न्यूट्रीशन मूल्यों के लिए डेटा स्रोत

सारांश इनमें करें: ChatGPT Claude AI Mode Perplexity

NutriScan में, सटीक और विश्वसनीय न्यूट्रीशन संबंधी जानकारी प्रदान करना सर्वोपरि है। हम यह सुनिश्चित करने के लिए एक बहुआयामी दृष्टिकोण का उपयोग करते हैं कि आपको प्राप्त होने वाला डेटा यथासंभव सटीक हो, जो ऐप में प्रमुख सुविधाओं को शक्ति प्रदान करता है।

हमारी कार्यप्रणाली कई उच्च-गुणवत्ता वाले स्रोतों को जोड़ती है:

1. हमारा अपना फूड डेटाबेस। अब ज़्यादातर लुकअप उस न्यूट्रिशन डेटाबेस से हल होते हैं जिसे हम खुद बनाते और मेंटेन करते हैं, और जिसमें लाखों खाद्य पदार्थ हैं। इसे स्थापित सार्वजनिक और लाइसेंस्ड स्रोतों से बनाया जाता है और फिर हमारी टीम इसे साफ करती है:
   • सामान्य और बिना प्रोसेस किए खाद्य पदार्थों के लिए USDA FoodData Central।
   • पैकेज्ड और बारकोड वाले उत्पादों के लिए Open Food Facts।
   • अतिरिक्त ब्रांडेड और क्षेत्रीय कवरेज के लिए FatSecret।
   • आंतरिक समीक्षा और सुधार। हम आयातित रिकॉर्ड को ऐसे ही सही नहीं मान लेते। हम एटवाटर फैक्टर से कैलोरी का प्रोटीन, कार्ब्स और फैट के साथ मिलान करते हैं और गलत पंक्तियाँ ठीक करते हैं, कच्चा बनाम पका और सूखा बनाम तैयार की गलतियाँ सुधारते हैं, डुप्लिकेट और खराब एंट्री हटाते हैं, और हर खाद्य पदार्थ के लिए एक ही सामान्य वज़न लगाने के बजाय वास्तविक घरेलू पोर्शन (एक स्लाइस, एक कप, एक पीस) तय करते हैं। खाद्य पदार्थों के नाम कई भाषाओं में रखे जाते हैं ताकि क्षेत्रीय व्यंजन उपयोगकर्ता की अपनी भाषा में मिलें।
   • इसे खुद बनाने की वजह से ही हम घर के बने और क्षेत्रीय व्यंजनों को कवर कर पाते हैं, जिन्हें बारकोड-आधारित डेटाबेस बड़े पैमाने पर छोड़ देते हैं।
2. उन्नत इंटरनेट खोज: अद्वितीय, क्षेत्रीय, या नए उपलब्ध खाद्य उत्पादों के लिए, हमारे सिस्टम आवश्यक न्यूट्रीशन संबंधी जानकारी एकत्र करने के लिए प्रतिष्ठित ऑनलाइन स्रोतों में लक्षित, उच्च-गुणवत्ता वाली खोज करते हैं।
3. ओपनAI एपीआई एकीकरण: हम कई महत्वपूर्ण कार्यों के लिए ओपनAI एपीआई की शक्ति का लाभ उठाते हैं:
   • स्कैन किए गए भोजन का विश्लेषण: एक छवि के भीतर जटिल खाद्य पदार्थों की पहचान करने और भोजन के संदर्भ को समझने में मदद करना।
   • डेटा को क्रॉस-रेफरेंस करना: बेहतर सटीकता के लिए विभिन्न स्रोतों में पाई गई जानकारी को मान्य करना।
   • डाइट प्लान को शक्ति प्रदान करना: व्यक्तिगत भोजन सिफारिशें और न्यूट्रीशन लक्ष्य उत्पन्न करने के लिए उपयोगकर्ता वरीयताओं और स्वास्थ्य लक्ष्यों को संसाधित करने में सहायता करना।
   • NutriBites को बढ़ाना: प्रासंगिक अंतर्दृष्टि प्रदान करने के लिए उनके भोजन इतिहास के बारे में उपयोगकर्ता प्रश्नों को समझना।

यह मजबूत संयोजन हमें विभिन्न ऐप सुविधाओं में विश्वसनीय न्यूट्रीशन संबंधी विवरण प्रदान करने की अनुमति देता है:

• स्कैन किए गए भोजन (प्रोसेस मील स्कैन और न्यूट्रीशन विवरण पृष्ठ): जब आप किसी भोजन को स्कैन करते हैं, तो छवि विश्लेषण खाद्य पदार्थों की पहचान करता है। हमारा सिस्टम तब मैक्रोन्यूट्रिएंट्स (कैलोरी, प्रोटीन, कार्ब्स, वसा), शीर्ष सूक्ष्म पोषक तत्व (जैसे फाइबर, पोटेशियम, कैल्शियम), और NutriScore की गणना करने के लिए एकीकृत डेटा स्रोतों (मुख्य रूप से उन्नत खोज और ओपनAI विश्लेषण) से क्वेरी करता है। प्रक्रिया में गैर-खाद्य छवियों या संभावित सामग्री फ़िल्टरिंग समस्याओं को संभालने के लिए जांच शामिल है।
• मैन्युअल रूप से लॉग किए गए खाद्य पदार्थ और संपादन (न्यूट्रीशन विवरण पृष्ठ): जब आप मैन्युअल रूप से भोजन लॉग करते हैं, तो स्कैन किए गए भोजन में लापता आइटम जोड़ते हैं, या हिस्से के आकार को समायोजित करते हैं, तो ऐप प्रासंगिक न्यूट्रीशन संबंधी जानकारी खोजने और प्रदर्शित करने के लिए समान डेटा स्रोतों से क्वेरी करता है।
• व्यक्तिगत डाइट प्लान (डाइट प्लान - प्रीमियम सुविधा): एक डाइट प्लान बनाना आपकी विस्तृत प्रोफ़ाइल (वरीयताएं, लक्ष्य, प्रतिबंध, आदि) को हमारी न्यूट्रीशन संबंधी डेटा पुनर्प्राप्ति विधियों के साथ जोड़ना शामिल है। एक एलएलएम, मुख्य रूप से ओपनAI द्वारा संचालित, इस जानकारी को संसाधित करता है ताकि दैनिक मैक्रो/सूक्ष्म पोषक तत्व लक्ष्य उत्पन्न हो सकें और विस्तृत विवरण (व्यंजन, हिस्से के आकार, लाभ) के साथ विशिष्ट भोजन का सुझाव दिया जा सके।
• अंतर्दृष्टि और NutriBites (अंतर्दृष्टि, NutriBites): मासिक कैलेंडर दृश्य (NutriScore रंगों को दिखाते हुए), दैनिक न्यूट्रीशन संबंधी विवरण, और NutriBites द्वारा प्रदान किए गए उत्तर जैसी सुविधाएँ उपयोगकर्ता द्वारा लॉग किए गए या स्कैन किए गए ऐतिहासिक न्यूट्रीशन संबंधी डेटा को क्वेरी करने और एकत्रित करने पर निर्भर करती हैं।

सटीकता और सीमाएं

जबकि हम उन्नत खोज और AI विश्लेषण को मिलाकर उच्चतम संभव सटीकता के लिए प्रयास करते हैं, यह स्वीकार करना महत्वपूर्ण है कि न्यूट्रीशन संबंधी डेटा अनुमान जटिल हो सकता है। सामग्री में भिन्नता, तैयारी के तरीके, और AI मॉडल की अंतर्निहित सीमाएं जैसे कारक का मतलब है कि कभी-कभी अशुद्धियां हो सकती हैं।

• भोजन स्कैनिंग: हमारे डेटाबेस में मौजूद खाद्य पदार्थों के लिए NutriScan 95% या उससे बेहतर सटीकता से पहचान करता है। यह हमारी अपनी आंतरिक डेटा जाँच पर आधारित हमारा आंकड़ा है, किसी तीसरे पक्ष का प्रमाणन नहीं।
• मैनुअल लॉगिंग: मैन्युअल रूप से लॉग किए गए आइटम उन्हीं सत्यापित रिकॉर्ड से सीधे हल होते हैं, इसलिए वे आमतौर पर स्कैन से भी ज़्यादा सटीक होते हैं, क्योंकि इसमें छवि की व्याख्या का चरण नहीं होता।

दो बातें जिन्हें हम छिपाएँगे नहीं। पोर्शन का आकार सबसे कठिन हिस्सा है: व्यंजन को सही पहचानना और प्लेट में उसकी मात्रा आंकना, दोनों अलग बातें हैं, और गहराई, कोण तथा परोसने का तरीका इस अनुमान को प्रभावित करते हैं। कवरेज ही सीमा तय करती है: सटीकता उन्हीं खाद्य पदार्थों पर सबसे ज़्यादा है जो पहले से हमारे डेटाबेस में हैं; कोई अनदेखा व्यंजन खोज और AI अनुमान पर चला जाता है, जहाँ अंतर ज़्यादा होता है। इसीलिए हर परिणाम को संपादित किया जा सकता है।

हम इन त्रुटियों को कम करने के लिए अपने एल्गोरिदम और डेटा सत्यापन प्रक्रियाओं में लगातार सुधार कर रहे हैं।

इन विविध और उच्च-गुणवत्ता वाले स्रोतों को एकीकृत करके, NutriScan सभी प्रकार के खाद्य खपत के लिए विश्वसनीय, व्यापक न्यूट्रीशन संबंधी अंतर्दृष्टि प्रदान करने का लक्ष्य रखता है, जिससे आपको सूचित डाइट विकल्प बनाने और अपने स्वास्थ्य लक्ष्यों की दिशा में अपनी प्रगति को प्रभावी ढंग से ट्रैक करने में मदद मिलती है।