Hur pricksäker är kaloriräkning med AI och foto?

En multimodal modell analyserar ditt foto och identifierar vad som ligger på tallriken, och uppskattar sedan portionsstorleken utifrån visuella ledtrådar – tallrikens storlek, skålens djup, hur maten är upplagd. Den kopplar varje identifierad råvara till näringsdata och räknar ihop totalen.

Två av dessa steg är genuint svåra. Identifieringen är det enklare: ett kycklingbröst, en skål ris och lite broccoli är lätta att känna igen. Att uppskatta portionsstorleken är svårare, eftersom ett fotografi plattar till djupet, och skillnaden mellan 100 g och 160 g ris kan handla om några enstaka pixlar.

Den tredje svårigheten är osynliga ingredienser. En matsked olivolja ger runt 120 kcal och lämnar knappt några visuella spår i en färdig rätt. Grädde i en sås, smör på grönsaker och socker i en marinad fungerar på precis samma sätt.

Den är som bäst på uppdelad mat upplagd på tallrik: en proteinkälla, en kolhydratkälla och grönsaker, fotograferade i lätt vinkel och bra ljus. Förpackad mat som skannas med streckkod är ännu mer exakt, eftersom siffrorna hämtas direkt från innehållsförteckningen i stället för från en uppskattning.

Den har svårare för blandade rätter – grytor, curryrätter, smoothies, gratänger – där ingredienserna inte syns var för sig. Den har svårt för restaurangmat, som i regel innehåller mer fett och socker än vad som syns. Och den har svårt för foton där skalan döljs, som en närbild utan något referensobjekt i bild.

Det är precis därför CalEasy låter dig kombinera ett foto med ett röstmeddelande eller en textrad i samma loggning. ”Stekt i två matskedar olivolja” ger exakt den information ett foto inte kan förmedla, och det tar tre sekunder att säga.

Anta att dina uppskattningar konsekvent ligger 10 % för lågt. Du sätter ett mål, loggar i tre veckor och vågen rör sig knappt. Du sänker målet med 200 kcal och vågen börjar röra sig nedåt. Den systematiska avvikelsen är nu kompenserad – eftersom du kalibrerade mot dina egna resultat i stället för mot en absolut sanning.

Anta i stället att dina uppskattningar är helt perfekta, men att du bara loggar fyra dagar i veckan. Då har du ingen aning om vad ditt faktiska intag är, och ingen trend att kalibrera mot. Den andra personen har betydligt sämre förutsättningar än den första, trots högre precision i varje enskild måltid.

Det här är det ärliga argumentet för fotologgning: det är inte den mest millimeterprecisa metoden som finns, men det är metoden folk faktiskt fortsätter använda. En matdagbok där allt vägs och förs in manuellt är mer exakt i ungefär tio dagar – vilket är ungefär så länge de flesta orkar hålla på.

Fota innan du börjar äta, i en lätt vinkel uppifrån snarare än rakt ovanifrån, och ha med något i bild som visar skalan – en gaffel eller din hand räcker bra. Få med hela tallriken i stället för en närbild på den finaste delen.

Säg eller skriv det ett foto inte kan visa: stekfettet, såsen, om yoghurten var fet eller lätt. Skanna streckkoden när maten kommer från en förpackning. Och justera resultatet när du vet bättre än uppskattningen – varje måltid i CalEasy delas upp i ingredienser som du kan ändra på några sekunder, vilket både är snabbare än manuell inmatning och mer exakt än att godta en uppskattning du tvekar på.

För måltider du äter ofta lönar det sig att få till siffrorna rätt en gång och spara måltiden. Därefter loggar du den med ett enda tryck, helt utan uppskattningar.

Streckkodsskanning är mest exakt för förpackad mat och kräver inga bedömningar. Att väga ingredienser och mata in dem manuellt är mest exakt för hemlagad mat, och tveklöst långsammast. Fotologgning är snabbast och hanterar mat du inte har lagat själv. Röst och text ligger mittemellan: snabbt och med möjlighet att beskriva sådant en kamera inte ser.

Ingen av dessa är rätt val för varje måltid. Därför är den relevanta frågan inte ”vilken metod är mest exakt”, utan ”vilken metod kommer jag faktiskt att använda för den här måltiden, just nu”. En ungefärlig uppskattning som blir loggad slår en exakt som aldrig blir av.