ලාභ:
- කෘතිම බුද්ධි මතකයෙන් නොව සුප්රසිද්ධ දත්ත සමුදායන්ගෙන් (USDA, TÜBER, BeBiS) පෝෂණ අගයන් ලබා ගැනීමේ අවශ්යතාවය අවබෝධ කර ගැනීමේ හැකියාව
- RAG තර්කනය සමඟ මූලාශ්රයෙන් ලබාගත් දත්ත සමඟ පමණක් ගණනය කිරීම් සහ අර්ථකථන සිදු කිරීමට කෘතිම බුද්ධිය යොමු කිරීමේ හැකියාව
- අමු/පිසූ පරිවර්තන, කොටස් පැහැදිලි බව සහ මූලාශ්ර අනුකූලතාව සලකා බැලීමෙන් පෝෂණ දෝෂ වළක්වා ගැනීමේ හැකියාව
ආහාරවේදියෙකුගේ දෛනික කාර්යයේ හදවතෙහි ඇත්තේ "මෙම පෝෂකයේ කොපමණ ප්රමාණයක් තිබේද?" ප්රශ්නයක් තිබේ. චිකන් පියයුරු ග්රෑම් 100 ක ප්රෝටීන් ග්රෑම් කීයක් තිබේද? සම්පූර්ණ තිරිඟු පාන් පෙත්තක කෙඳි ග්රෑම් කීයක් තිබේද? ඔලිව් තෙල් මේස හැන්දක කැලරි කීයක් තිබේද? මෙම ප්රශ්නවලට පිළිතුරු ආහාර සංයුති දත්ත සමුදායන් තුළ පවතී - රසායනාගාර විශ්ලේෂණය මත පදනම්ව දහස් ගණන් ආහාරවල ශක්තිය, සාර්ව සහ ක්ෂුද්ර පෝෂක අන්තර්ගතය ලැයිස්තුගත කරන නිල වගු. මෙම ක්ෂේත්රයේ කෘතිම බුද්ධියේ ඇති භයානකම වැරැද්ද නම් එය මෙම සංඛ්යා "මතක" ඇති බව සිතීමයි. කෙසේ වෙතත්, භාෂා ආකෘතිය අංක කටපාඩම් නොකරයි; එය සම්භාවිතාවයෙන් ජනනය කරන අතර බොහෝ විට යථාර්ථයට සමීප නමුත් සමහර විට බරපතල ලෙස වැරදි අගයන් ලබා දෙයි. මෙම ඒකකයේ ප්රධාන පණිවිඩය පැහැදිලිය: පෝෂණ අගය AI මතකයෙන් නොව පිළිගත් දත්ත ගබඩාවකින් ලබා ගන්න; දත්ත මතක තබා ගැනීමට නොව නිවැරදි දත්ත සමඟ වැඩ කිරීමට AI භාවිතා කරන්න.
සුප්රසිද්ධ දත්ත සමුදායන් සහ ඒවා භාවිතා කරන දේ
ලෝකයේ සහ Türkiye හි බහුලව භාවිතා වන ප්රධාන මූලාශ්ර වන්නේ:
දත්ත සමුදාය
විෂය පථය
ශක්තිමත් ලක්ෂ්යය
අවධානය
USDA FoodData Central (USA)
ඉතා විශාල, වාර්තා මිලියන ~ කාර්තුවක්
API සමඟ විස්තරාත්මක, නොමිලේ
ඇමරිකා එක්සත් ජනපදයේ නිෂ්පාදන; දේශීය ආහාර සීමා
TÜBER / Türkiye පෝෂණ මාර්ගෝපදේශ අතිරේක
තුර්කි ආහාර අවධානය යොමු කර ඇත
දේශීය ආහාර සහ කොටස
USDA ට වඩා විෂය පථය පටුය
BeBiS (පෝෂණ තොරතුරු පද්ධතිය)
Türkiye හි පොදු මෘදුකාංග
තුර්කි වට්ටෝරු
බලපත්රලාභී මෘදුකාංග
USDA/EuroFIR
යුරෝපීය සංයුතිය දත්ත
රට පදනම් වූ සම්මතය
ප්රවේශය ආයතනික විය හැකිය
"API" යන්නෙන් අදහස් කරන්නේ මෘදුකාංගයකට ක්රමලේඛනාත්මකව (ස්වයංක්රීයව) දත්ත ගබඩාවට ප්රශ්න ඇසීමට සහ ව්යුහගත පිළිතුරු ලබා ගැනීමට ඉඩ සලසන අතුරු මුහුණතයි. USDA FoodData Central වැනි සම්පත් සඳහා API එකක් තිබීම අනාගතයේ දී AI මෙවලම් සැබෑ දත්තවලට සම්බන්ධ කිරීමට හැකි වේ. "දත්ත මත පදනම් වූ AI" ප්රවේශයේ පදනම මෙයයි: ආකෘති නොගැලපේ, සැබෑ මූලාශ්රයෙන් අඳින්න.
අවධානය: එකම පෝෂක විවිධ දත්ත සමුදායන්හි විවිධ අගයන් පෙන්විය හැක; මොකද ගොවිතැන් තත්ත්වය, විවිධත්වය, පිසීමේ ක්රමය සහ විශ්ලේෂණය වෙනස්. තනි "නිවැරදි" අංකයක් නොමැත; සාධාරණ පරාසයක් ඇත. ඔබට ස්ථාවර වීමට හැකි වන පරිදි සේවාදායක සැලැස්මක් තුළ ඔබ භාවිතා කරන සම්පත සටහන් කරන්න.
"නැවත ලබාගැනීම" තර්කනය: AI මූලාශ්රයට සම්බන්ධ කිරීම
නවීන යෙදුම්වල, සැබෑ දත්තවලට AI සම්බන්ධ කිරීමේ මාර්ගය වන්නේ RAG ප්රවේශයයි — Retrieval-Augmented Generation in English. සරලව: මතකයෙන් පිළිතුර සවි කිරීම වෙනුවට, ආකෘතිය පළමුව විශ්වාසදායක මූලාශ්රයකින් (දත්ත සමුදාය, ලේඛනය) අදාළ දත්ත ඇදගෙන, එම දත්ත මත පදනම්ව පිළිතුරක් ජනනය කරයි. ප්රායෝගිකව ඔබ මෙය ක්රම දෙකකින් ක්රියාත්මක කරයි:
- අතින් පෝෂණය: ඔබ විශ්වාසදායක වගුවෙන් ආහාරවල අගයන් පිටපත් කර එය AI වෙත ලබා දෙයි; AI මෙම දත්ත සමඟ පමණක් ගණනය කරයි/අර්ථකථනය කරයි, එය තමන්ගේම මතකයෙන් අංක එකතු නොකරයි.
- සම්බන්ධිත වාහනය: ඔබ දත්ත සමුදායට සම්බන්ධ වාහනයක් භාවිතා කරයි; AI විසින් විමසුම සත්ය මූලාශ්රය වෙත යොමු කර ආපසු ලබා දුන් අගය භාවිතා කරයි.
අවස්ථා දෙකේදීම, ස්වර්ණමය රීතිය සමාන වේ: අංකය මූලාශ්රයෙන් පැමිණේ, AI එය අර්ථකථනය කරයි. "පරිප්පු ග්රෑම් 100ක යකඩ කීයක් තියෙනවද?" YZ ඇහුවා. විවෘත ප්රශ්නයක් ඇසීම යනු ප්රබන්ධයට ආරාධනා කිරීමයි.
සාමාන්ය නිෂ්පාදන, වෙළඳනාම නිෂ්පාදන සහ ආහාර මිශ්රණය
පෝෂක දත්ත සමුදායන් එකම නම යටතේ වාර්තා කිහිපයක් ඇති අතර වැරදි වාර්තාවක් තෝරාගැනීම දෝෂයේ නිහඬ මූලාශ්රයකි. උදාහරණයක් ලෙස, "යෝගට්" සෙවීමෙන් ඔබට සම්පූර්ණ මේදය, අර්ධ මේදය, මේදය රහිත, ග්රීක වර්ගයේ (වික්රියා) සහ පැණිරස පළතුරු යෝගට් වැනි විවිධ වාර්තා දුසිම් ගණනක් ලබා දෙනු ඇත; ඔවුන්ගේ කැලරි සහ මැක්රෝස් එකිනෙකින් ඉතා ඈතයි. ග්රීක යෝගට් වල සාමාන්ය යෝගට් වල ප්රෝටීන් මෙන් දෙගුණයක් පමණ ඇත. ඒ හා සමානව, "සන්නාම නිෂ්පාදන" වාර්තා (සමාගමක ඇසුරුම් කළ නිෂ්පාදනය) සහ "සාමාන්ය පෝෂණය" වාර්තා විවිධ අගයන් දරයි. හොඳ ප්රායෝගිකව, ඔබ සේවාදායකයා සැබවින්ම පරිභෝජනය කරන නිෂ්පාදනයට හැකි තරම් සමීපව ගැලපේ: හැකි නම්, ඇසුරුම්කරණයේ පෝෂණ ලේබලය මත පදනම්ව, එසේ නොමැතිනම් ඔබ දත්ත සමුදායේ ආසන්නතම විස්තරය තෝරන්න. AI ගෙන් අසන්න "මම තෝරාගත යුත්තේ කුමන වාර්තාවද?" ඔබ උපදෙස් දෙන විට, එය ඔබට නිවැරදි සෙවුම් පදය යෝජනා කළ හැක; නමුත් අවසාන වාර්තා තේරීම සහ ලේබලය සමඟ සැසඳීම ඔබගේ පාලනය යටතේ පවතී. සැලැස්මක් පුරා එකම පෝෂක සඳහා එකම වාර්තාව භාවිතා කිරීම අනුකූලතාව සඳහා ද වැදගත් වේ; සම්පූර්ණ මේද සහිත කිරි අර්ධ වේලාවක් සහ අඩක් මුදවපු කිරි භාවිතා කිරීමෙන් මුළු එකතුව විකෘති වේ.
කොටස් සහ ඉවුම් පිහුම් පරිවර්තනය
පෝෂණ දත්ත සමුදායන් සාමාන්යයෙන් අමු ග්රෑම් 100 කට අගයන් ලබා දෙයි. නමුත් සේවාදායකයා කන්නේ අමු පරිප්පු නොව පිසූ පරිප්පුය. පිසීමේදී ජලය අවශෝෂණය කිරීමෙන් බර වෙනස් වේ; කැකුළු සහල් ග්රෑම් 100 ක් පිසූ විට ග්රෑම් 250-300 දක්වා වැඩිවේ. එමනිසා, "පිසූ ග්රෑම් 200" සහ "අමු ග්රෑම් 100" විවිධ පෝෂණ අගයන් ඇත. AI හට මෙම පරිවර්තනයන් සිදු කළ හැකි නමුත් එය දිශාව ව්යාකූල කළ හැක. ඔබ භාවිතා කරන අගය අමු හෝ පිසූද යන්න සැමවිටම පැහැදිලි කරන්න; මෙය ගණනය කිරීමේ දෝෂ වල නිතර ප්රභවයකි.
කුඩා නඩු තුනක්
නඩුව 1 - මායාව අල්ලා ගැනීම. ආහාරවේදියෙක් YZ ගෙන් ඇසුවේ, "තම්බා බ්රොකොලි ග්රෑම් 100 ක ප්රෝටීන් ග්රෑම් කීයක් තිබේද?" ඔහු අසයි; AI පවසන්නේ "ග්රෑම් 8ක් පමණ" කියාය. ආහාරවේදියෙකු USDA දෙස බලයි: සත්ය අගය ග්රෑම් 2.4 කි. AI එය රනිල කුලයට අයත්/ගෙඩි දත්ත සමඟ මිශ්ර කර තුන් ගුණයකින් පුම්බා ඇත. ආහාරවේදියෙකු නිවැරදි අගය භාවිතා කරයි. පාඩම: හරිත එළවළු ප්රෝටීන් අඩුයි; චතුර වූ පමණින් අංකය නිවැරදි නොවේ.
නඩුව 2 - අමු/පිසූ ව්යාකූලත්වය. කෙටුම්පත් සැලැස්මක, AI "පැස්ටා ග්රෑම් 150" (~525 kcal) සඳහා අමු අගය භාවිතා කරන අතර, සේවාදායකයා පිසූ පැස්ටා ග්රෑම් 150 (~210 kcal) අනුභව කරයි. වෙනස එක් ආහාර වේලක් තුළ 315 kcal වේ, එය දිනකට එක් ආහාර වේලක් සමඟ පවා බරපතල අපගමනයකි. ආහාරවේදියෙකු මිනුම් ඒකකය "පිසූ" ලෙස පැහැදිලි කර නැවත ගණනය කරයි.
නඩුව 3 - නිවැරදි භාවිතය. ආහාරවේදියෙකු USDA වෙතින් කුකුල් මස්, සහල් සහ බ්රොකොලි සඳහා ග්රෑම් 100 අගයන් පිටපත් කර, "මෙම දත්ත සමඟ ආහාර වේලක් සඳහා සම්පූර්ණ සාර්ව ප්රමාණය ගණනය කර එහිම මතකයෙන් සංඛ්යා එකතු කරන" උපදෙස් සමඟ ඒවා AI වෙත ලබා දෙයි. AI එකතු කරන්නේ ලබා දී ඇති අංක සමඟ පමණි; පෝෂණවේදියා එය නැවත පහර දීමෙන් තහවුරු කරයි. දත්ත පැමිණියේ මූලාශ්රයෙන්, AI අංක ගණිතය කළේය.
පිටපත් කළ හැකි ක්ෂණික සැකිලි
මූලාශ්ර දත්ත සහිත ගණනය කිරීමේ අච්චුව (රාග් තර්කනය)ඔබේ කාර්යභාරය: ඔබට ලබා දී ඇති පෝෂණ අගයන් සමඟ පමණක් ක්රියා කරන සහායකයා. ඔබේ මතකයෙන් පෝෂණ අගයන් එක් කරන්න හෝ වෙනස් කරන්න. දත්ත අස්ථානගත වුවහොත් "[දත්ත නොමැත]" ලියන්න. දත්ත (ග්රෑම් 100 කට, මූලාශ්රය: USDA):- චිකන් පියයුරු (පිසූ): 165 kcal, 31 g ප්රෝටීන්, 3.6 g මේදය, 0 g කාබෝහයිඩ්රේට්- සහල් (පිසින ලද): ... කාර්යය: 120 g කුකුල් මස් + 150 g සහල් සඳහා මුළු kcal සහ macro ගණනය කරන්න.
අමු/පිසූ පරිවර්තන අච්චුව පහත සඳහන් ආහාරවල අගය RAW 100 g සඳහා ලබා දී ඇත: [අගය]. සේවාදායකයා [X] g COOKED අනුභව කරයි. පිසූ විට, බර ~[අනුපාතය] වෙනස් වේ. ඒ අනුව, අනුභව කරන ප්රමාණයේ පෝෂණ අගය ගණනය කර ඔබ භාවිතා කරන උපකල්පනය පැහැදිලිව ලියන්න.
DATABASE QUERY PREPARATION TEMPLATEI ආහාර වේලක පෝෂණ අගය සොයා ගැනීමට අවශ්යයි. පහත සඳහන් ආහාර සඳහා මම ආහාර දත්ත ගබඩාවේ (USDA/TUBER) සෙවිය යුතු පදය ලැයිස්තුගත කරන්න, මා තෝරාගත යුතු වාර්තාව, අමු/පිසූ ඒවා. වටිනාකම් ඔබට දෙන්න එපා; මට නිවැරදි සෙවුම් පදය සහ අවධානය යොමු කළ යුතු ස්ථානය කියන්න. පෝෂ්ය පදාර්ථ: [...]
අනුකූලතා පිරික්සුම් සැකිල්ල පහත සඳහන් ආහාර වේලෙහි පෝෂණ අගයන් විවිධ ආකාර දෙකකින් අර්ථකථනය කරන්න: (1) සියලුම ආහාර අමු යැයි උපකල්පනය කිරීම, (2) සියලුම ආහාර පිසූ බව උපකල්පනය කිරීම. සමස්තයන් දෙක සසඳා වෙනස පැමිණෙන්නේ කොහෙන්ද යන්න පැහැදිලි කරන්න. එබැවින් මට සත්යාපනය කළ යුත්තේ කුමන උපකල්පනයදැයි මට පෙනේ.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
පරිප්පු සුප් භාජනයක කැලරි කීයක් තිබේද?
"ආහාරයක්" නොපැහැදිලි ය, වට්ටෝරුව නොපැහැදිලි ය, මූලාශ්රය නොපවතී; AI එහි මතකයෙන් අංකයක් සාදන අතර එය එය සමඟ පැමිණියේ කෙසේදැයි නොකියයි.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: ලබා දී ඇති දත්ත සමඟ පමණක් ගණනය කරන සහායක. පරිප්පු සුප් සේවය = 300 ග්රෑම්. අමුද්රව්ය (ග්රෑම් 100 කට අගයන්, USDA මූලාශ්රය, මම පහත දෙමි): රතු පරිප්පු (පිසූ) [අගය], ළූණු [අගය], ඔලිව් තෙල් [අගය]. සේවය සඳහා ප්රමාණ: [...]. මෙම දත්ත සමඟ සම්පූර්ණ kcal සහ macro ගණනය කරන්න, මතකයෙන් එකතු නොකරන්න, පියවර පෙන්වන්න.
දෙවන කඩිනම් මූලාශ්රය සේවා සැපයීම, අමු/පිසූ තොරතුරු සහ "එකතු නොකරන්න" යන සීමාව ලබා දෙයි; ප්රතිදානය විගණනය කළ හැකි සහ විශ්වසනීය ය.
පොදු වැරදි
- AI හි මතකය විශ්වාස කිරීම: පෝෂණ අගය පිළිබඳ විවෘත ප්රශ්න කිරීම; මෙය මායාවට ආරාධනා කිරීමකි.
- ව්යාකූල අමු/පිසූ: වඩාත් පොදු නිහඬ වැරැද්ද; සෑම විටම මිනුම් ඒකකය පැහැදිලි කරන්න.
- මූලාශ්ර ව්යාකූලත්වය: විවිධ දත්ත සමුදායන්ගෙන් විවිධ පෝෂ්ය පදාර්ථ මිශ්ර කිරීම; සැලැස්මක් තුළ ස්ථාවර සම්පත් භාවිතා කරන්න.
- කොටස නොපැහැදිලිව තැබීම: ග්රෑම් බවට පරිවර්තනය නොකර "පිඟානක්", "අතළොස්සක්" වැනි ප්රකාශන ගණනය කිරීම.
- පරාසයක් වෙනුවට තනි අංකයක් කෙරෙහි අවධානය යොමු කිරීම: එකම ආහාරය සාධාරණ අගයන් පරාසයක් ඇති බව අමතක කිරීම; බොරු නිශ්චිතභාවයක් ඇති කිරීම.
සාරාංශයකින්
පෝෂණ දත්ත යනු භාෂා ආකෘතිය දුර්වලම ප්රදේශයයි; මොඩලය ඉලක්කම් මතක නැති නිසා, එය ඒවා නිෂ්පාදනය කරයි. එබැවින් සෑම විටම පිළිගත් දත්ත ගබඩාවකින් (USDA, TÜBER, BeBiS) පෝෂණ අගයන් ලබාගෙන එම දත්ත පමණක් ගණනය කිරීමට සහ අර්ථ නිරූපණය කිරීමට AI භාවිතා කරන්න - RAG තර්කනය මත පදනම්ව, මූලාශ්රයෙන් ලබාගත් දත්ත. අමු/පිසූ පරිවර්තන, කොටස් පැහැදිලි බව සහ මූලාශ්ර අනුකූලතාව කෙරෙහි අවධානය යොමු කරන්න. අංකය චතුර ලෙස පැමිණි පමණින් නිවැරදි නොවේ; ඔබට සත්යය ලබා ගත හැක්කේ මූලාශ්රය සමඟ වැඩ කිරීමෙන් පමණි.
යෙදුම් කාර්යය
ආහාර තුනක් තෝරන්න (උදාහරණයක් ලෙස, තම්බා බිත්තර, සම්පූර්ණ තිරිඟු පාන්, ග්රීක යෝගට්). පළමුව, AI විවෘතව ඇති බව විමසා එහි අගයන් (එහි මතකයෙන්) ලබා ගන්න. ඉන්පසු USDA FoodData Central වෙතින් එම පෝෂ්ය පදාර්ථවල සැබෑ අගයන් සොයා ගන්න. කට්ටල දෙක සසඳා, එක් එක් ආහාරවල අපගමනය කොපමණ දැයි වගුවක ලියන්න. මෙම වගුව මඟින් "මතකය විශ්වාස නොකරන්න, මූලාශ්රයට සම්බන්ධ කරන්න" යන මූලධර්මය හෙළි කරනු ඇත.
පිරික්සුම් ලැයිස්තුව
- [ ] මම පෝෂණ අගයන් ලබා ගත්තේ සුප්රසිද්ධ දත්ත ගබඩාවකින් මිස AI මතකයෙන් නොවේ.
- [ ] මම AI වලට සීමා පැනවූයේ "දී ඇති දත්ත සමඟ පමණක් වැඩ කරන්න, කිසිවක් එකතු නොකරන්න" යන්නයි.
- [ ] මම සෑම ආහාරයක් සඳහාම එය අමු හෝ පිසූවාද යන්න පැහැදිලි කර ඇත.
- [ ] මම කොටස් ග්රෑම් බවට පරිවර්තනය කළෙමි; මම "පිඟානක් / අතලොස්සක්" ඉතිරි කළේ නැත.
- [ ] මම සැලසුමක් තුළ තනි ස්ථාවර මූලාශ්රයක් භාවිතා කළෙමි.
- [ ] මම AI හි එකතුව නැවත ගුණ කිරීමෙන් සත්යාපනය කළෙමි.