ਫੂਡ ਡੇਟਾਬੇਸ ਅਤੇ ਪੌਸ਼ਟਿਕ ਡੇਟਾ: AI ਨੂੰ ਸਹੀ ਸਰੋਤ ਨਾਲ ਜੋੜਨਾ

ਲਾਭ:

• ਨਕਲੀ ਖੁਫੀਆ ਮੈਮੋਰੀ ਦੀ ਬਜਾਏ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾਬੇਸ (USDA, TÜBER, BeBiS) ਤੋਂ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ
• ਆਰਏਜੀ ਤਰਕ ਦੇ ਨਾਲ, ਸਰੋਤ ਤੋਂ ਲਏ ਗਏ ਡੇਟਾ ਨਾਲ ਹੀ ਗਣਨਾਵਾਂ ਅਤੇ ਵਿਆਖਿਆਵਾਂ ਕਰਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਨਿਰਦੇਸ਼ਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਕੱਚੇ/ਪਕਾਏ ਹੋਏ ਪਰਿਵਰਤਨ, ਹਿੱਸੇ ਦੀ ਸਪੱਸ਼ਟਤਾ ਅਤੇ ਸਰੋਤ ਇਕਸਾਰਤਾ 'ਤੇ ਵਿਚਾਰ ਕਰਕੇ ਪੋਸ਼ਣ ਸੰਬੰਧੀ ਗਲਤੀਆਂ ਨੂੰ ਰੋਕਣ ਦੀ ਸਮਰੱਥਾ

ਇੱਕ ਡਾਇਟੀਸ਼ੀਅਨ ਦੇ ਰੋਜ਼ਾਨਾ ਕੰਮ ਦੇ ਦਿਲ ਵਿੱਚ ਇਹ ਸਵਾਲ ਹੈ "ਇਸ ਪੌਸ਼ਟਿਕ ਤੱਤ ਵਿੱਚ ਕਿੰਨਾ ਕੁ ਹੈ?" ਇੱਕ ਸਵਾਲ ਹੈ। 100 ਗ੍ਰਾਮ ਚਿਕਨ ਦੀ ਛਾਤੀ ਵਿੱਚ ਕਿੰਨੇ ਗ੍ਰਾਮ ਪ੍ਰੋਟੀਨ ਹੁੰਦੇ ਹਨ? ਪੂਰੀ ਕਣਕ ਦੀ ਰੋਟੀ ਦੇ ਟੁਕੜੇ ਵਿੱਚ ਕਿੰਨੇ ਗ੍ਰਾਮ ਫਾਈਬਰ ਹੁੰਦੇ ਹਨ? ਇੱਕ ਚਮਚ ਜੈਤੂਨ ਦੇ ਤੇਲ ਵਿੱਚ ਕਿੰਨੀਆਂ ਕੈਲੋਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ? ਇਹਨਾਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਭੋਜਨ ਰਚਨਾ ਡੇਟਾਬੇਸ ਵਿੱਚ ਰੱਖੇ ਗਏ ਹਨ - ਅਧਿਕਾਰਤ ਟੇਬਲ ਜੋ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਆਧਾਰ 'ਤੇ ਹਜ਼ਾਰਾਂ ਭੋਜਨਾਂ ਦੀ ਊਰਜਾ, ਮੈਕਰੋ ਅਤੇ ਸੂਖਮ ਪੌਸ਼ਟਿਕ ਤੱਤਾਂ ਦੀ ਸੂਚੀ ਬਣਾਉਂਦੇ ਹਨ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਗਲਤੀ ਇਹ ਸੋਚਣਾ ਹੈ ਕਿ ਇਹ ਇਹਨਾਂ ਨੰਬਰਾਂ ਨੂੰ "ਯਾਦ" ਰੱਖਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਭਾਸ਼ਾ ਮਾਡਲ ਨੰਬਰਾਂ ਨੂੰ ਯਾਦ ਨਹੀਂ ਕਰਦਾ ਹੈ; ਇਹ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਅਕਸਰ ਉਹ ਮੁੱਲ ਦਿੰਦਾ ਹੈ ਜੋ ਅਸਲੀਅਤ ਦੇ ਨੇੜੇ ਹੁੰਦੇ ਹਨ ਪਰ ਕਈ ਵਾਰ ਗੰਭੀਰਤਾ ਨਾਲ ਗਲਤ ਹੁੰਦੇ ਹਨ। ਇਸ ਯੂਨਿਟ ਦਾ ਮੁੱਖ ਸੰਦੇਸ਼ ਸਪੱਸ਼ਟ ਹੈ: ਇੱਕ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਡੇਟਾਬੇਸ ਤੋਂ ਪੋਸ਼ਣ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰੋ, ਨਾ ਕਿ AI ਦੀ ਮੈਮੋਰੀ ਤੋਂ; AI ਦੀ ਵਰਤੋਂ ਸਹੀ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਕਰੋ, ਡੇਟਾ ਨੂੰ ਯਾਦ ਰੱਖਣ ਲਈ ਨਹੀਂ।

ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾਬੇਸ ਅਤੇ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਸ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ

ਦੁਨੀਆ ਅਤੇ ਤੁਰਕੀ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮੁੱਖ ਸਰੋਤ ਹਨ:

ਡਾਟਾਬੇਸ

ਸਕੋਪ

ਮਜ਼ਬੂਤ ਬਿੰਦੂ

ਧਿਆਨ

USDA FoodData Central (USDA)

ਬਹੁਤ ਵੱਡਾ, ~ ਚੌਥਾਈ ਮਿਲੀਅਨ ਰਿਕਾਰਡ

API ਦੇ ਨਾਲ ਵਿਸਤ੍ਰਿਤ, ਮੁਫਤ

ਅਮਰੀਕਾ ਉਤਪਾਦ; ਸਥਾਨਕ ਭੋਜਨ ਸੀਮਿਤ

TÜBER / Türkiye ਪੋਸ਼ਣ ਗਾਈਡ ਪੂਰਕ

ਤੁਰਕੀ ਪਕਵਾਨ ਫੋਕਸ

ਸਥਾਨਕ ਭੋਜਨ ਅਤੇ ਹਿੱਸਾ

USDA ਨਾਲੋਂ ਦਾਇਰਾ ਛੋਟਾ ਹੈ

ਬੀਬੀਆਈਐਸ (ਪੋਸ਼ਣ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀ)

ਤੁਰਕੀ ਵਿੱਚ ਆਮ ਸਾਫਟਵੇਅਰ

ਤੁਰਕੀ ਪਕਵਾਨਾ

ਲਾਇਸੰਸਸ਼ੁਦਾ ਸਾਫਟਵੇਅਰ

USDA/EuroFIR

ਯੂਰਪੀ ਰਚਨਾ ਡਾਟਾ

ਦੇਸ਼ ਅਧਾਰਤ ਮਿਆਰ

ਪਹੁੰਚ ਸੰਸਥਾਗਤ ਹੋ ਸਕਦੀ ਹੈ

"API" ਤੋਂ ਕੀ ਭਾਵ ਹੈ ਉਹ ਇੰਟਰਫੇਸ ਹੈ ਜੋ ਇੱਕ ਸੌਫਟਵੇਅਰ ਨੂੰ ਪ੍ਰੋਗਰਾਮੇਟਿਕ (ਆਟੋਮੈਟਿਕਲੀ) ਡੇਟਾਬੇਸ ਨੂੰ ਸਵਾਲ ਪੁੱਛਣ ਅਤੇ ਢਾਂਚਾਗਤ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਯੂਐਸਡੀਏ ਫੂਡਡਾਟਾ ਸੈਂਟਰਲ ਵਰਗੇ ਸਰੋਤਾਂ ਲਈ ਇੱਕ API ਹੋਣਾ ਭਵਿੱਖ ਵਿੱਚ AI ਟੂਲਸ ਨੂੰ ਅਸਲ ਡੇਟਾ ਨਾਲ ਜੋੜਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ "ਡੇਟਾ-ਸੰਚਾਲਿਤ AI" ਪਹੁੰਚ ਦਾ ਆਧਾਰ ਹੈ: ਮਾਡਲਾਂ ਨੂੰ ਫਿੱਟ ਨਾ ਕਰੋ, ਅਸਲ ਸਰੋਤ ਤੋਂ ਖਿੱਚੋ।

ਧਿਆਨ ਦਿਓ: ਇੱਕੋ ਪੌਸ਼ਟਿਕ ਤੱਤ ਵੱਖ-ਵੱਖ ਡੇਟਾਬੇਸ ਵਿੱਚ ਵੱਖੋ-ਵੱਖਰੇ ਮੁੱਲ ਦਿਖਾ ਸਕਦੇ ਹਨ; ਕਿਉਂਕਿ ਖੇਤੀ ਦੀ ਸਥਿਤੀ, ਵਿਭਿੰਨਤਾ, ਖਾਣਾ ਪਕਾਉਣ ਦਾ ਤਰੀਕਾ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵੱਖੋ-ਵੱਖਰੇ ਹਨ। ਕੋਈ ਸਿੰਗਲ "ਸਹੀ" ਨੰਬਰ ਨਹੀਂ ਹੈ; ਇੱਕ ਵਾਜਬ ਸੀਮਾ ਹੈ. ਰਿਕਾਰਡ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕਲਾਇੰਟ ਪਲਾਨ ਵਿੱਚ ਕਿਹੜਾ ਸਰੋਤ ਵਰਤਦੇ ਹੋ ਤਾਂ ਜੋ ਤੁਸੀਂ ਇਕਸਾਰ ਹੋ ਸਕੋ।

"ਮੁੜ ਪ੍ਰਾਪਤੀ" ਤਰਕ: AI ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜਨਾ

ਆਧੁਨਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ, AI ਨੂੰ ਅਸਲ ਡੇਟਾ ਨਾਲ ਜੋੜਨ ਦਾ ਤਰੀਕਾ RAG ਪਹੁੰਚ ਹੈ — ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟੇਡ ਜਨਰੇਸ਼ਨ। ਬਸ: ਮੈਮੋਰੀ ਤੋਂ ਜਵਾਬ ਫਿੱਟ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਪਹਿਲਾਂ ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਰੋਤ (ਡੇਟਾਬੇਸ, ਦਸਤਾਵੇਜ਼) ਤੋਂ ਸੰਬੰਧਿਤ ਡੇਟਾ ਖਿੱਚਦਾ ਹੈ, ਫਿਰ ਉਸ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਜਵਾਬ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਅਭਿਆਸ ਵਿੱਚ ਤੁਸੀਂ ਇਸਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਲਾਗੂ ਕਰਦੇ ਹੋ:

1. ਮੈਨੂਅਲ ਫੀਡਿੰਗ: ਤੁਸੀਂ ਭਰੋਸੇਮੰਦ ਟੇਬਲ ਤੋਂ ਭੋਜਨ ਦੇ ਮੁੱਲਾਂ ਦੀ ਨਕਲ ਕਰਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ AI ਨੂੰ ਦਿੰਦੇ ਹੋ; AI ਸਿਰਫ ਇਸ ਡੇਟਾ ਨਾਲ ਗਣਨਾ ਕਰਦਾ ਹੈ/ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਇਹ ਆਪਣੀ ਖੁਦ ਦੀ ਮੈਮੋਰੀ ਤੋਂ ਨੰਬਰ ਨਹੀਂ ਜੋੜਦਾ ਹੈ।
2. ਕਨੈਕਟਡ ਵਾਹਨ: ਤੁਸੀਂ ਇੱਕ ਡੇਟਾਬੇਸ ਨਾਲ ਜੁੜੇ ਵਾਹਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ; AI ਪੁੱਛਗਿੱਛ ਨੂੰ ਅਸਲ ਸਰੋਤ ਵੱਲ ਭੇਜਦਾ ਹੈ ਅਤੇ ਵਾਪਸ ਕੀਤੇ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਦੋਵਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਸੁਨਹਿਰੀ ਨਿਯਮ ਇੱਕੋ ਜਿਹਾ ਹੈ: ਨੰਬਰ ਸਰੋਤ ਤੋਂ ਆਉਂਦਾ ਹੈ, AI ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। "100 ਗ੍ਰਾਮ ਦਾਲ ਵਿੱਚ ਕਿੰਨਾ ਆਇਰਨ ਹੁੰਦਾ ਹੈ?" YZ ਨੂੰ ਪੁੱਛਿਆ। ਖੁੱਲ੍ਹੇ-ਆਮ ਸਵਾਲ ਪੁੱਛਣਾ ਮਨਘੜਤ ਨੂੰ ਸੱਦਾ ਦੇਣਾ ਹੈ।

ਆਮ ਉਤਪਾਦ, ਬ੍ਰਾਂਡਡ ਉਤਪਾਦ ਅਤੇ ਭੋਜਨ ਮਿਸ਼ਰਣ

ਪੌਸ਼ਟਿਕ ਡੇਟਾਬੇਸ ਵਿੱਚ ਇੱਕੋ ਨਾਮ ਹੇਠ ਕਈ ਰਿਕਾਰਡ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਗਲਤ ਰਿਕਾਰਡ ਦੀ ਚੋਣ ਕਰਨਾ ਗਲਤੀ ਦਾ ਇੱਕ ਚੁੱਪ ਸਰੋਤ ਹੈ। ਉਦਾਹਰਨ ਲਈ, "ਦਹੀਂ" ਦੀ ਖੋਜ ਕਰਨ ਨਾਲ ਤੁਹਾਨੂੰ ਦਰਜਨਾਂ ਵੱਖ-ਵੱਖ ਰਿਕਾਰਡ ਮਿਲਣਗੇ, ਜਿਵੇਂ ਕਿ ਪੂਰੀ ਚਰਬੀ, ਅੱਧੀ-ਚਰਬੀ, ਚਰਬੀ-ਰਹਿਤ, ਯੂਨਾਨੀ-ਕਿਸਮ (ਖਿੱਚਿਆ ਹੋਇਆ), ਅਤੇ ਮਿੱਠਾ ਫਲ ਦਹੀਂ; ਉਹਨਾਂ ਦੀਆਂ ਕੈਲੋਰੀਆਂ ਅਤੇ ਮੈਕਰੋ ਇੱਕ ਦੂਜੇ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹਨ। ਯੂਨਾਨੀ ਦਹੀਂ ਵਿੱਚ ਨਿਯਮਤ ਦਹੀਂ ਨਾਲੋਂ ਲਗਭਗ ਦੁੱਗਣਾ ਪ੍ਰੋਟੀਨ ਹੁੰਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, "ਬ੍ਰਾਂਡਡ ਉਤਪਾਦ" ਰਿਕਾਰਡ (ਇੱਕ ਕੰਪਨੀ ਦਾ ਪੈਕ ਕੀਤਾ ਉਤਪਾਦ) ਅਤੇ "ਆਮ ਪੋਸ਼ਣ" ਰਿਕਾਰਡ ਵੱਖ-ਵੱਖ ਮੁੱਲ ਰੱਖਦੇ ਹਨ। ਚੰਗੇ ਅਭਿਆਸ ਵਿੱਚ, ਤੁਸੀਂ ਉਸ ਉਤਪਾਦ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹੋ ਜੋ ਗਾਹਕ ਅਸਲ ਵਿੱਚ ਖਪਤ ਕਰਦਾ ਹੈ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ: ਜੇ ਸੰਭਵ ਹੋਵੇ, ਪੈਕੇਜਿੰਗ 'ਤੇ ਪੋਸ਼ਣ ਲੇਬਲ ਦੇ ਅਧਾਰ 'ਤੇ, ਨਹੀਂ ਤਾਂ ਤੁਸੀਂ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਵਰਣਨ ਚੁਣਦੇ ਹੋ। ਏਆਈ ਨੂੰ ਪੁੱਛੋ "ਮੈਨੂੰ ਕਿਹੜਾ ਰਿਕਾਰਡ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ?" ਜਦੋਂ ਤੁਸੀਂ ਸਲਾਹ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੁਹਾਨੂੰ ਸਹੀ ਖੋਜ ਸ਼ਬਦ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ; ਪਰ ਅੰਤਿਮ ਰਿਕਾਰਡ ਦੀ ਚੋਣ ਅਤੇ ਲੇਬਲ ਦੀ ਤੁਲਨਾ ਤੁਹਾਡੇ ਨਿਯੰਤਰਣ ਵਿੱਚ ਹੈ। ਇੱਕ ਯੋਜਨਾ ਦੇ ਦੌਰਾਨ ਇੱਕੋ ਪੌਸ਼ਟਿਕ ਤੱਤ ਲਈ ਇੱਕੋ ਰਿਕਾਰਡ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਵੀ ਇਕਸਾਰਤਾ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ; ਅੱਧੇ ਸਮੇਂ ਪੂਰੀ ਚਰਬੀ ਵਾਲਾ ਦੁੱਧ ਅਤੇ ਅੱਧੇ ਸਮੇਂ ਸਕਿਮ ਦੁੱਧ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਕੁੱਲ ਖਰਾਬ ਹੋ ਜਾਵੇਗਾ।

ਭਾਗ ਅਤੇ ਖਾਣਾ ਪਕਾਉਣ ਦੇ ਪਰਿਵਰਤਨ

ਪੋਸ਼ਣ ਸੰਬੰਧੀ ਡੇਟਾਬੇਸ ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀ 100 ਗ੍ਰਾਮ ਕੱਚੇ ਮੁੱਲ ਦਿੰਦੇ ਹਨ। ਪਰ ਗਾਹਕ ਪੱਕੀ ਦਾਲ ਖਾਂਦਾ ਹੈ, ਕੱਚੀ ਦਾਲ ਨਹੀਂ। ਖਾਣਾ ਪਕਾਉਣ ਦੌਰਾਨ ਪਾਣੀ ਨੂੰ ਜਜ਼ਬ ਕਰਨ ਨਾਲ ਭਾਰ ਬਦਲਦਾ ਹੈ; 100 ਗ੍ਰਾਮ ਕੱਚੇ ਚੌਲ ਪਕਾਏ ਜਾਣ 'ਤੇ 250-300 ਗ੍ਰਾਮ ਤੱਕ ਵਧ ਜਾਂਦੇ ਹਨ। ਇਸ ਲਈ, "ਪਕਾਏ ਹੋਏ 200 ਗ੍ਰਾਮ" ਅਤੇ "ਕੱਚੇ 100 ਗ੍ਰਾਮ" ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਪੋਸ਼ਣ ਮੁੱਲ ਹਨ। AI ਇਹ ਪਰਿਵਰਤਨ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਦਿਸ਼ਾ ਨੂੰ ਉਲਝਾ ਸਕਦਾ ਹੈ। ਹਮੇਸ਼ਾ ਸਪੱਸ਼ਟ ਕਰੋ ਕਿ ਕੀ ਤੁਸੀਂ ਜੋ ਮੁੱਲ ਵਰਤਦੇ ਹੋ ਉਹ ਕੱਚਾ ਹੈ ਜਾਂ ਪਕਾਇਆ ਹੋਇਆ ਹੈ; ਇਹ ਗਣਨਾ ਦੀਆਂ ਗਲਤੀਆਂ ਦਾ ਅਕਸਰ ਸਰੋਤ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਇੱਕ ਭਰਮ ਫੜਨਾ। ਇੱਕ ਡਾਈਟੀਸ਼ੀਅਨ ਨੇ YZ ਨੂੰ ਪੁੱਛਿਆ, "ਉਬਾਲੇ ਹੋਏ ਬਰੋਕਲੀ ਦੇ 100 ਗ੍ਰਾਮ ਵਿੱਚ ਕਿੰਨੇ ਗ੍ਰਾਮ ਪ੍ਰੋਟੀਨ ਹੁੰਦੇ ਹਨ?" ਉਹ ਪੁੱਛਦਾ ਹੈ; AI ਕਹਿੰਦਾ ਹੈ "ਲਗਭਗ 8 ਗ੍ਰਾਮ"। ਡਾਈਟੀਸ਼ੀਅਨ USDA ਨੂੰ ਦੇਖਦਾ ਹੈ: ਅਸਲ ਮੁੱਲ ~ 2.4 ਗ੍ਰਾਮ ਹੈ। AI ਨੇ ਇਸ ਨੂੰ ਫਲ਼ੀਦਾਰ/ਅਖਰੋਟ ਦੇ ਅੰਕੜਿਆਂ ਨਾਲ ਮਿਲਾਇਆ ਅਤੇ ਇਸ ਨੂੰ ਤਿੰਨ ਗੁਣਾ ਵਧਾ ਦਿੱਤਾ। ਡਾਇਟੀਸ਼ੀਅਨ ਸਹੀ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਸਬਕ: ਹਰੀਆਂ ਸਬਜ਼ੀਆਂ ਵਿੱਚ ਪ੍ਰੋਟੀਨ ਘੱਟ ਹੁੰਦਾ ਹੈ; ਨੰਬਰ ਸਹੀ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਰਵਾਨੀ ਹੈ।

ਕੇਸ 2 — ਕੱਚਾ/ਪਕਾਇਆ ਹੋਇਆ ਉਲਝਣ। ਡਰਾਫਟ ਪਲਾਨ ਵਿੱਚ, AI “150 ਗ੍ਰਾਮ ਪਾਸਤਾ” (~525 kcal) ਲਈ ਕੱਚੇ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਗਾਹਕ 150 ਗ੍ਰਾਮ ਪਕਾਇਆ ਹੋਇਆ ਪਾਸਤਾ (~210 kcal) ਖਾ ਰਿਹਾ ਹੈ। ਇੱਕ ਭੋਜਨ ਵਿੱਚ ਅੰਤਰ 315 kcal ਹੈ, ਜੋ ਕਿ ਇੱਕ ਦਿਨ ਵਿੱਚ ਇੱਕ ਭੋਜਨ ਦੇ ਨਾਲ ਵੀ ਇੱਕ ਗੰਭੀਰ ਭਟਕਣਾ ਹੈ। ਆਹਾਰ-ਵਿਗਿਆਨੀ ਮਾਪ ਦੀ ਇਕਾਈ ਨੂੰ "ਪਕਾਏ" ਲਈ ਸਪਸ਼ਟ ਕਰਦਾ ਹੈ ਅਤੇ ਮੁੜ ਗਣਨਾ ਕਰਦਾ ਹੈ।

ਕੇਸ 3 - ਸਹੀ ਵਰਤੋਂ। ਇੱਕ ਡਾਈਟੀਸ਼ੀਅਨ USDA ਤੋਂ ਚਿਕਨ, ਚਾਵਲ ਅਤੇ ਬਰੋਕਲੀ ਲਈ 100-ਗ੍ਰਾਮ ਮੁੱਲਾਂ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਨੂੰ AI ਨੂੰ ਹਦਾਇਤ ਦੇ ਨਾਲ ਦਿੰਦਾ ਹੈ ਕਿ "ਇਸ ਡੇਟਾ ਦੇ ਨਾਲ ਖਾਣੇ ਲਈ ਕੁੱਲ ਮੈਕਰੋ ਦੀ ਗਣਨਾ ਕਰੋ, ਇਸਦੀ ਆਪਣੀ ਮੈਮੋਰੀ ਤੋਂ ਸੰਖਿਆ ਜੋੜੋ।" AI ਸਿਰਫ ਦਿੱਤੇ ਗਏ ਨੰਬਰਾਂ ਨਾਲ ਜੋੜਦਾ ਹੈ; ਆਹਾਰ-ਵਿਗਿਆਨੀ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ। ਡੇਟਾ ਸਰੋਤ ਤੋਂ ਆਇਆ, ਏਆਈ ਨੇ ਗਣਿਤ ਕੀਤਾ.

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਸਰੋਤ ਡੇਟਾ ਦੇ ਨਾਲ ਕੈਲਕੂਲੇਸ਼ਨ ਟੈਂਪਲੇਟ (RAG ਤਰਕ)ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਹਾਇਕ ਜੋ ਸਿਰਫ ਤੁਹਾਨੂੰ ਦਿੱਤੇ ਗਏ ਪੌਸ਼ਟਿਕ ਮੁੱਲਾਂ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਆਪਣੀ ਖੁਦ ਦੀ ਯਾਦਾਸ਼ਤ ਤੋਂ ਪੋਸ਼ਣ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜੋ ਜਾਂ ਬਦਲੋ। ਜੇਕਰ ਡੇਟਾ ਗੁੰਮ ਹੈ ਤਾਂ "[ਕੋਈ ਡੇਟਾ] ਨਹੀਂ" ਲਿਖੋ, ਬਣਾਓ। ਡਾਟਾ (ਪ੍ਰਤੀ 100 ਗ੍ਰਾਮ, ਸਰੋਤ: USDA):- ਚਿਕਨ ਬ੍ਰੈਸਟ (ਪਕਾਇਆ ਹੋਇਆ): 165 kcal, 31 g ਪ੍ਰੋਟੀਨ, 3.6 g ਚਰਬੀ, 0 g ਕਾਰਬੋਹਾਈਡਰੇਟ- ਚਾਵਲ (ਪਕਾਇਆ): ...ਟਾਸਕ: 120 g ਚਿਕਨ + 150 g ਚੌਲਾਂ ਲਈ ਕੁੱਲ kcal ਅਤੇ ਮੈਕਰੋ ਦੀ ਗਣਨਾ ਕਰੋ।

ਕੱਚਾ/ਪਕਾਇਆ ਪਰਿਵਰਤਨ ਟੈਂਪਲੇਟ ਹੇਠਾਂ ਦਿੱਤੇ ਭੋਜਨ ਦਾ ਮੁੱਲ ਪ੍ਰਤੀ 100 ਗ੍ਰਾਮ RAW ਦਿੱਤਾ ਗਿਆ ਹੈ: [ਮੁੱਲ]। ਗਾਹਕ [X] g ਪਕਾਇਆ ਖਾਂਦਾ ਹੈ। ਜਦੋਂ ਪਕਾਇਆ ਜਾਂਦਾ ਹੈ, ਭਾਰ ~[ਅਨੁਪਾਤ] ਬਦਲ ਜਾਂਦਾ ਹੈ। ਇਸ ਅਨੁਸਾਰ, ਖਾਧੀ ਗਈ ਮਾਤਰਾ ਦੇ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜੀ ਧਾਰਨਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ।

ਡੇਟਾਬੇਸ ਸਵਾਲ ਤਿਆਰੀ ਟੈਂਪਲੇਟ ਮੈਂ ਖਾਣੇ ਦੇ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਸੂਚੀਬੱਧ ਕਰੋ ਕਿ ਮੈਨੂੰ ਭੋਜਨ ਡੇਟਾਬੇਸ (USDA/TUBER) ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਭੋਜਨਾਂ ਲਈ ਕਿਹੜੇ ਸ਼ਬਦ ਦੀ ਖੋਜ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਮੈਨੂੰ ਕਿਹੜਾ ਰਿਕਾਰਡ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ, ਕੱਚਾ/ਪਕਾਇਆ। ਤੁਹਾਨੂੰ ਮੁੱਲ ਨਾ ਦਿਓ; ਬੱਸ ਮੈਨੂੰ ਸਹੀ ਖੋਜ ਸ਼ਬਦ ਅਤੇ ਧਿਆਨ ਦਾ ਬਿੰਦੂ ਦੱਸੋ। ਪੌਸ਼ਟਿਕ ਤੱਤ: [...]

ਇਕਸਾਰਤਾ ਜਾਂਚ ਟੈਮਪਲੇਟ ਹੇਠਾਂ ਦਿੱਤੇ ਭੋਜਨ ਲਈ ਪੌਸ਼ਟਿਕ ਮੁੱਲਾਂ ਦੀ ਦੋ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਵਿਆਖਿਆ ਕਰੋ: (1) ਇਹ ਮੰਨਣਾ ਕਿ ਸਾਰੇ ਭੋਜਨ ਕੱਚੇ ਹਨ, (2) ਇਹ ਮੰਨ ਕੇ ਕਿ ਸਾਰੇ ਭੋਜਨ ਪਕਾਏ ਗਏ ਹਨ। ਦੋ ਕੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਦੱਸੋ ਕਿ ਅੰਤਰ ਕਿੱਥੋਂ ਆਉਂਦਾ ਹੈ। ਇਸ ਲਈ ਮੈਂ ਦੇਖ ਸਕਦਾ ਹਾਂ ਕਿ ਮੈਨੂੰ ਕਿਸ ਧਾਰਨਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਦਾਲ ਸੂਪ ਦੇ ਇੱਕ ਕਟੋਰੇ ਵਿੱਚ ਕਿੰਨੀਆਂ ਕੈਲੋਰੀਆਂ ਹਨ?

"ਇੱਕ ਡਿਸ਼" ਅਸਪਸ਼ਟ ਹੈ, ਵਿਅੰਜਨ ਅਸਪਸ਼ਟ ਹੈ, ਸਰੋਤ ਗੈਰਹਾਜ਼ਰ ਹੈ; AI ਆਪਣੀ ਮੈਮੋਰੀ ਤੋਂ ਇੱਕ ਨੰਬਰ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਇਹ ਇਸ ਨਾਲ ਕਿਵੇਂ ਆਇਆ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਹਾਇਕ ਜੋ ਸਿਰਫ਼ ਦਿੱਤੇ ਡੇਟਾ ਨਾਲ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਦਾਲ ਸੂਪ ਸਰਵਿੰਗ = 300 ਗ੍ਰਾਮ। ਸਮੱਗਰੀ (ਮੁੱਲ ਪ੍ਰਤੀ 100 ਗ੍ਰਾਮ, ਸਰੋਤ USDA, ਮੈਂ ਹੇਠਾਂ ਦਿੰਦਾ ਹਾਂ): ਲਾਲ ਦਾਲ (ਪਕਾਏ ਹੋਏ) [ਮੁੱਲ], ਪਿਆਜ਼ [ਮੁੱਲ], ਜੈਤੂਨ ਦਾ ਤੇਲ [ਮੁੱਲ]। ਪ੍ਰਤੀ ਸੇਵਾ ਮਾਤਰਾ: [...]. ਇਸ ਡੇਟਾ ਨਾਲ ਕੁੱਲ kcal ਅਤੇ ਮੈਕਰੋ ਦੀ ਗਣਨਾ ਕਰੋ, ਮੈਮੋਰੀ ਤੋਂ ਜੋੜੋ ਨਾ, ਕਦਮ ਦਿਖਾਓ।

ਦੂਸਰਾ ਪ੍ਰੋਂਪਟ ਸਰੋਤ ਸਰਵਿੰਗ, ਕੱਚੀ/ਪਕਾਈ ਜਾਣਕਾਰੀ, ਅਤੇ "ਨਾ ਜੋੜੋ" ਪਾਬੰਦੀ ਦਿੰਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਆਡਿਟਯੋਗ ਅਤੇ ਭਰੋਸੇਮੰਦ ਹੈ.

ਆਮ ਗਲਤੀਆਂ

• AI ਦੀ ਮੈਮੋਰੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ: ਪੋਸ਼ਣ ਮੁੱਲ ਦੀ ਖੁੱਲੀ-ਅੰਤ ਸਵਾਲ; ਇਹ ਭੁਲੇਖੇ ਨੂੰ ਸੱਦਾ ਹੈ।
• ਉਲਝਣ ਵਾਲਾ ਕੱਚਾ/ਪਕਾਇਆ: ਸਭ ਤੋਂ ਆਮ ਚੁੱਪ ਗਲਤੀ; ਮਾਪ ਦੀ ਇਕਾਈ ਨੂੰ ਹਮੇਸ਼ਾ ਸਪਸ਼ਟ ਕਰੋ।
• ਸਰੋਤ ਉਲਝਣ: ਵੱਖ-ਵੱਖ ਡੇਟਾਬੇਸ ਤੋਂ ਵੱਖ-ਵੱਖ ਪੌਸ਼ਟਿਕ ਤੱਤਾਂ ਨੂੰ ਮਿਲਾਉਣਾ; ਇੱਕ ਯੋਜਨਾ ਵਿੱਚ ਇਕਸਾਰ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
• ਭਾਗ ਨੂੰ ਅਸਪਸ਼ਟ ਛੱਡਣਾ: ਸਮੀਕਰਨਾਂ ਦੀ ਗਣਨਾ ਕਰਨਾ ਜਿਵੇਂ ਕਿ "ਇੱਕ ਪਲੇਟ", "ਇੱਕ ਮੁੱਠੀ ਭਰ" ਉਹਨਾਂ ਨੂੰ ਗ੍ਰਾਮ ਵਿੱਚ ਬਦਲੇ ਬਿਨਾਂ।
• ਇੱਕ ਰੇਂਜ ਦੀ ਬਜਾਏ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨਾ: ਇਹ ਭੁੱਲ ਜਾਣਾ ਕਿ ਇੱਕੋ ਭੋਜਨ ਵਿੱਚ ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਵਾਜਬ ਸੀਮਾ ਹੈ; ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ ਬਣਾਉਣਾ.

ਸਾਰੰਸ਼ ਵਿੱਚ

ਪੋਸ਼ਣ ਸੰਬੰਧੀ ਡੇਟਾ ਉਹ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ਭਾਸ਼ਾ ਮਾਡਲ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਹੈ; ਕਿਉਂਕਿ ਮਾਡਲ ਨੰਬਰਾਂ ਨੂੰ ਯਾਦ ਨਹੀਂ ਰੱਖਦਾ, ਇਹ ਉਹਨਾਂ ਨੂੰ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ ਹਮੇਸ਼ਾਂ ਇੱਕ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਡੇਟਾਬੇਸ (USDA, TÜBER, BeBiS) ਤੋਂ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰੋ ਅਤੇ ਸਿਰਫ ਉਸ ਡੇਟਾ ਦੀ ਗਣਨਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ — RAG ਤਰਕ ਦੇ ਅਧਾਰ ਤੇ, ਸਰੋਤ ਤੋਂ ਲਿਆ ਗਿਆ ਡੇਟਾ। ਕੱਚੇ/ਪਕਾਏ ਹੋਏ ਪਰਿਵਰਤਨ, ਹਿੱਸੇ ਦੀ ਸਪਸ਼ਟਤਾ, ਅਤੇ ਸਰੋਤ ਇਕਸਾਰਤਾ ਵੱਲ ਧਿਆਨ ਦਿਓ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਨੰਬਰ ਸਹੀ ਨਹੀਂ ਹੈ; ਤੁਸੀਂ ਸਰੋਤ ਨਾਲ ਕੰਮ ਕਰਕੇ ਹੀ ਸੱਚ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਤਿੰਨ ਭੋਜਨ ਚੁਣੋ (ਉਦਾਹਰਨ ਲਈ, ਉਬਲੇ ਹੋਏ ਅੰਡੇ, ਪੂਰੀ ਕਣਕ ਦੀ ਰੋਟੀ, ਯੂਨਾਨੀ ਦਹੀਂ)। ਪਹਿਲਾਂ, ਏਆਈ ਓਪਨ-ਐਂਡ ਨੂੰ ਪੁੱਛੋ ਅਤੇ ਇਸਦੇ ਮੁੱਲ (ਇਸਦੀ ਯਾਦਦਾਸ਼ਤ ਤੋਂ) ਪ੍ਰਾਪਤ ਕਰੋ. ਫਿਰ USDA FoodData Central ਤੋਂ ਉਹਨਾਂ ਸਮਾਨ ਪੌਸ਼ਟਿਕ ਤੱਤਾਂ ਦੇ ਅਸਲ ਮੁੱਲ ਲੱਭੋ। ਦੋ ਸੈੱਟਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਲਿਖੋ ਕਿ ਹਰੇਕ ਭੋਜਨ ਵਿੱਚ ਕਿੰਨੀ ਭਟਕਣਾ ਹੈ। ਇਹ ਸਾਰਣੀ "ਮੈਮੋਰੀ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ, ਸਰੋਤ ਨਾਲ ਲਿੰਕ ਕਰੋ" ਦੇ ਸਿਧਾਂਤ ਨੂੰ ਪ੍ਰਗਟ ਕਰੇਗੀ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਨੂੰ AI ਮੈਮੋਰੀ ਤੋਂ ਨਹੀਂ, ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾਬੇਸ ਤੋਂ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਮਿਲੇ ਹਨ।
• [ ] ਮੈਂ AI 'ਤੇ ਪਾਬੰਦੀ ਲਗਾ ਦਿੱਤੀ ਹੈ ਕਿ "ਸਿਰਫ ਦਿੱਤੇ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰੋ, ਕੁਝ ਵੀ ਨਾ ਜੋੜੋ"।
• ਮੈਂ ਹਰੇਕ ਭੋਜਨ ਲਈ ਸਪਸ਼ਟ ਕੀਤਾ ਹੈ ਕਿ ਇਹ ਕੱਚਾ ਹੈ ਜਾਂ ਪਕਾਇਆ ਹੋਇਆ ਹੈ।
• [ ] ਮੈਂ ਭਾਗਾਂ ਨੂੰ ਗ੍ਰਾਮ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ; ਮੈਂ "ਥਾਲੀ/ਮੁੱਠੀ ਭਰ" ਪਿੱਛੇ ਨਹੀਂ ਛੱਡੀ।
• [ ] ਮੈਂ ਇੱਕ ਯੋਜਨਾ ਦੇ ਅੰਦਰ ਇੱਕ ਇਕਸਾਰ ਸਰੋਤ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ AI ਦੇ ਜੋੜ ਨੂੰ ਵਾਪਸ ਗੁਣਾ ਕਰਕੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਹੈ।