A ciência por trás de estimar porções a partir de uma única foto

Estimar o conteúdo nutricional de uma refeição a partir de uma única fotografia soa, à primeira vista, como algo que deveria ser impreciso demais para ser útil. Não há nenhuma balança envolvida, nenhuma lista exata de ingredientes, e nenhuma forma de ver o que está acontecendo dentro da comida. E ainda assim, na prática, a estimativa por foto chega perto o suficiente para ser genuinamente útil na grande maioria das refeições do dia a dia. A razão tem a ver com quanta informação visual um prato de comida realmente carrega.

Uma foto traz vários sinais úteis de uma vez: os itens de comida identificáveis e sua categoria geral (proteína, carboidrato, vegetal, molho), suas proporções relativas entre si, seu volume em relação a objetos de referência conhecidos como o prato, a tigela ou os talheres na imagem, e pistas visuais sobre o método de preparo — frito versus grelhado, por exemplo, o que carrega um perfil calórico significativamente diferente mesmo para o mesmo ingrediente base.

Esse é um processo parecido, numa escala muito maior e mais rápida, com o que um nutricionista treinado faz ao estimar visualmente uma refeição durante uma consulta — ele também não está pesando o prato, está raciocinando a partir da experiência sobre o que um determinado volume de um determinado tipo de comida costuma pesar e conter. Um modelo de linguagem treinado com enormes quantidades de imagens de comida e dados nutricionais está fazendo uma versão desse mesmo raciocínio visual, só que automatizado e quase instantâneo.

A precisão dessa abordagem é naturalmente desigual entre diferentes tipos de comida. Um peito de frango grelhado, uma batata assada, ou uma tigela de arroz são relativamente fáceis de estimar com precisão porque seu volume e densidade são bastante previsíveis e seus limites visuais são claros. Um ensopado, um gratinado, ou qualquer coisa em que os ingredientes estão misturados e parcialmente escondidos — óleo extra, manteiga ou creme de leite incorporados a um molho — é inerentemente mais difícil de estimar com precisão, porque uma parte relevante do conteúdo calórico simplesmente não é visível.

É exatamente por isso que a estimativa por foto é apresentada como uma estimativa rápida e razoável, não como uma promessa de precisão de laboratório, e por isso ela é combinada com o escaneamento de código de barras para alimentos industrializados que já têm uma resposta exata e impressa disponível. Os dois métodos servem para problemas diferentes: o escaneamento de código de barras onde os dados exatos já existem, a estimativa por foto onde eles não existem e nunca vão existir, porque a refeição nunca ia vir com um rótulo, para começo de conversa.

Também vale notar que a estimativa por foto melhora com contexto adicional, razão pela qual fornecer o nome de um item ou uma breve descrição junto com a foto — "refogado de frango com arroz" em vez de só uma imagem sem identificação — costuma produzir uma estimativa mais precisa do que a foto sozinha entregaria. Tanto a informação visual quanto a descrição em texto reduzem a faixa de valores nutricionais prováveis, e combinar as duas supera consistentemente confiar em apenas uma delas.

A forma realista de pensar sobre a estimativa por foto é como uma melhora significativa de precisão em relação à alternativa que ela realmente substitui — um chute aproximado de uma busca em banco de dados pelo item de nome mais parecido — e não como uma concorrente de uma balança de cozinha e uma lista completa de ingredientes. Para a grande maioria das refeições caseiras, isso é uma estimativa consideravelmente melhor entregue numa fração do tempo, que é a troca que realmente importa para que o acompanhamento continue dia após dia.