Čaro pohodlia
Analýza obrázkov jedla pomocou umelej inteligencie ponúka lákavú víziu jednoduchého sledovania stravy. Namiesto ručného zapisovania každého gramu jedla používateľom stačí jednoducho odfotiť svoj pokrm a nechať aplikáciu urobiť zvyšok. Toto pohodlie je obzvlášť atraktívne pre športovcov, ktorí často potrebujú presné údaje na zostavenie svojich výživových stratégií. Myšlienka automatizácie takého zdĺhavého procesu je pochopiteľne neodolateľná.
Trh je už teraz zaplavený aplikáciami, ktoré prichádzajú s odvážnymi tvrdeniami. SnapCalorie propaguje chybovosť pod 20 % a Cal AI (teraz súčasť MyFitnessPal Photo) sa pýši 92 – 97 % presnosťou pri bežných potravinách. A nie sú jediné – Nutrola, Cronometer, Foodvisor a mnohé ďalšie uvádzajú rovnako pôsobivé čísla. Často to však má jeden zásadný háčik: tieto údaje sa zvyčajne získavajú na jednoduchých potravinách s jednou zložkou, ako je banán alebo kuracie prsia, a nie na jedlách z viacerých ingrediencií, ktoré ľudia v skutočnosti jedia.
Tvrdá realita
Štúdia autorov Fridolfsson a kol. odhaľuje triezvu realitu. Keď sa AI pokúša odhadnúť makroživiny z fotografií jedla, chybovosť sa pohybuje od 48 % do 66 %. Výskumníci si všimli aj systematické podceňovanie veľkých porcií a vysokú variabilitu pri odhade makroživín. Tieto chyby nie sú zanedbateľné. Sú dostatočne významné na to, aby boli tieto údaje pre vážne využitie nespoľahlivé.
Súhrnná štúdia z roku 2026 v databáze PMC tento vzorec ďalej potvrdzuje. Hoci AI dosahuje dobré výsledky pri jednoduchých jedlách, jej presnosť prudko klesá pri pokrmoch z viacerých prísad. Napríklad jedlá typu stir-fry alebo tie z hlbokej zapekacej misy, kde sú ingrediencie vizuálne premiešané, predstavujú obrovskú výzvu. AI síce môže identifikovať „kuracie mäso“ a „ryžu“, ale nedokáže spoľahlivo určiť hmotnosť ani jednej zo zložiek.
Prečo je to také náročné
Prekážok pri analýze jedla pomocou AI je veľa. Vizuálne identické potraviny môžu byť pre AI takmer nerozoznateľné. Skryté ingrediencie, ako sú oleje, omáčky a koreniny, presný odhad ešte viac komplikujú. Napríklad miska ryže a miska ryže s maslom môžu zhora vyzerať úplne rovnako, no ich kalorický obsah sa výrazne líši.
Omáčky a dresingy, ktoré sú často kaloricky výdatné, sa bežne započítavajú v nižšom množstve, pretože sú vizuálne skryté pod inými zložkami alebo vo vnútri nich. Vrstvené jedlá, kde sú ingrediencie uložené na sebe alebo zmiešané, predstavujú pre AI rovnaký problém.
Pre súťažných cyklistov nedostatočne presné
V klinickej praxi alebo u športovcov, kde je presné určenie množstva kľúčové, sú takéto chyby neprípustné. Zostavenie výživových stratégií na nespoľahlivých údajoch by mohlo viesť k horšiemu výkonu alebo dokonca k zdravotným rizikám. Pre cyklistov, ktorí sa spoliehajú na presné množstvá jedla na dopĺňanie energie počas jázd, sú stávky jednoducho príliš vysoké na to, aby dôverovali systému AI, ktorý sa môže pomýliť v polovici prípadov.
Dôsledky sú jasné. Ak si stravu sledujete len pre všeobecný prehľad, súčasné aplikácie na fotenie jedla môžu stačiť. Ak však trénujete ako súťažný amatérsky cyklista, musíte si fotku overiť odvážením známej porcie.
Budúcnosť
Tieto systémy sa bezpochyby zlepšia. Pokrok v oblasti AI a rozpoznávania obrazu môže jedného dňa znížiť chybovosť a zvýšiť spoľahlivosť. Tvrdenia, že dokážu úplne nahradiť ľudský dohľad – najmä vo vrcholovom športe – sa však stále zdajú byť veľmi vzdialené od reality.
Nateraz by aplikácie ponúkajúce túto službu mali pridať informácie, ktoré používateľovi pomôžu preklenúť túto medzeru v presnosti. Napríklad po identifikácii ingrediencií na fotografii by mali uviesť úroveň spoľahlivosti zhody a kalorické rozpätie na základe neistoty pri určení porcie. AI by to síce neposunulo na vyššiu presnosť, ale aspoň by sa prestala tváriť, že je presnejšia, než v skutočnosti je.