4 Minutės
Pakeitus vieną elementą ant lėkštės galite sutaupyti ir arčiau priartėti prie mitybos tikslų, neatsisakant mėgstamo patiekalo. Toks yra stulbinantis teiginys iš naujo Kalifornijos universiteto Daviso tyrimo, kuriame mokslininkai išmokė dirbtinį intelektą siūlyti minimalias ingredientų pakeitimo galimybes, gerinančias mitybą ir mažinančias apskaičiuotas patiekalų sąnaudas.
Pragmatiškas paskatinimas, o ne visiškas pertvarkymas
Mitybos rekomendacijos aiškios: jos mažina cukrinio diabeto ir širdies ligų riziką. Tačiau daugeliui žmonių neaišku, kaip tas taisykles paversti patiekalais, kuriuos jie iš tiesų valgo. Pakeisti perdirbtą dešrelę pupelėmis? Sumažinti porciją? Pakeisti didelio druskos kiekio padažą? Tai nedideli žingsniai, tačiau juos sunku pastebėti kasdienybės šurmulyje.
Norėdami užpildyti šią spragą, Daviso universiteto komanda išanalizavo 135 491 patiekalą, užregistruotą 55 228 suaugusiųjų nacionaliniame tyrime What We Eat in America. Iš tų įrašų jie identifikavo įprastus pusryčių, pietų ir vakarienių modelius ir apmokė generatyvinį DI modelį kurti realistiškus, pagal modelį atitinkančius patiekalus bei koreguoti porcijų dydžius.
Vietoje to, kad būtų siūlomi radikalūs dietos planai, modeliui užduotas paprastesnis klausimas: ar keli tikslingi ingredientų pakeitimai, nuo vieno iki trijų kiekvienam patiekalui, gali reikšmingai pajudinti patiekalą link USDA mitybos tikslų ir sumažinti kainą, išlaikant patiekalą atpažįstamą?
Rezultatai, keičiantys mastą
Simuliacijos rodo, kad taip. Palyginamose patiekalų kategorijose DI sukurti alternatyvūs patiekalai buvo 47 procentais arčiau USDA maistinių medžiagų tikslų nei pradiniai patiekalai. Vienas–trys pakeitimai pagerino mitybos kokybę maždaug 10 procentų ir sumažino apskaičiuotas patiekalų kainas 22–34 procentais. Atsirado aiškios, mažos tendencijos: pridėti daržovių arba ankštinių; pakeisti stipriai perdirbtus gaminius arba daug druskos turinčius komponentus; sumažinti porcijų dydžius.
Daviso modelis taip pat lenkė bendros paskirties didelį modelį GPT-4o, kai reikėjo suderinti patiekalus su makroelementų tikslais. Tai svarbu, nes mitybai orientuotas generatyvinis modelis gali išmokti kulinarinius modelius — tekstūras, skonius ir porcijų normas, kurių žmonės tikisi — tuo pačiu nukreipdamas ingredientus link geresnių maistinių profilių.
Kodėl tai svarbu visuomenės sveikatos įrankiams
Tarp mitybos gairių ir kasdienių pasirinkimų yra didžiulė praraja. Daugelis skaitmeninių įrankių reikalauja didelių elgesio pokyčių arba pateikia abstrakčius balus, kurie atrodo nutolę nuo vakarienės. Sistema, kuri siūlo menką pakeitimą — raudonąją pupelę vietoje perdirbto kotleto, daržovėmis pagrįstą padažą vietoje grietimioto — sukuria veiksmingas galimybes, kurias žmogus gali priimti arba atmesti per kelias sekundes.
Praktiškumas yra įtrauktas į metodą: jautrumas biudžetui, realūs patiekalų modeliai ir tiek pakeitimų, kiek reikia, kad pagerėtų mityba, neaukojant kultūrinių nuostatų ar skonio. Toks derinys gali padaryti intervencijas labiau priimtinomis programėlėse, klinikose ar bendruomenės mitybos programose.
Ribojimai ir tolesni žingsniai
Šie rezultatai remiasi kompiuterinėmis simuliacijomis. Nevykdyti jokie žmogaus skonio testai ar realaus pasaulio tyrimai, kurie patvirtintų, ar žmonės priims siūlomus pakeitimus, ar patiekalai liks malonūs, arba ar sutaupymai išliks skirtingose rinkose. Modelis apskaičiuoja kainą, bet dar neįtraukia tiekimo grandinės svyravimų, sezoninių produktų kainų arba vietinių kulinarinių papročių.
Tyrėjai pripažįsta šiuos apribojimus. Jų raštuose pabrėžiama, kad šis metodas yra žingsnis link mitybos gairių pavertimo konkrečiomis, biudžetą atsižvelgiančiomis patiekalų rekomendacijomis, kurias vartotojai iš tikrųjų gali įgyvendinti.
Ekspertės įžvalga
"Maži pakeitimai svarbūs, nes jie yra įgyvendinami," sako dr. Elena Marquez, visuomenės sveikatos mitybos specialistė, dirbusi su bendruomenės maitinimo programomis. "Kai pasiūlymas gerbia skonį ir piniginę, žmonės labiau linkę jį išbandyti. Tikrasis išbandymas bus, ar tie pakeitimai išliks namų ūkiuose ir ar jie ilgainiui pasireikš matuojama sveikatos nauda."
Technine prasme būsimieji darbai turės įtraukti personalizavimą. Tai reiškia modeliavimą atsižvelgiant į individualius skonio prioritetus, maisto alergijas ir kultūrines meniu ypatybes bei kainų patikrinimą skirtinguose regionuose. Taip pat reikės išbandyti, ar rekomendacija, pateikta prekybos programėlėje arba konsultacijos metu klinikoje, iš tiesų pakeičia apsipirkimo ir gaminimo elgseną.
Išvada
Daviso universiteto tyrimas rodo, kad mašininis mokymasis gali daryti daugiau nei generuoti naujas receptūras: jis gali paversti mitybos tikslus praktiškais pakeitimais, kuriuos žmonės gali įgyvendinti iš karto. Vienas pakeitimas. Du pakeitimai. Paprasti, biudžetą atsižvelgiantys paskatinimai, kurie išsaugo skonį ir pažįstamumą — mažos priemonės su didžiule potencialia nauda visuomenės sveikatai. Dabar iššūkis yra realaus pasaulio testavimas: ar kompiuterio siūlomi pakeitimai atlaikys virtuvių ir rinkų netvarkingą, gardžią realybę?
Šaltinis: scitechdaily
Palikite komentarą