Vinster:
- Förmåga att förstå nödvändigheten av att erhålla näringsvärden från välkända databaser (USDA, TÜBER, BeBiS) snarare än från artificiell intelligens minne
- Förmåga att styra artificiell intelligens för att göra beräkningar och tolkningar endast med data hämtade från källan, med RAG-logik
- Förmåga att förebygga näringsfel genom att överväga råa/kokta omvandlingar, portionsklarhet och källans konsistens
Kärnan i en dietists dagliga arbete är frågan "hur mycket är det i detta näringsämne?" Det finns en fråga. Hur många gram protein i 100 gram kycklingbröst? Hur många gram fibrer är det i en skiva fullkornsbröd? Hur många kalorier är det i en matsked olivolja? Svaren på dessa frågor finns i databaser för livsmedelssammansättning - officiella tabeller som listar energi-, makro- och mikronäringsämnen i tusentals livsmedel baserat på laboratorieanalys. Det farligaste misstaget för artificiell intelligens på detta område är att tro att den "kommer ihåg" dessa siffror. Men språkmodellen memorerar inte siffror; Det genererar sannolikt och ger ofta värden som ligger nära verkligheten men ibland allvarligt fel. Huvudbudskapet för denna enhet är tydligt: hämta näringsvärdet från en erkänd databas, inte från AI:s minne; Använd AI för att arbeta med korrekt data, inte för att komma ihåg data.
Välkända databaser och vad de används till
De huvudsakliga källorna som används ofta i världen och i Turkiet är:
databas
Omfattning
starka sida
Uppmärksamhet
USDA FoodData Central (USA)
Mycket stora, ~ kvarts miljon poster
Detaljerad, gratis, med API
USA produkter; lokal mat begränsad
TÜBER / Türkiye Nutrition Guide kosttillskott
Turkiskt kök fokuserat
Lokal mat och portion
Omfattning snävare än USDA
BeBiS (Näringsinformationssystem)
Vanlig programvara i Turkiet
Turkiska recept
Licensierad programvara
USDA/EuroFIR
Europeiska sammansättningsdata
Landsbaserad standard
Tillgången kan vara institutionell
Vad som menas med "API" är gränssnittet som gör att en programvara kan programmässigt (automatiskt) ställa frågor till databasen och få strukturerade svar. Att ha ett API för resurser som USDA FoodData Central gör det möjligt att koppla AI-verktyg till riktig data i framtiden. Detta är grunden för den "datadrivna AI"-metoden: passar inte in modeller, dra från den verkliga källan.
Observera: Samma näringsämne kan visa olika värden i olika databaser; Eftersom jordbrukets skick, variation, tillagningsmetod och analys är olika. Det finns inget "rätt" nummer; Det finns ett rimligt utbud. Registrera vilken resurs du använder i en klientplan så att du kan vara konsekvent.
"Hämtning" logik: ansluter AI till källan
I moderna applikationer är sättet att koppla AI till verklig data RAG-metoden — Retrieval-Augmented Generation på engelska. Helt enkelt: istället för att anpassa svaret från minnet, hämtar modellen först relevant data från en pålitlig källa (databas, dokument), och genererar sedan ett svar baserat på dessa data. I praktiken implementerar du detta på två sätt:
- Manuell matning: Du kopierar matens värden från den betrodda tabellen och ger den till AI; AI beräknar/tolkar endast med denna data, den lägger inte till siffror från sitt eget minne.
- Uppkopplat fordon: Du använder ett databasanslutet fordon; AI:n vidarebefordrar frågan till den faktiska källan och använder det returnerade värdet.
I båda fallen är den gyllene regeln densamma: numret kommer från källan, AI tolkar det. "Hur mycket järn är det i 100 gram linser?" frågade YZ. Att ställa en öppen fråga är att bjuda in tillverkning.
Generisk produkt, märkesprodukt och måltidsmix
Näringsdatabaser har flera poster under samma namn, och att välja fel post är en tyst källa till fel. Om du till exempel söker efter "yoghurt" kommer du att ge dig dussintals olika uppgifter, såsom helfett, halvfett, fettfri, grekisk (ansträngd) och sötad fruktyoghurt; Deras kalorier och makron är väldigt långt ifrån varandra. Grekisk yoghurt har nästan dubbelt så mycket protein som vanlig yoghurt. På liknande sätt har register över "märkta produkter" (ett företags förpackade produkt) och "allmän näring" olika värden. I god praxis matchar du produkten kunden faktiskt konsumerar så nära som möjligt: om möjligt utifrån näringsdeklarationen på förpackningen, annars väljer du den närmaste beskrivningen i databasen. Fråga AI:n "vilken skiva ska jag välja?" När du konsulterar kan den föreslå dig rätt sökterm; men det slutliga skivvalet och jämförelsen med skivbolaget är under din kontroll. Att använda samma register för samma näringsämne under en plan är också viktigt för konsistensen; Att använda helmjölk halva tiden och skummjölk halva tiden kommer att förvränga summan.
Portions- och tillagningsomvandlingar
Näringsdatabaser ger vanligtvis värden per 100 gram rå. Men kunden äter kokta linser, inte råa linser. Vikten ändras genom att vatten absorberas under tillagningen; 100 gram råris ökar till ~250-300 gram när det kokas. Därför har "kokta 200 gram" och "råa 100 gram" olika näringsvärden. AI kan göra dessa transformationer, men det kan förvirra riktningen. Förklara alltid om värdet du använder är rått eller tillagat; detta är en frekvent källa till räknefel.
tre minifodral
Fall 1 — Att fånga en hallucination. En dietist frågade YZ: "Hur många gram protein är det i 100 gram kokt broccoli?" frågar han; AI säger "ca 8 gram". Dietisten tittar på USDA: det faktiska värdet är ~2,4 gram. AI blandade det med baljväxt-/nötdata och blåste upp det tre gånger. Dietisten använder rätt värde. Lektion: gröna grönsaker är låga i protein; Siffran stämmer inte bara för att den är flytande.
Fall 2 — Rå/kokt förvirring. I ett utkast till plan använder AI råvärdet för "150 gram pasta" (~525 kcal), medan kunden äter 150 gram kokt pasta (~210 kcal). Skillnaden är 315 kcal i en måltid, vilket är en allvarlig avvikelse även med en måltid om dagen. Dietisten förtydligar måttenheten till "kokt" och räknar om.
Fall 3 — Korrekt användning. En dietist kopierar 100-gramsvärdena för kyckling, ris och broccoli från USDA och ger dem till AI med instruktionen att "bara beräkna det totala makrot för en måltid med dessa data, lägga till siffror från sitt eget minne." AI lägger bara till med givna siffror; dietisten bekräftar genom att smälla tillbaka det. Data kom från källan, AI gjorde aritmetiken.
Kopierbara promptmallar
BERÄKNINGSMALL MED KÄLLDATA (RAG-logik)Din roll: assistent som arbetar enbart med de näringsvärden SOM GES TILL DIG.LÄGG TILL eller ÄNDRA näringsvärden från ditt eget minne. Om data saknas skriv "[inga data]", kompensera. Data (per 100 g, källa: USDA):- Kycklingbröst (kokt): 165 kcal, 31 g protein, 3,6 g fett, 0 g kolhydrater- Ris (kokt): ...Uppgift: Beräkna totala kcal och makro för 120 g kyckling + 150 g ris.
RAW/COOKED CONVERSION MALL Värdet på följande livsmedel anges per 100 g RAW: [värden]. Klienten äter [X] g COOKED. Vid tillagning ändras vikten ~[förhållandet]. Beräkna därför näringsvärdet för mängden som äts och skriv TYDLIGT vilket antagande du använder.
MALL FÖR FÖRBEREDELSE AV DATABASFRÅGORJag vill hitta näringsvärdet för en måltid. Lista VILKEN term jag ska söka i matdatabasen (USDA/TUBER) efter följande livsmedel, vilken post jag ska välja, rå/tillagad. Ge inte värdena till DIG; säg bara rätt sökterm och uppmärksamhetspunkt.Näringsämnen: [...]
KONSISTENSKONTROLL MALL Tolka näringsvärdena för följande måltid på två olika sätt: (1) förutsatt att all mat är rå, (2) förutsatt att all mat är tillagad. Jämför de två summorna och förklara var skillnaden kommer ifrån. Så jag kan se vilket antagande jag behöver verifiera.
Svag prompt / Stark prompt
Svag uppmaning:
Hur många kalorier är det i en skål med linssoppa?
"En maträtt" är vag, receptet är vagt, källan saknas; AI:n skapar en siffra från dess minne och säger inte hur den kom fram till det.
Kraftfull uppmaning:
Din roll: assistent som endast räknar med givna data. Linssoppaservering = 300 g. Ingredienser (värden per 100 g, källa USDA, jag ger nedan): röda linser (kokta) [värden], lök [värden], olivolja [värden]. Kvantiteter per portion: [...]. Beräkna totala kcal och makro med dessa data, lägg inte till från minnet, visa steg.
Den andra promptkällan ger serveringsinformationen, rå/tillagad information och "lägg inte till"-begränsningen; Resultatet är granskningsbart och tillförlitligt.
Vanliga misstag
- Lita på AI:s minne: Öppet ifrågasättande av näringsvärde; Detta är en inbjudan till hallucinationer.
- Förvirrande rå/kokt: Det vanligaste tysta misstaget; Förtydliga alltid måttenheten.
- Källförvirring: Blandning av olika näringsämnen från olika databaser; Använd konsekventa resurser i en plan.
- Lämnar portionen vag: Beräknar uttryck som "en tallrik", "en handfull" utan att omvandla dem till gram.
- Fokusera på ett enda nummer istället för ett intervall: Att glömma att samma mat har ett rimligt värdeintervall; skapa falsk säkerhet.
Sammanfattningsvis
Näringsdata är det område där språkmodellen är svagast; Eftersom modellen inte kommer ihåg siffrorna, producerar den dem. Så hämta alltid näringsvärdena från en erkänd databas (USDA, TÜBER, BeBiS) och använd AI för att bara beräkna och tolka dessa data – baserat på RAG-logik, data hämtade från källan. Var uppmärksam på råa/kokta omvandlingar, portionsklarhet och källkonsistens. Bara för att siffran kom ut flytande är inte korrekt; Du kan bara få sanningen genom att arbeta med källan.
Applikationsuppgift
Välj tre livsmedel (till exempel kokt ägg, fullkornsbröd, grekisk yoghurt). Fråga först AI:n öppet och få dess värden (från dess minne). Hitta sedan de faktiska värdena för samma näringsämnen från USDA FoodData Central. Jämför de två seten och skriv ner i en tabell hur stor avvikelse det finns i varje mat. Den här tabellen kommer att avslöja principen om "lita inte på minnet, länka till källan".
checklista
- [ ] Jag fick näringsvärdena från en välkänd databas, inte från AI-minnet.
- [ ] Jag satte begränsningen för AI att "enbart fungera med givna data, lägg inte till något".
- [ ] Jag har förtydligat för varje livsmedel om det är rå eller tillagat.
- [ ] Jag omvandlade portionerna till gram; Jag lämnade inte "en tallrik/näve" bakom mig.
- [ ] Jag använde en enda konsekvent källa inom en plan.
- [ ] Jag verifierade AI:s summa genom att multiplicera den tillbaka.