Faida:
- Uwezo wa kuelewa umuhimu wa kupata thamani za lishe kutoka kwa hifadhidata zinazojulikana (USDA, TÜBER, BeBiS) badala ya kutoka kwa kumbukumbu ya akili bandia.
- Uwezo wa kuelekeza akili ya bandia kufanya mahesabu na tafsiri tu na data inayotolewa kutoka kwa chanzo, kwa mantiki ya RAG.
- Uwezo wa kuzuia makosa ya lishe kwa kuzingatia ubadilishaji mbichi / kupikwa, uwazi wa sehemu na uthabiti wa chanzo.
Katika moyo wa kazi ya kila siku ya dietitian ni swali "ni kiasi gani katika virutubisho hiki?" Kuna swali. Ni gramu ngapi za protini katika gramu 100 za kifua cha kuku? Je! ni gramu ngapi za nyuzi kwenye kipande cha mkate wa ngano? Ni kalori ngapi kwenye kijiko cha mafuta ya mizeituni? Majibu ya maswali haya yanawekwa katika hifadhidata za muundo wa chakula - majedwali rasmi ambayo yanaorodhesha maudhui ya nishati, jumla na virutubishi vya maelfu ya vyakula kulingana na uchambuzi wa maabara. Makosa hatari zaidi ya akili ya bandia katika uwanja huu ni kufikiria kuwa "inakumbuka" nambari hizi. Hata hivyo, mtindo wa lugha haukariri nambari; Huzalisha kwa uwezekano na mara nyingi hutoa maadili ambayo yako karibu na ukweli lakini wakati mwingine makosa makubwa. Ujumbe mkuu wa kitengo hiki uko wazi: pata thamani ya lishe kutoka kwa hifadhidata inayotambuliwa, sio kutoka kwa kumbukumbu ya AI; Tumia AI kufanya kazi na data sahihi, sio kukumbuka data.
Hifadhidata zinazojulikana na zinatumika kwa nini
Vyanzo vikuu vinavyotumiwa sana ulimwenguni na Türkiye ni:
hifadhidata
Upeo
hatua kali
Tahadhari
USDA FoodData Central (Marekani)
Kubwa sana, ~quarter million rekodi
Kina, bila malipo, na API
bidhaa za USA; chakula cha ndani kidogo
TÜBER / Türkiye Virutubisho vya Mwongozo wa Lishe
Vyakula vya Kituruki vilizingatia
Chakula cha ndani na sehemu
Upeo ni mdogo kuliko USDA
BeBiS (Mfumo wa Taarifa za Lishe)
Programu ya kawaida katika Türkiye
Mapishi ya Kituruki
Programu yenye leseni
USDA/EuroFIR
Data ya muundo wa Ulaya
Kiwango cha msingi wa nchi
Upatikanaji unaweza kuwa wa kitaasisi
Kinachomaanishwa na "API" ni kiolesura kinachoruhusu programu kiprogramu (otomatiki) kuuliza maswali kwenye hifadhidata na kupokea majibu yaliyopangwa. Kuwa na API ya rasilimali kama USDA FoodData Central huwezesha kuunganisha zana za AI kwa data halisi katika siku zijazo. Huu ndio msingi wa mbinu ya "AI inayotokana na data": haifai mifano, chora kutoka kwa chanzo halisi.
Makini: Virutubisho sawa vinaweza kuonyesha maadili tofauti katika hifadhidata tofauti; Kwa sababu hali ya kilimo, aina, njia ya kupikia na uchambuzi ni tofauti. Hakuna nambari moja "sahihi"; Kuna anuwai inayofaa. Rekodi ni rasilimali gani unayotumia katika mpango wa mteja ili uweze kuwa thabiti.
Mantiki ya "Retrieval": kuunganisha AI kwa chanzo
Katika matumizi ya kisasa, njia ya kuunganisha AI kwa data halisi ni mbinu ya RAG - Retrieval-Augmented Generation kwa Kiingereza. Kwa urahisi: badala ya kutoshea jibu kutoka kwa kumbukumbu, mfano kwanza huchota data muhimu kutoka kwa chanzo cha kuaminika (database, hati), kisha hutoa jibu kulingana na data hiyo. Kwa mazoezi unatekeleza hili kwa njia mbili:
- Kulisha kwa mikono: Unakili maadili ya chakula kutoka kwa meza inayoaminika na kuwapa AI; AI huhesabu/kutafsiri tu na data hii, haiongezi nambari kutoka kwa kumbukumbu yake mwenyewe.
- Gari iliyounganishwa: Unatumia gari lililounganishwa kwenye hifadhidata; AI hupeleka hoja kwa chanzo halisi na hutumia thamani iliyorejeshwa.
Katika visa vyote viwili, kanuni ya dhahabu ni sawa: nambari inatoka kwa chanzo, AI inaifasiri. "Ni chuma ngapi katika gramu 100 za dengu?" aliuliza YZ. Kuuliza swali lililo wazi ni kukaribisha uzushi.
Bidhaa generic, bidhaa chapa na mchanganyiko wa chakula
Hifadhidata za virutubishi zina rekodi nyingi chini ya jina moja, na kuchagua rekodi isiyo sahihi ni chanzo kimya cha makosa. Kwa mfano, kutafuta "mtindi" kutakupa rekodi nyingi tofauti, kama vile mafuta kamili, nusu ya mafuta, yasiyo na mafuta, aina ya Kigiriki (iliyochujwa), na mtindi wa matunda yaliyotiwa tamu; Kalori zao na macros ni mbali sana kutoka kwa kila mmoja. Mtindi wa Kigiriki una karibu mara mbili ya protini ya mtindi wa kawaida. Vile vile, rekodi za "bidhaa zenye chapa" (bidhaa iliyofungashwa ya kampuni) na rekodi za "lishe ya jumla" hubeba maadili tofauti. Kwa mazoezi mazuri, unafanana na bidhaa ambayo mteja hutumia kwa karibu iwezekanavyo: ikiwezekana, kulingana na lebo ya lishe kwenye ufungaji, vinginevyo unachagua maelezo ya karibu zaidi katika hifadhidata. Uliza AI "ni rekodi gani ninapaswa kuchagua?" Unaposhauriana, inaweza kukupendekezea neno sahihi la utafutaji; lakini uteuzi wa mwisho wa rekodi na ulinganisho na lebo uko chini ya udhibiti wako. Kutumia rekodi sawa kwa virutubisho sawa katika mpango pia ni muhimu kwa uthabiti; Kutumia maziwa yaliyojaa mafuta nusu wakati na maziwa ya skim nusu ya wakati kutapotosha jumla.
Sehemu na ubadilishaji wa kupikia
Hifadhidata za lishe kawaida hutoa maadili kwa gramu 100 mbichi. Lakini mteja hula dengu zilizopikwa, sio dengu mbichi. Uzito hubadilika kwa kunyonya maji wakati wa kupikia; Gramu 100 za wali mbichi huongezeka hadi gramu 250-300 unapopikwa. Kwa hiyo, "kupikwa gramu 200" na "gramu 100 ghafi" zina maadili tofauti ya lishe. AI inaweza kufanya mabadiliko haya, lakini inaweza kuchanganya mwelekeo. Daima fafanua ikiwa thamani unayotumia ni mbichi au imepikwa; hiki ni chanzo cha mara kwa mara cha makosa ya hesabu.
kesi tatu ndogo
Kesi ya 1 - Kukamata ndoto. Mtaalamu wa vyakula alimuuliza YZ, "Ni gramu ngapi za protini katika gramu 100 za brokoli iliyochemshwa?" anauliza; AI inasema "karibu gramu 8". Mtaalamu wa lishe anaangalia USDA: thamani halisi ni ~ gramu 2.4. AI iliichanganya na data ya mikunde/njugu na kuiongeza mara tatu. Mtaalamu wa lishe hutumia thamani sahihi. Somo: mboga za kijani ni chini ya protini; Nambari sio sahihi kwa sababu tu ni fasaha.
Kesi 2 - Kuchanganyikiwa mbichi / kupikwa. Katika rasimu ya mpango, AI hutumia thamani mbichi ya "gramu 150 za pasta" (~ 525 kcal), wakati mteja anakula gramu 150 za pasta iliyopikwa (~210 kcal). Tofauti ni 315 kcal katika mlo mmoja, ambayo ni kupotoka kubwa hata kwa mlo mmoja kwa siku. Mtaalam wa lishe anafafanua kitengo cha kipimo kwa "kupikwa" na kuhesabu tena.
Kesi 3 - Matumizi sahihi. Mtaalam wa lishe anakili maadili ya gramu 100 za kuku, mchele na broccoli kutoka USDA, akiwapa AI na maagizo ya "kuhesabu jumla ya chakula na data hii, na kuongeza nambari kutoka kwa kumbukumbu yake mwenyewe." AI inaongeza tu na nambari zilizopewa; mtaalam wa lishe anathibitisha kwa kurudisha nyuma. Data ilitoka kwa chanzo, AI ilifanya hesabu.
Violezo vya haraka vinavyoweza kunakiliwa
KIOLEZO CHA HESABU CHENYE DATA YA CHANZO (mantiki ya RAG)Jukumu lako: msaidizi anayefanya kazi tu na viwango vya lishe ULIVYOPEWA.ONGEZA au BADILISHA viwango vya lishe kutoka kwa kumbukumbu yako mwenyewe. Ikiwa data inakosekana andika "[hakuna data]", tengeneza. Data (kwa g 100, chanzo: USDA):- Matiti ya kuku (yaliyopikwa): 165 kcal, 31 g protini, 3.6 g mafuta, 0 g carbs- Mchele (uliopikwa): ...Kazi: Hesabu jumla ya kcal na macro kwa 120 g kuku + 150 g mchele.
KIOLEZO CHA KUGEUA MBICHI/KILIPIKAThamani ya vyakula vifuatavyo hutolewa kwa kila g 100 MBICHI: [maadili]. Mteja anakula [X] g ILIVYOPIKWA. Inapopikwa, uzito ~[ratio]hubadilika. Ipasavyo, hesabu thamani ya lishe ya kiasi kilicholiwa na uandike KWA UWAZI ni dhana gani unayotumia.
DATABASE SWALI MAANDALIZI KIOLEZONataka kupata thamani ya lishe ya mlo. Orodhesha ni neno GANI natakiwa kutafuta katika hifadhidata ya chakula (USDA/TUBER) kwa vyakula vifuatavyo, nirekodi gani ninafaa kuchagua, vibichi/vilivyopikwa. Usitoe maadili KWAKO; niambie neno sahihi la utafutaji na jambo la kuzingatia.Virutubisho: [...]
KIOLEZO CHA ANGALIO UTAMANOTafsiri maadili ya lishe ya mlo ufuatao kwa njia mbili tofauti: (1) chukulia vyakula vyote ni vibichi, (2) chukulia vyakula vyote vimepikwa. Linganisha jumla mbili na ueleze tofauti inatoka wapi. Kwa hivyo ninaweza kuona ni dhana gani ninahitaji kuthibitisha.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Ni kalori ngapi kwenye bakuli la supu ya dengu?
"Sahani" haijulikani, mapishi ni wazi, chanzo hakipo; AI huunda nambari kutoka kwa kumbukumbu yake na haisemi jinsi ilikuja nayo.
Agizo lenye nguvu:
Jukumu lako: msaidizi ambaye anakokotoa tu kwa data iliyotolewa. Supu ya dengu = 300 g. Viunga (maadili kwa 100 g, chanzo cha USDA, natoa hapa chini): lenti nyekundu (iliyopikwa) [maadili], vitunguu [maadili], mafuta ya mizeituni [maadili]. Kiasi kwa kila huduma: [...]. Kuhesabu jumla ya kcal na macro na data hii, usiongeze kutoka kwenye kumbukumbu, onyesha hatua.
Chanzo cha pili cha papo hapo kinatoa maelezo ya kuhudumia, mbichi/yaliyopikwa, na kikwazo cha "usiongeze"; Pato ni ukaguzi na wa kuaminika.
Makosa ya kawaida
- Kuamini kumbukumbu ya AI: Maswali ya wazi ya thamani ya lishe; Huu ni mwaliko wa kuona maono.
- Kuchanganya mbichi/kupikwa: Kosa la kawaida la kimya; Daima fafanua kitengo cha kipimo.
- Chanzo changanyiko: Kuchanganya virutubisho tofauti kutoka kwa hifadhidata mbalimbali; Tumia rasilimali thabiti katika mpango.
- Kuacha sehemu isiyoeleweka: Kukokotoa misemo kama vile "sahani", "kiganja" bila kugeuza kuwa gramu.
- Kuzingatia nambari moja badala ya anuwai: Kusahau kwamba chakula sawa kina anuwai ya maadili; kujenga uhakika wa uongo.
Kwa muhtasari
Data ya lishe ni eneo ambalo modeli ya lugha ni dhaifu zaidi; Kwa sababu mfano haukumbuki nambari, huwazalisha. Kwa hivyo kila wakati pata maadili ya lishe kutoka kwa hifadhidata inayotambuliwa (USDA, TÜBER, BeBiS) na utumie AI kuhesabu na kutafsiri data hiyo tu - kulingana na mantiki ya RAG, data iliyotolewa kutoka kwa chanzo. Zingatia ubadilishaji mbichi/uliopikwa, uwazi wa sehemu, na uthabiti wa chanzo. Kwa sababu tu nambari ilitoka kwa ufasaha sio sahihi; Unaweza tu kupata ukweli kwa kufanya kazi na chanzo.
Jukumu la maombi
Chagua vyakula vitatu (kwa mfano, mayai ya kuchemsha, mkate wa ngano, mtindi wa Kigiriki). Kwanza, uliza AI iliyofunguliwa na upate maadili yake (kutoka kwa kumbukumbu yake). Kisha pata maadili halisi ya virutubisho hivyo kutoka USDA FoodData Central. Linganisha seti mbili na uandike katika jedwali kiasi gani cha kupotoka kuna katika kila chakula. Jedwali hili litaonyesha kanuni ya "usiamini kumbukumbu, kiungo kwa chanzo".
orodha ya ukaguzi
- [ ] Nilipata thamani za lishe kutoka kwa hifadhidata inayojulikana, sio kutoka kwa kumbukumbu ya AI.
- [ ] Niliweka kizuizi kwa AI "kufanya kazi tu na data uliyopewa, usiongeze chochote".
- [ ] Nimebainisha kwa kila chakula kiwe kibichi au kimeiva.
- [ ] Nilibadilisha sehemu kuwa gramu; Sikuacha "sahani/kiganja" nyuma.
- [ ] Nilitumia chanzo kimoja thabiti ndani ya mpango.
- [ ] Nilithibitisha jumla ya AI kwa kuzidisha tena.