Fontes dos valores nutricionais

Resumir com: ChatGPT Claude Modo IA Perplexity

No NutriScan, informação nutricional correta e confiável é prioridade. Combinamos várias fontes para que os dados que chegam até você sejam os mais precisos possíveis, e eles alimentam os principais recursos do app.

Nossa metodologia reúne várias fontes de alta qualidade:

1. Nossa própria base de alimentos. A maioria das consultas hoje é resolvida em uma base nutricional que nós mesmos construímos e mantemos, com milhões de alimentos. Ela parte de referências públicas e licenciadas consolidadas e depois passa por uma limpeza interna:
   • USDA FoodData Central para alimentos genéricos e in natura.
   • Open Food Facts para produtos embalados e com código de barras.
   • FatSecret para ampliar a cobertura de marcas e de alimentos regionais.
   • Revisão e correção internas. Não confiamos nos registros importados do jeito que chegam. Conferimos as calorias contra proteína, carboidrato e gordura usando os fatores de Atwater e corrigimos as linhas em que os números não batem, resolvemos erros de base entre cozido e cru e entre seco e preparado, removemos entradas duplicadas ou malformadas e definimos porções caseiras realistas (uma fatia, uma xícara, uma unidade) para cada alimento, em vez de aplicar um peso genérico a tudo. Os nomes dos alimentos são mantidos em vários idiomas, para que pratos regionais sejam encontrados na língua de cada pessoa.
   • Construir tudo isso por conta própria é o que nos permite cobrir comida caseira e pratos regionais, que bases focadas em código de barras quase sempre deixam de fora.
2. Busca avançada na internet: para produtos únicos, regionais ou recém-lançados que ainda não estão na nossa base, nossos sistemas fazem buscas direcionadas e de alta qualidade em fontes online confiáveis para reunir as informações nutricionais necessárias.
3. Integração com a API da OpenAI: usamos a API da OpenAI em várias tarefas importantes:
   • Análise de refeições escaneadas: ajuda a identificar alimentos complexos em uma imagem e a entender o contexto da refeição.
   • Cruzamento de dados: valida informações encontradas em fontes diferentes para aumentar a precisão.
   • Planos alimentares: ajuda a processar suas preferências e objetivos de saúde para gerar sugestões de refeições e metas nutricionais personalizadas.
   • Aprimoramento do NutriBites: entende as perguntas sobre o seu histórico de refeições para trazer respostas relevantes.

Essa combinação nos permite entregar análises nutricionais confiáveis em vários recursos do app:

• Refeições escaneadas (Process Meal Scan e Nutrition Details Page): ao escanear uma refeição, a análise de imagem identifica os alimentos. Em seguida, nosso sistema consulta as fontes de dados integradas (primeiro a nossa base de alimentos, depois a busca avançada e a análise da OpenAI) para obter os macronutrientes (calorias, proteínas, carboidratos e gorduras), os principais micronutrientes (como fibras, potássio e cálcio) e calcular o NutriScore. O processo inclui verificações para lidar com imagens que não são de comida e com possíveis problemas de filtragem de conteúdo.
• Alimentos registrados manualmente e edições (Nutrition Details Page): quando você registra um alimento manualmente, adiciona um item que faltou em uma refeição escaneada ou ajusta porções, o app consulta as mesmas fontes de dados para encontrar e mostrar as informações nutricionais correspondentes.
• Planos alimentares personalizados (Diet plan, recurso Premium): para gerar um plano alimentar, combinamos o seu perfil detalhado (preferências, objetivos, restrições etc.) com os nossos métodos de busca de dados nutricionais. Um LLM, em grande parte da OpenAI, processa essas informações para criar metas diárias de macro e micronutrientes e sugerir refeições específicas, com detalhes como receitas, porções e benefícios.
• Insights e NutriBites (Insights, NutriBites): recursos como a visão de calendário mensal (com as cores do NutriScore), os resumos nutricionais diários e as respostas do NutriBites se baseiam na consulta e na soma do histórico nutricional que você registrou ou escaneou.

Precisão e limitações

Ter nossa própria base de alimentos mudou o que podemos prometer aqui. Quando um escaneamento encontra um registro que nós mesmos verificamos, os valores nutricionais vêm desse registro e não de uma estimativa genérica, que era onde estava a maior parte do erro no registro por foto.

• Escaneamento de refeições: o NutriScan identifica alimentos com 95% de precisão ou mais para itens cobertos pela nossa base. Esse número é nosso, baseado na verificação interna dos dados de alimentos, e não uma certificação de terceiros.
• Registro manual: os itens registrados manualmente são resolvidos direto nos mesmos registros verificados, então costumam ser ainda mais precisos que um escaneamento, já que não há etapa de interpretação de imagem.

Dois pontos que não vamos esconder. A porção é a parte difícil: reconhecer o prato certo não é o mesmo que avaliar quanto dele está no prato, e a profundidade, o ângulo e a forma de servir afetam essa estimativa. A cobertura define o teto: a precisão é maior para alimentos que já estão na nossa base, e um prato que nunca vimos cai na busca e na estimativa por IA, onde a margem de erro é maior. É por isso que todo resultado pode ser editado, e cada correção ensina o sistema.

Trabalhamos continuamente para melhorar nossos algoritmos e os processos de validação de dados e reduzir esses erros.

Ao reunir essas fontes diversas e de alta qualidade, o NutriScan busca entregar informações nutricionais confiáveis e completas para qualquer tipo de refeição, ajudando você a fazer escolhas alimentares conscientes e a acompanhar o progresso rumo às suas metas de saúde.