Nguồn dữ liệu cho giá trị dinh dưỡng

Tóm tắt bằng: ChatGPT Claude AI Mode Perplexity

Với NutriScan, thông tin dinh dưỡng chính xác và đáng tin cậy là ưu tiên hàng đầu. Chúng tôi kết hợp nhiều nguồn dữ liệu để con số bạn nhận được sát thực tế nhất có thể, và chúng vận hành các tính năng chính trong ứng dụng.

Phương pháp của chúng tôi kết hợp nhiều nguồn chất lượng cao:

1. Cơ sở dữ liệu thực phẩm riêng của chúng tôi. Phần lớn lượt tra cứu hiện nay được đối chiếu với cơ sở dữ liệu dinh dưỡng do chính chúng tôi xây dựng và duy trì, bao gồm hàng triệu loại thực phẩm. Cơ sở dữ liệu này được tổng hợp từ các nguồn tham chiếu công khai và có cấp phép uy tín, sau đó được làm sạch nội bộ:
   • USDA FoodData Central cho thực phẩm nguyên liệu và thực phẩm thông dụng.
   • Open Food Facts cho sản phẩm đóng gói và có mã vạch.
   • FatSecret để bổ sung thực phẩm thương hiệu và thực phẩm theo vùng.
   • Rà soát và hiệu chỉnh nội bộ. Chúng tôi không tin tuyệt đối vào các bản ghi nhập vào. Chúng tôi đối chiếu calo với chất đạm, tinh bột và chất béo bằng hệ số Atwater, rồi sửa những dòng bị lệch. Chúng tôi xử lý lỗi cơ sở tính (nấu chín so với sống, khô so với đã chế biến), loại bỏ các mục trùng lặp hoặc sai định dạng, và đặt khẩu phần thực tế theo cách dùng hằng ngày (một lát, một cốc, một miếng) cho từng món thay vì áp một khối lượng chung cho mọi thứ. Tên thực phẩm được duy trì bằng nhiều ngôn ngữ để món ăn từng vùng được nhận ra ngay bằng ngôn ngữ của chính người dùng.
   • Tự xây dựng cơ sở dữ liệu giúp chúng tôi bao phủ các món nấu tại nhà và món đặc trưng từng vùng, những thứ mà các cơ sở dữ liệu dựa chủ yếu vào mã vạch gần như bỏ sót.
2. Tìm kiếm nâng cao trên internet: Với các sản phẩm độc đáo, theo vùng hoặc mới ra mắt mà cơ sở dữ liệu của chúng tôi chưa có, hệ thống sẽ tìm kiếm có mục tiêu, chất lượng cao trên các nguồn trực tuyến uy tín để lấy thông tin dinh dưỡng cần thiết.
3. Tích hợp OpenAI API: Chúng tôi dùng OpenAI API cho nhiều tác vụ quan trọng:
   • Phân tích bữa ăn đã quét: Giúp nhận diện các món phức tạp trong ảnh và hiểu bối cảnh của bữa ăn.
   • Đối chiếu dữ liệu: Kiểm tra thông tin tìm được từ nhiều nguồn khác nhau để tăng độ chính xác.
   • Xây dựng kế hoạch ăn uống: Hỗ trợ xử lý sở thích và mục tiêu sức khỏe của người dùng để đưa ra gợi ý bữa ăn và mục tiêu dinh dưỡng được cá nhân hóa.
   • Nâng cao NutriBites: Hiểu các câu hỏi của người dùng về lịch sử bữa ăn để đưa ra những thông tin phù hợp.

Sự kết hợp này giúp chúng tôi đưa ra bảng dinh dưỡng đáng tin cậy trong nhiều tính năng của ứng dụng:

• Bữa ăn đã quét (Process Meal Scan & Nutrition Details Page): Khi bạn quét một bữa ăn, hệ thống phân tích ảnh sẽ nhận diện các món. Sau đó hệ thống truy vấn các nguồn dữ liệu đã tích hợp (cơ sở dữ liệu thực phẩm riêng của chúng tôi trước, rồi đến tìm kiếm nâng cao và phân tích của OpenAI) để lấy các chất dinh dưỡng đa lượng (Calo, Chất đạm, Tinh bột, Chất béo), các vi chất nổi bật (như Chất xơ, Kali, Canxi) và tính NutriScore. Quy trình có các bước kiểm tra để xử lý ảnh không phải thực phẩm hoặc các sự cố lọc nội dung.
• Món ăn nhập thủ công và chỉnh sửa (Nutrition Details Page): Khi bạn tự nhập món ăn, thêm món còn thiếu vào bữa ăn đã quét hoặc chỉnh khẩu phần, ứng dụng truy vấn cùng các nguồn dữ liệu đó để tìm và hiển thị thông tin dinh dưỡng tương ứng.
• Kế hoạch ăn uống cá nhân hóa (Diet plan, tính năng Premium): Để tạo kế hoạch ăn uống, hệ thống kết hợp hồ sơ chi tiết của bạn (sở thích, mục tiêu, hạn chế, v.v.) với các phương pháp truy xuất dữ liệu dinh dưỡng của chúng tôi. Một mô hình ngôn ngữ lớn (LLM), chủ yếu do OpenAI cung cấp, xử lý những thông tin này để tạo mục tiêu chất dinh dưỡng đa lượng và vi lượng hằng ngày, đồng thời gợi ý các bữa ăn cụ thể kèm chi tiết (công thức, khẩu phần, lợi ích).
• Thông tin chi tiết và NutriBites (Insights, NutriBites): Các tính năng như lịch tháng (hiển thị màu NutriScore), bảng phân tích dinh dưỡng theo ngày và câu trả lời của NutriBites đều dựa trên việc truy vấn và tổng hợp dữ liệu dinh dưỡng mà người dùng đã ghi lại hoặc quét trước đó.

Độ chính xác và giới hạn

Việc tự vận hành cơ sở dữ liệu thực phẩm đã thay đổi những gì chúng tôi có thể cam kết. Khi một lượt quét khớp với bản ghi mà chính chúng tôi đã kiểm chứng, giá trị dinh dưỡng lấy từ bản ghi đó chứ không phải từ một ước tính chung chung, vốn là nguồn gây ra phần lớn sai số của việc theo dõi bằng ảnh trước đây.

• Quét bữa ăn: NutriScan nhận diện thực phẩm với độ chính xác từ 95% trở lên đối với các món có trong cơ sở dữ liệu của chúng tôi. Đây là con số do chúng tôi tự đưa ra, dựa trên việc kiểm chứng dữ liệu thực phẩm nội bộ, không phải chứng nhận của bên thứ ba.
• Nhập thủ công: Món ăn nhập thủ công được đối chiếu trực tiếp với cùng các bản ghi đã kiểm chứng, nên thường chính xác hơn cả việc quét, vì không có bước diễn giải hình ảnh.

Có hai điểm hạn chế chúng tôi nói thẳng. Khẩu phần là phần khó nhất: nhận diện đúng món ăn không đồng nghĩa với việc đánh giá đúng lượng thức ăn trên đĩa, và độ sâu, góc chụp, cách bày biện đều ảnh hưởng đến ước tính này. Mức độ bao phủ quyết định giới hạn trên: độ chính xác cao nhất với những món đã có trong cơ sở dữ liệu, còn món chúng tôi chưa từng gặp sẽ chuyển sang tìm kiếm và ước tính bằng AI, nơi sai số lớn hơn. Cả hai lý do này là vì sao mọi kết quả đều có thể chỉnh sửa, và mỗi lần bạn sửa, hệ thống học thêm một điều.

Chúng tôi liên tục cải thiện thuật toán và quy trình kiểm chứng dữ liệu để giảm thiểu những sai số này.

Nhờ kết hợp các nguồn chất lượng cao và đa dạng này, NutriScan hướng đến việc mang lại thông tin dinh dưỡng đáng tin cậy, đầy đủ cho mọi kiểu ăn uống, giúp bạn đưa ra lựa chọn ăn uống sáng suốt và theo dõi hiệu quả tiến trình đạt mục tiêu sức khỏe.