Mugavuse võlu
Tehisintellektil põhinev toidupiltide analüüs pakub ahvatlevat nägemust pingutusevabast toitumise jälgimisest. Selle asemel, et iga toidugrammi käsitsi sisestada, saavad kasutajad oma toidukordi lihtsalt pildistada ja lasta rakendusel töö ära teha. See mugavus on eriti atraktiivne sportlastele, kes vajavad sageli täpseid andmeid oma toitumisstrateegiate kujundamiseks. Sellise tüütu protsessi automatiseerimise idee on arusaadavalt ahvatlev.
Turg on juba üle ujutatud julgeid väiteid esitavatest rakendustest. SnapCalorie reklaamib alla 20% veamäära ning Cal AI (nüüd osa MyFitnessPal Photost) räägib 92–97% täpsusest levinud toitude puhul. Nad pole ainsad – Nutrola, Cronometer, Foodvisor ja paljud teised väidavad sarnaselt muljetavaldavaid numbreid. Nendega kaasneb aga sageli oluline hoiatus: need andmed on tavaliselt kogutud lihtsate, ühest koostisosast koosnevate toiduainete, näiteks banaani või kanarinna põhjal, mitte aga mitmest koostisosast koosnevate toidukordade pealt, mida inimesed tegelikult söövad.
Karm tõde
Fridolfssoni ja kolleegide uuring toob esile kainestava reaalsuse. Kui tehisintellekt püüab toidupiltidelt makrotoitaineid hinnata, jäävad veamäärad vahemikku 48–66%. Uurijad märkasid ka suurte portsjonite süstemaatilist alahindamist ja suurt varieeruvust makrotoitainete hindamisel. Need vead ei ole tühised. Need on piisavalt suured, et muuta andmed tõsisemate rakenduste jaoks ebausaldusväärseks.
2026 . aasta süstemaatiline ülevaade PMC andmebaasis kinnitab seda mustrit veelgi. Kuigi tehisintellekt saab lihtsate toitudega hästi hakkama, langeb selle täpsus mitmest koostisosast koosnevate roogade puhul järsult. Näiteks wok-roog või ahjuvorm, kus koostisosad on visuaalselt segunenud, tekitab märkimisväärseid raskusi. Tehisintellekt võib küll tuvastada “kana” ja “riisi”, kuid ei suuda usaldusväärselt määrata kummagi kaalu.
Miks see nii keeruline on?
Tehisintellektil põhineva toiduanalüüsi väljakutseid on arvukalt. Visuaalselt identseid toite, nagu valge riis ja lillkapsariis, võib tehisintellektil olla peaaegu võimatu eristada. Peidetud koostisosad, nagu õlid, kastmed ja maitseained, muudavad täpse hindamise veelgi keerulisemaks. Näiteks kauss riisiga ja kauss riisiga, millele on lisatud võid, võivad pealtvaates välja näha identsed, kuid nende kalorsus erineb märkimisväärselt.
Kastmeid ja salatikastmeid, mis on sageli kaloririkkad, alahinnatakse regulaarselt, sest need peituvad visuaalselt teiste komponentide all või sees. Kihilised toidud, kus koostisosad on üksteise peale laotud või segatud, on tehisintellekti jaoks samuti keerulised.
Võistlevate jalgratturite jaoks liiga ebatäpne
Kliiniliste või sportlike sihtrühmade puhul, kus täpne koguste määramine on kriitilise tähtsusega, on sellised vead vastuvõetamatud. Toitumisstrateegiate rajamine ebausaldusväärsetele andmetele võib viia oodatust kehvema soorituseni või isegi terviseriskideni. Jalgratturitele, kes toetuvad sõitude energiaga varustamisel täpsetele toidukogustele, on panused lihtsalt liiga suured, et usaldada tehisintellekti süsteemi, mis võib poole ajast eksida.
Järeldused on selged. Kui jälgite toitumist üldise teadlikkuse eesmärgil, võivad praegused tehisintellekti fotorakendused olla piisavalt head. Kuid kui teete seda võistleva harrastusratturina, peate fotot kontrollima teadaolevate portsjonite kaalumisega.
Tulevik
Need süsteemid kahtlemata paranevad. Edusammud tehisintellekti ja pildituvastuse vallas võivad ühel päeval veamäärasid vähendada ja usaldusväärsust suurendada. Siiski tunduvad väited, et need suudaksid täielikult asendada inimpilku, eriti tippspordi tingimustes, endiselt reaalsusest väga kaugel.
Praeguseks peaksid seda teenust pakkuvad rakendused lisama teavet, mis aitaks kasutajal täpsuse puudujääki korvata. Näiteks võiksid nad pärast fotol olevate koostisosade tuvastamist lisada vastavuse usaldusväärsuse protsendi ja portsjoni ebakindlusest tuleneva kalorite vahemiku. See ei muudaks tehisintellekti täpsemaks, kuid see lõpetaks teeskluse, et see on täpsem, kui see tegelikult on.