Lợi nhuận:
- Khả năng hiểu sự cần thiết của việc thu được các giá trị dinh dưỡng từ cơ sở dữ liệu nổi tiếng (USDA, TÜBER, BeBiS) thay vì từ bộ nhớ trí tuệ nhân tạo
- Khả năng điều khiển trí tuệ nhân tạo thực hiện các phép tính và diễn giải chỉ với dữ liệu được lấy từ nguồn, với logic RAG
- Khả năng ngăn ngừa các lỗi dinh dưỡng bằng cách xem xét chuyển đổi sống/nấu chín, độ trong của khẩu phần và tính nhất quán của nguồn
Trọng tâm công việc hàng ngày của chuyên gia dinh dưỡng là câu hỏi "chất dinh dưỡng này chứa bao nhiêu?" Có một câu hỏi. 100 gam ức gà có bao nhiêu gam protein? Có bao nhiêu gram chất xơ trong một lát bánh mì nguyên hạt? Có bao nhiêu calo trong một muỗng canh dầu ô liu? Câu trả lời cho những câu hỏi này được lưu giữ trong cơ sở dữ liệu thành phần thực phẩm - các bảng chính thức liệt kê hàm lượng năng lượng, vĩ mô và vi chất dinh dưỡng của hàng nghìn loại thực phẩm dựa trên phân tích trong phòng thí nghiệm. Sai lầm nguy hiểm nhất của trí tuệ nhân tạo trong lĩnh vực này là cho rằng nó “nhớ” được những con số này. Tuy nhiên, mô hình ngôn ngữ không ghi nhớ các con số; Nó tạo ra theo xác suất và thường đưa ra các giá trị gần với thực tế nhưng đôi khi sai nghiêm trọng. Thông điệp chính của đơn vị này rất rõ ràng: lấy giá trị dinh dưỡng từ cơ sở dữ liệu được công nhận, không phải từ bộ nhớ của AI; Sử dụng AI để làm việc với dữ liệu chính xác chứ không phải ghi nhớ dữ liệu.
Cơ sở dữ liệu nổi tiếng và mục đích sử dụng của chúng
Các nguồn chính được sử dụng rộng rãi trên thế giới và ở Türkiye là:
cơ sở dữ liệu
Phạm vi
điểm mạnh
Chú ý
Trung tâm Dữ liệu Thực phẩm USDA (Hoa Kỳ)
Rất lớn, ~ một phần tư triệu hồ sơ
Chi tiết, miễn phí, có API
sản phẩm của Mỹ; thực phẩm địa phương hạn chế
Hướng dẫn bổ sung dinh dưỡng TÜBER / Türkiye
Ẩm thực Thổ Nhĩ Kỳ tập trung
Thức ăn và khẩu phần địa phương
Phạm vi hẹp hơn USDA
BeBiS (Hệ thống thông tin dinh dưỡng)
Phần mềm phổ biến ở Türkiye
công thức nấu ăn Thổ Nhĩ Kỳ
Phần mềm được cấp phép
USDA/EuroFIR
Dữ liệu thành phần châu Âu
Tiêu chuẩn quốc gia
Quyền truy cập có thể mang tính thể chế
"API" nghĩa là giao diện cho phép phần mềm đặt câu hỏi theo chương trình (tự động) tới cơ sở dữ liệu và nhận câu trả lời có cấu trúc. Việc có API cho các tài nguyên như USDA FoodData Central giúp kết nối các công cụ AI với dữ liệu thực trong tương lai. Đây là nền tảng của cách tiếp cận “AI dựa trên dữ liệu”: không phù hợp với mô hình, lấy từ nguồn thực.
Chú ý: Cùng một chất dinh dưỡng có thể hiển thị các giá trị khác nhau trong cơ sở dữ liệu khác nhau; Bởi vì điều kiện canh tác, giống, phương pháp nấu và phân tích đều khác nhau. Không có con số "chính xác" duy nhất; Có một phạm vi hợp lý. Ghi lại tài nguyên nào bạn sử dụng trong kế hoạch khách hàng để bạn có thể nhất quán.
Logic “truy xuất”: kết nối AI với nguồn
Trong các ứng dụng hiện đại, cách kết nối AI với dữ liệu thực là phương pháp RAG - Thế hệ tăng cường truy xuất bằng tiếng Anh. Đơn giản là: thay vì khớp câu trả lời từ bộ nhớ, trước tiên, mô hình sẽ lấy dữ liệu liên quan từ một nguồn đáng tin cậy (cơ sở dữ liệu, tài liệu), sau đó tạo câu trả lời dựa trên dữ liệu đó. Trong thực tế, bạn thực hiện điều này theo hai cách:
- Cho ăn thủ công: Bạn sao chép các giá trị của thực phẩm từ bảng đáng tin cậy và đưa cho AI; AI chỉ tính toán/giải thích với dữ liệu này, nó không thêm số từ bộ nhớ của chính nó.
- Phương tiện được kết nối: Bạn sử dụng phương tiện được kết nối với cơ sở dữ liệu; AI chuyển tiếp truy vấn đến nguồn thực tế và sử dụng giá trị trả về.
Trong cả hai trường hợp, nguyên tắc vàng là như nhau: con số đến từ nguồn, AI sẽ giải thích nó. "Có bao nhiêu sắt trong 100 gram đậu lăng?" YZ hỏi. Hỏi một câu hỏi mở là mời gọi sự bịa đặt.
Sản phẩm chung, sản phẩm có thương hiệu và hỗn hợp bữa ăn
Cơ sở dữ liệu dinh dưỡng có nhiều bản ghi có cùng tên và việc chọn sai bản ghi là nguồn gốc gây ra lỗi thầm lặng. Ví dụ: tìm kiếm “sữa chua” sẽ cung cấp cho bạn hàng tá bản ghi khác nhau, chẳng hạn như sữa chua đầy đủ chất béo, nửa chất béo, không béo, loại Hy Lạp (căng thẳng) và sữa chua trái cây có đường; Lượng calo và macro của chúng rất xa nhau. Sữa chua Hy Lạp có hàm lượng protein gần gấp đôi sữa chua thông thường. Tương tự, hồ sơ "sản phẩm có thương hiệu" (sản phẩm đóng gói của công ty) và hồ sơ "dinh dưỡng chung" mang các giá trị khác nhau. Theo phương pháp thực hành tốt, bạn hãy so sánh sản phẩm mà khách hàng thực sự tiêu thụ càng sát càng tốt: nếu có thể, dựa trên nhãn dinh dưỡng trên bao bì, nếu không, bạn chọn mô tả gần nhất trong cơ sở dữ liệu. Hỏi AI "tôi nên chọn bản ghi nào?" Khi bạn tham khảo, nó có thể gợi ý cho bạn cụm từ tìm kiếm phù hợp; nhưng việc lựa chọn bản ghi cuối cùng và so sánh với nhãn nằm trong tầm kiểm soát của bạn. Việc sử dụng cùng một bản ghi cho cùng một chất dinh dưỡng trong suốt kế hoạch cũng rất quan trọng để đảm bảo tính nhất quán; Sử dụng sữa đầy đủ chất béo một nửa thời gian và sữa tách béo một nửa thời gian sẽ làm sai lệch tổng số.
Chuyển đổi khẩu phần và cách nấu
Cơ sở dữ liệu dinh dưỡng thường đưa ra giá trị trên 100 gram nguyên liệu. Nhưng khách hàng ăn đậu lăng nấu chín chứ không phải đậu lăng sống. Trọng lượng thay đổi do hấp thụ nước trong quá trình nấu; 100 gam gạo sống tăng lên ~250-300 gam khi nấu chín. Vì vậy, “200 gam nấu chín” và “100 gam sống” có giá trị dinh dưỡng khác nhau. AI có thể thực hiện những chuyển đổi này, nhưng nó có thể gây nhầm lẫn về phương hướng. Luôn làm rõ giá trị bạn sử dụng là sống hay nấu chín; đây là nguồn thường xuyên xảy ra lỗi tính toán.
ba trường hợp nhỏ
Trường hợp 1 - Bị ảo giác. Một chuyên gia dinh dưỡng hỏi YZ: "100 gam bông cải xanh luộc có bao nhiêu gam protein?" anh ấy hỏi; AI nói "khoảng 8 gam". Chuyên gia dinh dưỡng nhìn vào USDA: giá trị thực tế là ~2,4 gam. AI đã trộn nó với dữ liệu về cây họ đậu/hạt và tăng gấp ba lần. Chuyên gia dinh dưỡng sử dụng giá trị chính xác. Bài học: rau xanh có hàm lượng protein thấp; Con số không đúng chỉ vì nó trôi chảy.
Trường hợp 2 - Nhầm lẫn giữa sống/nấu chín. Trong kế hoạch dự thảo, AI sử dụng giá trị thô cho “150 gam mì ống” (~525 kcal), trong khi khách hàng đang ăn 150 gam mì ống đã nấu chín (~210 kcal). Sự khác biệt là 315 kcal trong một bữa ăn, đây là một sai lệch nghiêm trọng ngay cả khi chỉ ăn một bữa một ngày. Chuyên gia dinh dưỡng làm rõ đơn vị đo thành “nấu” và tính toán lại.
Trường hợp 3 - Sử dụng đúng. Một chuyên gia dinh dưỡng sao chép các giá trị 100 gram cho thịt gà, gạo và bông cải xanh từ USDA, đưa chúng cho AI với hướng dẫn “chỉ tính tổng vĩ mô cho một bữa ăn với dữ liệu này, cộng các số từ bộ nhớ của chính nó”. AI chỉ cộng với những con số đã cho; chuyên gia dinh dưỡng xác nhận bằng cách đập nó lại. Dữ liệu đến từ nguồn, AI thực hiện số học.
Mẫu lời nhắc có thể sao chép
MẪU TÍNH TOÁN VỚI DỮ LIỆU NGUỒN (logic RAG) Vai trò của bạn: trợ lý chỉ làm việc với các giá trị dinh dưỡng ĐƯỢC GIAO CHO BẠN. THÊM hoặc THAY ĐỔI các giá trị dinh dưỡng từ bộ nhớ của chính bạn. Nếu thiếu dữ liệu ghi "[no data]", bù lại. Số liệu (trên 100 g, nguồn: USDA):- Ức gà (đã nấu chín): 165 kcal, 31 g protein, 3,6 g chất béo, 0 g carbs - Cơm (đã nấu chín): ...Nhiệm vụ: Tính tổng kcal và macro cho 120 g thịt gà + 150 g gạo.
MẪU CHUYỂN ĐỔI THÔ/NẤU Giá trị của thực phẩm sau được tính trên 100 g RAW: [giá trị]. Khách hàng ăn [X] g COOKED. Khi nấu chín, trọng lượng ~[tỷ lệ] thay đổi. Theo đó, hãy tính giá trị dinh dưỡng của lượng ăn và viết RÕ RÀNG giả định bạn sử dụng.
MẪU CHUẨN BỊ TRUY VẤN CƠ SỞ DỮ LIỆUTôi muốn tìm giá trị dinh dưỡng của một bữa ăn. Liệt kê MỌI thuật ngữ tôi nên tìm kiếm trong cơ sở dữ liệu thực phẩm (USDA/TUBER) cho các loại thực phẩm sau, hồ sơ nào tôi nên chọn, sống/nấu chín. Đừng đưa ra các giá trị cho BẠN; chỉ cần cho tôi biết cụm từ tìm kiếm chính xác và điểm cần chú ý. Chất dinh dưỡng: […]
MẪU KIỂM TRA SỰ CHẮC CHẮN Giải thích các giá trị dinh dưỡng cho bữa ăn tiếp theo theo hai cách khác nhau: (1) giả sử tất cả thực phẩm đều còn sống, (2) giả sử tất cả thực phẩm đều được nấu chín. So sánh hai tổng số và giải thích sự khác biệt đến từ đâu. Vì vậy, tôi có thể biết tôi cần xác minh giả định nào.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Có bao nhiêu calo trong một bát súp đậu lăng?
“Một món” mơ hồ, công thức mơ hồ, không có nguồn gốc; AI tạo ra một con số từ bộ nhớ của nó và không cho biết nó nghĩ ra nó như thế nào.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý chỉ tính toán với dữ liệu đã cho. Phần súp đậu lăng = 300 g. Thành phần (giá trị trên 100 g, nguồn USDA, tôi đưa ra bên dưới): đậu lăng đỏ (đã nấu chín) [giá trị], hành tây [giá trị], dầu ô liu [giá trị]. Số lượng mỗi khẩu phần: […]. Tính tổng kcal và macro với dữ liệu này, không thêm từ bộ nhớ, hiển thị các bước.
Nguồn nhắc nhở thứ hai cung cấp thông tin về việc phục vụ, thông tin sống/nấu chín và ràng buộc "không thêm"; Đầu ra có thể kiểm tra được và đáng tin cậy.
Những lỗi thường gặp
- Tin tưởng vào trí nhớ của AI: Câu hỏi mở về giá trị dinh dưỡng; Đây là một lời mời đến ảo giác.
- Khó hiểu giữa sống/nấu chín: Sai lầm thầm lặng phổ biến nhất; Luôn làm rõ đơn vị đo lường.
- Nhầm lẫn về nguồn: Trộn các chất dinh dưỡng khác nhau từ các cơ sở dữ liệu khác nhau; Sử dụng các nguồn lực nhất quán trong một kế hoạch.
- Để phần mơ hồ: Tính các biểu thức như "một cái đĩa", "một số ít" mà không chuyển chúng thành gam.
- Tập trung vào một con số thay vì một phạm vi: Quên rằng cùng một loại thực phẩm có phạm vi giá trị hợp lý; tạo ra sự chắc chắn sai lầm.
Tóm lại
Dữ liệu dinh dưỡng là lĩnh vực mà mô hình ngôn ngữ yếu nhất; Bởi vì mô hình không nhớ các con số nên nó tạo ra chúng. Vì vậy, hãy luôn lấy các giá trị dinh dưỡng từ cơ sở dữ liệu được công nhận (USDA, TÜBER, BeBiS) và sử dụng AI để chỉ tính toán và diễn giải dữ liệu đó — dựa trên logic RAG, dữ liệu được lấy từ nguồn. Hãy chú ý đến chuyển đổi sống/nấu chín, độ trong của khẩu phần và tính nhất quán của nguồn. Chỉ vì con số phát âm trôi chảy là không chính xác; Bạn chỉ có thể có được sự thật bằng cách làm việc với nguồn.
Nhiệm vụ ứng dụng
Chọn ba loại thực phẩm (ví dụ: trứng luộc, bánh mì nguyên hạt, sữa chua Hy Lạp). Đầu tiên, hãy hỏi AI có kết thúc mở và lấy các giá trị của nó (từ bộ nhớ của nó). Sau đó tìm giá trị thực tế của các chất dinh dưỡng tương tự từ USDA FoodData Central. So sánh hai bộ và ghi vào bảng độ lệch của mỗi loại thực phẩm là bao nhiêu. Bảng này sẽ tiết lộ nguyên tắc "không tin tưởng vào bộ nhớ, liên kết tới nguồn".
danh sách kiểm tra
- [ ] Tôi nhận được các giá trị dinh dưỡng từ cơ sở dữ liệu nổi tiếng chứ không phải từ bộ nhớ AI.
- [ ] Tôi đưa ra hạn chế đối với AI là "chỉ làm việc với dữ liệu đã cho, không thêm bất cứ thứ gì".
- [ ] Tôi đã làm rõ từng loại thực phẩm là sống hay chín.
- [ ] Tôi đã chuyển đổi các phần thành gam; Tôi không để lại "một cái đĩa/một nắm" phía sau.
- [ ] Tôi đã sử dụng một nguồn nhất quán duy nhất trong một kế hoạch.
- [ ] Tôi đã xác minh tổng của AI bằng cách nhân nó lại.