Η επιστήμη πίσω από την εκτίμηση μερίδων από μία μόνο φωτογραφία

Η εκτίμηση του διατροφικού περιεχομένου ενός γεύματος από μία μόνο φωτογραφία ακούγεται, εκ πρώτης όψεως, σαν κάτι που θα έπρεπε να είναι πολύ ανακριβές για να είναι χρήσιμο. Δεν εμπλέκεται καμία ζυγαριά, καμία ακριβής λίστα συστατικών, και κανένας τρόπος να δεις τι συμβαίνει μέσα στο φαγητό. Κι όμως, στην πράξη, η εκτίμηση μέσω φωτογραφίας πέφτει αρκετά κοντά ώστε να είναι γνήσια χρήσιμη για τη συντριπτική πλειοψηφία των καθημερινών γευμάτων. Ο λόγος έγκειται στο πόση οπτική πληροφορία περιέχει πραγματικά ένα πιάτο φαγητού.

Μια φωτογραφία μεταφέρει αρκετά χρήσιμα σήματα ταυτόχρονα: τα αναγνωρίσιμα τρόφιμα και τη γενική κατηγορία τους (πρωτεΐνη, άμυλο, λαχανικό, σάλτσα), τις σχετικές αναλογίες τους μεταξύ τους, τον όγκο τους σε σχέση με γνωστά αντικείμενα αναφοράς όπως το πιάτο, το μπολ, ή τα μαχαιροπήρουνα στο πλάνο, και οπτικές ενδείξεις για τη μέθοδο παρασκευής —τηγανητό έναντι ψητού, για παράδειγμα, κάτι που έχει σημαντικά διαφορετικό προφίλ θερμίδων ακόμα και για το ίδιο βασικό συστατικό.

Αυτή είναι μια παρόμοια διαδικασία, σε πολύ μεγαλύτερη και ταχύτερη κλίμακα, με αυτή που κάνει ένας εκπαιδευμένος διαιτολόγος όταν εκτιμά οπτικά ένα γεύμα κατά τη διάρκεια μιας συνεδρίας — ούτε αυτός ζυγίζει το πιάτο, συλλογίζεται από την εμπειρία του τι συνήθως ζυγίζει και τι συνήθως περιέχει ένας δεδομένος όγκος ενός δεδομένου τύπου φαγητού. Ένα μεγάλο γλωσσικό μοντέλο εκπαιδευμένο σε τεράστιες ποσότητες εικόνων φαγητού και διατροφικών δεδομένων κάνει μια εκδοχή του ίδιου οπτικού συλλογισμού, απλώς αυτοματοποιημένη και σχεδόν στιγμιαία.

Η ακρίβεια αυτής της προσέγγισης είναι φυσικά άνιση ανάμεσα σε διαφορετικούς τύπους φαγητού. Ένα ψητό στήθος κοτόπουλου, μια ψητή πατάτα, ή ένα μπολ ρύζι είναι σχετικά εύκολο να εκτιμηθούν με ακρίβεια επειδή ο όγκος και η πυκνότητά τους είναι αρκετά προβλέψιμα και τα οπτικά τους όρια είναι καθαρά. Ένα στιφάδο, μια κατσαρόλα, ή οτιδήποτε όπου τα συστατικά είναι αναμεμειγμένα και μερικώς κρυμμένα —επιπλέον λάδι, βούτυρο, ή κρέμα γάλακτος ενσωματωμένα σε μια σάλτσα— είναι εγγενώς πιο δύσκολο να εκτιμηθεί με ακρίβεια, επειδή ένα σημαντικό μέρος του περιεχομένου θερμίδων δεν είναι καθόλου ορατό.

Γι' αυτόν ακριβώς τον λόγο η εκτίμηση μέσω φωτογραφίας παρουσιάζεται ως μια γρήγορη, λογική εκτίμηση και όχι ως ισχυρισμός ακρίβειας επιπέδου εργαστηρίου, και γι' αυτό συνδυάζεται με τη σάρωση γραμμωτού κώδικα για συσκευασμένα τρόφιμα που ήδη διαθέτουν μια ακριβή, τυπωμένη απάντηση. Οι δύο μέθοδοι είναι κατάλληλες για διαφορετικά προβλήματα: η σάρωση γραμμωτού κώδικα όπου ήδη υπάρχουν ακριβή δεδομένα, η εκτίμηση μέσω φωτογραφίας όπου δεν υπάρχουν και δεν θα υπάρξουν ποτέ, επειδή το γεύμα δεν επρόκειτο ποτέ να έρθει με ετικέτα εξαρχής.

Αξίζει επίσης να σημειωθεί ότι η εκτίμηση μέσω φωτογραφίας βελτιώνεται με επιπλέον πλαίσιο, γι' αυτό η παροχή του ονόματος ενός πιάτου ή μιας σύντομης περιγραφής μαζί με τη φωτογραφία —«σοταρισμένο κοτόπουλο με ρύζι» αντί για απλώς μια ανεπισήμαντη εικόνα— τείνει να παράγει μια πιο ακριβή εκτίμηση απ' όση φέρει η φωτογραφία μόνη της. Τόσο η οπτική πληροφορία όσο και η περιγραφή κειμένου στενεύουν το εύρος των πιθανών διατροφικών τιμών, και ο συνδυασμός τους ξεπερνά σταθερά την εξάρτηση από οποιοδήποτε από τα δύο μόνο του.

Ο ρεαλιστικός τρόπος να σκέφτεσαι την εκτίμηση μέσω φωτογραφίας είναι ως μια σημαντική αναβάθμιση ακρίβειας σε σχέση με την εναλλακτική που πραγματικά αντικαθιστά —μια πρόχειρη εικασία από μια αναζήτηση βάσης δεδομένων για το πιο κοντινό όνομα— παρά ως ανταγωνιστής μιας ζυγαριάς κουζίνας και μιας πλήρους λίστας συστατικών. Για τη συντριπτική πλειοψηφία των σπιτικών γευμάτων, αυτή είναι μια σημαντικά καλύτερη εκτίμηση που παραδίδεται σε ένα κλάσμα του χρόνου, κάτι που είναι το αντιστάθμισμα που πραγματικά έχει σημασία για το αν η καταγραφή συνεχίζεται μέρα με τη μέρα.