Mga nadagdag:
- Kakayahang maunawaan ang pangangailangan ng pagkuha ng mga nutritional value mula sa mga kilalang database (USDA, TÜBER, BeBiS) sa halip na mula sa artificial intelligence memory
- Kakayahang magdirekta ng artificial intelligence upang gumawa ng mga kalkulasyon at interpretasyon lamang gamit ang data na nakuha mula sa pinagmulan, na may RAG logic
- Kakayahang maiwasan ang mga error sa nutrisyon sa pamamagitan ng pagsasaalang-alang ng mga hilaw/lutong conversion, kalinawan ng bahagi at pagkakapare-pareho ng pinagmulan
Sa gitna ng pang-araw-araw na gawain ng isang dietitian ay ang tanong na "magkano ang nutrient na ito?" May tanong. Ilang gramo ng protina sa 100 gramo ng dibdib ng manok? Ilang gramo ng fiber ang nasa isang slice ng whole wheat bread? Ilang calories ang nasa isang kutsarang langis ng oliba? Ang mga sagot sa mga tanong na ito ay nasa database ng komposisyon ng pagkain — mga opisyal na talahanayan na naglilista ng enerhiya, macro at micronutrient na nilalaman ng libu-libong pagkain batay sa pagsusuri sa laboratoryo. Ang pinaka-mapanganib na pagkakamali ng artificial intelligence sa larangang ito ay ang isipin na "naaalala" nito ang mga numerong ito. Gayunpaman, ang modelo ng wika ay hindi nagsasaulo ng mga numero; Ito ay bumubuo ng probabilistically at madalas na nagbibigay ng mga halaga na malapit sa katotohanan ngunit kung minsan ay seryosong mali. Ang pangunahing mensahe ng yunit na ito ay malinaw: kunin ang nutritional value mula sa isang kinikilalang database, hindi mula sa memorya ng AI; Gumamit ng AI upang gumana sa tumpak na data, hindi para matandaan ang data.
Mga kilalang database at kung para saan ang mga ito
Ang mga pangunahing mapagkukunan na malawakang ginagamit sa mundo at sa Türkiye ay:
database
Saklaw
malakas na punto
Pansin
USDA FoodData Central (USA)
Napakalaki, ~ quarter million records
Detalyadong, libre, na may API
mga produkto ng USA; limitado ang lokal na pagkain
Mga suplemento ng TÜBER / Türkiye Nutrition Guide
Nakatuon ang Turkish cuisine
Lokal na pagkain at bahagi
Mas makitid ang saklaw kaysa sa USDA
BeBiS (Nutrition Information System)
Karaniwang software sa Türkiye
Mga recipe ng Turkish
Licensed software
USDA/EuroFIR
Data ng komposisyon ng Europa
Pamantayan batay sa bansa
Ang pag-access ay maaaring institusyonal
Ang ibig sabihin ng "API" ay ang interface na nagbibigay-daan sa isang software na programmatically (awtomatikong) magtanong sa database at makatanggap ng mga structured na sagot. Ang pagkakaroon ng API para sa mga mapagkukunan tulad ng USDA FoodData Central ay ginagawang posible na ikonekta ang mga tool ng AI sa totoong data sa hinaharap. Ito ang batayan ng "data-driven AI" na diskarte: huwag magkasya sa mga modelo, gumuhit mula sa tunay na pinagmulan.
Pansin: Ang parehong nutrient ay maaaring magpakita ng iba't ibang mga halaga sa iba't ibang mga database; Dahil iba ang kondisyon ng pagsasaka, iba't-ibang, paraan ng pagluluto at pagsusuri. Walang iisang "tama" na numero; Mayroong isang makatwirang saklaw. Itala kung aling mapagkukunan ang iyong ginagamit sa isang plano ng kliyente upang maging pare-pareho ka.
Logic ng "Pagbawi": pagkonekta sa AI sa pinagmulan
Sa modernong mga application, ang paraan upang ikonekta ang AI sa totoong data ay ang diskarte sa RAG — Retrieval-Augmented Generation sa English. Simple lang: sa halip na ilapat ang sagot mula sa memorya, kumukuha muna ang modelo ng may-katuturang data mula sa isang maaasahang pinagmulan (database, dokumento), pagkatapos ay bubuo ng sagot batay sa data na iyon. Sa pagsasagawa, ipinapatupad mo ito sa dalawang paraan:
- Manu-manong pagpapakain: Kokopyahin mo ang mga halaga ng pagkain mula sa pinagkakatiwalaang talahanayan at ibigay ito sa AI; Kinakalkula/nagbibigay-kahulugan lamang ng AI gamit ang data na ito, hindi ito nagdaragdag ng mga numero mula sa sarili nitong memorya.
- Nakakonektang sasakyan: Gumagamit ka ng sasakyang nakakonekta sa database; Ipinapasa ng AI ang query sa aktwal na pinagmulan at ginagamit ang ibinalik na halaga.
Sa parehong mga kaso, ang ginintuang panuntunan ay pareho: ang numero ay nagmula sa pinagmulan, ang AI ay nagbibigay-kahulugan dito. "Magkano ang bakal sa 100 gramo ng lentils?" tanong ni YZ. Ang magtanong ng isang bukas na tanong ay ang pag-imbita ng katha.
Generic na produkto, branded na produkto at meal mix
Ang mga database ng nutrisyon ay may maraming tala sa ilalim ng parehong pangalan, at ang pagpili sa maling tala ay isang tahimik na pinagmulan ng error. Halimbawa, ang paghahanap para sa "yogurt" ay magbibigay sa iyo ng dose-dosenang iba't ibang mga tala, tulad ng full-fat, half-fat, fat-free, Greek-type (strained), at sweetened fruit yogurt; Ang kanilang mga calorie at macro ay napakalayo sa isa't isa. Ang Greek yogurt ay may halos dalawang beses na protina ng regular na yogurt. Katulad nito, ang mga talaan ng "brand na produkto" (naka-package na produkto ng kumpanya) at "pangkalahatang nutrisyon" ay may iba't ibang halaga. Sa mabuting kasanayan, itinutugma mo ang produktong aktwal na kinokonsumo ng kliyente nang mas malapit hangga't maaari: kung maaari, batay sa label ng nutrisyon sa packaging, kung hindi, pipiliin mo ang pinakamalapit na paglalarawan sa database. Tanungin ang AI "aling tala ang dapat kong piliin?" Kapag kumunsulta ka, maaari itong magmungkahi sa iyo ng tamang termino para sa paghahanap; ngunit ang panghuling pagpili ng rekord at paghahambing sa label ay nasa ilalim ng iyong kontrol. Ang paggamit ng parehong talaan para sa parehong nutrient sa kabuuan ng isang plano ay mahalaga din para sa pagkakapare-pareho; Ang paggamit ng full-fat milk sa kalahati ng oras at skim milk sa kalahati ng oras ay magpapaiba sa mga kabuuan.
Mga conversion ng bahagi at pagluluto
Ang mga database ng nutrisyon ay karaniwang nagbibigay ng mga halaga sa bawat 100 gramo ng hilaw. Ngunit ang kliyente ay kumakain ng lutong lentil, hindi hilaw na lentil. Ang timbang ay nagbabago sa pamamagitan ng pagsipsip ng tubig sa panahon ng pagluluto; Ang 100 gramo ng hilaw na bigas ay tumataas hanggang ~250-300 gramo kapag niluto. Samakatuwid, ang "luto na 200 gramo" at "hilaw na 100 gramo" ay may iba't ibang nutritional value. Maaaring gawin ng AI ang mga pagbabagong ito, ngunit maaari nitong malito ang direksyon. Palaging linawin kung ang halaga na iyong ginagamit ay hilaw o luto; ito ay madalas na pinagmumulan ng mga error sa pagkalkula.
tatlong mini case
Case 1 — Nakakuha ng guni-guni. Tinanong ng isang dietitian si YZ, "Ilang gramo ng protina ang nasa 100 gramo ng pinakuluang broccoli?" tanong niya; Ang sabi ng AI ay "mga 8 gramo". Tinitingnan ng dietitian ang USDA: ang aktwal na halaga ay ~2.4 gramo. Hinalo ito ng AI sa data ng legume/nut at pinalaki ito ng tatlong beses. Ginagamit ng dietitian ang tamang halaga. Aralin: ang berdeng gulay ay mababa sa protina; Ang numero ay hindi tama dahil lamang ito ay matatas.
Kaso 2 — Hilaw/lutong pagkalito. Sa isang draft na plano, ginagamit ng AI ang hilaw na halaga para sa "150 gramo ng pasta" (~525 kcal), samantalang ang kliyente ay kumakain ng 150 gramo ng lutong pasta (~210 kcal). Ang pagkakaiba ay 315 kcal sa isang pagkain, na isang seryosong paglihis kahit na may isang pagkain sa isang araw. Nililinaw ng dietitian ang yunit ng pagsukat sa "luto" at muling kinakalkula.
Kaso 3 — Tamang paggamit. Kinokopya ng isang dietitian ang 100-gram na halaga para sa manok, bigas, at broccoli mula sa USDA, na binibigyan sila ng AI na may tagubilin na "kalkulahin lamang ang kabuuang macro para sa isang pagkain gamit ang data na ito, pagdaragdag ng mga numero mula sa sarili nitong memorya." Nagdaragdag lamang ang AI sa mga ibinigay na numero; kinumpirma ng dietitian sa pamamagitan ng paghampas nito pabalik. Ang data ay nagmula sa pinagmulan, AI ang gumawa ng aritmetika.
Nakokopya na mga template ng prompt
CALCULATION TEMPLATE MAY SOURCE DATA (RAG logic)Ang iyong tungkulin: assistant na gumagana lamang sa mga nutritional value na IBINIGAY SA IYO.DAGDAG o PALITAN ang mga nutritional value mula sa iyong sariling memorya. Kung nawawala ang data, isulat ang "[walang data]", gumawa. Data (bawat 100 g, source: USDA):- Dibdib ng manok (luto): 165 kcal, 31 g protein, 3.6 g fat, 0 g carbs- Rice (luto): ...Gawain: Kalkulahin ang kabuuang kcal at macro para sa 120 g manok + 150 g kanin.
RAW/COOKED CONVERSION TEMPLATEAng halaga ng sumusunod na pagkain ay ibinibigay sa bawat 100 g RAW: [mga halaga]. Ang kliyente ay kumakain ng [X] g LUTO. Kapag naluto, nagbabago ang timbang ~[ratio]. Alinsunod dito, kalkulahin ang nutritional value ng halagang kinakain at isulat ng MALINAW kung aling palagay ang iyong ginagamit.
DATABASE QUERY PREPARATION TEMPLATEI gustong mahanap ang nutritional value ng isang pagkain. Ilista kung ALING termino ang dapat kong hanapin sa database ng pagkain (USDA/TUBER) para sa mga sumusunod na pagkain, na rekord ang dapat kong piliin, hilaw/luto. Huwag ibigay ang mga halaga sa IYO; sabihin mo lang sa akin ang tamang termino para sa paghahanap at punto ng atensyon. Nutrients: [...]
CONSISTENCY CHECK TEMPLATEI-interpret ang mga nutritional value para sa sumusunod na pagkain sa dalawang magkaibang paraan: (1) ipagpalagay na ang lahat ng pagkain ay hilaw, (2) ipagpalagay na ang lahat ng pagkain ay luto. Ihambing ang dalawang kabuuan at ipaliwanag kung saan nagmumula ang pagkakaiba. Para makita ko kung aling assumption ang kailangan kong i-verify.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ilang calories ang nasa isang mangkok ng lentil na sopas?
Ang "isang ulam" ay malabo, ang recipe ay malabo, ang pinagmulan ay wala; Ang AI ay bumubuo ng isang numero mula sa memorya nito at hindi sinasabi kung paano ito nabuo.
Napakahusay na prompt:
Ang iyong tungkulin: katulong na nagkalkula lamang gamit ang ibinigay na data. Paghahain ng lentil na sopas = 300 g. Mga sangkap (mga halaga bawat 100 g, pinagmulan USDA, ibinibigay ko sa ibaba): pulang lentil (luto) [mga halaga], sibuyas [mga halaga], langis ng oliba [mga halaga]. Mga dami bawat paghahatid: [...]. Kalkulahin ang kabuuang kcal at macro gamit ang data na ito, huwag magdagdag mula sa memorya, ipakita ang mga hakbang.
Ang pangalawang prompt na pinagmulan ay nagbibigay ng paghahatid, hilaw/luto na impormasyon, at ang "huwag magdagdag" na hadlang; Ang output ay auditable at maaasahan.
Mga karaniwang pagkakamali
- Pagtitiwala sa memorya ng AI: Open-ended na pagtatanong ng nutritional value; Ito ay isang imbitasyon sa hallucination.
- Nakalilito hilaw/luto: Ang pinakakaraniwang tahimik na pagkakamali; Palaging linawin ang yunit ng pagsukat.
- Pinagmulan ng pagkalito: Paghahalo ng iba't ibang nutrients mula sa iba't ibang database; Gumamit ng pare-parehong mapagkukunan sa isang plano.
- Iniwan ang bahaging malabo: Kinakalkula ang mga expression tulad ng "isang plato", "isang dakot" nang hindi kino-convert ang mga ito sa gramo.
- Pagtuon sa isang numero sa halip na isang hanay: Nakakalimutan na ang parehong pagkain ay may makatwirang hanay ng mga halaga; lumilikha ng maling katiyakan.
Sa buod
Ang data ng nutrisyon ay ang lugar kung saan pinakamahina ang modelo ng wika; Dahil ang modelo ay hindi matandaan ang mga numero, ito ay gumagawa ng mga ito. Kaya palaging kunin ang mga nutritional value mula sa isang kinikilalang database (USDA, TÜBER, BeBiS) at gamitin ang AI upang kalkulahin at bigyang-kahulugan lamang ang data na iyon — batay sa RAG logic, data na kinuha mula sa pinagmulan. Bigyang-pansin ang mga hilaw/lutong conversion, kalinawan ng bahagi, at pagkakapare-pareho ng pinagmulan. Dahil lamang sa ang bilang na lumabas na matatas ay hindi tama; Makukuha mo lamang ang katotohanan sa pamamagitan ng pakikipagtulungan sa pinagmulan.
Gawain ng aplikasyon
Pumili ng tatlong pagkain (halimbawa, pinakuluang itlog, whole wheat bread, Greek yogurt). Una, tanungin ang AI na open-ended at kunin ang mga halaga nito (mula sa memorya nito). Pagkatapos ay hanapin ang aktwal na mga halaga ng parehong mga sustansya mula sa USDA FoodData Central. Ihambing ang dalawang set at isulat sa isang talahanayan kung gaano kalaki ang paglihis sa bawat pagkain. Ipapakita ng talahanayang ito ang prinsipyo ng "huwag magtiwala sa memorya, link sa pinagmulan".
checklist
- [ ] Nakuha ko ang mga nutritional value mula sa isang kilalang database, hindi mula sa memorya ng AI.
- [ ] Inilagay ko ang paghihigpit sa AI na "gumana lamang sa ibinigay na data, huwag magdagdag ng anuman".
- [ ] Nilinaw ko ang bawat pagkain kung ito ay hilaw o luto.
- [ ] Binago ko ang mga bahagi sa gramo; Hindi ako nag-iwan ng "isang plato/dakot" sa likod.
- [ ] Gumamit ako ng isang pare-parehong pinagmulan sa loob ng isang plano.
- [ ] Na-verify ko ang kabuuan ng AI sa pamamagitan ng pagpaparami nito pabalik.