Khoa học đằng sau việc ước tính khẩu phần từ một tấm ảnh duy nhất

Ước tính hàm lượng dinh dưỡng của một bữa ăn từ một tấm ảnh duy nhất nghe qua, có vẻ như nên quá thiếu chính xác để hữu ích. Không có cân nào tham gia, không có danh sách nguyên liệu chính xác, và không có cách nào thấy được điều gì đang diễn ra bên trong thức ăn. Vậy mà, trong thực tế, ước tính bằng ảnh cho ra kết quả đủ gần để thực sự hữu ích cho phần lớn các bữa ăn hằng ngày. Lý do nằm ở việc một đĩa thức ăn thực sự chứa bao nhiêu thông tin thị giác.

Một tấm ảnh mang theo nhiều tín hiệu hữu ích cùng lúc: các món ăn có thể nhận diện và danh mục chung của chúng (đạm, tinh bột, rau, nước sốt), tỷ lệ tương đối của chúng với nhau, thể tích tương đối so với các vật tham chiếu đã biết như đĩa, tô, hay dụng cụ ăn trong khung hình, và các manh mối thị giác về phương pháp chế biến — chiên so với nướng, chẳng hạn, mang theo một hồ sơ calo khác biệt đáng kể ngay cả với cùng nguyên liệu gốc.

Đây là một quá trình tương tự, ở quy mô lớn hơn và nhanh hơn nhiều, với điều mà một chuyên gia dinh dưỡng được đào tạo làm khi ước tính trực quan một bữa ăn trong một buổi tư vấn — họ cũng không cân đĩa thức ăn, họ suy luận từ kinh nghiệm về những gì một thể tích nhất định của một loại thức ăn nhất định thường nặng và thường chứa. Một mô hình ngôn ngữ lớn được huấn luyện trên lượng khổng lồ hình ảnh thức ăn và dữ liệu dinh dưỡng đang thực hiện một phiên bản của cùng kiểu suy luận thị giác đó, chỉ là tự động hóa và gần như tức thì.

Độ chính xác của cách tiếp cận này tự nhiên không đồng đều giữa các loại thức ăn khác nhau. Một miếng ức gà nướng, một củ khoai tây nướng, hay một tô cơm tương đối dễ ước tính chính xác vì thể tích và mật độ của chúng khá dễ đoán và ranh giới thị giác của chúng rõ ràng. Một món hầm, một món nướng khay, hay bất cứ thứ gì có nguyên liệu trộn lẫn và một phần bị che khuất — dầu, bơ, hay kem thêm vào hòa trong nước sốt — vốn khó ước tính chính xác hơn, vì một phần đáng kể lượng calo hoàn toàn không nhìn thấy được.

Đây chính xác là lý do ước tính bằng ảnh được định vị như một ước tính nhanh, hợp lý chứ không phải một tuyên bố về độ chính xác cấp phòng thí nghiệm, và vì sao nó được kết hợp với quét mã vạch cho thực phẩm đóng gói vốn đã có sẵn một đáp án chính xác, được in ra. Hai phương pháp phù hợp với những vấn đề khác nhau: quét mã vạch nơi dữ liệu chính xác đã tồn tại, ước tính bằng ảnh nơi dữ liệu đó không tồn tại và sẽ không bao giờ tồn tại, vì bữa ăn đó vốn dĩ sẽ không bao giờ đi kèm một nhãn ngay từ đầu.

Cũng đáng lưu ý rằng ước tính bằng ảnh cải thiện với bối cảnh bổ sung, đó là lý do vì sao cung cấp tên món hay một mô tả ngắn cùng với tấm ảnh — "gà xào với cơm" thay vì chỉ một hình ảnh không có nhãn — có xu hướng cho ra ước tính chính xác hơn so với chỉ riêng tấm ảnh. Cả thông tin thị giác lẫn mô tả văn bản đều thu hẹp phạm vi giá trị dinh dưỡng khả dĩ, và kết hợp cả hai một cách nhất quán vượt trội hơn việc chỉ dựa vào một trong hai.

Cách thực tế để nghĩ về ước tính bằng ảnh là xem nó như một sự nâng cấp đáng kể về độ chính xác so với phương án thay thế mà nó thực sự đang thay thế — một phỏng đoán thô từ tìm kiếm cơ sở dữ liệu cho món có tên gần giống nhất — chứ không phải một đối thủ của cân bếp và danh sách nguyên liệu đầy đủ. Với đại đa số bữa ăn tự nấu ở nhà, đó là một ước tính tốt hơn đáng kể được đưa ra trong một phần nhỏ thời gian, đó chính là sự đánh đổi thực sự quan trọng cho việc liệu việc theo dõi có tiếp tục ngày này qua ngày khác hay không.