La ciencia detrás de estimar porciones a partir de una sola foto

Estimar el contenido nutricional de una comida a partir de una sola fotografía suena, a primera vista, como algo que debería ser demasiado impreciso para ser útil. No hay ninguna báscula involucrada, no hay una lista exacta de ingredientes, y no hay forma de ver qué está pasando dentro de la comida. Y sin embargo, en la práctica, la estimación por foto se acerca lo suficiente como para ser genuinamente útil para la gran mayoría de las comidas cotidianas. La razón tiene que ver con cuánta información visual contiene realmente un plato de comida.

Una foto lleva varias señales útiles a la vez: los alimentos identificables y su categoría general (proteína, almidón, vegetal, salsa), sus proporciones relativas entre sí, su volumen relativo a objetos de referencia conocidos como el plato, el tazón o los cubiertos en la imagen, y pistas visuales sobre el método de preparación —frito versus a la parrilla, por ejemplo, lo cual conlleva un perfil calórico significativamente distinto incluso para el mismo ingrediente base.

Este es un proceso similar, a una escala mucho mayor y más rápida, al que hace un nutricionista capacitado al estimar visualmente una comida durante una consulta: tampoco está pesando el plato, está razonando a partir de la experiencia sobre lo que típicamente pesa y contiene un determinado volumen de un determinado tipo de comida. Un modelo de lenguaje entrenado con enormes cantidades de imágenes de comida y datos nutricionales está haciendo una versión de ese mismo razonamiento visual, solo que automatizado y casi instantáneo.

La precisión de este enfoque es naturalmente desigual entre distintos tipos de comida. Una pechuga de pollo a la parrilla, una papa al horno o un tazón de arroz son relativamente fáciles de estimar con precisión porque su volumen y densidad son bastante predecibles y sus límites visuales son claros. Un guiso, una cazuela, o cualquier cosa donde los ingredientes están mezclados y parcialmente ocultos —aceite extra, mantequilla o crema incorporados en una salsa— es inherentemente más difícil de estimar con precisión, porque una parte importante del contenido calórico simplemente no es visible.

Por eso exactamente la estimación por foto se presenta como una estimación rápida y razonable, no como una afirmación de precisión de laboratorio, y por eso se combina con el escaneo de código de barras para alimentos envasados que ya tienen una respuesta exacta e impresa disponible. Los dos métodos están hechos para problemas distintos: el escaneo de código de barras donde los datos exactos ya existen, la estimación por foto donde no existen y nunca existirán, porque la comida nunca iba a venir con una etiqueta en primer lugar.

También vale la pena notar que la estimación por foto mejora con contexto adicional, razón por la cual dar el nombre de un platillo o una breve descripción junto con la foto —"salteado de pollo con arroz" en lugar de solo una imagen sin etiquetar— tiende a producir una estimación más precisa que la que da la foto por sí sola. Tanto la información visual como la descripción de texto acotan el rango de valores nutricionales probables, y combinarlas supera consistentemente el confiar en solo una de las dos.

La forma realista de pensar en la estimación por foto es como una mejora de precisión significativa frente a la alternativa que en realidad está reemplazando —una suposición aproximada a partir de una búsqueda en una base de datos por el nombre más parecido— en lugar de como una competidora de una báscula de cocina y una lista completa de ingredientes. Para la gran mayoría de las comidas caseras, eso es una estimación considerablemente mejor entregada en una fracción del tiempo, que es el equilibrio que realmente importa para que el seguimiento continúe día tras día.