Keuntungan:
- Keupayaan untuk memahami keperluan untuk mendapatkan nilai pemakanan daripada pangkalan data yang terkenal (USDA, TÜBER, BeBiS) dan bukannya daripada ingatan kecerdasan buatan
- Keupayaan untuk mengarahkan kecerdasan buatan untuk membuat pengiraan dan tafsiran hanya dengan data yang diambil daripada sumber, dengan logik RAG
- Keupayaan untuk mencegah kesilapan pemakanan dengan mempertimbangkan penukaran mentah/masak, kejelasan bahagian dan konsistensi sumber
Di tengah-tengah kerja harian pakar diet adalah soalan "berapa banyak dalam nutrien ini?" Ada soalan. Berapa gram protein dalam 100 gram dada ayam? Berapa gram serat dalam sekeping roti gandum? Berapa banyak kalori dalam satu sudu minyak zaitun? Jawapan kepada soalan-soalan ini disimpan dalam pangkalan data komposisi makanan — jadual rasmi yang menyenaraikan kandungan tenaga, makro dan mikronutrien beribu-ribu makanan berdasarkan analisis makmal. Kesilapan kecerdasan buatan yang paling berbahaya dalam bidang ini ialah memikirkan bahawa ia "mengingat" nombor-nombor ini. Walau bagaimanapun, model bahasa tidak menghafal nombor; Ia menjana secara probabilistik dan sering memberikan nilai yang hampir dengan realiti tetapi kadang-kadang sangat salah. Mesej utama unit ini adalah jelas: dapatkan nilai pemakanan daripada pangkalan data yang diiktiraf, bukan daripada ingatan AI; Gunakan AI untuk bekerja dengan data yang tepat, bukan untuk mengingati data.
Pangkalan data yang terkenal dan untuk kegunaannya
Sumber utama yang digunakan secara meluas di dunia dan di Türkiye ialah:
pangkalan data
Skop
titik kuat
Perhatian
Pusat Data Makanan USDA (AS)
Sangat besar, ~ suku juta rekod
Terperinci, percuma, dengan API
produk USA; makanan tempatan terhad
Makanan tambahan Panduan Pemakanan TÜBER / Türkiye
Masakan Turki tertumpu
Makanan tempatan dan bahagian
Skop lebih sempit daripada USDA
BeBiS (Sistem Maklumat Pemakanan)
Perisian biasa dalam Türkiye
Resipi Turki
Perisian berlesen
USDA/EuroFIR
Data komposisi Eropah
Piawaian berasaskan negara
Akses boleh menjadi institusi
Apa yang dimaksudkan dengan "API" ialah antara muka yang membenarkan perisian untuk secara atur cara (automatik) bertanya soalan kepada pangkalan data dan menerima jawapan berstruktur. Mempunyai API untuk sumber seperti USDA FoodData Central membolehkan anda menyambungkan alatan AI kepada data sebenar pada masa hadapan. Ini adalah asas pendekatan "AI dipacu data": tidak sesuai dengan model, lukis daripada sumber sebenar.
Perhatian: Nutrien yang sama mungkin menunjukkan nilai yang berbeza dalam pangkalan data yang berbeza; Kerana keadaan pertanian, kepelbagaian, kaedah memasak dan analisis adalah berbeza. Tiada nombor "betul" tunggal; Terdapat julat yang munasabah. Rekod sumber yang anda gunakan dalam pelan pelanggan supaya anda boleh konsisten.
Logik "Retrieval": menyambungkan AI ke sumber
Dalam aplikasi moden, cara untuk menyambungkan AI kepada data sebenar ialah pendekatan RAG — Retrieval-Augmented Generation dalam bahasa Inggeris. Mudah sahaja: daripada menyesuaikan jawapan daripada ingatan, model mula-mula menarik data yang berkaitan daripada sumber yang boleh dipercayai (pangkalan data, dokumen), kemudian menjana jawapan berdasarkan data tersebut. Dalam amalan anda melaksanakan ini dalam dua cara:
- Pemakanan manual: Anda menyalin nilai makanan daripada jadual yang dipercayai dan memberikannya kepada AI; AI hanya mengira/mentafsir dengan data ini, ia tidak menambah nombor dari ingatannya sendiri.
- Kenderaan bersambung: Anda menggunakan kenderaan bersambung pangkalan data; AI memajukan pertanyaan kepada sumber sebenar dan menggunakan nilai yang dikembalikan.
Dalam kedua-dua kes, peraturan emas adalah sama: nombor itu berasal dari sumber, AI menafsirkannya. "Berapa banyak zat besi dalam 100 gram lentil?" tanya YZ. Untuk bertanya soalan terbuka adalah untuk mengundang rekaan.
Produk generik, produk berjenama dan campuran makanan
Pangkalan data nutrien mempunyai berbilang rekod di bawah nama yang sama, dan memilih rekod yang salah adalah punca ralat senyap. Sebagai contoh, mencari "yogurt" akan memberi anda berpuluh-puluh rekod yang berbeza, seperti yogurt buah penuh lemak, separuh lemak, bebas lemak, jenis Greek (tegang) dan manis; Kalori dan makro mereka sangat jauh antara satu sama lain. Yogurt Yunani mempunyai hampir dua kali ganda protein yogurt biasa. Begitu juga, rekod "produk berjenama" (produk berpakej syarikat) dan rekod "pemakanan am" membawa nilai yang berbeza. Dalam amalan yang baik, anda memadankan produk yang sebenarnya digunakan oleh pelanggan sedekat mungkin: jika boleh, berdasarkan label pemakanan pada pembungkusan, jika tidak, anda memilih penerangan terdekat dalam pangkalan data. Tanya AI "rekod mana yang harus saya pilih?" Apabila anda berunding, ia boleh mencadangkan anda istilah carian yang betul; tetapi pemilihan rekod terakhir dan perbandingan kepada label adalah di bawah kawalan anda. Menggunakan rekod yang sama untuk nutrien yang sama sepanjang rancangan juga penting untuk konsistensi; Menggunakan susu penuh lemak separuh masa dan susu skim separuh masa akan memesongkan jumlahnya.
Penukaran bahagian dan masakan
Pangkalan data pemakanan biasanya memberikan nilai setiap 100 gram mentah. Tetapi pelanggan makan lentil masak, bukan lentil mentah. Berat berubah dengan menyerap air semasa memasak; 100 gram beras mentah meningkat kepada ~250-300 gram apabila dimasak. Oleh itu, "200 gram yang dimasak" dan "100 gram mentah" mempunyai nilai pemakanan yang berbeza. AI boleh membuat transformasi ini, tetapi ia boleh mengelirukan arah. Sentiasa jelaskan sama ada nilai yang anda gunakan adalah mentah atau masak; ini adalah punca kesilapan pengiraan yang kerap.
tiga kes mini
Kes 1 — Menangkap halusinasi. Seorang pakar diet bertanya kepada YZ, "Berapa gram protein dalam 100 gram brokoli rebus?" dia bertanya; AI berkata "kira-kira 8 gram". Pakar diet melihat USDA: nilai sebenar ialah ~2.4 gram. AI mencampurkannya dengan data kekacang/kacang dan mengembungkannya tiga kali ganda. Pakar pemakanan menggunakan nilai yang betul. Pengajaran: sayur-sayuran hijau rendah protein; Nombor itu tidak betul hanya kerana ia fasih.
Kes 2 — Kekeliruan mentah/masak. Dalam draf rancangan, AI menggunakan nilai mentah untuk "150 gram pasta" (~525 kcal), manakala pelanggan sedang makan 150 gram pasta masak (~210 kcal). Perbezaannya ialah 315 kcal dalam satu hidangan, yang merupakan penyelewengan yang serius walaupun dengan satu hidangan sehari. Pakar pemakanan menjelaskan unit ukuran kepada "dimasak" dan mengira semula.
Kes 3 — Penggunaan yang betul. Seorang pakar diet menyalin nilai 100 gram untuk ayam, nasi, dan brokoli dari USDA, memberikannya kepada AI dengan arahan untuk "hanya mengira jumlah makro untuk hidangan dengan data ini, menambah nombor dari ingatannya sendiri." AI hanya menambah dengan nombor yang diberikan; pakar diet mengesahkan dengan membantingnya kembali. Data datang dari sumber, AI melakukan aritmetik.
Templat gesaan yang boleh disalin
TEMPLAT PENGIRAAN DENGAN DATA SUMBER (logik RAG)Peranan anda: pembantu yang bekerja hanya dengan nilai pemakanan yang DIBERIKAN KEPADA ANDA.TAMBAH atau TUKAR nilai pemakanan daripada ingatan anda sendiri. Jika tiada data tulis "[tiada data]", buat. Data (setiap 100 g, sumber: USDA):- Dada ayam (dimasak): 165 kcal, 31 g protein, 3.6 g lemak, 0 g karbohidrat- Nasi (dimasak): ...Tugas: Kira jumlah kcal dan makro untuk 120 g ayam + 150 g beras.
TEMPLAT PENUKARAN MENTAH/DIMASAKNilai makanan berikut diberikan setiap 100 g MENTAH: [nilai]. Pelanggan makan [X] g MASAK. Apabila masak, berat ~[nisbah] berubah. Sehubungan itu, kira nilai pemakanan jumlah yang dimakan dan tulis dengan JELAS andaian yang anda gunakan.
TEMPLATEI PENYEDIAAN PERTANYAAN PANGKALAN DATA ingin mencari nilai pemakanan sesuatu hidangan. Senaraikan istilah MANA yang harus saya cari dalam pangkalan data makanan (USDA/TUBER) untuk makanan berikut, rekod yang harus saya pilih, mentah/masak. Jangan berikan nilai kepada ANDA; hanya beritahu saya istilah carian yang betul dan titik perhatian.Nutrien: [...]
TEMPLAT SEMAK KONSISTENSITafsirkan nilai pemakanan untuk hidangan berikut dalam dua cara berbeza: (1) menganggap semua makanan mentah, (2) menganggap semua makanan telah dimasak. Bandingkan kedua-dua jumlah dan terangkan dari mana perbezaan itu datang. Jadi saya boleh lihat andaian mana yang perlu saya sahkan.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Berapa banyak kalori dalam semangkuk sup lentil?
"Hidangan" tidak jelas, resipi tidak jelas, sumbernya tidak ada; AI membentuk nombor dari ingatannya dan tidak menyatakan bagaimana ia muncul dengannya.
Gesaan kuat:
Peranan anda: pembantu yang hanya mengira dengan data yang diberikan. Hidangan sup lentil = 300 g. Bahan-bahan (nilai setiap 100 g, sumber USDA, saya berikan di bawah): lentil merah (dimasak) [nilai], bawang [nilai], minyak zaitun [nilai]. Kuantiti setiap hidangan: [...]. Kira jumlah kcal dan makro dengan data ini, jangan tambah dari memori, tunjukkan langkah.
Sumber segera kedua memberikan hidangan, maklumat mentah/masak, dan kekangan "jangan tambah"; Outputnya boleh diaudit dan boleh dipercayai.
Kesilapan biasa
- Mempercayai ingatan AI: Persoalan terbuka tentang nilai pemakanan; Ini adalah jemputan kepada halusinasi.
- Mengelirukan mentah/masak: Kesilapan senyap yang paling biasa; Sentiasa jelaskan unit ukuran.
- Kekeliruan sumber: Mencampurkan nutrien yang berbeza daripada pangkalan data yang berbeza; Gunakan sumber yang konsisten dalam rancangan.
- Membiarkan bahagian itu samar-samar: Mengira ungkapan seperti "sekeping", "segenggam" tanpa menukarnya kepada gram.
- Memfokuskan pada nombor tunggal dan bukannya julat: Terlupa bahawa makanan yang sama mempunyai julat nilai yang munasabah; mewujudkan kepastian palsu.
Secara ringkasnya
Data pemakanan ialah kawasan di mana model bahasa paling lemah; Kerana model tidak mengingati nombor, ia menghasilkannya. Oleh itu, sentiasa dapatkan nilai pemakanan daripada pangkalan data yang diiktiraf (USDA, TÜBER, BeBiS) dan gunakan AI untuk mengira dan mentafsir data itu sahaja — berdasarkan logik RAG, data yang diambil daripada sumber. Beri perhatian kepada penukaran mentah/masak, kejelasan bahagian dan ketekalan sumber. Hanya kerana nombor yang keluar lancar adalah tidak betul; Anda hanya boleh mendapatkan kebenaran dengan bekerja dengan sumbernya.
Tugasan permohonan
Pilih tiga makanan (contohnya, telur rebus, roti gandum, yogurt Yunani). Pertama, tanya AI terbuka dan dapatkan nilainya (dari ingatannya). Kemudian cari nilai sebenar nutrien yang sama dari USDA FoodData Central. Bandingkan kedua-dua set dan tulis dalam jadual berapa banyak sisihan yang terdapat dalam setiap makanan. Jadual ini akan mendedahkan prinsip "jangan percaya memori, pautan ke sumber".
senarai semak
- [ ] Saya mendapat nilai pemakanan daripada pangkalan data yang terkenal, bukan daripada ingatan AI.
- [ ] Saya meletakkan sekatan pada AI untuk "berfungsi hanya dengan data yang diberikan, jangan tambah apa-apa".
- [ ] Saya telah menjelaskan untuk setiap makanan sama ada mentah atau masak.
- [ ] Saya menukar bahagian kepada gram; Saya tidak meninggalkan "pinggan/segenggam" di belakang.
- [ ] Saya menggunakan satu sumber yang konsisten dalam rancangan.
- [ ] Saya mengesahkan jumlah AI dengan mendarabkannya kembali.