فوڈ ڈیٹا بیس اور غذائی اجزاء کا ڈیٹا: AI کو صحیح ماخذ سے جوڑنا

فائدہ:

• مصنوعی ذہانت کی یادداشت کے بجائے معروف ڈیٹا بیس (USDA، TÜBER، BeBiS) سے غذائیت کی قدریں حاصل کرنے کی ضرورت کو سمجھنے کی صلاحیت
• آر اے جی منطق کے ساتھ صرف ماخذ سے اخذ کردہ ڈیٹا کے ساتھ حساب اور تشریحات کرنے کے لیے مصنوعی ذہانت کو ہدایت دینے کی صلاحیت
• خام/پکی ہوئی تبدیلیوں، حصے کی وضاحت اور ماخذ کی مستقل مزاجی پر غور کرکے غذائیت کی غلطیوں کو روکنے کی صلاحیت

غذائی ماہرین کے روزمرہ کے کام کے مرکز میں یہ سوال ہوتا ہے کہ "اس غذائیت میں کتنا ہے؟" ایک سوال ہے۔ 100 گرام چکن بریسٹ میں کتنے گرام پروٹین ہوتے ہیں؟ پوری گندم کی روٹی کے ٹکڑے میں کتنے گرام فائبر ہوتا ہے؟ زیتون کے تیل کے ایک چمچ میں کتنی کیلوریز ہوتی ہیں؟ ان سوالات کے جوابات فوڈ کمپوزیشن ڈیٹا بیس میں رکھے گئے ہیں - سرکاری ٹیبلز جو لیبارٹری کے تجزیے کی بنیاد پر ہزاروں کھانوں کی توانائی، میکرو اور مائیکرو نیوٹرینٹ مواد کی فہرست بناتی ہیں۔ اس میدان میں مصنوعی ذہانت کی سب سے خطرناک غلطی یہ سوچنا ہے کہ وہ ان نمبروں کو "یاد" رکھتا ہے۔ تاہم، زبان کا ماڈل نمبروں کو حفظ نہیں کرتا؛ یہ ممکنہ طور پر پیدا کرتا ہے اور اکثر ایسی اقدار دیتا ہے جو حقیقت کے قریب ہوتی ہیں لیکن بعض اوقات سنگین طور پر غلط ہوتی ہیں۔ اس یونٹ کا بنیادی پیغام واضح ہے: ایک تسلیم شدہ ڈیٹا بیس سے غذائیت کی قیمت حاصل کریں، AI کی یادداشت سے نہیں۔ AI کا استعمال درست ڈیٹا کے ساتھ کام کرنے کے لیے کریں، ڈیٹا کو یاد رکھنے کے لیے نہیں۔

معروف ڈیٹا بیس اور وہ کس چیز کے لیے استعمال ہوتے ہیں۔

دنیا اور ترکی میں بڑے پیمانے پر استعمال ہونے والے اہم ذرائع یہ ہیں:

ڈیٹا بیس

دائرہ کار

مضبوط نقطہ

توجہ

USDA FoodData Central (USDA)

بہت بڑا، ~ چوتھائی ملین ریکارڈ

API کے ساتھ تفصیلی، مفت

امریکہ کی مصنوعات؛ مقامی خوراک محدود

TÜBER / Türkiye نیوٹریشن گائیڈ سپلیمنٹس

ترک کھانوں پر توجہ دی گئی۔

مقامی کھانا اور حصہ

دائرہ کار USDA سے کم ہے۔

بی بی آئی ایس (غذائی معلومات کا نظام)

Türkiye میں عام سافٹ ویئر

ترکی کی ترکیبیں۔

لائسنس یافتہ سافٹ ویئر

USDA/EuroFIR

یورپی کمپوزیشن ڈیٹا

ملک پر مبنی معیار

رسائی ادارہ جاتی ہو سکتی ہے۔

"API" سے مراد وہ انٹرفیس ہے جو ایک سافٹ ویئر کو پروگرامی طور پر (خود بخود) ڈیٹا بیس سے سوالات پوچھنے اور منظم جوابات حاصل کرنے کی اجازت دیتا ہے۔ USDA FoodData Central جیسے وسائل کے لیے API کا ہونا مستقبل میں AI ٹولز کو حقیقی ڈیٹا سے مربوط کرنا ممکن بناتا ہے۔ یہ "ڈیٹا سے چلنے والے AI" اپروچ کی بنیاد ہے: ماڈلز میں فٹ نہ ہوں، حقیقی ماخذ سے کھینچیں۔

دھیان دیں: ایک ہی غذائیت مختلف ڈیٹا بیس میں مختلف اقدار دکھا سکتی ہے۔ کیونکہ کاشتکاری کی حالت، اقسام، کھانا پکانے کا طریقہ اور تجزیہ مختلف ہے۔ کوئی ایک "درست" نمبر نہیں ہے؛ ایک معقول حد ہے۔ ریکارڈ کریں کہ آپ کلائنٹ پلان میں کون سا وسیلہ استعمال کرتے ہیں تاکہ آپ مستقل رہ سکیں۔

"بازیافت" منطق: AI کو ماخذ سے جوڑنا

جدید ایپلی کیشنز میں، AI کو حقیقی ڈیٹا سے جوڑنے کا طریقہ RAG اپروچ ہے — انگریزی میں Retrieval-Augmented Generation۔ بس: میموری سے جواب کو فٹ کرنے کے بجائے، ماڈل پہلے ایک قابل اعتماد ذریعہ (ڈیٹا بیس، دستاویز) سے متعلقہ ڈیٹا کھینچتا ہے، پھر اس ڈیٹا کی بنیاد پر جواب تیار کرتا ہے۔ عملی طور پر آپ اسے دو طریقوں سے نافذ کرتے ہیں:

1. دستی کھانا کھلانا: آپ بھروسہ مند میز سے کھانے کی قیمتیں کاپی کرتے ہیں اور اسے AI کو دیتے ہیں۔ AI صرف اس ڈیٹا کے ساتھ حساب لگاتا ہے/تشریح کرتا ہے، یہ اپنی میموری سے نمبر نہیں جوڑتا ہے۔
2. منسلک گاڑی: آپ ڈیٹا بیس سے منسلک گاڑی استعمال کرتے ہیں۔ AI استفسار کو اصل ماخذ پر بھیجتا ہے اور لوٹی ہوئی قدر کا استعمال کرتا ہے۔

دونوں صورتوں میں، سنہری اصول ایک ہی ہے: نمبر ماخذ سے آتا ہے، AI اس کی تشریح کرتا ہے۔ "100 گرام دال میں کتنا آئرن ہوتا ہے؟" YZ سے پوچھا۔ کھلا سوال پوچھنا من گھڑت بات کو دعوت دینا ہے۔

عام پروڈکٹ، برانڈڈ پروڈکٹ اور کھانے کا مکس

غذائیت کے ڈیٹا بیس میں ایک ہی نام سے متعدد ریکارڈ ہوتے ہیں، اور غلط ریکارڈ کا انتخاب غلطی کا ایک خاموش ذریعہ ہے۔ مثال کے طور پر، "دہی" تلاش کرنے سے آپ کو درجنوں مختلف ریکارڈز ملیں گے، جیسے مکمل چکنائی، آدھی چکنائی، چکنائی سے پاک، یونانی قسم کا (تناؤ) اور میٹھا پھل کا دہی؛ ان کی کیلوریز اور میکرو ایک دوسرے سے بہت دور ہیں۔ یونانی دہی میں عام دہی سے تقریباً دوگنا پروٹین ہوتا ہے۔ اسی طرح، "برانڈڈ پروڈکٹ" کے ریکارڈز (کمپنی کی پیکڈ پروڈکٹ) اور "جنرل نیوٹریشن" کے ریکارڈ مختلف اقدار رکھتے ہیں۔ اچھی مشق میں، آپ اس پروڈکٹ سے میل کھاتے ہیں جو کلائنٹ اصل میں استعمال کرتا ہے جتنا ممکن ہو: اگر ممکن ہو تو، پیکیجنگ پر غذائیت کے لیبل کی بنیاد پر، بصورت دیگر آپ ڈیٹا بیس میں قریب ترین تفصیل کا انتخاب کرتے ہیں۔ اے آئی سے پوچھیں "مجھے کون سا ریکارڈ منتخب کرنا چاہئے؟" جب آپ مشورہ کرتے ہیں، تو یہ آپ کو صحیح تلاش کی اصطلاح تجویز کر سکتا ہے۔ لیکن حتمی ریکارڈ کا انتخاب اور لیبل کا موازنہ آپ کے کنٹرول میں ہے۔ پورے منصوبے میں ایک ہی غذائیت کے لیے ایک ہی ریکارڈ کا استعمال مستقل مزاجی کے لیے بھی اہم ہے۔ مکمل چکنائی والا دودھ آدھے وقت اور سکم دودھ آدھے وقت استعمال کرنے سے ٹوٹل بگڑ جائے گا۔

حصہ اور کھانا پکانے کے تبادلے۔

غذائیت سے متعلق ڈیٹا بیس عام طور پر فی 100 گرام خام کی قدر دیتے ہیں۔ لیکن موکل پکی دال کھاتا ہے، کچی دال نہیں۔ کھانا پکانے کے دوران پانی جذب کرنے سے وزن میں تبدیلی آتی ہے۔ 100 گرام کچے چاول پکانے پر 250-300 گرام تک بڑھ جاتے ہیں۔ لہذا، "پکا ہوا 200 گرام" اور "کچا 100 گرام" مختلف غذائیت کے حامل ہوتے ہیں۔ AI یہ تبدیلیاں کر سکتا ہے، لیکن یہ سمت کو الجھا سکتا ہے۔ ہمیشہ واضح کریں کہ آپ جو قیمت استعمال کرتے ہیں وہ خام ہے یا پکی؛ یہ حساب کی غلطیوں کا اکثر ذریعہ ہے۔

تین چھوٹے مقدمات

کیس 1 - ایک فریب کو پکڑنا۔ ایک ماہر غذائیت نے YZ سے پوچھا، "ابلی ہوئی بروکولی کے 100 گرام میں کتنے گرام پروٹین ہوتے ہیں؟" وہ پوچھتا ہے؛ AI کا کہنا ہے کہ "تقریبا 8 گرام"۔ غذائی ماہر USDA کو دیکھتا ہے: اصل قیمت ~2.4 گرام ہے۔ AI نے اسے پھلی/نٹ کے اعداد و شمار کے ساتھ ملایا اور اسے تین گنا بڑھا دیا۔ غذائی ماہر صحیح قدر استعمال کرتا ہے۔ سبق: سبز سبزیوں میں پروٹین کی مقدار کم ہوتی ہے۔ نمبر صرف اس لیے درست نہیں ہے کہ یہ روانی ہے۔

کیس 2 - خام/پکی الجھن۔ ایک ڈرافٹ پلان میں، AI خام قیمت کو "150 گرام پاستا" (~525 kcal) کے لیے استعمال کرتا ہے، جبکہ کلائنٹ 150 گرام پکا ہوا پاستا (~210 kcal) کھا رہا ہے۔ فرق ایک کھانے میں 315 کلو کیلوری ہے، جو ایک دن میں ایک کھانے کے ساتھ بھی سنگین انحراف ہے۔ ماہر غذائیت پیمائش کی اکائی کو "پکے ہوئے" کی وضاحت کرتا ہے اور دوبارہ گنتی کرتا ہے۔

کیس 3 - درست استعمال۔ ایک غذائی ماہر یو ایس ڈی اے سے چکن، چاول اور بروکولی کے لیے 100 گرام کی قیمتوں کو کاپی کرتا ہے، انہیں AI کو یہ ہدایت دیتا ہے کہ "اس ڈیٹا کے ساتھ کھانے کے لیے کل میکرو کا حساب لگانا، اس کی اپنی یادداشت سے نمبر شامل کرنا۔" AI صرف دیے گئے نمبروں کے ساتھ شامل کرتا ہے۔ ماہر غذائیت اس کی تصدیق کرتا ہے۔ ڈیٹا ماخذ سے آیا، AI نے ریاضی کیا۔

کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس

ماخذ ڈیٹا کے ساتھ کیلکولیشن ٹیمپلیٹ (RAG منطق) آپ کا کردار: اسسٹنٹ جو صرف آپ کو دی گئی غذائی اقدار کے ساتھ کام کرتا ہے۔ اپنی یادداشت سے غذائی اقدار کو شامل کریں یا تبدیل کریں۔ اگر ڈیٹا غائب ہو تو "[کوئی ڈیٹا نہیں]" لکھیں، بنائیں۔ ڈیٹا (فی 100 گرام، ماخذ: USDA):- چکن بریسٹ (پکا ہوا): 165 کلو کیلوری، 31 جی پروٹین، 3.6 جی فیٹ، 0 جی کاربوہائیڈریٹ- چاول (پکے ہوئے): ...ٹاسک: 120 جی چکن + 150 جی چاول کے لیے کل کیلوری اور میکرو کا حساب لگائیں۔

RAW/COOKED CONVERSION TEMPLATE مندرجہ ذیل خوراک کی قیمت فی 100 گرام RAW دی گئی ہے: [قدریں]۔ کلائنٹ [X] جی پکایا کھاتا ہے۔ جب پکایا جائے تو وزن ~[تناسب] بدل جاتا ہے۔ اس کے مطابق، کھائی گئی مقدار کی غذائیت کی قیمت کا حساب لگائیں اور واضح طور پر لکھیں کہ آپ کون سا مفروضہ استعمال کرتے ہیں۔

ڈیٹا بیس سوال تیاری کا ٹیمپلیٹ میں کھانے کی غذائیت کی قیمت تلاش کرنا چاہتا ہوں۔ مندرجہ ذیل کھانوں کے لیے مجھے فوڈ ڈیٹا بیس (USDA/TUBER) میں کون سی اصطلاح تلاش کرنی چاہیے، جس کا ریکارڈ مجھے منتخب کرنا چاہیے، کچی/پکی۔ آپ کو اقدار نہ دیں؛ صرف مجھے صحیح تلاش کی اصطلاح اور توجہ کا نقطہ بتائیں۔ غذائی اجزاء: [...]

مستقل مزاجی کی جانچ پڑتال کریں دو کلوں کا موازنہ کریں اور وضاحت کریں کہ فرق کہاں سے آتا ہے۔ لہذا میں دیکھ سکتا ہوں کہ مجھے کس مفروضے کی تصدیق کرنے کی ضرورت ہے۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

دال کے سوپ کے ایک پیالے میں کتنی کیلوریز ہوتی ہیں؟

"ایک ڈش" مبہم ہے، نسخہ مبہم ہے، ذریعہ غائب ہے۔ AI اپنی میموری سے ایک نمبر بناتا ہے اور یہ نہیں بتاتا کہ اس کے ساتھ یہ کیسے آیا۔

طاقتور اشارہ:

آپ کا کردار: اسسٹنٹ جو صرف دیے گئے ڈیٹا سے حساب لگاتا ہے۔ دال کا سوپ سرونگ = 300 گرام۔ اجزاء (قیمتیں فی 100 گرام، ماخذ USDA، میں ذیل میں دیتا ہوں): سرخ دال (پکی ہوئی) [قدریں]، پیاز [قدریں]، زیتون کا تیل [قدریں]۔ فی سرونگ مقدار: [...] اس ڈیٹا کے ساتھ کل kcal اور میکرو کا حساب لگائیں، میموری سے اضافہ نہ کریں، اقدامات دکھائیں۔

دوسرا فوری ذریعہ سرونگ، کچی/پکی ہوئی معلومات، اور "ایڈ نہ کریں" کی پابندی دیتا ہے۔ آؤٹ پٹ قابل سماعت اور قابل اعتماد ہے۔

عام غلطیاں

• AI کی یادداشت پر بھروسہ کرنا: غذائیت کی قیمت کے بارے میں کھلے عام سوالات؛ یہ فریب کاری کی دعوت ہے۔
• مبہم خام/پکی: سب سے عام خاموش غلطی؛ پیمائش کی اکائی کو ہمیشہ واضح کریں۔
• ماخذ کی الجھن: مختلف ڈیٹا بیس سے مختلف غذائی اجزاء کو ملانا؛ منصوبے میں مستقل وسائل کا استعمال کریں۔
• حصہ کو مبہم چھوڑنا: "ایک پلیٹ"، "ایک مٹھی بھر" جیسے تاثرات کو گرام میں تبدیل کیے بغیر حساب لگانا۔
• رینج کے بجائے ایک عدد پر توجہ مرکوز کرنا: یہ بھول جانا کہ ایک ہی خوراک کی قدروں کی ایک معقول حد ہوتی ہے۔ غلط یقین پیدا کرنا.

خلاصہ میں

غذائیت سے متعلق ڈیٹا وہ علاقہ ہے جہاں زبان کا ماڈل سب سے کمزور ہے۔ کیونکہ ماڈل نمبروں کو یاد نہیں رکھتا ہے، یہ انہیں پیدا کرتا ہے. لہذا ہمیشہ ایک تسلیم شدہ ڈیٹا بیس (USDA, TÜBER, BeBiS) سے غذائیت کی قدریں حاصل کریں اور صرف اس ڈیٹا کا حساب لگانے اور اس کی تشریح کرنے کے لیے AI کا استعمال کریں — RAG منطق کی بنیاد پر، ماخذ سے حاصل کردہ ڈیٹا۔ خام/پکی ہوئی تبدیلیوں، حصے کی وضاحت، اور ماخذ کی مستقل مزاجی پر توجہ دیں۔ صرف اس لیے کہ نمبر روانی سے نکلا درست نہیں ہے۔ آپ ماخذ کے ساتھ کام کرکے ہی سچائی حاصل کرسکتے ہیں۔

درخواست کا کام

تین کھانے کا انتخاب کریں (مثال کے طور پر ابلے ہوئے انڈے، پوری گندم کی روٹی، یونانی دہی)۔ سب سے پہلے، AI اوپن اینڈڈ سے پوچھیں اور اس کی اقدار (اس کی یادداشت سے) حاصل کریں۔ پھر USDA FoodData Central سے انہی غذائی اجزاء کی اصل قدریں تلاش کریں۔ دونوں سیٹوں کا موازنہ کریں اور ایک ٹیبل میں لکھیں کہ ہر کھانے میں کتنا انحراف ہے۔ یہ جدول "میموری پر بھروسہ نہ کریں، ماخذ سے لنک" کے اصول کو ظاہر کرے گا۔

چیک لسٹ

• میں نے غذائیت کی قدریں ایک معروف ڈیٹا بیس سے حاصل کیں، نہ کہ AI میموری سے۔
• میں نے AI پر پابندی لگا دی کہ "صرف دیئے گئے ڈیٹا کے ساتھ کام کریں، کچھ بھی شامل نہ کریں"۔
• میں نے ہر کھانے کے لیے واضح کر دیا ہے کہ وہ کچا ہے یا پکا ہوا ہے۔
• میں نے حصوں کو گرام میں تبدیل کیا۔ میں نے "ایک پلیٹ/مٹھی بھر" پیچھے نہیں چھوڑا۔
• [ ] میں نے ایک منصوبہ کے اندر ایک مستقل ذریعہ استعمال کیا۔
• [ ] میں نے AI کے جمع کو واپس ضرب دے کر تصدیق کی۔