Прибыль:
- Способность понимать необходимость получения пищевой ценности из известных баз данных (USDA, TÜBER, BeBiS), а не из памяти искусственного интеллекта.
- Возможность заставить искусственный интеллект производить расчеты и интерпретации только на основе данных, полученных из источника, с логикой RAG.
- Способность предотвращать ошибки в питании, учитывая конверсию сырого/вареного продукта, прозрачность порций и консистенцию источника.
В основе повседневной работы диетолога лежит вопрос «сколько в нем содержится этого питательного вещества?» Есть вопрос. Сколько граммов белка в 100 граммах куриной грудки? Сколько граммов клетчатки содержится в ломтике цельнозернового хлеба? Сколько калорий в столовой ложке оливкового масла? Ответы на эти вопросы содержатся в базах данных о составе пищевых продуктов — официальных таблицах, в которых на основе лабораторного анализа перечислено содержание энергии, макро- и микроэлементов в тысячах продуктов питания. Самая опасная ошибка искусственного интеллекта в этой области — думать, что он «помнит» эти цифры. Однако языковая модель не запоминает числа; Он генерирует вероятностно и часто дает значения, близкие к реальности, но иногда серьезно ошибочные. Основная идея этого модуля ясна: получайте пищевую ценность из признанной базы данных, а не из памяти ИИ; Используйте ИИ для работы с точными данными, а не для их запоминания.
Известные базы данных и для чего они используются
Основными источниками, широко используемыми в мире и в Турции, являются:
база данных
Область применения
сильная сторона
Внимание
USDA FoodData Central (США)
Очень большой, ~ четверть миллиона записей.
Подробно, бесплатно, с API
продукция США; местная еда ограничена
TÜBER / Türkiye Nutrition Guide добавки
Турецкая кухня сосредоточена
Местная еда и порция
Область применения уже, чем у Министерства сельского хозяйства США
БеБиС (Информационная система питания)
Распространенное программное обеспечение в Турции
Турецкие рецепты
Лицензионное программное обеспечение
Министерство сельского хозяйства США/ЕвроFIR
Данные о составе Европы
Стандарт страны
Доступ может быть институциональным
Под «API» подразумевается интерфейс, который позволяет программному обеспечению программно (автоматически) задавать вопросы базе данных и получать структурированные ответы. Наличие API для таких ресурсов, как USDA FoodData Central, позволит в будущем подключить инструменты искусственного интеллекта к реальным данным. В этом и заключается основа подхода «ИИ, управляемого данными»: не подгоняйте модели, черпайте из реального источника.
Внимание: одно и то же питательное вещество может иметь разные значения в разных базах данных; Потому что условия выращивания, сорт, метод приготовления и анализ различны. Не существует единого «правильного» числа; Есть разумный диапазон. Запишите, какой ресурс вы используете в плане клиента, чтобы обеспечить последовательность.
Логика «извлечения»: подключение ИИ к источнику
В современных приложениях способом подключения ИИ к реальным данным является подход RAG — Retrival-Augmented Generation на английском языке. Все просто: вместо того, чтобы подбирать ответ по памяти, модель сначала извлекает соответствующие данные из надежного источника (базы данных, документа), а затем генерирует ответ на основе этих данных. На практике это реализуется двумя способами:
- Ручное кормление: вы копируете значения еды из доверенной таблицы и передаете их ИИ; ИИ только вычисляет/интерпретирует эти данные, он не складывает числа из своей памяти.
- Подключенный автомобиль: вы используете автомобиль, подключенный к базе данных; ИИ пересылает запрос фактическому источнику и использует возвращенное значение.
В обоих случаях золотое правило одно и то же: число берется из источника, его интерпретирует ИИ. «Сколько железа в 100 граммах чечевицы?» - спросил ЮЗ. Задавать открытый вопрос — значит привлекать к выдумке.
Дженерик, фирменный продукт и смесь продуктов питания
Базы данных о питательных веществах содержат несколько записей под одним и тем же именем, и выбор неправильной записи является скрытым источником ошибки. Например, поиск по слову «йогурт» даст вам десятки различных записей, таких как обезжиренный, полужирный, обезжиренный, греческий (сцеженный) и подслащенный фруктовый йогурт; Их калорийность и макросы очень далеки друг от друга. Греческий йогурт содержит почти в два раза больше белка, чем обычный йогурт. Точно так же записи о «фирменном продукте» (упакованный продукт компании) и записи «общего питания» имеют разную ценность. В хорошей практике вы максимально точно соответствуете продукту, который фактически потребляет клиент: если возможно, на основе этикетки о пищевой ценности на упаковке, в противном случае вы выбираете самое близкое описание в базе данных. Спросите у ИИ «какую запись мне выбрать?» Когда вы консультируетесь, он может предложить вам правильный поисковый запрос; но окончательный выбор пластинки и сравнение с лейблом находится под вашим контролем. Использование одних и тех же записей для одного и того же питательного вещества во всем плане также важно для обеспечения последовательности; Использование жирного молока в половине случаев и обезжиренного молока в половине случаев исказит итоговые результаты.
Преобразования порций и приготовления
В базах данных о пищевой ценности обычно приводятся значения на 100 граммов сырого продукта. Но клиент ест вареную, а не сырую чечевицу. Вес меняется за счет поглощения воды во время приготовления; 100 граммов сырого риса при приготовлении увеличиваются до ~250-300 граммов. Поэтому «вареные 200 грамм» и «сырые 100 грамм» имеют разную пищевую ценность. ИИ может совершать эти преобразования, но может сбить направление. Всегда уточняйте, какое значение вы используете: сырое или приготовленное; это частый источник ошибок в расчетах.
три мини-кейса
Случай 1 — Ловля галлюцинации. Диетолог спросил YZ: «Сколько граммов белка в 100 граммах вареной брокколи?» он спрашивает; AI говорит «около 8 грамм». Диетолог смотрит на Министерство сельского хозяйства США: фактическое значение составляет ~ 2,4 грамма. ИИ смешал его с данными по бобовым/орехам и увеличил его в три раза. Диетолог использует правильное значение. Урок: в зеленых овощах мало белка; Число неверно только потому, что оно беглое.
Случай 2. Путаница сырого/вареного продукта. В черновом плане ИИ использует сырое значение «150 граммов макарон» (~525 ккал), тогда как клиент съедает 150 граммов приготовленных макарон (~210 ккал). Разница составляет 315 ккал за один прием пищи, что является серьезным отклонением даже при одном приеме пищи в день. Врач-диетолог уточняет единицу измерения «приготовленного» и производит перерасчет.
Случай 3 — Правильное использование. Диетолог копирует 100-граммовые значения курицы, риса и брокколи из Министерства сельского хозяйства США, передавая их ИИ с инструкцией «просто рассчитать общий макрос для еды с этими данными, складывая числа из собственной памяти». ИИ складывает только заданные числа; - подтверждает диетолог, хлопая его обратно. Данные поступали из источника, арифметику делал ИИ.
Копируемые шаблоны подсказок
ШАБЛОН РАСЧЕТА С ИСХОДНЫМИ ДАННЫМИ (RAG-логика)Ваша роль: помощник, который работает только с ДАННЫМИ ВАМИ значениями пищевой ценности.ДОБАВЛЯЙТЕ или ИЗМЕНЯЙТЕ значения пищевой ценности из собственной памяти. Если отсутствуют данные, напишите «[нет данных]», восполните. Данные (на 100 г, источник: Министерство сельского хозяйства США): - Куриная грудка (приготовленная): 165 ккал, 31 г белков, 3,6 г жиров, 0 г углеводов - Рис (приготовленный): ...Задание: Подсчитать общее количество ккал и макроэлементов для 120 г курицы + 150 г риса.
ШАБЛОН ПЕРЕВОДА СЫРЫХ/Приготовленных продуктов Ценность следующих продуктов питания указана на 100 г СЫРЫХ продуктов: [значения]. Клиент ест [X] г ПРИГОТОВЛЕННЫХ. При приготовлении вес ~[соотношение] меняется. Соответственно, посчитайте пищевую ценность съеденного количества и ЧЕТКО напишите, какое предположение вы используете.
ШАБЛОН ДЛЯ ПОДГОТОВКИ ЗАПРОСА К БАЗЕ ДАННЫХЯ хочу определить пищевую ценность еды. Перечислите, КАКОЙ термин мне следует искать в базе данных продуктов питания (USDA/TUBER) для следующих продуктов, какую запись мне следует выбрать: сырые/приготовленные. Не приписывайте значения ВАМ; просто скажите мне правильный поисковый запрос и точку внимания.Питательные вещества: [...]
ШАБЛОН ДЛЯ ПРОВЕРКИ СООТВЕТСТВИЯ. Интерпретируйте пищевую ценность следующего блюда двумя разными способами: (1) предполагая, что все продукты являются сырыми, (2) предполагая, что все продукты приготовлены. Сравните две суммы и объясните, откуда взялась разница. Итак, я вижу, какое предположение мне нужно проверить.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Сколько калорий в тарелке чечевичного супа?
«Блюдо» неясно, рецепт неясен, источник отсутствует; ИИ составляет число по памяти и не говорит, как он его придумал.
Мощная подсказка:
Ваша роль: помощник, который только производит расчеты по заданным данным. Порция чечевичного супа = 300 г. Ингредиенты (значения на 100 г, источник Министерства сельского хозяйства США, я привожу ниже): красная чечевица (приготовленная) [значения], лук [значения], оливковое масло [значения]. Количество на порцию: [...]. Посчитайте общее количество ккал и макрос по этим данным, не складывайте по памяти, покажите шаги.
Второй источник подсказок предоставляет информацию о подаче, сырую/приготовленную информацию и ограничение «не добавлять»; Результаты проверяемы и надежны.
Распространенные ошибки
- Доверяя памяти ИИ: открытый вопрос о пищевой ценности; Это приглашение к галлюцинациям.
- Путаница в сыром/вареном виде: самая распространенная молчаливая ошибка; Всегда уточняйте единицу измерения.
- Путаница в источниках: смешивание различных питательных веществ из разных баз данных; Используйте последовательные ресурсы в плане.
- Оставление порции расплывчатым: Вычисление таких выражений, как «тарелка», «горсть», без перевода их в граммы.
- Сосредоточение внимания на одном числе, а не на диапазоне: забывание о том, что одна и та же еда имеет разумный диапазон значений; создание ложной уверенности.
В итоге
Данные о питании — это область, в которой языковая модель наиболее слаба; Поскольку модель не запоминает числа, она их выдает. Поэтому всегда получайте данные о пищевой ценности из признанной базы данных (USDA, TÜBER, BeBiS) и используйте ИИ для расчета и интерпретации только этих данных — на основе логики RAG, данных, полученных из источника. Обратите внимание на конверсию сырого/вареного продукта, четкость порций и согласованность источника. Просто потому, что число получилось беглым, неверно; Узнать правду можно только работая с первоисточником.
Задача приложения
Выберите три продукта (например, вареные яйца, цельнозерновой хлеб, греческий йогурт). Сначала задайте открытый вопрос ИИ и получите его значения (из его памяти). Затем найдите фактические значения тех же самых питательных веществ в USDA FoodData Central. Сравните два набора и запишите в таблицу, насколько сильно отклонение в каждом продукте. Эта таблица раскроет принцип «не доверяй памяти, дай ссылку на источник».
контрольный список
- [ ] Я получил данные о пищевой ценности из известной базы данных, а не из памяти ИИ.
- [ ] Я поставил ограничение на ИИ "работать только с заданными данными, ничего не добавлять".
- [ ] Для каждого продукта я уточнил, сырой он или приготовленный.
- [ ] Я перевел порции в граммы; Я не оставил после себя «тарелку/пригоршню».
- [ ] Я использовал один постоянный источник в рамках плана.
- [ ] Я проверил сумму ИИ, умножив ее обратно.