खाद्य डाटाबेस र पोषक डाटा: सही स्रोतमा एआई जडान गर्दै

लाभ:

• कृत्रिम बुद्धिमत्ता मेमोरीबाट सट्टा प्रसिद्ध डाटाबेसहरू (USDA, TÜBER, BeBiS) बाट पोषण मूल्यहरू प्राप्त गर्ने आवश्यकता बुझ्ने क्षमता।
• आरएजी तर्कको साथ, स्रोतबाट प्राप्त डाटाको साथ मात्र गणना र व्याख्या गर्न कृत्रिम बुद्धिमत्ता निर्देशित गर्ने क्षमता
• कच्चा/पकाएको रूपान्तरण, अंश स्पष्टता र स्रोत स्थिरतालाई विचार गरेर पोषण त्रुटिहरू रोक्न क्षमता

आहारविद्को दैनिक कार्यको मुटुमा "यस पोषक तत्वमा कति छ?" भन्ने प्रश्न हो। भन्ने प्रश्न छ । 100 ग्राम कुखुराको स्तनमा कति ग्राम प्रोटिन हुन्छ? गहुँको रोटीको टुक्रामा कति ग्राम फाइबर हुन्छ? एक चम्मच जैतुनको तेलमा कति क्यालोरीहरू छन्? यी प्रश्नहरूको जवाफ खाद्य संरचना डेटाबेसहरूमा राखिएको छ - आधिकारिक तालिकाहरू जसले प्रयोगशाला विश्लेषणमा आधारित हजारौं खानाहरूको ऊर्जा, म्याक्रो र सूक्ष्म पोषक तत्वहरू सूचीबद्ध गर्दछ। यस क्षेत्रमा कृत्रिम बुद्धिमत्ताको सबैभन्दा खतरनाक गल्ती यो सोच्नु हो कि यसले यी संख्याहरू "सम्झन्छ"। यद्यपि, भाषा मोडेलले संख्याहरू याद गर्दैन; यसले सम्भावित रूपमा उत्पन्न गर्छ र प्रायः वास्तविकताको नजिक भएका मानहरू दिन्छ तर कहिलेकाहीँ गम्भीर रूपमा गलत हुन्छ। यस इकाईको मुख्य सन्देश स्पष्ट छ: एआईको मेमोरीबाट होइन, मान्यता प्राप्त डाटाबेसबाट पोषण मूल्य प्राप्त गर्नुहोस्; एआई प्रयोग गर्नुहोस् सही डाटासँग काम गर्न, डाटा सम्झन होइन।

प्रख्यात डाटाबेसहरू र तिनीहरू केका लागि प्रयोग गरिन्छ

विश्व र टर्कीमा व्यापक रूपमा प्रयोग हुने मुख्य स्रोतहरू हुन्:

डाटाबेस

स्कोप

बलियो बिन्दु

ध्यान

USDA FoodData Central (USDA)

धेरै ठूलो, ~ चौथाई मिलियन रेकर्ड

विस्तृत, नि: शुल्क, API को साथ

संयुक्त राज्य अमेरिका उत्पादनहरू; स्थानीय खाना सीमित

TÜBER / Türkiye पोषण गाइड पूरक

टर्की व्यञ्जन केन्द्रित

स्थानीय खाना र अंश

USDA भन्दा साँघुरो दायरा

BeBiS (पोषण सूचना प्रणाली)

Türkiye मा साझा सफ्टवेयर

टर्की व्यञ्जनहरु

लाइसेन्स सफ्टवेयर

USDA/EuroFIR

युरोपेली संरचना डेटा

देश आधारित मानक

पहुँच संस्थागत हुन सक्छ

"API" भन्नाले सफ्टवेयरलाई प्रोग्रामेटिक रूपमा (स्वचालित रूपमा) डाटाबेसमा प्रश्नहरू सोध्न र संरचित उत्तरहरू प्राप्त गर्न अनुमति दिने इन्टरफेस हो। USDA FoodData Central जस्ता स्रोतहरूको लागि API हुनुले भविष्यमा AI उपकरणहरूलाई वास्तविक डेटामा जडान गर्न सम्भव बनाउँछ। यो "डेटा-संचालित एआई" दृष्टिकोणको आधार हो: मोडेलहरू फिट नगर्नुहोस्, वास्तविक स्रोतबाट कोर्नुहोस्।

ध्यान दिनुहोस्: एउटै पोषक तत्वले विभिन्न डाटाबेसमा फरक मानहरू देखाउन सक्छ; किनभने खेतीको अवस्था, विविधता, खाना पकाउने तरिका र विश्लेषण फरक छ। त्यहाँ कुनै एकल "सही" नम्बर छैन; त्यहाँ एक उचित दायरा छ। तपाईंले ग्राहक योजनामा ​​कुन स्रोत प्रयोग गर्नुहुन्छ रेकर्ड गर्नुहोस् ताकि तपाईं एकरूप हुन सक्नुहुन्छ।

"पुनर्प्राप्ति" तर्क: AI लाई स्रोतमा जडान गर्दै

आधुनिक अनुप्रयोगहरूमा, AI लाई वास्तविक डेटामा जडान गर्ने तरिका RAG दृष्टिकोण हो - अंग्रेजीमा पुन: प्राप्ति-संवर्धित जेनेरेसन। सरल रूपमा: मेमोरीबाट जवाफ मिलाउनुको सट्टा, मोडेलले पहिले विश्वसनीय स्रोत (डेटाबेस, कागजात) बाट सान्दर्भिक डाटा तान्छ, त्यसपछि त्यो डाटामा आधारित जवाफ उत्पन्न गर्दछ। अभ्यासमा तपाइँ यसलाई दुई तरिकामा लागू गर्नुहुन्छ:

1. म्यानुअल फिडिङ: तपाईंले भरपर्दो टेबलबाट खानाको मानहरू प्रतिलिपि गरेर AI लाई दिनुहुन्छ; AI ले यो डाटाको साथ मात्र गणना/व्याख्या गर्छ, यसले आफ्नै मेमोरीबाट नम्बरहरू थप्दैन।
2. जडान गरिएको सवारी: तपाईले डाटाबेस-जडित सवारी साधन प्रयोग गर्नुहुन्छ; AI ले वास्तविक स्रोतमा क्वेरी फर्वार्ड गर्छ र फर्काइएको मान प्रयोग गर्दछ।

दुबै अवस्थामा, सुनौलो नियम एउटै हो: संख्या स्रोतबाट आउँछ, एआईले यसलाई व्याख्या गर्दछ। "100 ग्राम दालमा कति फलाम हुन्छ?" YZ लाई सोध्यो। खुला प्रश्न सोध्नु भनेको बनावटलाई निम्तो दिनु हो।

जेनेरिक उत्पादन, ब्रान्डेड उत्पादन र भोजन मिश्रण

पोषक डाटाबेसहरूमा एउटै नाम अन्तर्गत धेरै रेकर्डहरू छन्, र गलत रेकर्ड चयन गर्दा त्रुटिको मौन स्रोत हो। उदाहरणका लागि, "दही" को खोजीले तपाईंलाई दर्जनौं विभिन्न रेकर्डहरू दिनेछ, जस्तै फुल-फ्याट, आधा-फ्याट, फ्याट-फ्री, ग्रीक-प्रकार (तनावयुक्त), र मीठो फल दही; तिनीहरूको क्यालोरी र म्याक्रोहरू एकअर्काबाट धेरै टाढा छन्। ग्रीक दहीमा नियमित दही भन्दा लगभग दोब्बर प्रोटिन हुन्छ। त्यसै गरी, "ब्रान्डेड उत्पादन" रेकर्डहरू (कम्पनीको प्याकेज गरिएको उत्पादन) र "सामान्य पोषण" रेकर्डहरू फरक मानहरू हुन्छन्। राम्रो अभ्यासमा, तपाईले ग्राहकले वास्तवमा सकेसम्म नजिकबाट उपभोग गरेको उत्पादनसँग मेल खानुहुन्छ: यदि सम्भव छ भने, प्याकेजिङ्गमा पोषण लेबलको आधारमा, अन्यथा तपाईले डाटाबेसमा सबैभन्दा नजिकको विवरण रोज्नुहुन्छ। AI लाई सोध्नुहोस् "मैले कुन रेकर्ड रोज्नुपर्छ?" जब तपाइँ परामर्श गर्नुहुन्छ, यसले तपाइँलाई सही खोज शब्द सुझाव दिन सक्छ; तर अन्तिम रेकर्ड चयन र लेबलको तुलना तपाईंको नियन्त्रणमा छ। एकै योजनामा ​​एउटै पोषक तत्वको लागि एउटै रेकर्ड प्रयोग गर्नु पनि स्थिरताको लागि महत्त्वपूर्ण छ; आधा समय फुल फ्याट भएको दूध र आधा समय स्किम मिल्क प्रयोग गर्दा योगफल विकृत हुन्छ।

भाग र खाना पकाउने रूपान्तरण

पोषण डाटाबेस सामान्यतया प्रति 100 ग्राम कच्चा मान दिन्छ। तर ग्राहकले पकाएको दाल खान्छन्, काँचो दाल होइन। खाना पकाउँदा पानी अवशोषित गरेर वजन परिवर्तन हुन्छ; 100 ग्राम काँचो चामल पकाउँदा ~250-300 ग्राम सम्म पुग्छ। त्यसैले, "पकाएको 200 ग्राम" र "कच्चा 100 ग्राम" मा फरक पोषण मानहरू छन्। AI ले यी परिवर्तनहरू गर्न सक्छ, तर यसले दिशालाई भ्रमित गर्न सक्छ। सधैँ स्पष्ट गर्नुहोस् कि तपाईले प्रयोग गर्नुभएको मूल्य कच्चा हो वा पकाएको हो; यो गणना त्रुटिहरूको बारम्बार स्रोत हो।

तीन मिनी केसहरू

केस 1 - एक भ्रम समात्दै। एक आहारविद्ले YZ लाई सोधे, "उमालेको 100 ग्राम ब्रोकाउलीमा कति ग्राम प्रोटिन हुन्छ?" उसले सोध्छ; एआई भन्छ "लगभग 8 ग्राम"। आहार विशेषज्ञले USDA मा हेर्छ: वास्तविक मूल्य ~ 2.4 ग्राम हो। AI ले यसलाई फलफूल/अखरोट डाटासँग मिसाएर तीन गुणा फुलाएको छ। आहारविद्ले सही मूल्य प्रयोग गर्दछ। पाठ: हरियो तरकारीमा प्रोटिन कम हुन्छ; नम्बर सही छैन किनभने यो धाराप्रवाह छ।

केस 2 - कच्चा/पकाएको भ्रम। मस्यौदा योजनामा, AI ले “150 ग्राम पास्ता” (~525 kcal) को कच्चा मान प्रयोग गर्दछ, जबकि ग्राहकले 150 ग्राम पकाएको पास्ता (~210 kcal) खाइरहेको छ। फरक एक खाना मा 315 kcal छ, जुन एक दिन एक खाना संग एक गम्भीर विचलन हो। आहारविद्ले मापनको एकाइलाई "पकाएको" र पुन: गणना गर्दछ।

केस 3 - सही प्रयोग। एक आहारविद्ले USDA बाट कुखुरा, चामल र ब्रोकोलीका लागि 100-ग्राम मानहरू प्रतिलिपि गर्छन्, तिनीहरूलाई AI लाई निर्देशन दिएर "यस डेटाको साथ खानाको लागि कुल म्याक्रो गणना गर्नुहोस्, यसको आफ्नै मेमोरीबाट संख्याहरू थप्नुहोस्।" AI ले दिइएको नम्बरहरू मात्र थप्छ; आहारविद्ले यसलाई फिर्ता स्ल्याम गरेर पुष्टि गर्दछ। स्रोतबाट डाटा आयो, एआईले अंकगणित गर्यो।

प्रतिलिपि गर्न मिल्ने प्रम्प्ट टेम्प्लेटहरू

स्रोत डेटाको साथ गणना टेम्प्लेट (RAG तर्क) तपाईंको भूमिका: सहायक जसले तपाईंलाई दिइएका पोषण मानहरूसँग मात्र काम गर्दछ। तपाईंको आफ्नै मेमोरीबाट पोषण मानहरू थप्नुहोस् वा परिवर्तन गर्नुहोस्। यदि डेटा छुटेको छ भने "[कुनै डाटा]" लेख्नुहोस्, बनाउनुहोस्। डाटा (प्रति 100 ग्राम, स्रोत: USDA):- कुखुराको स्तन (पकाएको): 165 kcal, 31 g प्रोटीन, 3.6 g फ्याट, 0 g carbs- चामल (पकाएको): ...कार्य: 120 ग्राम चिकन + 150 ग्राम चामलको लागि कुल kcal र म्याक्रो गणना गर्नुहोस्।

कच्चा/पकाएको रूपान्तरण टेम्प्लेट निम्न खानाको मूल्य प्रति १०० ग्राम RAW मा दिइएको छ: [मानहरू]। ग्राहकले [X] g पकाएको खान्छ। पकाउँदा, वजन ~[अनुपात] परिवर्तन हुन्छ। तदनुसार, खाएको मात्राको पोषण मूल्य गणना गर्नुहोस् र स्पष्ट रूपमा लेख्नुहोस् जुन तपाईंले प्रयोग गर्नुहुन्छ।

डाटाबेस क्वेरी तयारी टेम्प्लेटआई खानाको पोषण मूल्य पत्ता लगाउन चाहन्छ। मैले कच्चा/पकाएको, कुन रेकर्ड छनोट गर्ने, निम्न खाद्य पदार्थहरूको लागि फूड डाटाबेस (USDA/TUBER) मा खोज्ने शब्दहरू सूची गर्नुहोस्। तपाईलाई मानहरू नदिनुहोस्; केवल मलाई सही खोज शब्द र ध्यानको बिन्दु बताउनुहोस्। पोषक तत्वहरू: [...]

एकरूपता जाँच टेम्प्लेटनिम्न भोजनका लागि पौष्टिक मानहरूलाई दुई फरक तरिकाले व्याख्या गर्नुहोस्: (१) सबै खानाहरू कच्चा छन् भनी मान्ने, (२) सबै खानेकुरा पकाएको मान्ने। दुईवटा योगहरू तुलना गर्नुहोस् र भिन्नता कहाँबाट आउँछ भनेर व्याख्या गर्नुहोस्। त्यसोभए म कुन धारणा प्रमाणित गर्न आवश्यक छ भनेर देख्न सक्छु।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

एक कचौरा दाल सूपमा कति क्यालोरीहरू छन्?

"एउटा डिश" अस्पष्ट छ, नुस्खा अस्पष्ट छ, स्रोत अनुपस्थित छ; AI ले आफ्नो मेमोरीबाट नम्बर बनाउँछ र यो कसरी आयो भनेर बताउँदैन।

शक्तिशाली प्रम्प्ट:

तपाईंको भूमिका: सहायक जसले केवल दिइएको डेटा संग गणना गर्दछ। दाल सूप सेवा = 300 ग्राम। सामग्रीहरू (मानहरू प्रति 100 ग्राम, स्रोत USDA, म तल दिन्छु): रातो दाल (पकाएको) [मानहरू], प्याज [मानहरू], जैतूनको तेल [मानहरू]। प्रति सेवा मात्रा: [...]। यस डेटाको साथ कुल kcal र म्याक्रो गणना गर्नुहोस्, मेमोरीबाट थप नगर्नुहोस्, चरणहरू देखाउनुहोस्।

दोस्रो प्रम्प्ट स्रोतले सेवा, कच्चा/पकाएको जानकारी, र "थप नगर्नुहोस्" बाधा दिन्छ; आउटपुट लेखा योग्य र भरपर्दो छ।

सामान्य गल्तीहरू

• एआईको मेमोरीमा भरोसा गर्दै: पोषण मूल्यको खुला-समाप्त प्रश्न; यो भ्रम को निमन्त्रणा हो।
• भ्रामक कच्चा/पकाएको: सबैभन्दा सामान्य मौन गल्ती; सँधै मापनको एकाइ स्पष्ट गर्नुहोस्।
• स्रोत भ्रम: विभिन्न डेटाबेसबाट विभिन्न पोषक तत्वहरू मिश्रण गर्दै; योजनामा ​​निरन्तर स्रोतहरू प्रयोग गर्नुहोस्।
• भाग अस्पष्ट छोड्दै: "प्लेट", "एक मुट्ठी" जस्ता अभिव्यक्तिहरूलाई ग्राममा रूपान्तरण नगरी गणना गर्दै।
• दायराको सट्टा एकल संख्यामा फोकस गर्दै: एउटै खानामा मानहरूको उचित दायरा छ भनेर बिर्सनु; गलत निश्चितता सिर्जना गर्दै।

संक्षेपमा

पोषण डेटा भनेको क्षेत्र हो जहाँ भाषा मोडेल सबैभन्दा कमजोर छ; किनभने मोडेलले संख्याहरू सम्झँदैन, यसले तिनीहरूलाई उत्पादन गर्दछ। त्यसोभए सधैं मान्यता प्राप्त डाटाबेस (USDA, TÜBER, BeBiS) बाट पोषण मानहरू प्राप्त गर्नुहोस् र AI को प्रयोग गर्नुहोस् केवल त्यो डाटा गणना र व्याख्या गर्न — RAG तर्कमा आधारित, स्रोतबाट निकालिएको डाटा। कच्चा/पकाएको रूपान्तरण, भाग स्पष्टता, र स्रोत स्थिरतामा ध्यान दिनुहोस्। नम्बर धाराप्रवाह आएकोले मात्र सही होइन; तपाईं स्रोत संग काम गरेर मात्र सत्य प्राप्त गर्न सक्नुहुन्छ।

आवेदन कार्य

तीनवटा खानाहरू छनौट गर्नुहोस् (उदाहरणका लागि, उमालेको अण्डा, सम्पूर्ण गहुँको रोटी, ग्रीक दही)। पहिले, एआई ओपन-एन्डेडलाई सोध्नुहोस् र यसको मानहरू प्राप्त गर्नुहोस् (यसको मेमोरीबाट)। त्यसपछि USDA FoodData Central बाट ती समान पोषक तत्वहरूको वास्तविक मानहरू फेला पार्नुहोस्। दुई सेटहरू तुलना गर्नुहोस् र तालिकामा लेख्नुहोस् कि प्रत्येक खानामा कति विचलन छ। यो तालिकाले "मेमोरीमा भरोसा नगर्नुहोस्, स्रोतमा लिङ्क गर्नुहोस्" को सिद्धान्त प्रकट गर्नेछ।

चेकलिस्ट

• [ ] मैले एआई मेमोरीबाट होइन, एक प्रसिद्ध डाटाबेसबाट पोषण मानहरू पाएँ।
• [ ] मैले AI मा प्रतिबन्ध लगाएको छु "दिईएको डाटासँग मात्र काम गर्नुहोस्, केहि थप नगर्नुहोस्"।
• काँचो होस् वा पकाएको प्रत्येक खानाको लागि मैले स्पष्ट पारेको छु।
• मैले अंशहरूलाई ग्राममा रूपान्तरण गरें; मैले "थाली/मुठी" पछाडि छोडेको छैन।
• [ ] मैले एउटा योजना भित्र एकल सुसंगत स्रोत प्रयोग गरें।
• [ ] मैले AI को योगफललाई फिर्ता गुणन गरेर प्रमाणित गरें।