ఆహార డేటాబేస్‌లు మరియు పోషక డేటా: AIని సరైన మూలానికి కనెక్ట్ చేస్తోంది

లాభాలు:

• ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మెమరీ నుండి కాకుండా బాగా తెలిసిన డేటాబేస్ (USDA, TÜBER, BeBiS) నుండి పోషక విలువలను పొందవలసిన అవసరాన్ని అర్థం చేసుకోగల సామర్థ్యం
• RAG లాజిక్‌తో మూలం నుండి సేకరించిన డేటాతో మాత్రమే లెక్కలు మరియు వివరణలు చేయడానికి కృత్రిమ మేధస్సును నిర్దేశించే సామర్థ్యం
• ముడి/వండిన మార్పిడులు, భాగం స్పష్టత మరియు మూల స్థిరత్వాన్ని పరిగణనలోకి తీసుకోవడం ద్వారా పోషకాహార లోపాలను నిరోధించే సామర్థ్యం

డైటీషియన్ యొక్క రోజువారీ పని యొక్క గుండె వద్ద ప్రశ్న "ఈ పోషకంలో ఎంత ఉంది?" అనే ప్రశ్న ఉంది. 100 గ్రాముల చికెన్ బ్రెస్ట్‌లో ఎన్ని గ్రాముల ప్రోటీన్ ఉంటుంది? గోధుమ రొట్టె ముక్కలో ఎన్ని గ్రాముల ఫైబర్ ఉంటుంది? ఒక టేబుల్ స్పూన్ ఆలివ్ నూనెలో ఎన్ని కేలరీలు ఉన్నాయి? ఈ ప్రశ్నలకు సమాధానాలు ఆహార కూర్పు డేటాబేస్‌లలో ఉంచబడ్డాయి - ప్రయోగశాల విశ్లేషణ ఆధారంగా వేలాది ఆహార పదార్థాల శక్తి, స్థూల మరియు సూక్ష్మపోషక పదార్థాలను జాబితా చేసే అధికారిక పట్టికలు. ఈ రంగంలో కృత్రిమ మేధస్సు యొక్క అత్యంత ప్రమాదకరమైన తప్పు ఏమిటంటే అది ఈ సంఖ్యలను "గుర్తుంచుకుంటుంది" అని భావించడం. అయినప్పటికీ, భాషా నమూనా సంఖ్యలను గుర్తుంచుకోదు; ఇది సంభావ్యంగా ఉత్పత్తి చేస్తుంది మరియు తరచుగా వాస్తవికతకు దగ్గరగా ఉండే విలువలను ఇస్తుంది కానీ కొన్నిసార్లు తీవ్రంగా తప్పుగా ఉంటుంది. ఈ యూనిట్ యొక్క ప్రధాన సందేశం స్పష్టంగా ఉంది: గుర్తింపు పొందిన డేటాబేస్ నుండి పోషక విలువను పొందండి, AI యొక్క మెమరీ నుండి కాదు; ఖచ్చితమైన డేటాతో పని చేయడానికి AIని ఉపయోగించండి, డేటాను గుర్తుంచుకోవడానికి కాదు.

ప్రసిద్ధ డేటాబేస్‌లు మరియు అవి దేనికి ఉపయోగించబడుతున్నాయి

ప్రపంచంలో మరియు టర్కియేలో విస్తృతంగా ఉపయోగించే ప్రధాన వనరులు:

డేటాబేస్

పరిధి

బలమైన పాయింట్

శ్రద్ధ

USDA ఫుడ్డేటా సెంట్రల్ (USA)

చాలా పెద్దది, ~పావు మిలియన్ రికార్డులు

APIతో వివరణాత్మక, ఉచితం

USA ఉత్పత్తులు; స్థానిక ఆహారం పరిమితం

TÜBER / Türkiye న్యూట్రిషన్ గైడ్ సప్లిమెంట్స్

టర్కిష్ వంటకాలు దృష్టి కేంద్రీకరించబడ్డాయి

స్థానిక ఆహారం మరియు భాగం

USDA కంటే స్కోప్ ఇరుకైనది

BeBiS (న్యూట్రిషన్ ఇన్ఫర్మేషన్ సిస్టమ్)

Türkiyeలో సాధారణ సాఫ్ట్‌వేర్

టర్కిష్ వంటకాలు

లైసెన్స్ పొందిన సాఫ్ట్‌వేర్

USDA/EuroFIR

యూరోపియన్ కూర్పు డేటా

దేశం ఆధారిత ప్రమాణం

యాక్సెస్ సంస్థాగతంగా ఉండవచ్చు

"API" అంటే ఒక సాఫ్ట్‌వేర్‌ని డేటాబేస్‌కి ప్రోగ్రామాటిక్‌గా (ఆటోమేటిక్‌గా) ప్రశ్నలు అడగడానికి మరియు నిర్మాణాత్మక సమాధానాలను స్వీకరించడానికి అనుమతించే ఇంటర్‌ఫేస్. USDA FoodData Central వంటి వనరుల కోసం APIని కలిగి ఉండటం వలన భవిష్యత్తులో AI సాధనాలను నిజమైన డేటాకు కనెక్ట్ చేయడం సాధ్యపడుతుంది. ఇది "డేటా-ఆధారిత AI" విధానం యొక్క ఆధారం: మోడల్‌లకు సరిపోవు, నిజమైన మూలం నుండి గీయండి.

శ్రద్ధ: ఒకే పోషకం వేర్వేరు డేటాబేస్‌లలో వేర్వేరు విలువలను చూపవచ్చు; ఎందుకంటే వ్యవసాయ పరిస్థితి, రకం, వంట పద్ధతి మరియు విశ్లేషణ భిన్నంగా ఉంటాయి. ఒక్క "సరైన" సంఖ్య లేదు; సహేతుకమైన పరిధి ఉంది. క్లయింట్ ప్లాన్‌లో మీరు ఉపయోగించే వనరును రికార్డ్ చేయండి, తద్వారా మీరు స్థిరంగా ఉండగలరు.

"రిట్రీవల్" లాజిక్: AIని మూలానికి కనెక్ట్ చేయడం

ఆధునిక అనువర్తనాల్లో, వాస్తవ డేటాకు AIని కనెక్ట్ చేసే మార్గం RAG విధానం — ఆంగ్లంలో రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్. కేవలం: మెమరీ నుండి సమాధానాన్ని అమర్చడానికి బదులుగా, మోడల్ మొదట విశ్వసనీయ మూలం (డేటాబేస్, పత్రం) నుండి సంబంధిత డేటాను లాగుతుంది, ఆపై ఆ డేటా ఆధారంగా సమాధానాన్ని రూపొందిస్తుంది. ఆచరణలో మీరు దీన్ని రెండు విధాలుగా అమలు చేస్తారు:

1. మాన్యువల్ ఫీడింగ్: మీరు విశ్వసనీయ పట్టిక నుండి ఆహారం యొక్క విలువలను కాపీ చేసి AIకి ఇవ్వండి; AI ఈ డేటాతో మాత్రమే గణిస్తుంది/అర్థం చేస్తుంది, ఇది దాని స్వంత మెమరీ నుండి సంఖ్యలను జోడించదు.
2. కనెక్ట్ చేయబడిన వాహనం: మీరు డేటాబేస్-కనెక్ట్ చేయబడిన వాహనాన్ని ఉపయోగిస్తున్నారు; AI ప్రశ్నను వాస్తవ మూలానికి ఫార్వార్డ్ చేస్తుంది మరియు తిరిగి వచ్చిన విలువను ఉపయోగిస్తుంది.

రెండు సందర్భాల్లో, గోల్డెన్ రూల్ ఒకే విధంగా ఉంటుంది: సంఖ్య మూలం నుండి వస్తుంది, AI దానిని అర్థం చేసుకుంటుంది. "100 గ్రాముల పప్పులో ఎంత ఇనుము ఉంటుంది?" అని YZ ప్రశ్నించారు. ఓపెన్-ఎండ్ ప్రశ్న అడగడం అంటే కల్పనను ఆహ్వానించడం.

సాధారణ ఉత్పత్తి, బ్రాండెడ్ ఉత్పత్తి మరియు భోజనం మిశ్రమం

న్యూట్రియంట్ డేటాబేస్‌లు ఒకే పేరుతో బహుళ రికార్డులను కలిగి ఉంటాయి మరియు తప్పు రికార్డ్‌ను ఎంచుకోవడం అనేది లోపం యొక్క నిశ్శబ్ద మూలం. ఉదాహరణకు, "పెరుగు" కోసం శోధించడం వలన మీకు పూర్తి కొవ్వు, సగం కొవ్వు, కొవ్వు రహిత, గ్రీకు-రకం (వడకట్టిన) మరియు తియ్యని పండ్ల పెరుగు వంటి డజన్ల కొద్దీ విభిన్న రికార్డులు లభిస్తాయి; వాటి కేలరీలు మరియు మాక్రోలు ఒకదానికొకటి చాలా దూరంగా ఉంటాయి. గ్రీకు పెరుగులో సాధారణ పెరుగులో దాదాపు రెండింతలు ప్రొటీన్ ఉంటుంది. అదేవిధంగా, "బ్రాండెడ్ ఉత్పత్తి" రికార్డులు (ఒక కంపెనీ యొక్క ప్యాక్ చేయబడిన ఉత్పత్తి) మరియు "సాధారణ పోషణ" రికార్డులు వేర్వేరు విలువలను కలిగి ఉంటాయి. మంచి ఆచరణలో, మీరు క్లయింట్ వాస్తవానికి వీలైనంత దగ్గరగా వినియోగించే ఉత్పత్తిని సరిపోల్చండి: వీలైతే, ప్యాకేజింగ్‌లోని పోషకాహార లేబుల్ ఆధారంగా, లేకుంటే మీరు డేటాబేస్‌లో సన్నిహిత వివరణను ఎంచుకోండి. AIని అడగండి "నేను ఏ రికార్డ్‌ని ఎంచుకోవాలి?" మీరు సంప్రదించినప్పుడు, అది మీకు సరైన శోధన పదాన్ని సూచించవచ్చు; కానీ చివరి రికార్డ్ ఎంపిక మరియు లేబుల్‌తో పోల్చడం మీ నియంత్రణలో ఉంటుంది. ఒక ప్రణాళిక అంతటా ఒకే పోషకం కోసం ఒకే రికార్డును ఉపయోగించడం స్థిరత్వం కోసం కూడా ముఖ్యమైనది; పూర్తి కొవ్వు పాలను సగం సమయం మరియు స్కిమ్ మిల్క్‌ని సగం సమయం ఉపయోగించడం వల్ల మొత్తాలను వక్రీకరిస్తుంది.

భాగం మరియు వంట మార్పిడులు

పోషకాహార డేటాబేస్లు సాధారణంగా 100 గ్రాముల ముడికి విలువలను ఇస్తాయి. కానీ ఖాతాదారుడు వండిన పప్పు తింటాడు, పచ్చి పప్పు కాదు. వంట సమయంలో నీటిని గ్రహించడం ద్వారా బరువు మారుతుంది; 100 గ్రాముల ముడి బియ్యం వండినప్పుడు ~ 250-300 గ్రాములకు పెరుగుతుంది. అందువల్ల, "వండిన 200 గ్రాములు" మరియు "ముడి 100 గ్రాములు" వేర్వేరు పోషక విలువలను కలిగి ఉంటాయి. AI ఈ పరివర్తనలను చేయగలదు, కానీ ఇది దిశను గందరగోళానికి గురి చేస్తుంది. మీరు ఉపయోగించే విలువ ముడి లేదా వండినదా అని ఎల్లప్పుడూ స్పష్టం చేయండి; ఇది గణన లోపాల యొక్క తరచుగా మూలం.

మూడు చిన్న కేసులు

కేసు 1 - భ్రాంతిని పట్టుకోవడం. ఒక డైటీషియన్ YZని అడిగాడు, "100 గ్రాముల ఉడికించిన బ్రోకలీలో ఎన్ని గ్రాముల ప్రోటీన్ ఉంది?" అతను అడుగుతాడు; AI "సుమారు 8 గ్రాములు" అని చెప్పింది. డైటీషియన్ USDA వైపు చూస్తాడు: వాస్తవ విలువ ~2.4 గ్రాములు. AI దీనిని లెగ్యూమ్/నట్ డేటాతో కలిపి మూడు రెట్లు పెంచింది. డైటీషియన్ సరైన విలువను ఉపయోగిస్తాడు. పాఠం: ఆకుపచ్చ కూరగాయలలో ప్రోటీన్ తక్కువగా ఉంటుంది; అనర్గళంగా ఉన్నందున సంఖ్య సరైనది కాదు.

కేసు 2 - ముడి/వండిన గందరగోళం. డ్రాఫ్ట్ ప్లాన్‌లో, AI "150 గ్రాముల పాస్తా" (~525 కిలో కేలరీలు) కోసం ముడి విలువను ఉపయోగిస్తుంది, అయితే క్లయింట్ 150 గ్రాముల వండిన పాస్తా (~210 కిలో కేలరీలు) తింటున్నాడు. వ్యత్యాసం ఒక భోజనంలో 315 కిలో కేలరీలు, ఇది రోజుకు ఒక భోజనంతో కూడా తీవ్రమైన విచలనం. డైటీషియన్ కొలత యూనిట్‌ను "వండినది" అని స్పష్టం చేసి, మళ్లీ లెక్కిస్తుంది.

కేసు 3 - సరైన ఉపయోగం. ఒక డైటీషియన్ USDA నుండి చికెన్, రైస్ మరియు బ్రోకలీ కోసం 100 గ్రాముల విలువలను కాపీ చేసి, "ఈ డేటాతో భోజనం కోసం మొత్తం స్థూలాన్ని లెక్కించి, దాని స్వంత మెమరీ నుండి సంఖ్యలను జోడించి" సూచనతో వాటిని AIకి అందజేస్తాడు. AI ఇచ్చిన సంఖ్యలతో మాత్రమే జోడిస్తుంది; డైటీషియన్ దానిని తిరిగి కొట్టడం ద్వారా నిర్ధారిస్తాడు. మూలం నుండి డేటా వచ్చింది, AI అంకగణితాన్ని చేసింది.

కాపీ చేయగల ప్రాంప్ట్ టెంప్లేట్‌లు

మూలాధార డేటాతో కూడిన గణన టెంప్లేట్ (రాగ్ లాజిక్)మీ పాత్ర: మీకు అందించిన పోషక విలువలతో మాత్రమే పనిచేసే సహాయకుడు. మీ స్వంత మెమరీ నుండి పోషక విలువలను జోడించండి లేదా మార్చండి. డేటా మిస్ అయితే "[డేటా లేదు]" అని వ్రాయండి, తయారు చేయండి. డేటా (ప్రతి 100 గ్రా, మూలం: USDA):- చికెన్ బ్రెస్ట్ (వండినవి): 165 కిలో కేలరీలు, 31 గ్రా ప్రోటీన్, 3.6 గ్రా కొవ్వు, 0 గ్రా పిండి పదార్థాలు- బియ్యం (వండినవి): ... టాస్క్: 120 గ్రా చికెన్ + 150 గ్రా బియ్యం కోసం మొత్తం కిలో కేలరీలు మరియు మాక్రోను లెక్కించండి.

ముడి/వండిన మార్పిడి టెంప్లేట్ 100 గ్రా ముడికి క్రింది ఆహారం యొక్క విలువ ఇవ్వబడుతుంది: [విలువలు]. క్లయింట్ [X] g వండినది తింటారు. వండినప్పుడు, బరువు ~[నిష్పత్తి] మారుతుంది. దీని ప్రకారం, తిన్న మొత్తం పోషక విలువను లెక్కించండి మరియు మీరు ఉపయోగించే ఊహను స్పష్టంగా వ్రాయండి.

డేటాబేస్ క్వెరీ ప్రిపరేషన్ టెంప్లేట్ నేను భోజనం యొక్క పోషక విలువను కనుగొనాలనుకుంటున్నాను. నేను ఆహార డేటాబేస్ (USDA/TUBER)లో ఈ క్రింది ఆహారాల కోసం ఏ పదాన్ని శోధించాలో జాబితా చేయండి, నేను ఏ రికార్డ్ ఎంచుకోవాలి, ముడి/వండినవి. మీకు విలువలను ఇవ్వవద్దు; సరైన శోధన పదం మరియు దృష్టిని నాకు తెలియజేయండి. పోషకాలు: [...]

క్రమబద్ధత తనిఖీ టెంప్లేట్ క్రింది భోజనం కోసం పోషక విలువలను రెండు రకాలుగా వివరించండి: (1) అన్ని ఆహారాలు పచ్చిగా ఉన్నాయని, (2) అన్ని ఆహారాలు వండినవిగా భావించడం. రెండు మొత్తాలను సరిపోల్చండి మరియు తేడా ఎక్కడ నుండి వచ్చిందో వివరించండి. కాబట్టి నేను ఏ ఊహను ధృవీకరించాలో చూడగలను.

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనమైన ప్రాంప్ట్:

లెంటిల్ సూప్ గిన్నెలో ఎన్ని కేలరీలు ఉన్నాయి?

"ఒక వంటకం" అస్పష్టంగా ఉంది, వంటకం అస్పష్టంగా ఉంది, మూలం లేదు; AI దాని మెమరీ నుండి ఒక సంఖ్యను తయారు చేస్తుంది మరియు అది ఎలా వచ్చిందో చెప్పలేదు.

శక్తివంతమైన ప్రాంప్ట్:

మీ పాత్ర: అందించిన డేటాతో మాత్రమే లెక్కించే సహాయకుడు. లెంటిల్ సూప్ సర్వింగ్ = 300 గ్రా. కావలసినవి (100 గ్రాకి విలువలు, USDA మూలం, నేను క్రింద ఇస్తున్నాను): ఎరుపు కాయధాన్యాలు (వండినవి) [విలువలు], ఉల్లిపాయ [విలువలు], ఆలివ్ నూనె [విలువలు]. ఒక్కో సేవకు పరిమాణాలు: [...]. ఈ డేటాతో మొత్తం kcal మరియు మాక్రోను లెక్కించండి, మెమరీ నుండి జోడించవద్దు, దశలను చూపండి.

రెండవ ప్రాంప్ట్ మూలం సర్వింగ్, ముడి/వండిన సమాచారం మరియు "జోడించవద్దు" పరిమితిని అందిస్తుంది; అవుట్‌పుట్ ఆడిట్ చేయదగినది మరియు నమ్మదగినది.

సాధారణ తప్పులు

• AI యొక్క జ్ఞాపకశక్తిని విశ్వసించడం: పోషక విలువలను బహిరంగంగా ప్రశ్నించడం; ఇది భ్రాంతికి ఆహ్వానం.
• ముడి/వండిన గందరగోళం: అత్యంత సాధారణ నిశ్శబ్ద పొరపాటు; కొలత యూనిట్‌ను ఎల్లప్పుడూ స్పష్టం చేయండి.
• మూల గందరగోళం: విభిన్న డేటాబేస్‌ల నుండి విభిన్న పోషకాలను కలపడం; ప్రణాళికలో స్థిరమైన వనరులను ఉపయోగించండి.
• భాగాన్ని అస్పష్టంగా ఉంచడం: "ఒక ప్లేట్", "కొంత" వంటి వ్యక్తీకరణలను గ్రాములుగా మార్చకుండా గణించడం.
• పరిధికి బదులుగా ఒకే సంఖ్యపై దృష్టి కేంద్రీకరించడం: అదే ఆహారం సహేతుకమైన విలువలను కలిగి ఉందని మర్చిపోవడం; తప్పుడు నిశ్చయతను సృష్టించడం.

సారాంశంలో

భాషా నమూనా బలహీనంగా ఉన్న ప్రాంతం పోషకాహార డేటా; మోడల్ సంఖ్యలను గుర్తుంచుకోనందున, అది వాటిని ఉత్పత్తి చేస్తుంది. కాబట్టి ఎల్లప్పుడూ గుర్తింపు పొందిన డేటాబేస్ (USDA, TÜBER, BeBiS) నుండి పోషక విలువలను పొందండి మరియు RAG లాజిక్ ఆధారంగా, మూలాధారం నుండి సేకరించబడిన డేటాను మాత్రమే లెక్కించడానికి మరియు అర్థం చేసుకోవడానికి AIని ఉపయోగించండి. ముడి/వండిన మార్పిడులు, భాగం స్పష్టత మరియు మూల స్థిరత్వంపై శ్రద్ధ వహించండి. కేవలం సంఖ్య స్పష్టంగా వచ్చినందున సరైనది కాదు; మీరు మూలంతో పని చేయడం ద్వారా మాత్రమే సత్యాన్ని పొందగలరు.

అప్లికేషన్ టాస్క్

మూడు ఆహారాలను ఎంచుకోండి (ఉదాహరణకు, ఉడికించిన గుడ్లు, గోధుమ రొట్టె, గ్రీకు పెరుగు). ముందుగా, AI ఓపెన్-ఎండ్‌ని అడగండి మరియు దాని విలువలను (దాని మెమరీ నుండి) పొందండి. USDA FoodData Central నుండి అదే పోషకాల యొక్క వాస్తవ విలువలను కనుగొనండి. రెండు సెట్లను సరిపోల్చండి మరియు ప్రతి ఆహారంలో ఎంత విచలనం ఉందో పట్టికలో వ్రాయండి. ఈ పట్టిక "మెమరీని విశ్వసించవద్దు, మూలానికి లింక్" సూత్రాన్ని వెల్లడిస్తుంది.

చెక్లిస్ట్

• [ ] నేను పోషక విలువలను బాగా తెలిసిన డేటాబేస్ నుండి పొందాను, AI మెమరీ నుండి కాదు.
• [ ] నేను AIపై "ఇచ్చిన డేటాతో మాత్రమే పని చేయండి, దేనినీ జోడించవద్దు" అనే పరిమితిని ఉంచాను.
• [ ] నేను ప్రతి ఆహారానికి అది పచ్చిదా లేదా వండినా అని స్పష్టం చేసాను.
• [ ] నేను భాగాలను గ్రాములుగా మార్చాను; నేను "ఒక ప్లేట్/చేతి నిండుగా" వదిలిపెట్టలేదు.
• [ ] నేను ప్లాన్‌లో ఒకే స్థిరమైన మూలాన్ని ఉపయోగించాను.
• [ ] నేను AI మొత్తాన్ని తిరిగి గుణించడం ద్వారా ధృవీకరించాను.