Ganhos:
- Capacidade de compreender a necessidade de obter valores nutricionais de bancos de dados bem conhecidos (USDA, TÜBER, BeBiS) e não de memória de inteligência artificial
- Capacidade de direcionar a inteligência artificial para fazer cálculos e interpretações apenas com os dados extraídos da fonte, com lógica RAG
- Capacidade de prevenir erros nutricionais considerando conversões cruas/cozidas, clareza das porções e consistência da fonte
No centro do trabalho diário de um nutricionista está a pergunta "quanto há neste nutriente?" Há uma pergunta. Quantos gramas de proteína existem em 100 gramas de peito de frango? Quantos gramas de fibra tem uma fatia de pão integral? Quantas calorias tem uma colher de sopa de azeite? As respostas a essas perguntas estão contidas em bancos de dados de composição de alimentos – tabelas oficiais que listam o conteúdo energético, de macro e micronutrientes de milhares de alimentos com base em análises laboratoriais. O erro mais perigoso da inteligência artificial neste campo é pensar que ela “se lembra” desses números. Contudo, o modelo de linguagem não memoriza números; É gerado probabilisticamente e muitas vezes fornece valores próximos da realidade, mas às vezes seriamente errados. A mensagem principal desta unidade é clara: obtenha o valor nutricional de uma base de dados reconhecida, não da memória da IA; Use IA para trabalhar com dados precisos, não para lembrar de dados.
Bancos de dados conhecidos e para que são usados
As principais fontes amplamente utilizadas no mundo e em Türkiye são:
banco de dados
Escopo
ponto forte
Atenção
Central FoodData do USDA (EUA)
Muito grande, aproximadamente um quarto de milhão de registros
Detalhado, gratuito, com API
Produtos dos EUA; comida local limitada
Suplementos do Guia Nutricional TÜBER / Türkiye
Culinária turca focada
Comida local e porção
Escopo mais restrito que o USDA
BeBiS (Sistema de Informação Nutricional)
Software comum em Türkiye
Receitas turcas
Software licenciado
USDA/EuroFIR
Dados de composição europeia
Padrão baseado no país
O acesso pode ser institucional
O que se entende por "API" é a interface que permite a um software fazer perguntas de forma programática (automática) ao banco de dados e receber respostas estruturadas. Ter uma API para recursos como o USDA FoodData Central torna possível conectar ferramentas de IA a dados reais no futuro. Esta é a base da abordagem de “IA orientada por dados”: não se ajuste a modelos, retire-se da fonte real.
Atenção: Um mesmo nutriente pode apresentar valores diferentes em bases de dados diferentes; Porque as condições de cultivo, a variedade, o método de cozimento e a análise são diferentes. Não existe um único número “correto”; Existe um intervalo razoável. Registre qual recurso você usa em um plano de cliente para poder ser consistente.
Lógica de “recuperação”: conectando a IA à fonte
Em aplicações modernas, a maneira de conectar IA a dados reais é a abordagem RAG — Retrieval-Augmented Generation em inglês. Simplesmente: em vez de ajustar a resposta da memória, o modelo primeiro extrai dados relevantes de uma fonte confiável (banco de dados, documento) e, em seguida, gera uma resposta com base nesses dados. Na prática você implementa isso de duas maneiras:
- Alimentação manual: você copia os valores dos alimentos da tabela confiável e entrega para a IA; A IA apenas calcula/interpreta com esses dados, não soma números de sua própria memória.
- Veículo conectado: você usa um veículo conectado ao banco de dados; A IA encaminha a consulta para a fonte real e usa o valor retornado.
Em ambos os casos, a regra de ouro é a mesma: o número vem da fonte, a IA interpreta. “Quanto ferro tem 100 gramas de lentilhas?” perguntou YZ. Fazer uma pergunta aberta é convidar à fabricação.
Produto genérico, produto de marca e mix de refeições
Os bancos de dados de nutrientes possuem vários registros com o mesmo nome, e selecionar o registro errado é uma fonte silenciosa de erro. Por exemplo, pesquisar “iogurte” fornecerá dezenas de registros diferentes, como iogurte integral, meio gordo, sem gordura, tipo grego (coado) e iogurte de frutas adoçado; Suas calorias e macros estão muito distantes umas das outras. O iogurte grego tem quase o dobro da proteína do iogurte normal. Da mesma forma, os registros de “produto de marca” (produto embalado de uma empresa) e os registros de “nutrição geral” carregam valores diferentes. Na boa prática, você combina o máximo possível com o produto que o cliente realmente consome: se possível, com base no rótulo nutricional da embalagem, caso contrário, você escolhe a descrição mais próxima no banco de dados. Pergunte à IA “qual registro devo escolher?” Quando você consulta, ele pode sugerir o termo de pesquisa correto; mas a seleção final do disco e a comparação com a gravadora estão sob seu controle. Usar o mesmo registro para o mesmo nutriente ao longo de um plano também é importante para garantir a consistência; Usar leite integral na metade das vezes e leite desnatado na metade das vezes distorcerá os totais.
Conversões de porções e cozimento
Os bancos de dados nutricionais geralmente fornecem valores por 100 gramas crus. Mas o cliente come lentilhas cozidas, não lentilhas cruas. O peso muda absorvendo água durante o cozimento; 100 gramas de arroz cru aumentam para cerca de 250-300 gramas quando cozido. Portanto, “200 gramas cozido” e “100 gramas cru” possuem valores nutricionais diferentes. A IA pode fazer essas transformações, mas pode confundir a direção. Esclareça sempre se o valor que você utiliza é cru ou cozido; esta é uma fonte frequente de erros de cálculo.
três mini cases
Caso 1 — Pegando uma alucinação. Um nutricionista perguntou a YZ: “Quantos gramas de proteína existem em 100 gramas de brócolis cozido?” ele pergunta; AI diz "cerca de 8 gramas". O nutricionista analisa o USDA: o valor real é de aproximadamente 2,4 gramas. A IA misturou-os com dados de leguminosas/nozes e inflou-os três vezes. O nutricionista usa o valor correto. Lição: os vegetais verdes têm baixo teor de proteínas; O número não está correto só porque é fluente.
Caso 2 — Confusão cru/cozido. Em um plano preliminar, a IA usa o valor bruto de “150 gramas de macarrão” (~525 kcal), enquanto o cliente come 150 gramas de macarrão cozido (~210 kcal). A diferença é de 315 kcal em uma refeição, o que é um desvio grave mesmo com uma refeição por dia. A nutricionista esclarece a unidade de medida para “cozido” e recalcula.
Caso 3 — Uso correto. Um nutricionista copia os valores de 100 gramas para frango, arroz e brócolis do USDA, entregando-os à IA com a instrução de “apenas calcular a macro total para uma refeição com esses dados, somando números de sua própria memória”. A IA apenas soma com determinados números; o nutricionista confirma batendo de volta. Os dados vieram da fonte, a IA fez a aritmética.
Modelos de prompt copiáveis
MODELO DE CÁLCULO COM DADOS DE FONTE (lógica RAG)Sua função: assistente que trabalha apenas com os valores nutricionais FORNECIDOS A VOCÊ.ADICIONE ou ALTERE valores nutricionais de sua própria memória. Se faltarem dados, escreva "[sem dados]", compense. Dados (por 100 g, fonte: USDA): - Peito de frango (cozido): 165 kcal, 31 g de proteína, 3,6 g de gordura, 0 g de carboidratos - Arroz (cozido): ...Tarefa: Calcular o total de kcal e macro para 120 g de frango + 150 g de arroz.
MODELO DE CONVERSÃO CRU/COZIDOO valor dos seguintes alimentos é fornecido por 100 g CRU: [valores]. O cliente come [X] g COZIDO. Quando cozido, o peso ~[ratio]muda. Dessa forma, calcule o valor nutricional da quantidade ingerida e escreva CLARAMENTE qual suposição você utiliza.
MODELO DE PREPARAÇÃO DE CONSULTA DE BANCO DE DADOSQuero encontrar o valor nutricional de uma refeição. Liste QUAL termo devo pesquisar no banco de dados de alimentos (USDA/TUBER) para os seguintes alimentos, cujo registro devo escolher, cru/cozido. Não dê os valores para VOCÊ; basta me dizer o termo de pesquisa correto e o ponto de atenção.Nutrientes: [...]
MODELO DE VERIFICAÇÃO DE CONSISTÊNCIAInterprete os valores nutricionais da refeição seguinte de duas maneiras diferentes: (1) assumindo que todos os alimentos estão crus, (2) assumindo que todos os alimentos estão cozinhados. Compare os dois totais e explique de onde vem a diferença. Assim, posso ver qual suposição preciso verificar.
Alerta fraco / Alerta forte
Alerta fraco:
Quantas calorias tem uma tigela de sopa de lentilha?
“Um prato” é vago, a receita é vaga, a fonte está ausente; A IA inventa um número de memória e não diz como o surgiu.
Alerta poderoso:
Sua função: assistente que só calcula com os dados fornecidos. Porção de sopa de lentilha = 300 g. Ingredientes (valores por 100 g, fonte USDA, dou abaixo): lentilhas vermelhas (cozidas) [valores], cebola [valores], azeite [valores]. Quantidades por porção: [...]. Calcule o total de kcal e macro com esses dados, não adicione da memória, mostre as etapas.
A segunda fonte de prompt fornece as informações de serviço, cru/cozido e a restrição "não adicionar"; A saída é auditável e confiável.
Erros comuns
- Confiando na memória da IA: Questionamento aberto do valor nutricional; Este é um convite à alucinação.
- Confundir cru/cozido: O erro silencioso mais comum; Sempre esclareça a unidade de medida.
- Confusão de fontes: Mistura de diferentes nutrientes de diferentes bases de dados; Use recursos consistentes em um plano.
- Deixando a porção vaga: Calcular expressões como “um prato”, “um punhado” sem convertê-las em gramas.
- Focar em um único número em vez de em uma faixa: Esquecer que um mesmo alimento possui uma faixa de valores razoável; criando falsas certezas.
Resumindo
Os dados nutricionais são a área onde o modelo de linguagem é mais fraco; Como o modelo não se lembra dos números, ele os produz. Portanto, sempre obtenha os valores nutricionais de um banco de dados reconhecido (USDA, TÜBER, BeBiS) e use a IA para calcular e interpretar apenas esses dados — com base na lógica RAG, dados extraídos da fonte. Preste atenção às conversões de cru/cozido, clareza das porções e consistência da fonte. Só porque o número saiu fluente não está correto; Você só pode obter a verdade trabalhando com a fonte.
Tarefa de aplicativo
Escolha três alimentos (por exemplo, ovos cozidos, pão integral, iogurte grego). Primeiro, pergunte à IA em aberto e obtenha seus valores (de sua memória). Em seguida, encontre os valores reais desses mesmos nutrientes no USDA FoodData Central. Compare os dois conjuntos e anote em uma tabela quanto desvio existe em cada alimento. Esta tabela revelará o princípio “não confie na memória, link para a fonte”.
lista de verificação
- [] Obtive os valores nutricionais de um banco de dados bem conhecido, não da memória da IA.
- [] Coloquei a restrição na IA para “trabalhar apenas com os dados fornecidos, não acrescentar nada”.
- [ ] Esclareci para cada alimento se é cru ou cozido.
- [ ] converti as porções em gramas; Não deixei "um prato/punhado" para trás.
- [] Usei uma única fonte consistente dentro de um plano.
- [] Verifiquei a soma da IA multiplicando-a de volta.