Gevinster:
- Evne til å forstå nødvendigheten av å skaffe næringsverdier fra kjente databaser (USDA, TÜBER, BeBiS) i stedet for fra kunstig intelligensminne
- Evne til å lede kunstig intelligens til å foreta beregninger og tolkninger kun med data hentet fra kilden, med RAG-logikk
- Evne til å forhindre ernæringsfeil ved å vurdere rå/kokte omdannelser, porsjonsklarhet og kildekonsistens
I hjertet av en kostholdseksperts daglige arbeid er spørsmålet "hvor mye er i dette næringsstoffet?" Det er et spørsmål. Hvor mange gram protein er det i 100 gram kyllingbryst? Hvor mange gram fiber er det i en skive grovbrød? Hvor mange kalorier er det i en spiseskje olivenolje? Svarene på disse spørsmålene finnes i matsammensetningsdatabaser - offisielle tabeller som viser energi-, makro- og mikronæringsinnholdet i tusenvis av matvarer basert på laboratorieanalyser. Den farligste feilen til kunstig intelligens på dette feltet er å tro at den "husker" disse tallene. Språkmodellen husker imidlertid ikke tall; Det genererer sannsynlighet og gir ofte verdier som er nærme virkeligheten, men noen ganger alvorlig feil. Hovedbudskapet til denne enheten er tydelig: få næringsverdien fra en anerkjent database, ikke fra AIs minne; Bruk AI til å jobbe med nøyaktige data, ikke for å huske data.
Kjente databaser og hva de brukes til
De viktigste kildene som er mye brukt i verden og i Türkiye er:
database
Omfang
sterke poeng
Oppmerksomhet
USDA FoodData Central (USA)
Veldig store, ~kvart million poster
Detaljert, gratis, med API
USA produkter; lokal mat begrenset
TÜBER / Türkiye Nutrition Guide kosttilskudd
Fokusert på tyrkisk mat
Lokal mat og porsjon
Omfang smalere enn USDA
BeBiS (ernæringsinformasjonssystem)
Vanlig programvare i Türkiye
Tyrkiske oppskrifter
Lisensiert programvare
USDA/EuroFIR
Europeiske sammensetningsdata
Landsbasert standard
Tilgangen kan være institusjonell
Det som menes med "API" er grensesnittet som lar en programvare programmatisk (automatisk) stille spørsmål til databasen og motta strukturerte svar. Å ha et API for ressurser som USDA FoodData Central gjør det mulig å koble AI-verktøy til ekte data i fremtiden. Dette er grunnlaget for den "datadrevne AI"-tilnærmingen: ikke passer til modeller, trekk fra den virkelige kilden.
OBS: Det samme næringsstoffet kan vise forskjellige verdier i forskjellige databaser; Fordi oppdrettstilstanden, variasjonen, tilberedningsmetoden og analysen er forskjellige. Det er ikke noe enkelt "riktig" tall; Det er en rimelig rekkevidde. Registrer hvilken ressurs du bruker i en klientplan slik at du kan være konsekvent.
"Retrieval"-logikk: kobler AI til kilden
I moderne applikasjoner er måten å koble AI til ekte data på RAG-tilnærmingen – Retrieval-Augmented Generation på engelsk. Enkelt: i stedet for å tilpasse svaret fra minnet, henter modellen først relevante data fra en pålitelig kilde (database, dokument), og genererer deretter et svar basert på disse dataene. I praksis implementerer du dette på to måter:
- Manuell fôring: Du kopierer verdiene til maten fra den pålitelige tabellen og gir den til AI; AI beregner/tolker kun med disse dataene, den legger ikke til tall fra eget minne.
- Tilkoblet kjøretøy: Du bruker et databasetilkoblet kjøretøy; AI videresender spørringen til den faktiske kilden og bruker den returnerte verdien.
I begge tilfeller er den gylne regelen den samme: tallet kommer fra kilden, AI tolker det. "Hvor mye jern er det i 100 gram linser?" spurte YZ. Å stille et åpent spørsmål er å invitere til fabrikasjon.
Generisk produkt, merkevare og måltidsblanding
Næringsstoffdatabaser har flere poster under samme navn, og å velge feil post er en stille feilkilde. For eksempel vil søk etter "yoghurt" gi deg dusinvis av forskjellige poster, for eksempel helfett, halvfett, fettfri, gresk type (anstrengt) og søtet fruktyoghurt; Kaloriene og makroene deres er veldig langt fra hverandre. Gresk yoghurt har nesten dobbelt så mye protein som vanlig yoghurt. På samme måte har "merkevare"-poster (et selskaps pakkede produkt) og "generell ernæring" forskjellige verdier. I god praksis matcher du produktet kunden faktisk bruker så godt som mulig: om mulig basert på næringsdeklarasjonen på emballasjen, ellers velger du den nærmeste beskrivelsen i databasen. Spør AI "hvilken plate skal jeg velge?" Når du konsulterer, kan det foreslå deg det riktige søkeordet; men det endelige platevalget og sammenligningen med etiketten er under din kontroll. Å bruke samme registrering for det samme næringsstoffet gjennom en plan er også viktig for konsistensen; Å bruke helmelk halve tiden og skummet melk halve tiden vil forvrenge totalsummen.
Porsjons- og matlagingskonverteringer
Ernæringsdatabaser gir vanligvis verdier per 100 gram rå. Men klienten spiser kokte linser, ikke rå linser. Vekten endres ved å absorbere vann under koking; 100 gram rå ris øker til ~250-300 gram når den kokes. Derfor har «kokt 200 gram» og «rå 100 gram» ulike næringsverdier. AI kan gjøre disse transformasjonene, men det kan forvirre retningen. Avklar alltid om verdien du bruker er rå eller kokt; dette er en hyppig kilde til regnefeil.
tre minisaker
Tilfelle 1 - Å fange en hallusinasjon. En kostholdsekspert spurte YZ: "Hvor mange gram protein er det i 100 gram kokt brokkoli?" spør han; AI sier "omtrent 8 gram". Kostholdseksperten ser på USDA: faktisk verdi er ~2,4 gram. AI blandet det med belgfrukt-/nøttedata og blåste det opp tre ganger. Kostholdseksperten bruker riktig verdi. Leksjon: grønne grønnsaker er lite proteiner; Tallet er ikke riktig bare fordi det er flytende.
Tilfelle 2 — Rå/kokt forvirring. I et utkast til plan bruker AI råverdien for "150 gram pasta" (~525 kcal), mens klienten spiser 150 gram kokt pasta (~210 kcal). Forskjellen er 315 kcal i ett måltid, som er et alvorlig avvik selv med ett måltid om dagen. Kostholdseksperten avklarer måleenheten til «kokt» og regner om.
Tilfelle 3 – Riktig bruk. En kostholdsekspert kopierer 100 gram-verdiene for kylling, ris og brokkoli fra USDA, og gir dem til AI med instruksjonen om å "bare beregne den totale makroen for et måltid med disse dataene, og legge til tall fra sitt eget minne." AI legger bare til med gitte tall; det bekrefter kostholdseksperten ved å smelle det tilbake. Data kom fra kilden, AI gjorde aritmetikken.
Kopierbare spørsmålsmaler
BEREGNINGSMAL MED KILDEDATA (RAG-logikk)Din rolle: assistent som kun jobber med næringsverdiene GITT DEG.LEGG TIL eller ENDRE næringsverdier fra ditt eget minne. Hvis data mangler, skriv "[ingen data]", fyll opp. Data (per 100 g, kilde: USDA):- Kyllingbryst (kokt): 165 kcal, 31 g protein, 3,6 g fett, 0 g karbohydrater- Ris (kokt): ...Oppgave: Beregn total kcal og makro for 120 g kylling + 150 g ris.
RÅ/KOKT KONVERTERINGSMAL Verdien av følgende mat er gitt per 100 g RÅ: [verdier]. Klienten spiser [X] g TILBEREDT. Ved koking endres vekten ~[forhold]. Beregn derfor næringsverdien av mengden spist og skriv TYDELIG hvilken antagelse du bruker.
DATABASESPØRSMÅL FORBEREDELSEMAL Jeg ønsker å finne næringsverdien til et måltid. List HVILKE term jeg skal søke i matdatabasen (USDA/TUBER) etter følgende matvarer, hvilken post jeg skal velge, rå/kokt. Ikke gi verdiene til DEG; bare fortell meg riktig søkeord og oppmerksomhetspunkt. Næringsstoffer: [...]
KONSISTENSKONTROLL MAL Tolk næringsverdiene for følgende måltid på to forskjellige måter: (1) forutsatt at all mat er rå, (2) forutsatt at all mat er tilberedt. Sammenlign de to summene og forklar hvor forskjellen kommer fra. Så jeg kan se hvilken antagelse jeg må bekrefte.
Svak forespørsel / Sterk forespørsel
Svak melding:
Hvor mange kalorier er det i en bolle med linsesuppe?
"En rett" er vag, oppskriften er vag, kilden er fraværende; AI lager et tall fra minnet og sier ikke hvordan den kom opp med det.
Kraftig ledetekst:
Din rolle: assistent som kun regner med gitte data. Linsesuppeservering = 300 g. Ingredienser (verdier per 100 g, kilde USDA, jeg gir nedenfor): røde linser (kokte) [verdier], løk [verdier], olivenolje [verdier]. Mengder per porsjon: [...]. Beregn total kcal og makro med disse dataene, ikke legg til fra minnet, vis trinn.
Den andre ledetekstkilden gir serveringsinformasjon, rå/tilberedt informasjon og "ikke legg til"-begrensningen; Utgangen er reviderbar og pålitelig.
Vanlige feil
- Å stole på AIs minne: Åpen spørsmål om ernæringsmessig verdi; Dette er en invitasjon til hallusinasjoner.
- Forvirrende rå/kokt: Den vanligste stille feilen; Avklar alltid måleenheten.
- Kildeforvirring: Blanding av ulike næringsstoffer fra ulike databaser; Bruk konsistente ressurser i en plan.
- La porsjonen være vag: Beregner uttrykk som "en tallerken", "en håndfull" uten å konvertere dem til gram.
- Fokuser på et enkelt tall i stedet for et område: Å glemme at den samme maten har et rimelig verdiområde; skaper falsk sikkerhet.
Oppsummert
Ernæringsdata er området der språkmodellen er svakest; Fordi modellen ikke husker tallene, produserer den dem. Så få alltid næringsverdiene fra en anerkjent database (USDA, TÜBER, BeBiS) og bruk AI til å beregne og tolke bare disse dataene – basert på RAG-logikk, data hentet fra kilden. Vær oppmerksom på rå/kokte omdannelser, porsjonsklarhet og kildekonsistens. Bare fordi tallet kom flytende ut er ikke riktig; Du kan bare få sannheten ved å jobbe med kilden.
Søknadsoppgave
Velg tre matvarer (for eksempel kokte egg, grovt brød, gresk yoghurt). Spør først AI-en åpen og få verdiene (fra minnet). Finn deretter de faktiske verdiene av de samme næringsstoffene fra USDA FoodData Central. Sammenlign de to settene og skriv ned i en tabell hvor mye avvik det er i hver matvare. Denne tabellen vil avsløre prinsippet om "ikke stol på minne, lenke til kilde".
sjekkliste
- [ ] Jeg fikk næringsverdiene fra en velkjent database, ikke fra AI-minnet.
- [ ] Jeg satte begrensningen på AI til å "arbeide bare med de gitte dataene, ikke legg til noe".
- [ ] Jeg har avklart for hver matvare om den er rå eller kokt.
- [ ] Jeg konverterte porsjonene til gram; Jeg la ikke "en tallerken/håndfull" igjen.
- [ ] Jeg brukte en enkelt konsistent kilde i en plan.
- [ ] Jeg bekreftet AI-summen ved å multiplisere den tilbake.