Sources de données pour les valeurs nutritionnelles

Résumer avec : ChatGPT Claude AI Mode Perplexity

Chez NutriScan, fournir des informations nutritionnelles précises et fiables est primordial. Nous utilisons une approche à multiples facettes pour garantir que les données que vous recevez sont aussi précises que possible, alimentant les fonctionnalités clés de l'application.

Notre méthodologie combine plusieurs sources de haute qualité :

1. Notre propre base de données alimentaire. La plupart des recherches sont désormais résolues dans une base de données nutritionnelle que nous construisons et maintenons nous-mêmes, couvrant des millions d'aliments. Elle est constituée à partir de références publiques et sous licence reconnues, puis nettoyée en interne :
   • USDA FoodData Central pour les aliments génériques et bruts.
   • Open Food Facts pour les produits emballés et codés-barres.
   • FatSecret pour une couverture supplémentaire des marques et des produits régionaux.
   • Vérification et correction en interne. Nous ne reprenons pas les enregistrements importés tels quels. Nous rapprochons les calories des protéines, des glucides et des lipides via les facteurs d'Atwater et corrigeons les lignes incohérentes, nous résolvons les erreurs cru/cuit et sec/préparé, nous supprimons les entrées en double ou mal formées, et nous définissons des portions ménagères réalistes (une tranche, une tasse, une pièce) pour chaque aliment plutôt qu'un poids générique appliqué à tout. Les noms d'aliments sont maintenus en plusieurs langues afin que les plats régionaux se trouvent dans la langue de l'utilisateur.
   • C'est parce que nous la construisons nous-mêmes que nous couvrons les plats faits maison et régionaux, largement absents des bases de données centrées sur les codes-barres.
2. Recherche Internet avancée : Pour les produits alimentaires uniques, régionaux ou nouvellement disponibles, nos systèmes effectuent des recherches ciblées de haute qualité sur des sources en ligne réputées pour recueillir les informations nutritionnelles nécessaires.
3. Intégration de l'API OpenAI : Nous exploitons la puissance de l'API OpenAI pour plusieurs tâches critiques :
   • Analyse des repas numérisés : Aide à identifier les aliments complexes dans une image et à comprendre le contexte du repas.
   • Vérification croisée des données : Validation des informations trouvées dans différentes sources pour une meilleure précision.
   • Alimentation des plans de régime : Aide au traitement des préférences des utilisateurs et des objectifs de santé pour générer des recommandations de repas personnalisées et des objectifs nutritionnels.
   • Amélioration de NutriBites : Comprendre les requêtes des utilisateurs sur leur historique de repas pour fournir des informations pertinentes.

Cette combinaison robuste nous permet de fournir des analyses nutritionnelles fiables dans diverses fonctionnalités de l'application :

• Repas numérisés (Traiter le scan de repas & Page de détails nutritionnels) : Lorsque vous numérisez un repas, l'analyse d'image identifie les aliments. Notre système interroge ensuite les sources de données intégrées (principalement la recherche avancée et l'analyse OpenAI) pour récupérer les macronutriments (Calories, Protéines, Glucides, Lipides), les principaux micronutriments (comme les Fibres, le Potassium, le Calcium) et calculer le NutriScore. Le processus comprend des vérifications pour gérer les images non alimentaires ou les problèmes potentiels de filtrage de contenu.
• Aliments enregistrés manuellement & modifications (Page de détails nutritionnels) : Lorsque vous enregistrez manuellement des aliments, ajoutez des éléments manquants à un repas numérisé ou ajustez les tailles de portions, l'application interroge les mêmes sources de données pour trouver et afficher les informations nutritionnelles pertinentes.
• Plans de régime personnalisés (Plan de régime - Fonctionnalité Premium) : La génération d'un plan de régime implique de combiner votre profil détaillé (préférences, objectifs, restrictions, etc.) avec nos méthodes de récupération de données nutritionnelles. Un LLM, principalement alimenté par OpenAI, traite ces informations pour créer des objectifs quotidiens en macro/micronutriments et suggérer des repas spécifiques avec des ventilations détaillées (recettes, tailles de portions, avantages).
• Aperçus & NutriBites (Aperçus, NutriBites) : Des fonctionnalités comme la vue calendrier mensuelle (affichant les couleurs du NutriScore), les ventilations nutritionnelles quotidiennes et les réponses fournies par NutriBites reposent sur l'interrogation et l'agrégation des données nutritionnelles historiques enregistrées ou numérisées par l'utilisateur.

Précision & Limitations

Bien que nous nous efforcions d'atteindre la plus grande précision possible en combinant la recherche avancée et l'analyse par IA, il est important de reconnaître que l'estimation des données nutritionnelles peut être complexe. Des facteurs tels que les variations dans les ingrédients, les méthodes de préparation et les limitations inhérentes des modèles d'IA signifient que des inexactitudes occasionnelles peuvent se produire.

• Numérisation des repas : NutriScan identifie les aliments avec une précision de 95 % ou plus pour les produits couverts par notre base de données. Il s'agit de notre propre chiffre, fondé sur notre vérification interne des données, et non d'une certification par un tiers.
• Enregistrement manuel : Les articles enregistrés manuellement sont résolus directement à partir de ces mêmes fiches vérifiées, ils sont donc généralement encore plus précis qu'un scan, puisqu'il n'y a pas d'étape d'interprétation d'image.

Deux réserves que nous n'allons pas masquer. La taille de la portion est le point difficile : identifier correctement un plat n'est pas la même chose qu'évaluer la quantité présente dans l'assiette, et la profondeur, l'angle et le dressage influencent cette estimation. La couverture fixe le plafond : la précision est la plus élevée pour les aliments déjà présents dans notre base, et un plat jamais vu bascule vers la recherche et l'estimation par IA, où l'écart est plus large. C'est pourquoi chaque résultat reste modifiable.

Nous travaillons continuellement à améliorer nos algorithmes et nos processus de validation des données pour minimiser ces erreurs.

En intégrant ces sources diverses et de haute qualité, NutriScan vise à fournir des informations nutritionnelles fiables et complètes pour tous les types de consommation alimentaire, vous aidant à faire des choix alimentaires éclairés et à suivre efficacement vos progrès vers vos objectifs de santé.