Revolutionerende software er under udvikling for at give realtidsanalyse af næringsstoffer og kalorier i måltider ved blot at observere, hvordan folk spiser. Målet er et system, der kan evaluere selv hjemmelavede eller unikke retter med præcision.
Traditionelle AI-modeller er i stand til at vurdere det ernæringsmæssige indhold via billeder af mad, men Yuhao Chen fra University of Waterloo påpeger, at visse elementer kan overses i et enkelt øjebliksbillede, som f.eks. ingredienser, der er nedsænket i en gryderet. For at imødegå dette har Chens hold udviklet en mere præcis løsning, der nøje gransker måltider bid for bid. Dette kan især være gavnligt for overvågning af ernæringen hos personer med helbredsproblemer eller ældre.
Deres sofistikerede model gransker en videosekvens af en person, der spiser, og registrerer hver skefuld. Derefter beregner den det forbrugte fødevolumen med en imponerende lav fejlmargen på kun 4,4%. Mens den endnu ikke er i stand til at genkende alle typer mad og deres ernæringsmæssige indhold, er der forskning i gang for at udvide dens genkendelsesmuligheder.
Chens ambition er at integrere store sprogmodeller, som dem der driver ChatGPT, for at forbedre systemets evne til at identificere ingredienser i hidtil usete opskrifter eller helt nye kulinariske kreationer. Hjemmelavede måltider mangler ofte en standardopskrift eller titel, hvilket gør AI’s generelle viden afgørende for at deducere deres sammensætning.
Mens eksperter som Emilie Combet Aspray fra University of Glasgow, Storbritannien, argumenterer for, at værktøjets præcision måske ikke er tilstrækkelig til strenge videnskabelige studier på grund af manglende evne til at garantere absolut nøjagtighed, har det stadig potentiel værdi for ernæringseksperter eller i situationer, hvor tilnærmelser er tilstrækkelige. Dette kan inkludere at hjælpe enkeltpersoner med at spore deres kostindtag og næringsværdier.
Vigtige Spørgsmål & Svar:
– Hvordan måler AI’et ernæringsindholdet ud fra en videosekvens?
AI’et udviklet af Chens hold analyserer videosekvenser af personer, der spiser, og registrerer hver indtagne skefuld. Det beregner derefter volumenet af den forbrugte mad med en imponerende lille fejlmargen.
– Hvilke begrænsninger har den nuværende AI-model?
På nuværende tidspunkt er softwaren ikke fuldt ud i stand til at genkende alle typer mad og deres ernæringsmæssige indhold. Dette kan begrænse dens anvendelse til at give ernæringsmæssige indsigter for et bredt udvalg af måltider.
– Hvorfor er realtids ernæringsindsigt vigtigt?
Realtids ernæringsindsigt er vigtig for personer, der har behov for at overvåge deres kost nøje på grund af helbredsproblemer eller for dem, der tager sig af deres ernæring, såsom atleter, ældre eller personer med diætbegrænsninger.
Nøgleudfordringer & Kontroverser:
– Data Nøjagtighed: En nøgleudfordring er at sikre AI’ets præcision i identifikation og analyse af det ernæringsmæssige indhold, givet variabiliteten i madlavning, ingredienser og portionstørrelser.
– Generalisering: For at AI-systemet skal være virkelig nyttigt, skal det kunne generalisere over et bredt udvalg af fødevarer, herunder komplekse retter med skjulte ingredienser.
– Etiske og Privatlivsmæssige Anliggender: Der kan være privatlivsproblemer forbundet med at optage personer, mens de spiser, da videosekvenser er følsomme data, der kræver omhyggelig håndtering og samtykke.
Fordele:
1. Sundhedsovervågning: Denne teknologi kan i høj grad hjælpe med koststyring for dem med helbredsproblemer, der kræver streng overvågning af fødeindtaget.
2. Bekvemmelighed: Den giver en simpel og effektiv måde for folk at spore deres ernæring uden manuelt at logge måltider eller estimere portioner.
3. Diætetisk Støtte: Den kan fungere som et støttende værktøj for ernæringseksperter og diætister, når de designer og justerer kostplaner for kunder.
Ulemper:
1. Unøjagtighed: Manglende nøjagtighed kan gøre værktøjet uegnet til videnskabelige studier eller kliniske miljøer, der kræver præcise målinger.
2. Begrænset Genkendelse: AI’ets manglende evne til at genkende alle madtyper kan resultere i forkerte ernæringsmæssige indsigter.
3. Ethiske og Privatlivsmæssige Problemer: Processen med at optage personer, mens de spiser, indebærer etiske overvejelser og potentielle krænkelser af privatlivet.
Hvis man ønsker at udforske mere om kunstig intelligens i forbindelse med ernæring og sundhed, kan følgende links til autoritative kilder være nyttige:
– Nature
– Science
– New England Journal of Medicine
– The Lancet
Disse links giver adgang til ny forskning og diskussioner om skæringspunktet mellem AI og sundhedsvæsenet, herunder ernæring og kosthold.
The source of the article is from the blog toumai.es