收益：
- 能够根据任务风险级别区分人工智能在哪些方面可以节省营养学工作流程中的实时时间和洞察力，以及哪些安全关键决策（诊断、营养治疗、最终批准）留给营养师和医生。
- 能够应用一门学科，通过将每个人工智能输出链接到源、重新计算并通过临床过滤的步骤来验证每个人工智能输出。
- 在 KVKK/隐私范围内匿名化客户数据并养成选择安全车辆的习惯
营养师的办公桌上每天都会积累数十项决定：计算客户的日常能量需求、为过敏症患者制定安全菜单、用营养语言解释血液检测结果、向同事和客户清楚地解释相同的信息。其中一些工作是重复性且耗时的；其中一些是直接影响健康的决策，其误差幅度应该接近于零。人工智能（简称AI，或简称AI——可以像人类一样生成文本、进行计算和总结的计算机系统）正好适合这幅图景：如果使用得当，它可以加快重复性任务的速度，并为你提供思考的空间；如果使用得当，它可以加快重复性任务的速度，并为你提供思考的空间；如果使用不当，它可能会给客户带来看似安全但错误的输出。
本模块的第一个单元不是车辆介绍。其目的是澄清在你的职业中什么地方可以使用人工智能，什么地方根本不可以使用人工智能。因为营养学是一个“安全关键”领域：您提供的信息涉及一个人的新陈代谢、药物相互作用、过敏反应。这里我们重申一下基本原则：人工智能是助手，而不是营养师。营养治疗决定、诊断解释和最终计划批准取决于合格的专家，即您。
营养师的真正职责和人工智能的地位
我们可以将营养师的工作大致分为五组：（1）客户招募和历史收集，（2）评估和计算（能量、宏量、微量营养素），（3）计划制定（膳食、菜单、食谱），（4）客户教育和随访，（5）记录、报告和证据跟踪。人工智能可以触及所有这些群体，但权限不同。
我们所说的“宏观”是指常量营养素：碳水化合物、蛋白质和脂肪——身体需要大量的三种主要营养素来获取能量和构建模块。 “微量”是指需要少量的元素，例如维生素和矿物质。人工智能可以根据客户的目标卡路里在几秒钟内概述客户的宏观分解。但只有您知道该药水是否适合客户的肾功能、药物和文化饮食习惯。
下表按任务总结了人工智能的作用和风险级别：
任务
人工智能的作用
风险等级
谁批准
产生膳食创意/食谱多样性
加速器、创意生成器
低
营养师
宏观/卡路里计算大纲
账户草稿，已检查
中等
营养师（重新计算）
编写客户培训文本
写草稿，简化
中等
营养师（科学准确性）
过敏/医疗限制过滤
初步筛选永远不是最终决定
高
营养师（逐字真相）
分析解释/诊断
没有帮助
非常高
医师+营养师
药物-食物相互作用决策
没有帮助
非常高
医师/药剂师
请记住该图表中的一行：随着风险上升，人工智能的作用缩小，人类的认可度增加。
为什么“验证”是这项业务的核心
人工智能语言模型似乎对他们的答案充满信心，但他们也可能不确定。用技术语言来说，这被称为幻觉：这是模型用流利的句子捏造了不存在的信息，就好像它是真的一样。对于营养师来说，这是一个致命的陷阱：模型可以告诉你“100克杏仁含有21克蛋白质”（这接近事实），但它也可以同样自信地告诉你“100克西兰花含有12克蛋白质”（这是错误的，实际上是~2.8克）。既然他说得都一样流利，那么唯一区分对错的就是你的知识和验证的习惯。
验证规则包括三个步骤：
- 来源链接：对于营养价值等数字数据，请依赖公认的营养数据库（例如 USDA FoodData Central 或 TÜBER/Türkiye Nutrition Guide 附表），而不是 AI 的内存。使用人工智能来解释这些数据，而不是记住它。
- 重新计算：手动或使用可靠的计算器验证人工智能返回的每个卡路里/宏观结果至少一次。特别检查总数是否匹配。
- 临床过滤器：检查输出是否与客户的医疗状况、药物和偏好相冲突。
注意：在没有核实来源的情况下，将人工智能生成的营养价值表复制到客户的计划中，就你的职业责任而言，就像开出一张未经签名的处方。这个数字并不只是因为它输出流畅而正确。
保密：客户数据是神圣的
客户数据（体重、病史、测试结果、药物）属于特殊个人数据，受土耳其 KVKK（个人数据保护法）和欧洲 GDPR 的保护。将客户姓名、TR ID号和诊断结果粘贴到人工智能工具中是严重违规的。规则很简单：对数据进行匿名化。将“Ayşe Yılmaz，43 岁，2 型糖尿病”改为“43 岁女性客户，2 型糖尿病”；删除姓名、联系信息、机构名称。如果可能，选择具有公司和数据处理协议的工具；确保您的数据不用于模型训练。
三个迷你箱子
案例 1——安全使用。一位营养师要求 AI 为一位体重 70 公斤的活跃运动员客户提供 5 种不同的高蛋白早餐创意。 AI产生5个想法；营养师选择其中 3 种，根据他或她的宏观目标重新计算份量，并根据 USDA 数据库确认营养价值。持续时间：3 分钟而不是 10 分钟。 AI给出了一个想法，决定权还是在营养师手中。
案例 2 — 未经验证的帐户陷阱。另一位营养师让 AI 计算客户的日常需求，并按原样给出 1,850 kcal 的计划。但人工智能错误地假设了客户的活动系数，真正的需求是~2,300 kcal。客户营养不良数周，回来后抱怨身体虚弱。问题不在于人工智能，而在于营养师跳过了验证。
案例 3——违反保密规定。实习生将客户的全名和分析 PDF 加载到人工智能工具中，并说“评论”。数据发送到外部服务器。该机构面临 KVKK 审查。正确的方法是匿名数据并仅共享数值。
可复制的提示模板
以下模式是将人工智能置于安全“助手”角色的入门模式。填写您个人客户的括号并确保数据是匿名的。
角色和边界描述模板您的角色：营养师草稿准备助理。你不是营养师；做出诊断，提供医疗建议。营养师做出决定并最终批准。如果不确定，请标记为“[让营养师验证]”，请勿弥补。任务：[写任务]。
验证请求模板给出以下输出后，将出现一个单独的列表，作为营养师应亲自检查的单独的要点列表：应重新计算哪些数字，应从来源确认哪些营养价值，应筛查哪些过敏原/限制。输出：[...]
匿名检查模板在将以下文本提供给人工智能工具之前扫描其隐私：是否有任何识别数据，例如姓名、TR ID、联系人、机构、出生日期？标记是否可用并建议匿名版本。文本：[...]
资源链接模板从您自己的记忆中生成营养价值等数值数据的值。只使用我给你的知名数据库数据；如果没有，请写“[无数据，让营养师检查来源]”。任务：[...]
弱提示/强提示
让我们以两种不同的方式请求同一份工作：
弱提示：
为这位客户制定饮食方案。
这种愿望是模棱两可的：人工智能在不知道年龄、性别、目标或约束的情况下设计了一个通用的、可能有缺陷的计划。
强力提示：
您的角色：营养师的草案助理。决定和批准属于营养师；提供医疗建议。客户（匿名）：38岁，女性，上班族（轻微活跃），身高165厘米，体重78公斤，目标是健康减肥。过敏：榛子。限制：乳糖不耐症。文化：他更喜欢土耳其菜。任务：创建一份每天约 1600 kcal 的 3 餐 + 1 份零食清单。膳食想法。在每个想法旁边给出估计的卡路里和宏量，但添加一条注释，说明“这些值必须由营养师验证”。不要包含任何含有榛子或乳糖的建议。
第二个提示给出了AI的角色、边界、客户端上下文和安全约束；输出是准备进行验证的草稿。
常见错误
- 跳过审批：将AI输出提供给客户端而不进行检查。输出始终是草稿。
- 依靠无源数字：从人工智能记忆中检索营养价值；而知名数据库是必须的。
- 忘记隐私：共享姓名、分析、TR 号码等数据，而不进行匿名化。
- 未指定角色：告诉AI“成为一名营养师”。它实际上的意思是“为营养师准备一份草案”；决定权留给个人。
- 夸大健康主张：使用人工智能生成的诸如“这种食物可以治愈疾病”之类的句子，未经过滤。
综上所述
人工智能是营养学的强大助手：它加速重复性工作，产生多样性的想法，简化文本。但永远不要忘记您正在安全关键领域工作。随着风险的增加，人工智能的作用会变得越来越小，而你的同意也会增加。将每个输出通过三个过滤器：来源、重新计算、临床测试。匿名化客户数据。永远记住：诊断、治疗决定和最终计划批准属于营养师； AI不签名。
应用任务
从您自己的研究（或假设）中选择一个客户，并首先对他们的数据进行匿名化。然后重写上面的“强提示”模板，使其适应您自己的客户。从人工智能获取膳食想法列表，然后根据可靠的食物数据库验证由此产生的卡路里/宏观值之一并记下差异。看到这种差异将巩固为什么验证规则至关重要。
清单
- [ ] 我给AI赋予了“助理/起草”角色，而不是“营养师”角色。
- [ ] 我对客户数据进行了匿名处理（姓名、ID、联系方式已删除）。
- [ ] 我从公认的数据库验证了营养价值。
- [ ] 我重新计算了人工智能给出的卡路里/宏观总量。
- [ ] 我过滤了与客户的医疗状况和偏好相冲突的输出。
- [ ] 作为营养师，我批准了最终的计划；签名不是在YZ身上，而是在我身上。