Zyski:
- Umiejętność zrozumienia konieczności pozyskiwania wartości odżywczych ze znanych baz danych (USDA, TÜBER, BeBiS), a nie z pamięci sztucznej inteligencji
- Możliwość nakierowania sztucznej inteligencji na dokonywanie obliczeń i interpretacji wyłącznie na podstawie danych zaczerpniętych ze źródła, z logiką RAG
- Możliwość zapobiegania błędom żywieniowym poprzez uwzględnienie konwersji surowego/gotowanego, przejrzystości porcji i konsystencji źródła
W centrum codziennej pracy dietetyka leży pytanie „ile jest tego składnika odżywczego?” Jest pytanie. Ile gramów białka jest w 100 gramach piersi z kurczaka? Ile gramów błonnika znajduje się w kromce chleba pełnoziarnistego? Ile kalorii jest w łyżce oliwy z oliwek? Odpowiedzi na te pytania znajdują się w bazach danych dotyczących składu żywności – oficjalnych tabelach przedstawiających zawartość energii, makro i mikroelementów w tysiącach produktów spożywczych na podstawie analiz laboratoryjnych. Najniebezpieczniejszym błędem sztucznej inteligencji w tej dziedzinie jest myślenie, że „pamięta” te liczby. Jednak model językowy nie zapamiętuje liczb; Generuje probabilistycznie i często podaje wartości bliskie rzeczywistości, ale czasami poważnie błędne. Główne przesłanie tej jednostki jest jasne: pobierz wartość odżywczą z uznanej bazy danych, a nie z pamięci AI; Używaj sztucznej inteligencji do pracy z dokładnymi danymi, a nie do zapamiętywania danych.
Dobrze znane bazy danych i do czego służą
Głównymi źródłami szeroko stosowanymi na świecie i w Turcji są:
baza danych
Zakres
mocny punkt
Uwaga
Centrala USDA FoodData (USA)
Bardzo duże, ~ćwierć miliona rekordów
Szczegółowy, bezpłatny, z API
produkty amerykańskie; lokalna żywność ograniczona
Suplementy z Przewodnika Żywieniowego TÜBER / Türkiye
Koncentruje się na kuchni tureckiej
Lokalne jedzenie i porcja
Zakres węższy niż USDA
BeBiS (System Informacji o Żywieniu)
Wspólne oprogramowanie w języku tureckim
Tureckie przepisy
Licencjonowane oprogramowanie
USDA/EuroFIR
Europejskie dane dotyczące składu
Standard krajowy
Dostęp może mieć charakter instytucjonalny
Przez „API” rozumie się interfejs, który umożliwia oprogramowaniu programowe (automatyczne) zadawanie pytań do bazy danych i otrzymywanie ustrukturyzowanych odpowiedzi. Posiadanie interfejsu API dla zasobów takich jak USDA FoodData Central umożliwi w przyszłości połączenie narzędzi AI z rzeczywistymi danymi. To jest podstawa podejścia „AI opartego na danych”: nie dopasowuj modeli, czerp z prawdziwego źródła.
Uwaga: Ten sam składnik odżywczy może wykazywać różne wartości w różnych bazach danych; Ponieważ warunki hodowli, odmiana, metoda gotowania i analiza są różne. Nie ma jednej „poprawnej” liczby; Istnieje rozsądny zakres. Zapisz, jakich zasobów używasz w planie klienta, aby zachować spójność.
Logika „odzyskiwania”: łączenie AI ze źródłem
We współczesnych aplikacjach sposobem na połączenie sztucznej inteligencji z rzeczywistymi danymi jest podejście RAG – Retrieval-Augmented Generation w języku angielskim. Po prostu: zamiast dopasowywać odpowiedź z pamięci, model najpierw pobiera odpowiednie dane z wiarygodnego źródła (bazy danych, dokumentu), a następnie na ich podstawie generuje odpowiedź. W praktyce można to wdrożyć na dwa sposoby:
- Karmienie ręczne: kopiujesz wartości jedzenia z zaufanego stołu i przekazujesz je AI; AI jedynie oblicza/interpretuje te dane, nie dodaje liczb z własnej pamięci.
- Połączony pojazd: korzystasz z pojazdu połączonego z bazą danych; AI przekazuje zapytanie do rzeczywistego źródła i wykorzystuje zwróconą wartość.
W obu przypadkach złota zasada jest taka sama: liczba pochodzi ze źródła, AI ją interpretuje. „Ile żelaza znajduje się w 100 gramach soczewicy?” zapytał YZ. Zadawanie pytań otwartych jest zaproszeniem do fabrykacji.
Produkt generyczny, produkt markowy i mieszanka posiłków
Bazy danych składników odżywczych zawierają wiele rekordów pod tą samą nazwą, a wybranie niewłaściwego rekordu jest cichym źródłem błędu. Na przykład wyszukanie hasła „jogurt” wyświetli dziesiątki różnych rekordów, takich jak jogurt pełnotłusty, półtłusty, beztłuszczowy, typu greckiego (napięty) i jogurt owocowy słodzony; Ich kalorie i makroskładniki są od siebie bardzo odległe. Jogurt grecki ma prawie dwukrotnie więcej białka niż zwykły jogurt. Podobnie zapisy „produkt markowy” (produkt firmy w opakowaniu) i zapisy „żywienie ogólne” noszą różne wartości. W dobrej praktyce dopasowujesz produkt możliwie najbliżej konsumenta: jeśli to możliwe, w oparciu o informację o wartości odżywczej na opakowaniu, w innym przypadku wybierasz najbliższy opis w bazie. Zapytaj sztuczną inteligencję „jaką płytę wybrać?” Podczas konsultacji może zasugerować właściwe wyszukiwane hasło; ale ostateczny wybór płyty i porównanie z wytwórnią jest pod twoją kontrolą. Stosowanie tego samego zapisu dla tego samego składnika odżywczego w całym planie jest również ważne dla spójności; Używanie mleka pełnotłustego przez połowę czasu i mleka odtłuszczonego przez połowę czasu spowoduje zniekształcenie wyników.
Konwersje porcji i gotowania
Bazy wartości odżywczych zazwyczaj podają wartości w przeliczeniu na 100 gramów surowca. Ale klient je gotowaną soczewicę, a nie surową. Waga zmienia się poprzez wchłanianie wody podczas gotowania; 100 gramów surowego ryżu po ugotowaniu rośnie do ~250-300 gramów. Dlatego „ugotowane 200 gramów” i „surowe 100 gramów” mają różne wartości odżywcze. Sztuczna inteligencja może dokonać tych transformacji, ale może zmylić kierunek. Zawsze wyjaśniaj, czy wartość, której używasz, jest surowa czy gotowana; jest to częste źródło błędów obliczeniowych.
trzy mini etui
Przypadek 1 — Złapanie halucynacji. Dietetyk zapytał YZ: „Ile gramów białka znajduje się w 100 gramach gotowanych brokułów?” pyta; AI mówi „około 8 gramów”. Dietetyk sprawdza USDA: rzeczywista wartość wynosi ~2,4 grama. AI zmieszała je z danymi dotyczącymi roślin strączkowych/orzechów i zawyżyła je trzykrotnie. Dietetyk stosuje prawidłową wartość. Lekcja: zielone warzywa mają niską zawartość białka; Liczba nie jest poprawna tylko dlatego, że jest płynna.
Przypadek 2 – Zamieszanie surowe/gotowane. W projekcie planu sztuczna inteligencja przyjmuje wartość surową na „150 gramów makaronu” (~525 kcal), podczas gdy klient zjada 150 gramów ugotowanego makaronu (~210 kcal). Różnica wynosi 315 kcal w jednym posiłku, co jest poważnym odchyleniem nawet przy jednym posiłku dziennie. Dietetyk wyjaśnia jednostkę miary na „gotowaną” i przelicza.
Przypadek 3 – Prawidłowe użycie. Dietetyk kopiuje z USDA wartości 100 gramów kurczaka, ryżu i brokułów, przekazując je sztucznej inteligencji z instrukcją, aby „po prostu obliczyła całkowite makro posiłku na podstawie tych danych, dodając liczby z własnej pamięci”. AI dodaje tylko podane liczby; dietetyk potwierdza, zatrzaskując to. Dane pochodziły ze źródła, sztuczna inteligencja wykonała arytmetykę.
Kopiowalne szablony podpowiedzi
SZABLON OBLICZEŃ Z DANYMI ŹRÓDŁOWYMI (logika RAG) Twoja rola: asystent, który pracuje wyłącznie z PODANYMI Tobie wartościami odżywczymi. DODAWAJ lub ZMIENIAJ wartości odżywcze z własnej pamięci. W przypadku braku danych wpisz „[brak danych]”, uzupełnij. Dane (na 100 g, źródło: USDA): - Pierś z kurczaka (gotowana): 165 kcal, 31 g białka, 3,6 g tłuszczu, 0 g węglowodanów - Ryż (gotowany): ...Zadanie: Oblicz całkowitą ilość kcal i makro dla 120 g kurczaka + 150 g ryżu.
SZABLON PRZELICZENIA SUROWEGO/GOTOWANEGO Wartość następującego produktu spożywczego podana jest na 100 g SUROWEGO: [wartości]. Klient zjada [X] g Ugotowane. Po ugotowaniu zmienia się waga. W związku z tym oblicz wartość odżywczą zjedzonej ilości i napisz JASNO, z jakiego założenia się korzystasz.
SZABLON PRZYGOTOWANIA ZAPYTANIA DO BAZY DANYCHChcę sprawdzić wartość odżywczą posiłku. Wypisz JAKI termin powinienem szukać w bazie danych żywności (USDA/TUBER) dla następujących produktów spożywczych i jaki zapis powinienem wybrać, surowe/gotowane. Nie podawaj wartości Tobie; po prostu powiedz mi właściwe wyszukiwane hasło i punkt, na który należy zwrócić uwagę. Składniki odżywcze: [...]
SZABLON KONTROLI SPÓJNOŚCI Zinterpretuj wartości odżywcze następującego posiłku na dwa różne sposoby: (1) zakładając, że wszystkie produkty spożywcze są surowe, (2) zakładając, że wszystkie produkty spożywcze są ugotowane. Porównaj obie sumy i wyjaśnij, skąd bierze się różnica. Widzę więc, które założenie muszę zweryfikować.
Słaba zachęta/silna zachęta
Słaba zachęta:
Ile kalorii jest w misce zupy z soczewicy?
„Danie” jest niejasne, przepis jest niejasny, brakuje źródła; Sztuczna inteligencja tworzy liczbę ze swojej pamięci i nie mówi, jak ją wymyśliła.
Potężny monit:
Twoja rola: asystent, który wykonuje obliczenia wyłącznie na podstawie podanych danych. Zupa z soczewicy porcja = 300 g. Składniki (wartości na 100 g, źródło USDA, podaję poniżej): soczewica czerwona (gotowana) [wartości], cebula [wartości], oliwa z oliwek [wartości]. Ilości na porcję: [...]. Na podstawie tych danych oblicz sumę kcal i makro, nie dodawaj z pamięci, pokaż kroki.
Drugie źródło podpowiedzi podaje informacje o porcji, surowym/ugotowanym i ograniczeniu „nie dodawaj”; Dane wyjściowe podlegają kontroli i są wiarygodne.
Typowe błędy
- Zaufanie pamięci AI: otwarte kwestionowanie wartości odżywczej; To zaproszenie do halucynacji.
- Mylenie surowego/gotowanego: najczęstszy cichy błąd; Zawsze wyjaśniaj jednostkę miary.
- Zamieszanie źródłowe: Mieszanie różnych składników odżywczych z różnych baz danych; Korzystaj ze spójnych zasobów w planie.
- Pozostawienie części niejasnej: Obliczanie wyrażeń takich jak „talerz”, „garść” bez przeliczania ich na gramy.
- Koncentrowanie się na pojedynczej liczbie zamiast na zakresie: Zapominanie, że to samo jedzenie ma rozsądny zakres wartości; tworząc fałszywą pewność.
Podsumowując
Dane o wartościach odżywczych to obszar, w którym model języka jest najsłabszy; Ponieważ model nie pamięta liczb, generuje je. Dlatego zawsze pozyskuj wartości odżywcze z uznanej bazy danych (USDA, TÜBER, BeBiS) i używaj sztucznej inteligencji do obliczania i interpretowania tylko tych danych – w oparciu o logikę RAG, dane pobrane ze źródła. Zwróć uwagę na konwersję surowego/gotowanego, klarowność porcji i spójność źródła. Tylko dlatego, że numer wyszedł płynnie, nie jest poprawne; Prawdę możesz poznać tylko pracując ze źródłem.
Zadanie aplikacji
Wybierz trzy produkty spożywcze (na przykład jajka na twardo, chleb pełnoziarnisty, jogurt grecki). Najpierw zapytaj sztuczną inteligencję w sposób otwarty i uzyskaj jej wartości (z jej pamięci). Następnie znajdź rzeczywiste wartości tych samych składników odżywczych w USDA FoodData Central. Porównaj oba zestawy i zapisz w tabeli, jak duże jest odchylenie w każdym produkcie spożywczym. Ta tabela ujawni zasadę „nie ufaj pamięci, podaj link do źródła”.
lista kontrolna
- [ ] Wartości odżywcze mam ze znanej bazy danych, a nie z pamięci AI.
- [ ] Nałożyłem ograniczenie na AI, aby „pracować tylko z podanymi danymi, nic nie dodawać”.
- [ ] Wyjaśniłem dla każdego produktu spożywczego, czy jest on surowy, czy gotowany.
- [ ] Przeliczyłem porcje na gramy; Nie zostawiłem po sobie „talerza/garści”.
- [ ] W ramach planu korzystałem z jednego, spójnego źródła.
- [ ] Sprawdziłem sumę AI, mnożąc ją ponownie.