¿Puede la IA ayudar a comer más saludable?

En ausencia de un nuevo sistema de IA, una alergia de nogal o lácteos, el Mediterráneo es una conocida necesidades semanales, nutricionales y culturales, un menús semanales personales.

Investigación: Sistema de recomendación de nutrición basada en AI: inspección técnica con los conceptos de la cocina mediterránea. Préstamo fotográfico: Dragon Images / Shutterstock

Enfermedades crónicas o de estilo de vida, que incluyen accidente cerebrovascular, ataque cardíaco, obesidad, obesidad, obesidad y 2 tipos de diabetes, dieta y hábitos de actividad física. La inteligencia artificial (IA) se presiona en el servicio para formar planes de alimentos individuales y equilibrados de individuos saludables de acuerdo con su gusto y necesidades.

Un último artículo publicado en la revista Bordes en nutrición Al aplicar las reglas de la diversidad y la dieta, un sistema de recomendación de nutrición (AINR) en una IA de acuerdo con las calorías y las recomendaciones de macronutrientes.

Entrada

La mayoría de las personas saben que deben estar físicamente activos y comer una dieta equilibrada. Los hábitos de trabajo, los horarios familiares y las fuentes financieras a menudo impiden la adopción de tales hábitos. Los expertos han investigado la conveniencia y la efectividad de los sistemas de recomendaciones de nutrición para salvarlos de las comidas necesarias. Estos están diseñados para seleccionar usuarios para elegir las mejores dietas para la compatibilidad y la salud a largo plazo.

La IA ahora se usa para preparar planes de cocina óptimos basados ​​en alergias, factores culturales de temporada y necesidades de calorías, incluidas las opciones y necesidades dietéticas de los usuarios. Los modelos de lenguaje grande (LLS), como ChatGPT, representan enfoques en la UE de nutrición, usan el AINR actual en lugar de los métodos basados ​​en reglas.

Sistemas tradicionales versus basados ​​en IA

Dichos sistemas de recomendaciones de nutrición pueden clasificarse como sistemas tradicionales y basados ​​en IA.

Sistemas tradicionales

El primer tipo del sistema utiliza cuatro tipos de aproximaciones para planificar alimentos:

• Métodos de optimización combinatoria
• Filtro basado en contenido
• Filtro de unión
• Enfoques híbridos

El análisis combinatorial tiene como objetivo proporcionar una diversidad suficiente en la dieta y contiene todos los grupos de alimentos mientras se respeta a las preferencias del usuario. A pesar de la salud matemática, los algoritmos utilizados aquí no pueden reflejar con precisión los objetivos y opciones del usuario. También aumentan las reglas de nutrición mientras se peinan el área de la dieta. Estas restricciones limitan la aplicación de la planificación real de comidas en la vida real.

Los otros tres tipos de aproximadamente enlaces a las opciones de usuario y / o atributos de alimentos para personalizar las ofertas de alimentos. Perfil de usuario o perfil similar, otros usuarios dibujan interacciones pasadas o perfiles de usuario para ofrecer alimentos similares. Enfoques híbridos, para optimizar las mejores partes de estos métodos y confundir las mejores partes para aumentar la relevancia del plan de comidas.

Sistemas basados ​​en IA

Los sistemas de recomendaciones de nutrición basadas en IA están diseñados para eliminar la molestia para lidiar con muy pocos datos, problemas de escala y un comienzo en frío en muchas áreas principales. Estas limitaciones dietéticas de los usuarios de peso (como alergias o tabúes culturales) y objetivos de salud, así como contenido de nutrición. Los sistemas basados ​​en el conocimiento y el aprendizaje automático (ML) se utilizan actualmente en dichos sistemas.

Los sistemas basados ​​en el conocimiento están representados por un consultor de proteína AI que prepara alimentos preestablecidos de acuerdo con el enfoque de Mecanismo de Optimización (MAOO) (MAOO) y el Generador de Mecanismo (MPG). Por el contrario, las plataformas basadas en ML aprenden del contexto y el comportamiento del usuario y prefieren familiarizarse con los planes de alimentos individuales diarios.

Recomendación nutricional basada en AI (AINR). AINR se alimenta con principios dietéticos saludables y el perfil y las ventajas del usuario con alimentos de los platos y platos intermedios. La base de AINR utiliza esta información para los usuarios que usan reglas aprobadas especializadas y mecanismos de filtrado para ofrecer planes de comidas semanales individuales saludables.

Sobre la investigación

La investigación existente, España o turco, o turco, o Turquía, y Turquía, y la dieta turca está diseñada para proporcionar Ainre diseñado para proporcionar planes semanales de comidas. El sistema se probó en 4.000 perfiles de usuario, incluidas las alergias (leche, huevos, nueces, pescado) y preferencias (halal).

¿Cómo funciona?

El objetivo era preparar un plan de nutrición semanal utilizando un estricto proceso de cuatro pasos:

1. Estacionalismo y alimentos de filtro según la cocina local
2. Excluir alimentos en conflicto con alergias / preferencias
3. Cree y haga clic en los planes de comidas diarias contra los objetivos de energía / macronutrientes
4. Recoja planes semanales que apliquen las reglas de la variedad gastronómica (por ejemplo, tres porciones / semanas de pescado, vueltas> 3x / semana)

Los planes importantes generados por auto, no es un nutricionista, porque se requiere control humano.

Resultados de la investigación

Los resultados mostraron 100% de precisión del filtro para el país, alergias, preferencias y estacionales. Sin embargo, se crearon planes semanales para solo ~ 90% de los perfiles:

• Usuarios españoles con alergias de leche / nueces, 0% de planes útiles para lagunas de bases de datos (por ejemplo, no hay opciones de desayuno español para usuarios alérgicos de leche)
• Los perfiles masculinos turcos mostraron una precisión menor (87% de calorías, 66% de proteína)
• Las usuarias hispanas y las mujeres turcas alcanzaron el 98% de precisión calórica y> 90% de precisión de macronutrientes

Debido a las alergias de leche y nuez, especialmente las opciones de base de datos limitadas impidieron la planificación semanal para los usuarios españoles. El sistema AINR necesita expandir la base de datos con sustitutos de la leche y, lo más importante, la verificación del mundo real.

Conclusión

El sistema AINR promete facilitar los hábitos dietéticos más equilibrados, pero las alergias y los hombres turcos requieren una base de datos para usuarios masculinos. Los investigadores lo probarán con usuarios reales en la interferencia y planean expandirse para las comidas familiares.