputusan: menjimatkan ~40% masa dengan AI, tanpa menjejaskan keselamatan dan akauntabiliti. Pengajaran: kelajuan dan keselamatan bersatu apabila sistem disediakan dengan betul.

Templat gesaan yang boleh disalin

TEMPLAT RANGKA KERJA END-TO-ENDPeranan anda: DRAF menyediakan pembantu kepada pakar diet. Letakkan nota "KELULUSAN DIETICIAN DIPERLUKAN" pada penghujung setiap cetakan dan senaraikan mata yang perlu disahkan secara verbatim (akaun, alergen, sumber). Pelanggan (tanpa nama): [...]. Pencarian: [peringkat]. Jangan tambah data yang dibuat-buat; tandakan di mana anda tidak pasti.

TEMPLAT PRIVASI SEMAK PRIVASIboleh teks berikut untuk privasi SEBELUM memberikannya kepada alat AI: Adakah ia mengandungi data pengenalpastian seperti nama, ID, kenalan, institusi, tarikh lahir, ID analisis? Jika ya, tandakannya dan cadangkan versi tanpa nama. Teks: [...]

TEMPLAT AUDIT KENDIRI BERKUALITI Sapukan senarai semak untuk cetakan pelanggan berikut dan tandakan setiap item sebagai dipenuhi/hilang: (1) adakah akaun disahkan, (2) adalah nilai pemakanan dari sumber, (3) adakah ia telah disaring untuk alergen, (4) adalah data tanpa nama, (5) adakah terdapat kelulusan pakar diet, (6) adakah tuntutan kesihatan yang disahkan. Nyatakan sebarang peninggalan. Keluaran: [...]

TEMPLAT ULASAN ETIKAadakah pelan/kandungan berikut menimbulkan masalah dari segi empat prinsip etika: faedah, bukan kebencian, autonomi (persetujuan/maklumat), keadilan (belanjawan/inklusiviti budaya)? Nilai secara ringkas setiap dasar dan cadangkan penambahbaikan. Kandungan: [...]

Gesaan lemah / Gesaan kuat

Gesaan yang lemah:

Saya menambah analisis dan fail Cik Ayşe, rancangan lengkap akan keluar.

Data bernama, "pelan penuh" dalam satu langkah, tiada titik kelulusan: risiko kedua-dua pelanggaran KVKK dan output tidak selamat yang tidak disahkan.

Gesaan kuat:

Peranan anda: pembantu draf; Kelulusan adalah milik pakar diet. Pelanggan (tanpa nama): Wanita berumur 41 tahun, diabetes jenis 2, [nilai angka yang berkaitan, nama/identiti TIADA]. Tugas: DRAF pelan makan, dengan pilihan. Anggaran makro untuk setiap hidangan dan nota "mesti disahkan". Alergen: bijan (jangan tambah apa-apa). Pada akhirnya, senaraikan mata mana yang perlu diperiksa sendiri oleh pakar diet. Menambah data yang dipasang.

Gesaan kedua menamakan data, mengetepikan output, mengandungi kekangan keselamatan dan pusat pemeriksaan; Kedua-dua kerahsiaan dan kualiti dilindungi.

Kesilapan biasa

• Melangkau pautan dalam rantaian: Melangkau langkah keselamatan/kelulusan kerana langkah sebelumnya adalah baik.
• Mengorbankan privasi untuk kecekapan: Memuat naik pukal fail bernama — pelanggaran KVKK yang serius.
• Mengharapkan "pelan penuh" satu pukulan: Bergantung pada output kotak hitam yang melangkau pusat pemeriksaan.
• Berfikir tentang etika selepas itu: Mengingati etika pada akhirnya dan bukannya menganyamnya ke dalam setiap langkah.
• Melangkau semakan sendiri: Menggunakan output tanpa mengujinya terhadap lima soalan asas (akaun/alergen/sumber/tanpa nama/kelulusan).
• Melupakan persetujuan: Tidak memberitahu pelanggan tentang cara datanya diproses.

Secara ringkasnya

Kecerdasan buatan boleh mempercepatkan amalan pemakanan dan dietetik hujung ke hujung; tetapi ia hanya akan selamat jika kitaran "AI menghasilkan → manusia mengesahkan → manusia mengesahkan" dikekalkan pada setiap peringkat. Sentiasa awanamakan data pelanggan, jangan korbankan KVKK dan kerahsiaan demi kelajuan, jalinkan empat prinsip etika ke dalam setiap langkah, dan audit sendiri output anda dengan lima soalan asas. Setiap pautan dalam rantaian adalah titik kelulusan bebas; Apabila salah satu daripadanya rosak, sistem itu tidak selamat. Ingat: AI mengukuhkan profesion anda, tetapi tidak menggantikannya. Diagnosis, keputusan rawatan dan kelulusan pelan akhir—sains, etika dan tandatangan—kepunyaan pakar diet. AI ialah pembantu pantas anda; Anda adalah pakar yang bertanggungjawab.

Tugasan permohonan

Sediakan aliran pelanggan mini dari awal hingga akhir: pilih profil tanpa nama, hasilkan (1) panduan temu duga secara berurutan, (2) rangka akaun + pengesahan, (3) hidangan dengan data sumber, (4) pemeriksaan alergen, (5) edaran latihan. Tulis pusat pemeriksaan manusia yang anda gunakan pada setiap langkah. Kemudian gunakan "templat audit kendiri berkualiti" pada keseluruhan aliran, cari dan betulkan sebarang jurang. Akhir sekali, jalankan "prasemak privasi" untuk mengesahkan bahawa data anda benar-benar tanpa nama.

senarai semak

• [ ] Saya menggunakan kitaran “AI menjana → sahkan → sahkan” pada setiap peringkat.
• [ ] Saya menamakan data pelanggan dan berkongsi data minimum.
• [ ] Saya menggunakan kenderaan yang selamat/kontrak; Saya mendapat persetujuan.
• [ ] Saya mematuhi empat prinsip etika (faedah, bukan kejahatan, autonomi, keadilan).
• [ ] Saya menyemak sendiri output dengan lima soalan utama.
• [ ] Sebagai pakar diet, saya memberikan kelulusan akhir; Saya bertanggungjawab.

Peperiksaan Modul

1. Pakar pemakanan memindahkan sasaran kalori harian yang dikira oleh kecerdasan buatan kepada pelan pelanggan tanpa menyemaknya. Apakah kesilapan asas dalam pendekatan ini?

• A) Output kecerdasan buatan tidak boleh digunakan tanpa pengesahan; Draf akaun mesti dikira semula dan diluluskan oleh pakar diet ✔
• B) Kecerdasan buatan sentiasa meremehkan kiraan kalori
• C) Daripada pengiraan kalori, hanya pengiraan makro yang perlu dilakukan.
• D) Pelan itu sepatutnya diberikan kepada pelanggan di atas kertas dan bukannya e-mel.

Penjelasan: Walaupun kecerdasan buatan boleh membuat pengiraan dengan betul, ia juga boleh mengambil andaian seperti pekali aktiviti dengan salah dan menghasilkan keputusan yang salah dengan keyakinan yang sama. Dietetik adalah bidang kritikal keselamatan; Setiap akaun mesti disahkan semula oleh pakar diet, dan kelulusan akhir mestilah milik manusia.

2. Apakah tingkah laku terbaik dari segi privasi (KVKK) apabila memindahkan data pelanggan ke alat kecerdasan buatan?

• A) Nama penuh pelanggan dan PDF analisis hendaklah dimuat naik sebagaimana adanya untuk kelajuan.
• B) Hanya maklumat klinikal yang diperlukan harus dikongsi dengan mengalih keluar maklumat yang boleh dikenal pasti secara peribadi dan menamakan data ✔
• C) Jika data disulitkan, maklumat nama juga boleh dihantar
• D) Keseluruhan fail boleh dikongsi tanpa bertanya kepada klien kerana tujuannya adalah baik

Penjelasan: Data kesihatan pelanggan ialah data peribadi khas. Mengenal pasti maklumat seperti nama, TR ID, dan maklumat hubungan hendaklah dialih keluar dan data itu dianonimkan; Data minimum yang diperlukan untuk tugasan harus dikongsi. Memuat naik fail mentah mengikut nama adalah pelanggaran yang serius.

3. Kecerdasan buatan memberikan '220 g karbohidrat, 150 g protein, 90 g lemak' untuk sasaran 2000 kcal. Apakah pengesahan pertama yang perlu dibuat oleh pakar diet?

• A) Menerima nilai sebagaimana adanya, kerana kecerdasan buatan bebas ralat dalam aritmetik
• B) Cukup untuk mengawal jumlah protein sahaja
• C) Darabkan kembali gram makro sebanyak 4/4/9 untuk menyemak sama ada jumlahnya mencapai kalori sasaran ✔
• D) Meningkatkan matlamat kalori kepada 2290 berdasarkan makro

Penjelasan: Makro didarab kembali dengan 4/4/9: 220x4 + 150x4 + 90x9 = 880 + 600 + 810 = 2290 kcal. Melebihi jumlah sasaran sebanyak 290 kcal; nilai tidak konsisten. Pendaraban belakang ialah cara paling mudah dan paling berkuasa untuk menangkap ralat makro AI.

4. Apakah titik paling lemah dan paling berisiko bagi kecerdasan buatan dalam data nilai pemakanan?

• A) Kecerdasan buatan sentiasa memberikan nilai pemakanan dalam unit metrik
• B) Kepintaran buatan hanya mengetahui nilai-nilai sayuran
• C) Kepintaran buatan adalah lambat kerana ia memberikan nilai pemakanan dengan terlalu banyak perpuluhan.
• D) Kecerdasan buatan boleh menyesuaikan nilai pemakanan sambil menghasilkannya daripada ingatannya; jadi nilai harus diambil daripada pangkalan data yang diiktiraf ✔

Penjelasan: Model bahasa tidak mengingat nombor, ia menjananya secara probabilistik; Oleh itu, ia mungkin memberikan nilai protein/kalori makanan yang fasih tetapi tidak betul (halusinasi). Atas sebab ini, nilai pemakanan harus diambil dari pangkalan data yang terkenal, dan kecerdasan buatan harus berfungsi hanya dengan data tersebut.

5. Dalam pelan makan, kecerdasan buatan telah mengekalkan kalori dan makro dengan tepat, tetapi sepanjang hari terdiri daripada roti putih, pasta dan ayam. Apa yang tiada di sini?

• A) Walaupun mengandungi makro, keseimbangan serat, sayur-sayuran dan mikronutrien tidak tercapai; Pelan ini tidak mencukupi dari segi kepelbagaian pemakanan ✔
• B) Sasaran kalori ditetapkan terlalu tinggi
• C) Ada masalah kerana jumlah protein yang tinggi
• D) Bilangan hidangan hendaklah lebih daripada tiga

Penjelasan: Hakikat bahawa makro mencapai sasaran tidak menunjukkan bahawa rancangan itu sihat. Serat, sayur-sayuran dan keseimbangan mikronutrien (vitamin, mineral) juga perlu disediakan. Pertimbangan keseimbangan ini adalah milik ahli diet; Ketepatan makro sahaja tidak mencukupi.

6. Bagi pelanggan yang alah kepada hazelnut, kecerdasan buatan mencadangkan pengganti seperti 'guna mentega badam'. Mengapa pakar diet mungkin menganggap cadangan ini tidak selamat?

• A) Pes badam lebih mahal daripada pes hazelnut
• B) Badam mungkin berada dalam kumpulan alahan kacang pokok yang sama seperti kacang hazel; Penggantian mungkin berisiko kerana ia termasuk dalam kumpulan yang sama ✔
• C) Pes badam jauh lebih tinggi kalori
• D) Pes badam tidak sesuai untuk masakan Turki.

Penjelasan: Hazelnut dan badam berada dalam kumpulan alahan 'kacang pokok' yang sama. Alahan diuruskan secara berkumpulan, bukan satu makanan; Jika pengganti itu termasuk dalam kumpulan yang sama, ia berisiko. Pakar diet mengetahui kumpulan alahan dan mengesahkan penggantian dengan tepat.

7. Apakah pendekatan yang betul untuk menggunakan sayur-sayuran berdaun kaya vitamin K untuk pelanggan yang mengambil warfarin (pencair darah)?

• A) Semua makanan berdaun hijau hendaklah dilarang sama sekali
• B) Pengambilan vitamin K hendaklah dibenarkan dan tidak boleh diambil kira sama sekali
• C) Pengambilan Vitamin K hendaklah sentiasa konsisten dan keadaan perlu dikongsi dengan doktor ✔
• D) Sayur-sayuran berdaun hanya boleh dimakan semasa makan malam

Penjelasan: Bagi mereka yang menggunakan warfarin, matlamatnya bukan untuk mengharamkan vitamin K sepenuhnya, tetapi untuk memastikan pengambilan mereka konsisten; Turun naik yang besar menjejaskan kesan ubat. Kekangan jenis 'kekal konsisten' ini adalah kecanggihan klinikal yang tiada dalam AI dan dikongsi dengan doktor.

8. Bagaimanakah tafsiran yang betul boleh dibuat apabila pelanggan memerhatikan 'kenaikan' 1 kg dalam seminggu?

• A) Pelan hendaklah ditulis dengan segera dari awal dengan kalori yang rendah
• B) Pelanggan hendaklah dihentikan menimbang.
• C) Kenaikan satu minggu dianggap kenaikan berat badan yang pasti.
• D) Trend berbilang minggu harus dilihat, bukan satu ukuran; turun naik jangka pendek (seperti pengekalan air) perlu dinilai secara klinikal ✔

Penjelasan: Satu ukuran adalah mengelirukan; Faktor seperti pengekalan air, kitaran haid, dan pengambilan garam mewujudkan turun naik jangka pendek. Apa yang penting ialah trend berbilang minggu. Tafsiran klinikal ini dibuat oleh pakar diet; AI hanya mengatur data.

9. Kepintaran buatan menghasilkan ayat 'teh hijau membakar lemak dan mempercepatkan metabolisme' dalam lakaran media sosial. Apakah tanggungjawab etika seorang pakar diet?

• A) Mendasarkan dakwaan yang dibesar-besarkan pada bukti, menterjemahkannya ke dalam bahasa yang diukur dan menambah amaran maklumat am ✔
• B) Menerbitkan tuntutan itu kerana ia menarik perhatian
• C) Kuatkan ayat lagi dan tambah 'mencegah kanser'
• D) Tidak menerbitkan kandungan sama sekali, kerana bercakap tentang teh hijau adalah dilarang

Perihalan: Kecerdasan buatan cenderung untuk membuat dakwaan yang dibesar-besarkan dan tidak terbukti dengan baik. Pakar pemakanan harus menyederhanakan dakwaan ini mengikut tahap bukti, membuang bahasa kepastian dan keajaiban, dan menambah kaveat 'ia adalah maklumat umum'. Kejujuran dalam tuntutan kesihatan adalah kewajipan etika.

10. Seorang pakar diet meminta kecerdasan buatan untuk '3 kajian membuktikan faedah puasa berselang' untuk pembentangan. Apakah risiko utama permintaan ini?

• A) Kecerdasan buatan memberikan terlalu banyak kerja dan memenatkan ahli diet
• B) Kecerdasan buatan boleh mencipta kajian, pengarang, dan jurnal yang tidak wujud; sumber tidak boleh digunakan tanpa pengesahan daripada sumber utama ✔
• C) Kajian kecerdasan buatan hanya diberikan dalam bahasa Inggeris
• D) Tiga kajian sentiasa tidak mencukupi untuk pembentangan

Penjelasan: Model bahasa boleh mencipta karya, pengarang dan jurnal yang sebenarnya tidak wujud (halusinasi sumber). Kecerdasan buatan bukan enjin carian literatur. Cara yang betul: cari sumber sebenar daripada PubMed/Cochrane dan minta ia diringkaskan oleh AI; Setiap rujukan disahkan daripada sumber utama.

11. Mengapakah adalah salah untuk membuat kesimpulan bahawa 'sarapan membuat anda menurunkan berat badan' daripada kajian pemerhatian yang menunjukkan bahawa 'mereka yang bersarapan adalah lebih kurus'?

• A) Kajian itu masih belum sah kerana terlalu baru.
• B) Sarapan pagi sebenarnya buat berat badan naik, belajar pun salah
• C) Kajian pemerhatian hanya menunjukkan korelasi; tidak membuktikan sebab, pergaulan mungkin disebabkan oleh faktor lain ✔
• D) Ia tidak sah kerana sampel hanya terdiri daripada wanita

Penjelasan: Kajian pemerhatian menunjukkan korelasi (berlaku bersama), bukan sebab musabab (satu menyebabkan yang lain). Mereka yang bersarapan biasanya boleh hidup lebih aktif dan teratur; Hubungan itu mungkin disebabkan oleh faktor lain. Korelasi yang mengelirukan dengan sebab adalah ralat bacaan bukti biasa.

12. Dalam peringatan pemakanan 24 jam, pelanggan mengatakan '2 genggam kacang sehari'. AI menganggap ia adalah '60 gram'. Apakah pendekatan yang betul?

• A) Andaian kecerdasan buatan sebanyak 60 gram dianggap pasti
• B) Kacang dikeluarkan sepenuhnya daripada pelan
• C) 100 gram diambil sebagai nilai purata
• D) Bahagian bukan andaian kecerdasan buatan, ia dijelaskan dengan bertanya kepada pelanggan atau mengukurnya dengan skala ✔

Penjelasan: Anggaran bahagian sangat berbeza bagi setiap orang; Segenggam boleh 30 g atau 90 g. Andaian AI ialah julat permulaan, bukan ukuran. Bahagian sebenar perlu dijelaskan dengan bertanya kepada pelanggan atau menggunakan skala dapur.

13. Pangkalan data pemakanan biasanya memberikan nilai setiap 100 gram mentah. Apakah ralat yang boleh menyebabkan ini?

• A) Menggunakan nilai mentah pada bahagian yang dimasak (atau sebaliknya) boleh menyebabkan ralat kalori/makro yang serius; Unit ukuran mesti dijelaskan ✔
• B) Nilai mentah sentiasa lebih rendah daripada nilai masak, tiada masalah
• C) Tidak akan ada masalah kerana pangkalan data hanya mengembalikan nilai masak.
• D) Perbezaan mentah/masak hanya dilihat pada daging, bukan bijirin.

Penerangan: Semasa memasak, makanan menyerap air dan mengubah beratnya; 100 g beras mentah meningkat kepada ~250-300 gram apabila dimasak. Menggunakan nilai mentah pada jumlah yang dimasak (atau sebaliknya) akan mengakibatkan ralat kalori yang serius. Ia harus sentiasa dijelaskan sama ada nilai yang digunakan adalah mentah atau masak.

14. Bagaimanakah prinsip utama yang ditekankan sepanjang modul menggambarkan peranan kecerdasan buatan dalam dietetik?

• A) Kecerdasan buatan boleh membuat keputusan sendiri, menggantikan pakar diet yang berpengalaman
• B) Kepintaran buatan ialah pembantu dan penjana draf; Diagnosis, keputusan rawatan dan kelulusan muktamad adalah milik pakar diet/pakar perubatan ✔
• C) Kepintaran buatan hanya digunakan untuk reka bentuk visual, bukan untuk pengiraan
• D) Keluaran kecerdasan buatan adalah selamat walaupun tanpa pengesahan kerana ia berdasarkan sumber saintifik

Penerangan: Kecerdasan buatan mempercepatkan kerja berulang sebagai pembantu dan penjana draf, tetapi memandangkan ia bekerja di kawasan kritikal keselamatan, diagnosis, keputusan terapi pemakanan dan kelulusan pelan akhir adalah milik pakar yang kompeten (ahli diet dan, jika perlu, doktor). Output yang tidak disahkan ialah draf yang tidak ditandatangani.