Una fotografia pot mostrar arr\u00f2s, pollastre i verdures en un plat. Tanmateix, no sempre revela quant oli s’ha utilitzat, la proporci\u00f3 exacta de cada ingredient o si la recepta s’ha preparat d’una manera diferent de la versi\u00f3 est\u00e0ndard.<\/p>\n
La difer\u00e8ncia pot semblar menor quan alg\u00fa nom\u00e9s vol portar un diari d’\u00e0pats. Adquireix molta m\u00e9s import\u00e0ncia quan les dades resultants s’utilitzen per monitorar la ingesta d’un pacient, avaluar l’adher\u00e8ncia a un tractament nutricional o personalitzar un servei de salut digital.<\/p>\n
Una recerca presentada a NUTRITION 2026 ha tornat a posar aquesta q\u00fcesti\u00f3 sobre la taula. Els investigadors van utilitzar fotografies estandarditzades de 102 \u00e0pats preparats en una cuina metab\u00f2lica, on cada ingredient s’havia pesat amb una precisi\u00f3 de 0,1 grams. Despr\u00e9s van comparar la composici\u00f3 coneguda dels plats amb les estimacions generades per MyFitnessPal, Lose It!, CalAI i Appediet.<\/p>\n
Les quatre aplicacions van infravalorar l’energia en una mitjana d’entre 250 i 345 quilocalories per \u00e0pat i el greix en uns 30 grams. Les estimacions d’hidrats de carboni van ser m\u00e9s consistents. En una an\u00e0lisi posterior de m\u00e9s de 200 \u00e0pats, encara descrita com a preliminar, els errors semblaven m\u00e9s grans en els \u00e0pats cetog\u00e8nics, probablement pel seu contingut m\u00e9s elevat en greix.<\/p>\n
Els resultats mereixen atenci\u00f3, per\u00f2 no demostren que tots els sistemes d’an\u00e0lisi d’imatges d’aliments amb IA produeixin el mateix error. Es van presentar en un congr\u00e9s i encara no s’han publicat en una revista amb revisi\u00f3 per parells. A m\u00e9s, es refereixen a quatre aplicacions de consum concretes i no avaluen LogMeal.<\/p>\n
El missatge pr\u00e0ctic \u00e9s m\u00e9s prec\u00eds: una sola imatge no sempre cont\u00e9 tota la informaci\u00f3 necess\u00e0ria per convertir un \u00e0pat en una mesura nutricional fiable.<\/p>\n
Analitzar un \u00e0pat implica diverses tasques independents. El sistema primer ha de detectar els aliments, identificar el plat o els seus components, estimar-ne les quantitats i associar-los amb una recepta i una font de composici\u00f3 d’aliments adequades.<\/p>\n
Un error en qualsevol d’aquestes fases afecta el resultat final. Una amanida es pot recon\u00e8ixer correctament i, tot i aix\u00ed, mostrar un valor energ\u00e8tic inferior al real si no es t\u00e9 en compte l’amaniment. Dues sopes d’aspecte gaireb\u00e9 id\u00e8ntic poden contenir quantitats molt diferents d’oli, formatge o nata. En guisats i plats mixtos, una part important de la informaci\u00f3 nutricional no \u00e9s visible a la superf\u00edcie.<\/p>\n
L’estimaci\u00f3 de la quantitat afegeix una altra font d’incertesa. L’angle de la c\u00e0mera, la dist\u00e0ncia, la forma del plat i la superposici\u00f3 dels ingredients influeixen en la conversi\u00f3 d’una imatge a grams. Per aix\u00f2 LogMeal tracta el reconeixement d’aliments i l’estimaci\u00f3 de quantitats com dos problemes t\u00e8cnics relacionats, per\u00f2 diferents.<\/p>\n
El context tamb\u00e9 importa. Una aplicaci\u00f3 que rep fotografies sense restriccions de milers d’usuaris parteix de molta menys informaci\u00f3 que un sistema que funciona en un hospital, on ja es coneixen el men\u00fa diari, les receptes i les mides de raci\u00f3 previstes.<\/p>\n
Quan una empresa integra Food AI Engine<\/a> en un producte de nutrici\u00f3, salut o benestar, el sistema analitza la imatge i retorna informaci\u00f3 estructurada sobre els aliments i plats detectats. Food AI Engine est\u00e0 disponible mitjan\u00e7ant els plans Analyse, Monitor, Recommend i Custom, perqu\u00e8 cada empresa pugui ajustar les funcions disponibles al seu producte. Recommend inclou l’estimaci\u00f3 de quantitats mitjan\u00e7ant l’an\u00e0lisi volum\u00e8trica dels aliments visibles, mentre que Custom permet respondre a requisits que necessiten una configuraci\u00f3 a mida.<\/p>\n LogMeal proporciona una proposta estandarditzada dels ingredients i les quantitats associats al plat reconegut. A partir d’aqu\u00ed, els valors nutricionals es calculen amb bases de dades professionals de composici\u00f3 d’aliments utilitzades per dietistes-nutricionistes i especialistes en nutrici\u00f3, entre les quals hi ha EuroFIR, USDA, NEVO, BEDCA i CESNID.<\/p>\n Aquesta proposta no es presenta com una descripci\u00f3 immutable de la recepta real. L’usuari pot afegir o eliminar ingredients i ajustar-ne les quantitats. Si una sopa portava m\u00e9s oli, un caf\u00e8 inclo\u00efa sucre o la raci\u00f3 era m\u00e9s petita del que s’havia estimat, aquesta informaci\u00f3 es pot incorporar al registre.<\/p>\n La combinaci\u00f3 \u00e9s important. La IA redueix la feina necess\u00e0ria per documentar un \u00e0pat, mentre que l’edici\u00f3 permet recollir informaci\u00f3 que la c\u00e0mera no pot veure. El proc\u00e9s persegueix un objectiu semblant al d’un recordatori diet\u00e8tic de 24 hores, per\u00f2 registra l’\u00e0pat en el moment del consum i conserva la fotografia com a refer\u00e8ncia.<\/p>\n LogMeal va avaluar aquest enfocament en comparaci\u00f3 amb el recordatori diet\u00e8tic de 24 hores<\/strong> en el projecte VALIDITHI, desenvolupat amb EIT Health, Nestl\u00e9, University Medical Center Groningen i el Computer Vision Center. Els resultats i el context de l’estudi s’expliquen en aquest article sobre el reconeixement d’aliments de LogMeal i el recordatori diet\u00e8tic de 24 hores<\/a>.<\/p>\n LogMeal Food Recognition Kiosk<\/a> funciona en un entorn diferent. En hospitals, resid\u00e8ncies, centres d’alt rendiment esportiu, menjadors d’empresa i restaurants d’autoservei, el sistema pot treballar amb els plats disponibles en cada ubicaci\u00f3 i servei. Quan l’organitzaci\u00f3 ha configurat les receptes i les mides de raci\u00f3 de refer\u00e8ncia, l’an\u00e0lisi parteix dels ingredients i valors nutricionals definits per al menjar que realment se serveix.<\/p>\n Aquest context redueix la incertesa. L’algoritme no ha de triar entre tots els \u00e0pats possibles ni reconstruir la recepta completa nom\u00e9s a partir de l’aspecte. Pot comparar la safata amb un conjunt definit de plats disponibles en aquell servei.<\/p>\n Per monitorar la ingesta, una imatge de la safata abans de l’\u00e0pat registra qu\u00e8 s’ha servit. Una segona imatge despr\u00e9s permet estimar qu\u00e8 en queda. La comparaci\u00f3 entre totes dues facilita el c\u00e0lcul de la ingesta real i del malbaratament alimentari, sense demanar al pacient o comensal que recordi i declari quant n’ha consumit.<\/p>\n El resultat continua depenent del fet que els men\u00fas, les receptes i les dades de les racions siguin correctes, i que el plat preparat coincideixi amb la informaci\u00f3 facilitada per l’organitzaci\u00f3. El context redueix la incertesa; no justifica prometre una mesura perfecta.<\/p>\n Un percentatge general de precisi\u00f3 aporta poc valor si no explica qu\u00e8 s’ha mesurat. Identificar correctament el nom d’un plat no equival a estimar-ne amb precisi\u00f3 el pes, les calories, les prote\u00efnes, els greixos i els hidrats de carboni.<\/p>\n Abans d’escollir una API de reconeixement d’aliments o un sistema de monitoratge nutricional, una empresa hauria de preguntar quins \u00e0pats es van utilitzar en l’avaluaci\u00f3, com es van capturar les imatges i si la tecnologia pot utilitzar els seus propis men\u00fas i receptes. Tamb\u00e9 hauria de determinar si els resultats es poden editar, com es gestionen els ingredients no visibles i si el sistema s’ha provat en condicions comparables a les del desplegament previst.<\/p>\n En una integraci\u00f3 B2B o B2B2C, l’organitzaci\u00f3 no es limita a afegir un model de visi\u00f3 artificial. Est\u00e0 incorporant una nova font de dades a un producte, un proc\u00e9s operatiu o una decisi\u00f3 professional. Els m\u00e8todes de captura, la informaci\u00f3 contextual, la tra\u00e7abilitat i la validaci\u00f3 formen part del sistema.<\/p>\n Els resultats de NUTRITION 2026 reforcen un principi que LogMeal ja aplica en el disseny dels seus productes: facilitar el registre alimentari no hauria d’implicar ignorar la informaci\u00f3 que falta. La fotografia redueix la fricci\u00f3. L’estimaci\u00f3 de porcions, la composici\u00f3 nutricional, el context i la revisi\u00f3 fan que el registre resultant sigui m\u00e9s \u00fatil.<\/p>\n Si la teva empresa est\u00e0 desenvolupant un producte de nutrici\u00f3, salut digital o benestar, consulta Food AI Engine<\/a> i la seva prova de 30 dies. Per a l’atenci\u00f3 hospital\u00e0ria, les resid\u00e8ncies o la restauraci\u00f3 col\u00b7lectiva, descobreix LogMeal per a Hospitals<\/a> o sol\u00b7licita una demostraci\u00f3<\/a>.<\/p>\nQu\u00e8 canvia quan el sistema coneix el men\u00fa i la recepta<\/h2>\n
Qu\u00e8 hauria de comprovar una empresa abans d’integrar aquesta tecnologia<\/h2>\n