Datakällor för näringsvärden

Sammanfatta med: ChatGPT Claude AI Mode Perplexity

På NutriScan är korrekt och pålitlig näringsinformation avgörande. Vi kombinerar flera metoder för att datan du får ska vara så exakt som möjligt, och den driver appens viktigaste funktioner.

Vår metod bygger på flera källor av hög kvalitet:

1. Vår egen livsmedelsdatabas. De flesta sökningar slås numera upp i en näringsdatabas som vi bygger och underhåller själva, med miljontals livsmedel. Den sätts samman av etablerade offentliga och licensierade referenser och rensas sedan internt:
   • USDA FoodData Central för råvaror och allmänna livsmedel.
   • Open Food Facts för förpackade produkter och varor med streckkod.
   • FatSecret för ytterligare märkesvaror och regional täckning.
   • Intern granskning och korrigering. Importerade poster litar vi inte blint på. Vi stämmer av kalorier mot protein, kolhydrater och fett med Atwater-faktorer och rättar rader där siffrorna inte stämmer, åtgärdar fel mellan tillagad och rå vikt samt torr och färdigberedd vikt, tar bort dubbletter och felaktiga poster och anger realistiska hushållsportioner (en skiva, en kopp, en bit) för varje livsmedel i stället för en och samma generiska vikt för allt. Livsmedelsnamnen finns på flera språk, så att regionala rätter hittas på användarens eget språk.
   • Genom att bygga databasen själva kan vi täcka hemlagad och regional mat, något som databaser med fokus på streckkoder i stort sett missar.
2. Avancerad internetsökning: För unika, regionala eller nyligen lanserade livsmedel som ännu inte finns i vår databas gör våra system riktade, kvalitetssäkrade sökningar bland pålitliga onlinekällor för att hitta den näringsinformation som behövs.
3. Integration med OpenAI API: Vi använder OpenAI API till flera viktiga uppgifter:
   • Analys av skannade måltider: Hjälper till att känna igen komplexa livsmedel i en bild och förstå sammanhanget i måltiden.
   • Korskontroll av data: Validerar information som hittats i olika källor för bättre noggrannhet.
   • Kostscheman: Hjälper till att bearbeta dina preferenser och hälsomål för att skapa personliga måltidsförslag och näringsmål.
   • Förbättrade NutriBites: Förstår dina frågor om din måltidshistorik och ger relevanta insikter.

Den här kombinationen gör att vi kan ge tillförlitliga näringsuppgifter i appens olika funktioner:

• Skannade måltider (Bearbeta måltidsskanning och Sidan Näringsdetaljer): När du skannar en måltid identifierar bildanalysen livsmedlen. Vårt system hämtar sedan data från de anslutna källorna (först vår egen livsmedelsdatabas, därefter avancerad sökning och OpenAI-analys) för att få fram makronäringsämnen (kalorier, protein, kolhydrater, fett) och viktiga mikronäringsämnen (som fibrer, kalium och kalcium) samt räkna ut NutriScore. Processen innehåller kontroller för bilder som inte föreställer mat och för eventuella problem med innehållsfiltrering.
• Manuellt loggad mat och ändringar (Sidan Näringsdetaljer): När du loggar mat manuellt, lägger till saknade livsmedel i en skannad måltid eller justerar portionsstorlekar hämtar appen från samma datakällor och visar rätt näringsinformation.
• Personliga kostscheman (Kostschema, Premium-funktion): För att skapa ett kostschema kombineras din detaljerade profil (preferenser, mål, begränsningar med mera) med våra metoder för att hämta näringsdata. En språkmodell, i första hand från OpenAI, bearbetar informationen och skapar dagliga mål för makro- och mikronäringsämnen samt föreslår konkreta måltider med detaljerade uppgifter (recept, portionsstorlekar, fördelar).
• Översikt och NutriBites (Översikt, NutriBites): Funktioner som månadskalendern (med NutriScore-färger), dagliga näringsöversikter och svaren från NutriBites bygger på att den historiska näringsdata du har loggat eller skannat hämtas och sammanställs.

Noggrannhet och begränsningar

Att driva vår egen livsmedelsdatabas har ändrat vad vi kan lova här. När en skanning matchar en post som vi själva har verifierat kommer näringsvärdena från den posten och inte från en generell uppskattning. Det var där den största delen av felen i fotobaserad loggning tidigare uppstod.

• Måltidsskanning: NutriScan identifierar mat med 95 % noggrannhet eller bättre för livsmedel som finns i vår databas. Siffran är vår egen och bygger på vår interna verifiering av livsmedelsdata. Det är inte en certifiering från tredje part.
• Manuell loggning: Manuellt loggade livsmedel slås upp direkt mot samma verifierade poster. De är därför oftast ännu mer exakta än en skanning, eftersom det inte finns något steg där en bild ska tolkas.

Två förbehåll som vi inte vill släta över. Portionsstorleken är den svåra delen: att känna igen rätten är inte detsamma som att bedöma hur mycket som ligger på tallriken, och djup, vinkel och upplägg påverkar uppskattningen. Täckningen sätter taket: noggrannheten är högst för mat som redan finns i vår databas, och en rätt vi aldrig har sett går över till sökning och AI-uppskattning, där felmarginalen är större. Därför går alla resultat att ändra, och varje rättelse lär systemet något.

Vi arbetar kontinuerligt med att förbättra våra algoritmer och vår datavalidering för att minska felen.

Genom att kombinera dessa olika källor av hög kvalitet vill NutriScan ge tillförlitliga och heltäckande näringsinsikter för all slags mat, så att du kan göra välgrundade kostval och följa dina framsteg mot hälsomålen.