Hur fotoregistrering klarar de måltider en streckkod aldrig kommer att göra

Öppna nästan vilken näringsdatabas som helst och du upptäcker att det egentligen är en databas över förpackad mat. Flingpaket, proteinbars, färdigmat från frysen, kedjerestaurangers rätter med UPC-kod — allt registrerat en gång av någon, skannat av alla andra efteråt. Det fungerar bra, ända fram tills du lagar något själv.

En wok med tre grönsaker, en marinad du blandade på känn, och hur mycket olja som än hamnade i pannan har ingen streckkod. Inte heller en sallad du byggde av vad som fanns i kylen, eller en gryta som blir lite olika varje gång du lagar den. De här måltiderna utgör en stor del av vad människor faktiskt äter, och det är precis de måltider som får sökbaserad registrering att gå sönder.

Den vanliga lösningen är att approximera: söka efter något liknande, välja den närmaste träffen, och hoppas att gissningen på portionsstorlek inte är alltför fel. Gör det tre gånger om dagen och felen staplas snabbt på varandra — inte för att en enskild gissning är helt fel, utan för att det inte finns något ankare till måltiden som faktiskt ligger framför dig.

Fotobaserad uppskattning vänder på utgångspunkten. Istället för att söka efter en ersättare fotograferar du den faktiska tallriken, och modellen resonerar kring det den ser: de synliga ingredienserna, deras ungefärliga volym i förhållande till tallriken, och hur det speglar typiska makronäringsförhållanden för den typen av rätt. Den läser ingen etikett eftersom det inte finns någon — den uppskattar utifrån samma information en människa skulle använda om du bad henne gissa.

Den skillnaden betyder mer än det kanske låter som. En person som tittar på din wok skulle kunna säga att det förmodligen är en rätt med kyckling och grönsaker med en lätt sås, ungefär en och en halv tallrik mat, troligen 500–650 kalorier. Den skulle inte behöva någon UPC-kod för att komma dit, och den skulle förmodligen hamna närmare sanningen än en grov databassökning på "kycklingwok" som antar en helt annan fördelning mellan protein, grönsaker och olja.

Inget av detta gör fotouppskattningen perfekt. Den vet inte exakt hur mycket smör som gick i din potatismos, eller om den där såsen gjordes på grädde eller buljong. Det den gör är att ta dig till ett rimligt intervall för de måltider som tidigare inte hade något bra sätt att registreras på alls — måltider som förr antingen hoppades över, gissades vilt, eller registrerades som något helt annat eftersom det var den enda träffen i databasen.

De två systemen är tänkta att samarbeta, inte konkurrera. En streckkodsskanning ger dig exakta siffror för förpackad mat eftersom exakta siffror finns. Ett foto ger dig en användbar uppskattning för allt annat, eftersom ett snabbt och rimligt träffsäkert tal slår ett långsamt och falskt exakt tal när det gäller hemlagad mat. De flesta dagar slutar med att man använder båda — yoghurten skannas, middagen fotograferas — och tillsammans gör de att dagens registrering faktiskt speglar vad som ätits istället för det närmaste man hittar i en databas.

Den större poängen handlar om vad registrering egentligen är till för. Om målet är en trend över veckor och månader slår en lite ofullständig uppskattning idag — som du faktiskt kommer registrera igen imorgon — ett tekniskt exakt tal som tog fem minuter att hitta och som du hoppar över nästa gång eftersom det inte var värt ansträngningen. Fotoregistrering finns eftersom hemlagad mat är vanligt, rent databasbaserad registrering hanterar det dåligt, och lösningen är inte en större databas — det är ett annat sätt att se på tallriken.