Sta\u010d\u00ed odfoti\u0165 jedlo a za p\u00e1r sek\u00fand m\u00e1\u0161 pred sebou kal\u00f3rie, makronutrienty aj \u201eanal\u00fdzu\u201c.<\/p>\n\n\n\n
Znie to jednoducho. A hlavne presne.<\/p>\n\n\n\n
Len\u017ee tu je probl\u00e9m: AI v skuto\u010dnosti kal\u00f3rie nepo\u010d\u00edta. Odhaduje ich.<\/p>\n\n\n\n
Nevych\u00e1dza z presn\u00e9ho mno\u017estva surov\u00edn, nepozn\u00e1 sp\u00f4sob pr\u00edpravy a nevid\u00ed v\u0161etko, \u010do v jedle re\u00e1lne je. Pracuje s t\u00fdm, \u010do \u201evid\u00ed\u201c \u2013 a e\u0161te viac s t\u00fdm, \u010do si na z\u00e1klade d\u00e1t mysl\u00ed, \u017ee tam pravdepodobne je.<\/p>\n\n\n\n
A pr\u00e1ve tu vznik\u00e1 rozdiel medzi t\u00fdm, \u010do vyzer\u00e1 presne, a t\u00fdm, \u010do presn\u00e9 naozaj je.<\/p>\n\n\n\n
Cie\u013eom tohto \u010dl\u00e1nku nie je AI kritizova\u0165.
Cie\u013eom je uk\u00e1za\u0165 jej limity.<\/p>\n\n\n\n
Preto\u017ee ak ich pozn\u00e1\u0161, vie\u0161 ju pou\u017e\u00edva\u0165 ako n\u00e1stroj.
Ak nie, ve\u013emi \u013eahko sa z nej stane zdroj skreslen\u00fdch rozhodnut\u00ed.<\/p>\n\n\n\n
Tu je 10 naj\u010dastej\u0161\u00edch probl\u00e9mov, ktor\u00e9 dnes ovplyv\u0148uj\u00fa presnos\u0165 AI vo v\u00fd\u017eive.<\/p>\n\n\n\n
<\/p>\n\n\n\n
<\/p>\n\n\n\n
Jedn\u00fdm zo z\u00e1kladn\u00fdch technick\u00fdch probl\u00e9mov AI pri hodnoten\u00ed jedla z fotografie je to, \u017ee obraz spracov\u00e1va len ako dvojrozmern\u00fd sign\u00e1l.<\/strong> Nevid\u00ed skuto\u010dn\u00fa h\u013abku ani objem porcie tak, ako ich vn\u00edma \u010dlovek v priestore.<\/p>\n\n\n\n Bez technol\u00f3gi\u00ed na odhad h\u013abky, napr\u00edklad LiDARu, nedok\u00e1\u017ee spo\u013eahlivo ur\u010di\u0165, \u010di je jedlo na tanieri rozlo\u017een\u00e9 na plocho alebo navrstven\u00e9 do v\u00fd\u0161ky.<\/strong> Pr\u00e1ve preto m\u00e1 tendenciu systematicky podhodnocova\u0165 mno\u017estvo jedla, a tento probl\u00e9m sa zhor\u0161uje s rast\u00facou ve\u013ekos\u0165ou porcie.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n D\u00e1ta to potvrdzuj\u00fa pomerne jasne:<\/p>\n\n\n\n D\u00f4le\u017eit\u00e9 je, \u017ee probl\u00e9m sa net\u00fdka len samotnej hmotnosti. Ak AI zle odhadne objem, chybne vypo\u010d\u00edta aj kal\u00f3rie a \u017eiviny. <\/strong>Chyba teda nevznik\u00e1 a\u017e pri v\u00fdpo\u010dte, ale u\u017e na \u00faplnom za\u010diatku. Pri mal\u00fdch porci\u00e1ch m\u00f4\u017ee by\u0165 zhoda s realitou relat\u00edvne dobr\u00e1, ale pri stredn\u00fdch a ve\u013ek\u00fdch porci\u00e1ch presnos\u0165 \u0161tatisticky v\u00fdznamne zlyh\u00e1va (p < 0,001, znamen\u00e1, \u017ee je extr\u00e9mne nepravdepodobn\u00e9, aby bol tento v\u00fdsledok n\u00e1hodn\u00fd).<\/p>\n\n\n\n V praxi to znamen\u00e1, \u017ee tieto n\u00e1stroje by sa nemali pou\u017e\u00edva\u0165 ako presn\u00e1 \u201edigit\u00e1lna v\u00e1ha\u201c. M\u00f4\u017eu posl\u00fa\u017ei\u0165 ako orienta\u010dn\u00fd odhad, ale maj\u00fa sklon realitu podhodnocova\u0165. Pri pou\u017e\u00edvate\u013eoch, ktor\u00ed potrebuj\u00fa presnej\u0161\u00ed pr\u00edjem energie a \u017eiv\u00edn, napr\u00edklad pri klinick\u00fdch di\u00e9tach alebo vo v\u00fdkonnostnom \u0161porte, je toto obmedzenie z\u00e1sadn\u00e9.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Jedn\u00fdm z najv\u00e4\u010d\u0161\u00edch limitov AI pri anal\u00fdze jedla z fotografie je neschopnos\u0165 pracova\u0165 s nevidite\u013en\u00fdmi zlo\u017ekami. Model vyhodnocuje iba to, \u010do vid\u00ed na povrchu, no ignoruje ingrediencie, ktor\u00e9 s\u00fa vsiaknut\u00e9 v jedle alebo skryt\u00e9 v jeho \u0161trukt\u00fare, ako napr\u00edklad oleje, maslo alebo dresingy. Tento probl\u00e9m sa ozna\u010duje ako \u201eslepota vo\u010di nevidite\u013en\u00fdm zlo\u017ek\u00e1m\u201c.<\/strong><\/p>\n\n\n\n Z nutri\u010dn\u00e9ho h\u013eadiska ide o z\u00e1sadn\u00fd probl\u00e9m. Tuk je najkoncentrovanej\u0161\u00ed zdroj energie a aj mal\u00e9 mno\u017estvo m\u00f4\u017ee v\u00fdrazne ovplyvni\u0165 celkov\u00fd kalorick\u00fd pr\u00edjem. Ak ho AI nezachyt\u00ed, v\u00fdsledn\u00fd v\u00fdpo\u010det je systematicky podhodnoten\u00fd.<\/strong><\/p>\n\n\n\n V\u00fdsledky \u0161t\u00fadi\u00ed to jasne ukazuj\u00fa.<\/p>\n\n\n\n <\/p>\n\n\n\n Probl\u00e9m nie je v tom, \u017ee by model robil n\u00e1hodn\u00e9 chyby. Tuk jednoducho \u201enevid\u00ed\u201c. Ak je olej nasiaknut\u00fd v jedle alebo zmie\u0161an\u00fd v om\u00e1\u010dke, model nem\u00e1 z fotografie \u017eiadnu inform\u00e1ciu, \u017ee tam v\u00f4bec je.<\/strong><\/p>\n\n\n\n Zauj\u00edmav\u00e9 je, \u017ee presnos\u0165 sa v\u00fdrazne zlep\u0161uje, ak sa k fotografii prid\u00e1 textov\u00fd opis. V momente, ke\u010f v\u00fdskumn\u00edci doplnili inform\u00e1ciu napr\u00edklad o \u201e2 ly\u017eiciach oleja\u201c, presnos\u0165 energetick\u00e9ho odhadu (R\u00b2) vzr\u00e1stla z 0,59 na 0,94. To ukazuje, \u017ee probl\u00e9m nie je vo v\u00fdpo\u010dte samotnom, ale v ch\u00fdbaj\u00facich vstupn\u00fdch d\u00e1tach. V praxi to znamen\u00e1, \u017ee odhad zalo\u017een\u00fd len na fotografii je pre presnej\u0161ie sledovanie stravy nedostato\u010dn\u00fd. Bez inform\u00e1ci\u00ed o sp\u00f4sobe pr\u00edpravy a pou\u017eit\u00fdch tukoch m\u00f4\u017ee by\u0165 re\u00e1lny pr\u00edjem vy\u0161\u0161\u00ed o stovky kal\u00f3ri\u00ed denne. Preto je d\u00f4le\u017eit\u00e9 nevn\u00edma\u0165 tieto n\u00e1stroje ako kompletn\u00e9 rie\u0161enie, ale ako orienta\u010dn\u00fd doplnok<\/strong>, ktor\u00fd si vy\u017eaduje manu\u00e1lne doplnenie k\u013e\u00fa\u010dov\u00fdch inform\u00e1ci\u00ed.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Modely umelej inteligencie v oblasti v\u00fd\u017eivy trpia fenom\u00e9nom ozna\u010dovan\u00fdm ako \u201enutri\u010dn\u00e9 halucin\u00e1cie\u201c. Na rozdiel od \u0161pecializovan\u00e9ho nutri\u010dn\u00e9ho softv\u00e9ru nevykon\u00e1vaj\u00fa presn\u00e9 v\u00fdpo\u010dty z chemick\u00fdch datab\u00e1z, ale generuj\u00fa odpovede na z\u00e1klade \u0161tatistickej pravdepodobnosti slov a vzorcov, ktor\u00e9 sa nau\u010dili z textov.<\/strong><\/p>\n\n\n\n To znamen\u00e1, \u017ee AI nepracuje so skuto\u010dn\u00fdmi nutri\u010dn\u00fdmi hodnotami v re\u00e1lnom \u010dase, ale vytv\u00e1ra odpove\u010f, ktor\u00e1 \u201eznie spr\u00e1vne\u201c. Ch\u00fdba jej re\u00e1lne pochopenie vz\u0165ahov medzi \u017eivinami, a preto m\u00f4\u017ee kombinova\u0165 inform\u00e1cie nespr\u00e1vne, aj ke\u010f v\u00fdsledok p\u00f4sob\u00ed presved\u010divo.<\/p>\n\n\n\n V\u00fdsledky v\u00fdskumov ukazuj\u00fa, \u017ee tieto chyby nie s\u00fa ojedinel\u00e9, ale opakovate\u013en\u00e9.<\/strong><\/p>\n\n\n\n Pri nespr\u00e1vnej identifik\u00e1cii potrav\u00edn doch\u00e1dza k extr\u00e9mnym odch\u00fdlkam:<\/p>\n\n\n\n <\/p>\n\n\n\n Ani pokro\u010dilej\u0161ie modely nie s\u00fa v\u00fdnimkou. ChatGPT-4 vyk\u00e1zal \u0161tatisticky v\u00fdznamn\u00fa nepresnos\u0165 pri 10 zo 16 sledovan\u00fdch \u017eiv\u00edn a z\u00e1rove\u0148 mal tendenciu systematicky podhodnocova\u0165 a\u017e 11 z nich. Pri 13 nutrientoch, vr\u00e1tane drasl\u00edka, vl\u00e1kniny alebo vitam\u00ednu D, bola odch\u00fdlka od reality vy\u0161\u0161ia ako 10 %.<\/strong><\/p>\n\n\n\n Probl\u00e9mom nie je len samotn\u00e1 chyba, ale sp\u00f4sob, ak\u00fdm je prezentovan\u00e1.<\/p>\n\n\n\n AI poskytuje v\u00fdstupy v plynulej, autoritat\u00edvnej forme, \u010dasto doplnen\u00e9 tabu\u013ekami alebo \u010d\u00edslami, ktor\u00e9 p\u00f4sobia odborne. Pre be\u017en\u00e9ho pou\u017e\u00edvate\u013ea je prakticky nemo\u017en\u00e9 rozl\u00ed\u0161i\u0165, \u010di ide o presn\u00fd v\u00fdpo\u010det alebo o \u201epravdepodobn\u00fd odhad\u201c.<\/strong><\/p>\n\n\n\n V praxi to znamen\u00e1, \u017ee AI by nemala by\u0165 vn\u00edman\u00e1 ako spo\u013eahliv\u00fd v\u00fdpo\u010dtov\u00fd n\u00e1stroj, ale sk\u00f4r ako pomocn\u00fd textov\u00fd n\u00e1stroj.<\/strong><\/p>\n\n\n\n V oblastiach, kde z\u00e1le\u017e\u00ed na presnosti, najm\u00e4 pri zdravotn\u00fdch stavoch alebo klinick\u00fdch di\u00e9tach, je \u013eudsk\u00fd doh\u013ead nevyhnutn\u00fd. Nespr\u00e1vne interpretovan\u00e9 alebo \u201ehalucinovan\u00e9\u201c \u00fadaje m\u00f4\u017eu v tak\u00fdchto pr\u00edpadoch predstavova\u0165 re\u00e1lne riziko pre zdravie.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n V klinickej v\u00fd\u017eive prest\u00e1va by\u0165 nepresnos\u0165 umelej inteligencie len \u0161tatistickou odch\u00fdlkou a st\u00e1va sa re\u00e1lnym rizikom. Generat\u00edvne modely nedok\u00e1\u017eu aplikova\u0165 medic\u00ednske odpor\u00fa\u010dania s potrebnou presnos\u0165ou ani zoh\u013eadni\u0165 individu\u00e1lne limity pacientov, pri ktor\u00fdch rozhoduj\u00fa konkr\u00e9tne mno\u017estv\u00e1 \u017eiv\u00edn.<\/strong><\/p>\n\n\n\n Pri chronick\u00fdch ochoreniach, ako s\u00fa ochorenia obli\u010diek, diabetes alebo kardiovaskul\u00e1rne diagn\u00f3zy, m\u00f4\u017eu aj relat\u00edvne mal\u00e9 odch\u00fdlky vies\u0165 k zhor\u0161eniu zdravotn\u00e9ho stavu. V tak\u00fdchto pr\u00edpadoch nie je probl\u00e9m v tom, \u017ee AI nie je dokonal\u00e1, ale v tom, \u017ee jej chyba m\u00e1 re\u00e1lny dopad.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n V\u00fdsledky v\u00fdskumov ukazuj\u00fa, \u017ee tieto odch\u00fdlky m\u00f4\u017eu by\u0165 v\u00fdrazn\u00e9 aj pri kritick\u00fdch parametroch.<\/p>\n\n\n\n <\/p>\n\n\n\n Tieto chyby nie s\u00fa len teoretick\u00e9. Pre pacienta, ktor\u00fd mus\u00ed sledova\u0165 konkr\u00e9tne miner\u00e1ly alebo makronutrienty, m\u00f4\u017ee by\u0165 u\u017e pribli\u017ene 30 % odch\u00fdlka zdravotne rizikov\u00e1.<\/strong><\/p>\n\n\n\n Zauj\u00edmav\u00e9 je aj to, ako sa interpretuj\u00fa \u201edobr\u00e9\u201c v\u00fdsledky. V jednom z hodnoten\u00ed spadalo 97 % odhadov energie od ChatGPT do rozsahu \u00b140 % oproti referen\u010dn\u00fdm \u00fadajom USDA. Na prv\u00fd poh\u013ead to p\u00f4sob\u00ed ako vysok\u00e1 \u00faspe\u0161nos\u0165. V praxi v\u0161ak 40 % odch\u00fdlka znamen\u00e1, \u017ee jedlo odhadnut\u00e9 na 500 kcal m\u00f4\u017ee ma\u0165 re\u00e1lne 300 a\u017e 700 kcal, \u010do je rozdiel, ktor\u00fd z\u00e1sadne ovplyv\u0148uje ak\u00fdko\u013evek di\u00e9tny re\u017eim.<\/strong><\/p>\n\n\n\n Probl\u00e9mom nie je len nepresnos\u0165, ale aj kontext odpor\u00fa\u010dan\u00ed. AI m\u00f4\u017ee generova\u0165 n\u00e1vrhy, ktor\u00e9 nie s\u00fa v s\u00falade s konkr\u00e9tnou diagn\u00f3zou, napr\u00edklad:<\/p>\n\n\n\n <\/p>\n\n\n\n V tak\u00fdchto pr\u00edpadoch model nevykazuje schopnos\u0165 klinick\u00e9ho \u00fasudku, ale len generuje pravdepodobn\u00fa odpove\u010f bez zoh\u013eadnenia rizika.<\/strong><\/p>\n\n\n\n V praxi to znamen\u00e1, \u017ee AI by nemala by\u0165 pou\u017e\u00edvan\u00e1 na samostatn\u00e9 riadenie stravy pri zdravotn\u00fdch diagn\u00f3zach. M\u00f4\u017ee sl\u00fa\u017ei\u0165 ako doplnkov\u00fd n\u00e1stroj, ale fin\u00e1lne rozhodnutia musia zosta\u0165 pod kontrolou odborn\u00edka<\/strong>. Bez tohto doh\u013eadu sa z pomocn\u00edka st\u00e1va n\u00e1stroj, ktor\u00fd m\u00f4\u017ee poskytova\u0165 nepresn\u00e9 a v niektor\u00fdch pr\u00edpadoch aj nevhodn\u00e9 odpor\u00fa\u010dania.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n S\u00fa\u010dasn\u00e9 nutri\u010dn\u00e9 aplik\u00e1cie a AI modely vykazuj\u00fa v\u00fdrazn\u00fd probl\u00e9m, ktor\u00fd sa ozna\u010duje ako \u201ekult\u00farna slepota\u201c. V\u00e4\u010d\u0161ina syst\u00e9mov je tr\u00e9novan\u00e1 prim\u00e1rne na z\u00e1padn\u00fdch datab\u00e1zach, najm\u00e4 americkej USDA, kde s\u00fa jedl\u00e1 \u010dasto reprezentovan\u00e9 ako jasne oddelen\u00e9 komponenty na tanieri.<\/p>\n\n\n\n Tento pr\u00edstup v\u0161ak nefunguje pri komplexn\u00fdch, mie\u0161an\u00fdch alebo vrstven\u00fdch jedl\u00e1ch, ktor\u00e9 s\u00fa be\u017en\u00e9 v \u00e1zijskej, stredomorskej alebo bl\u00edzkov\u00fdchodnej kuchyni. Pri tak\u00fdchto jedl\u00e1ch AI \u010dasto nedok\u00e1\u017ee identifikova\u0165 jednotliv\u00e9 zlo\u017eky ani ich pomery, \u010do vedie k v\u00fdrazne skreslen\u00fdm v\u00fdpo\u010dtom.<\/strong><\/p>\n\n\n\n V\u00fdsledky rozsiahleho testovania (Li et al., 2024) ukazuj\u00fa, \u017ee nejde o ojedinel\u00fd probl\u00e9m, ale o systematick\u00fa odch\u00fdlku:<\/p>\n\n\n\n <\/p>\n\n\n\n Pri konkr\u00e9tnych jedl\u00e1ch s\u00fa rozdiely e\u0161te v\u00fdraznej\u0161ie. Napr\u00edklad pri n\u00e1poji Pearl Milk Tea AI podhodnotila energetick\u00fd obsah a\u017e o 76 %. Pri jedl\u00e1ch ako Pho alebo stir-fry syst\u00e9my \u010dasto nedok\u00e1zali spr\u00e1vne identifikova\u0165 jednotliv\u00e9 ingrediencie, \u010do viedlo k v\u00fdrazne nepresn\u00fdm v\u00fdsledkom.<\/strong><\/p>\n\n\n\n Odch\u00fdlky sa neobjavuj\u00fa len pri celkovej energii, ale aj v zlo\u017een\u00ed makronutrientov:<\/p>\n\n\n\n Tieto rozdiely poukazuj\u00fa na to, \u017ee modely nepracuj\u00fa s univerz\u00e1lnym ch\u00e1pan\u00edm jedla, ale s d\u00e1tami, ktor\u00e9 odr\u00e1\u017eaj\u00fa konkr\u00e9tny kult\u00farny kontext. Ak sa tento kontext nezhoduje so stravovac\u00edmi n\u00e1vykmi pou\u017e\u00edvate\u013ea, v\u00fdsledky m\u00f4\u017eu by\u0165 v\u00fdrazne skreslen\u00e9.<\/p>\n\n\n\n V praxi to znamen\u00e1, \u017ee pou\u017e\u00edvate\u013e dost\u00e1va d\u00e1ta, ktor\u00e9 m\u00f4\u017eu p\u00f4sobi\u0165 presne, ale v skuto\u010dnosti nezodpovedaj\u00fa jeho re\u00e1lnemu jedlu. Tento probl\u00e9m je obzvl\u00e1\u0161\u0165 v\u00fdrazn\u00fd pri mie\u0161an\u00fdch jedl\u00e1ch, kde AI nedok\u00e1\u017ee rozl\u00ed\u0161i\u0165 jednotliv\u00e9 komponenty ani ich mno\u017estvo.<\/strong><\/p>\n\n\n\n Preto sa neodpor\u00fa\u010da spolieha\u0165 sa na AI pri anal\u00fdze komplexn\u00fdch alebo n\u00e1rodn\u00fdch jed\u00e1l bez manu\u00e1lnej kontroly. Presnej\u0161\u00edm pr\u00edstupom je vyh\u013eadanie konkr\u00e9tnych potrav\u00edn v datab\u00e1ze alebo zadanie jedla po jednotliv\u00fdch ingredienci\u00e1ch. Vizu\u00e1lne rozpozn\u00e1vanie v tak\u00fdchto pr\u00edpadoch zlyh\u00e1va najm\u00e4 kv\u00f4li nedostatku rozmanit\u00fdch tr\u00e9ningov\u00fdch d\u00e1t.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Na prv\u00fd poh\u013ead AI rob\u00ed veci spr\u00e1vne. Vie vysklada\u0165 jed\u00e1lni\u010dek, ktor\u00fd obsahuje \u201ezdrav\u00e9\u201c potraviny \u2013 zeleninu, jogurt, ryby, celozrnn\u00e9 produkty. Probl\u00e9m je, \u017ee v\u00fd\u017eiva nie je len o tom, \u010do jete, ale najm\u00e4 o tom, v akom pomere to jete.<\/strong><\/p>\n\n\n\n A pr\u00e1ve tu sa ukazuje z\u00e1sadn\u00e9 obmedzenie.<\/p>\n\n\n\n Modely umelej inteligencie nepracuj\u00fa s re\u00e1lnym pochopen\u00edm fyziol\u00f3gie ani s biochemick\u00fdmi vz\u0165ahmi medzi \u017eivinami. Neoptimalizuj\u00fa jed\u00e1lni\u010dek tak, ako by to robil odborn\u00edk. Generuj\u00fa ho na z\u00e1klade pravdepodobnosti \u2013 teda \u010do sa spolu \u010dasto vyskytuje, nie \u010do spolu d\u00e1va nutri\u010dn\u00fd zmysel.<\/strong><\/p>\n\n\n\n V\u00fdsledok je, \u017ee jed\u00e1lni\u010dek m\u00f4\u017ee vyzera\u0165 \u201e\u010disto\u201c, ale vn\u00fatorne nefunguje.<\/strong><\/p>\n\n\n\n Potvrdzuj\u00fa to aj d\u00e1ta. V \u0161t\u00fadii (Kaya Ka\u00e7ar et al., 2025), kde AI generovala 30 reduk\u010dn\u00fdch jed\u00e1lni\u010dkov (1400\u20131800 kcal), dosiahli modely celkovo slu\u0161n\u00e9 sk\u00f3re kvality (okolo 71 bodov DQI-I). Mali dostato\u010dn\u00fa pestros\u0165 a obsahovali v\u0161etky hlavn\u00e9 skupiny potrav\u00edn. Av\u0161ak!<\/p>\n\n\n\n Ke\u010f sa v\u0161ak hodnotila nutri\u010dn\u00e1 rovnov\u00e1ha, teda pomer makronutrientov a mastn\u00fdch kysel\u00edn \u2013 v\u00fdsledky prakticky zlyhali.<\/strong><\/p>\n\n\n\n In\u00fdmi slovami: AI vie vybra\u0165 \u201edobr\u00e9 potraviny\u201c, ale nevie ich spr\u00e1vne posklada\u0165.<\/p>\n\n\n\n Najv\u00e4\u010d\u0161\u00ed probl\u00e9m je v pomeroch a to najm\u00e4 medzi:<\/p>\n\n\n\n <\/p>\n\n\n\n Tieto veci nie s\u00fa detail. S\u00fa z\u00e1kladom fungovania organizmu a ovplyv\u0148uj\u00fa z\u00e1palov\u00e9 procesy, kardiovaskul\u00e1rne zdravie, hormon\u00e1lnu rovnov\u00e1hu aj celkov\u00fd metabolizmus.<\/strong><\/p>\n\n\n\n Pri zlom nastaven\u00ed pomerov m\u00f4\u017ee by\u0165 jed\u00e1lni\u010dek \u201ezdrav\u00fd na papieri\u201c, ale dlhodobo \u0161kodliv\u00fd v realite.<\/p>\n\n\n\n <\/p>\n\n\n\n Zauj\u00edmav\u00e9 je aj to, ako tieto jed\u00e1lni\u010dky vyzeraj\u00fa v praxi. Maj\u00fa tendenciu opakova\u0165 ur\u010dit\u00e9 vzory:<\/p>\n\n\n\n <\/p>\n\n\n\n To nazna\u010duje, \u017ee modely nepracuj\u00fa s re\u00e1lnou nutri\u010dnou logikou, ale s \u201ebezpe\u010dn\u00fdmi \u0161abl\u00f3nami\u201c, ktor\u00e9 vyzeraj\u00fa zdravo, no nie s\u00fa optimalizovan\u00e9.<\/p>\n\n\n\n Hlavn\u00fd probl\u00e9m je, \u017ee AI nedok\u00e1\u017ee pracova\u0165 s komplexitou. Vytvori\u0165 vyv\u00e1\u017een\u00fd jed\u00e1lni\u010dek znamen\u00e1 naraz optimalizova\u0165 energiu, makronutrienty, mikronutrienty aj kvalitu tukov a to je kombin\u00e1cia, ktor\u00fa dne\u0161n\u00e9 modely nezvl\u00e1daj\u00fa.<\/strong><\/p>\n\n\n\n Najv\u00e4\u010d\u0161ie riziko je il\u00fazia odbornosti. Pou\u017e\u00edvate\u013e vid\u00ed pekne zostaven\u00fd pl\u00e1n, pln\u00fd zdrav\u00fdch jed\u00e1l, a automaticky predpoklad\u00e1, \u017ee je spr\u00e1vny. V skuto\u010dnosti v\u0161ak m\u00f4\u017ee \u00eds\u0165 len o n\u00e1hodn\u00fa kombin\u00e1ciu potrav\u00edn bez hlb\u0161ej nutri\u010dnej logiky.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n Preto plat\u00ed jednoduch\u00e9 pravidlo: AI m\u00f4\u017ee by\u0165 dobr\u00fd pomocn\u00edk na in\u0161pir\u00e1ciu, ale nie spo\u013eahliv\u00fd n\u00e1stroj na zostavenie jed\u00e1lni\u010dka. Najm\u00e4 pri reduk\u010dn\u00fdch di\u00e9tach alebo zdravotn\u00fdch obmedzeniach zost\u00e1va odborn\u00fd doh\u013ead k\u013e\u00fa\u010dov\u00fd.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Na prv\u00fd poh\u013ead sa m\u00f4\u017ee zda\u0165, \u017ee AI rob\u00ed chyby n\u00e1hodne. V realite v\u0161ak ide o opakovate\u013en\u00fd vzorec: \u010d\u00edm v\u00e4\u010d\u0161ia porcia jedla, t\u00fdm v\u00e4\u010d\u0161ia chyba.<\/strong><\/p>\n\n\n\n Modely maj\u00fa tendenciu \u201enormalizova\u0165\u201c to, \u010do vidia. Namiesto presn\u00e9ho odhadu objemu sa pribli\u017euj\u00fa k priemernej predstave dan\u00e9ho jedla. Pri mal\u00fdch porci\u00e1ch to e\u0161te funguje, pri v\u00e4\u010d\u0161\u00edch sa chyba v\u00fdrazne zvy\u0161uje.<\/p>\n\n\n\n V\u00fdsledkom je systematick\u00e9 podhodnocovanie.<\/p>\n\n\n\n D\u00e1ta to potvrdzuj\u00fa, \u017ee pri odhade hmotnosti dosahovali ChatGPT a Claude priemern\u00fa chybu okolo 36 %, Gemini a\u017e 64 – 109 %. K\u013e\u00fa\u010dov\u00e9 v\u0161ak je, \u017ee chyba rastie spolu s ve\u013ekos\u0165ou porcie.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n Pri mal\u00fdch jedl\u00e1ch bola presnos\u0165 relat\u00edvne dobr\u00e1, pri stredn\u00fdch a ve\u013ek\u00fdch sa v\u00fdrazne zhor\u0161ovala.<\/p>\n\n\n\n Konkr\u00e9tne merania:<\/strong><\/p>\n\n\n\n In\u00fdmi slovami: \u010d\u00edm v\u00e4\u010d\u0161ia porcia, t\u00fdm viac kal\u00f3ri\u00ed \u201ezmizne\u201c.<\/p>\n\n\n\n Priemern\u00e1 odch\u00fdlka bola pribli\u017ene 27,8 %, pri\u010dom AI podhodnotila hmotnos\u0165 jedla v 76,3 % pr\u00edpadov.<\/p>\n\n\n\n <\/p>\n\n\n\n Pr\u00edklad z praxe:<\/strong> Tento trend je konzistentn\u00fd:<\/strong><\/p>\n\n\n\n Toto nie je chyba konkr\u00e9tneho modelu, ale vlastnos\u0165 syst\u00e9mu.<\/p>\n\n\n\n <\/p>\n\n\n\n Probl\u00e9m je, \u017ee pou\u017e\u00edvate\u013e o tejto chybe nevie. Vid\u00ed \u010d\u00edslo, ktor\u00e9 p\u00f4sob\u00ed presne, a ver\u00ed mu. Ak v\u0161ak AI pri v\u00e4\u010d\u0161\u00edch jedl\u00e1ch pravidelne \u201euber\u00e1\u201c stovky kal\u00f3ri\u00ed, re\u00e1lny pr\u00edjem je v\u00fdrazne vy\u0161\u0161\u00ed, ne\u017e ukazuj\u00fa d\u00e1ta.<\/p>\n\n\n\n To vedie k typickej frustr\u00e1cii:<\/strong> <\/p>\n\n\n\n AI dnes nie je presn\u00fd merac\u00ed n\u00e1stroj, ale odhad. A tento odhad m\u00e1 jasn\u00fd smer \u2013 podhodnocova\u0165, najm\u00e4 pri v\u00e4\u010d\u0161\u00edch porci\u00e1ch.<\/p>\n\n\n\n Ak ide len o orient\u00e1ciu, m\u00f4\u017ee to sta\u010di\u0165.<\/p>\n\n\n\n Ak ide o presnos\u0165, napr\u00edklad pri chudnut\u00ed, je to riziko.<\/p>\n\n\n\n Preto plat\u00ed jednoduch\u00e9 pravidlo: ke\u010f z\u00e1le\u017e\u00ed na presnosti, v\u00e1ha m\u00e1 prednos\u0165 pred kamerou.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Pri potravinov\u00fdch alergi\u00e1ch neexistuje priestor na \u201epribli\u017ene\u201c. Bu\u010f je jedlo bezpe\u010dn\u00e9, alebo nie je. A pr\u00e1ve v tomto bode sa ukazuje jedno z najnebezpe\u010dnej\u0161\u00edch obmedzen\u00ed AI.<\/strong><\/p>\n\n\n\n Modely umelej inteligencie nepracuj\u00fa s medic\u00ednskym pochopen\u00edm rizika. Nevedia vyhodnoti\u0165, \u017ee ur\u010dit\u00e1 chyba m\u00f4\u017ee ma\u0165 re\u00e1lny zdravotn\u00fd dopad. Generuj\u00fa odpovede na z\u00e1klade pravdepodobnosti \u2013 teda \u010do \u201eznie spr\u00e1vne\u201c \u2013 nie na z\u00e1klade bezpe\u010dnosti.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n To znamen\u00e1, \u017ee aj ke\u010f AI dostane jasn\u00fa inform\u00e1ciu o alergii, nedok\u00e1\u017ee ju garantovane dodr\u017ea\u0165.<\/strong><\/p>\n\n\n\n V\u00fdsledky testovania to potvrdzuj\u00fa ve\u013emi konkr\u00e9tne. Pri generovan\u00ed 56 jed\u00e1lni\u010dkov pre osobu s potravinov\u00fdmi alergiami zlyhal ChatGPT v 7 % pr\u00edpadov.<\/strong> V praxi to znamen\u00e1, \u017ee v 4 jedl\u00e1ch sa objavil alerg\u00e9n, ktor\u00fd tam nemal by\u0165.<\/p>\n\n\n\n Konkr\u00e9tny pr\u00edklad: do bezorechovej di\u00e9ty model bez zav\u00e1hania zaradil mand\u013eov\u00e9 mlieko.<\/p>\n\n\n\n To nie je drobn\u00e1 nepresnos\u0165. To je potenci\u00e1lne zdravotn\u00e9 riziko.<\/p>\n\n\n\n <\/p>\n\n\n\n E\u0161te problematickej\u0161ie je, \u017ee AI si svoju chybu neuvedomuje. Neupozorn\u00ed na \u0148u, neozna\u010d\u00ed ju ako neist\u00fa a pou\u017e\u00edvate\u013e dostane odpove\u010f v presved\u010divom, autoritat\u00edvnom t\u00f3ne.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n Podobn\u00fd probl\u00e9m sa uk\u00e1zal aj pri energeticky nebezpe\u010dn\u00fdch di\u00e9tach. Ke\u010f mala AI z\u00e1merne vytvori\u0165 extr\u00e9mne n\u00edzkokalorick\u00fd pl\u00e1n, nevygenerovala \u017eiadne varovanie. Naopak, tak\u00fdto pl\u00e1n podala ako validn\u00e9 rie\u0161enie, hoci by v praxi mohol vies\u0165 k zdravotn\u00fdm komplik\u00e1ci\u00e1m.<\/p>\n\n\n\n D\u00f4le\u017eit\u00e9 je pochopi\u0165, \u017ee AI vie niekedy odpoveda\u0165 spr\u00e1vne. V niektor\u00fdch pr\u00edpadoch dok\u00e1zala vytvori\u0165 jed\u00e1lni\u010dky, ktor\u00e9 zodpovedali odpor\u00fa\u010daniam (napr. pri diabete alebo dial\u00fdze). Probl\u00e9m je v konzistentnosti.<\/p>\n\n\n\n Pri opakovan\u00ed tej istej po\u017eiadavky toti\u017e model dok\u00e1zal vygenerova\u0165 \u00faplne odli\u0161n\u00e9, a niekedy nespr\u00e1vne, v\u00fdsledky.<\/p>\n\n\n\n To znamen\u00e1, \u017ee nejde o spo\u013eahliv\u00fd syst\u00e9m, ale o n\u00e1stroj s vysokou variabilitou.<\/p>\n\n\n\n Hlavn\u00fd probl\u00e9m je absencia zodpovednosti. Ak AI sprav\u00ed chybu, neexistuje mechanizmus, ktor\u00fd by ju zastavil alebo ozna\u010dil ako nebezpe\u010dn\u00fa. A z\u00e1rove\u0148 nie je jasn\u00e9, kto za tak\u00fato chybu nesie re\u00e1lnu zodpovednos\u0165.<\/p>\n\n\n\n Pre pou\u017e\u00edvate\u013ea to vytv\u00e1ra falo\u0161n\u00fd pocit bezpe\u010dia. Odpove\u010f vyzer\u00e1 odborne, je nap\u00edsan\u00e1 plynulo, \u010dasto obsahuje aj \u201elogick\u00e9\u201c vysvetlenie. Bez odborn\u00fdch znalost\u00ed je v\u0161ak prakticky nemo\u017en\u00e9 odhali\u0165, \u017ee ide o chybu.<\/strong><\/p>\n\n\n\n Pri alergi\u00e1ch je toto kritick\u00e9.<\/strong><\/p>\n\n\n\n Aj mal\u00e1 chyba m\u00f4\u017ee ma\u0165 v\u00e1\u017ene n\u00e1sledky \u2013 od ak\u00fatnej reakcie a\u017e po anafylaktick\u00fd \u0161ok. Rovnako rizikov\u00e9 s\u00fa aj dlhodob\u00e9 d\u00f4sledky, napr\u00edklad pri nespr\u00e1vne nastaven\u00fdch elimina\u010dn\u00fdch di\u00e9tach, ktor\u00e9 m\u00f4\u017eu vies\u0165 k nutri\u010dn\u00fdm deficitom.<\/p>\n\n\n\n Preto tu plat\u00ed ve\u013emi jednoduch\u00e9 pravidlo:<\/strong> Najm\u00e4 pri alergi\u00e1ch by mal by\u0165 v\u017edy pr\u00edtomn\u00fd odborn\u00fd doh\u013ead. V opa\u010dnom pr\u00edpade sa z u\u017eito\u010dn\u00e9ho n\u00e1stroja st\u00e1va riziko, ktor\u00e9 nie je na prv\u00fd poh\u013ead vidite\u013en\u00e9.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n AI vie rozpozna\u0165, \u010do je na tanieri. Nevie v\u0161ak pochopi\u0165, \u010do v tom jedle re\u00e1lne je.<\/p>\n\n\n\n Pri anal\u00fdze funguje v\u00fdhradne na z\u00e1klade vizu\u00e1lneho vstupu. V\u0161etko, \u010do nie je vidite\u013en\u00e9 na povrchu, pre \u0148u prakticky neexistuje. To je z\u00e1sadn\u00fd probl\u00e9m najm\u00e4 pri spracovan\u00fdch potravin\u00e1ch.<\/strong><\/p>\n\n\n\n Umel\u00e1 inteligencia nedok\u00e1\u017ee identifikova\u0165 fortifik\u00e1ciu (pridan\u00e9 vitam\u00edny a miner\u00e1ly) ani rozl\u00ed\u0161i\u0165 rozdiely medzi zna\u010dkami, pokia\u013e nem\u00e1 k dispoz\u00edcii presn\u00fd n\u00e1zov produktu alebo obal.<\/p>\n\n\n\n Pre \u010dloveka je rozdiel medzi dvoma cere\u00e1liami z\u00e1sadn\u00fd. Jedny m\u00f4\u017eu by\u0165 obohaten\u00e9 o \u017eelezo a vitam\u00edny, druh\u00e9 nie. Pre AI s\u00fa to v\u0161ak len \u201evlo\u010dky\u201c.<\/p>\n\n\n\n Model preto pracuje s priemern\u00fdmi hodnotami z datab\u00e1z, nie s konkr\u00e9tnymi d\u00e1tami. V\u00fdsledok tak m\u00f4\u017ee p\u00f4sobi\u0165 presne, ale ide len o odhad \u201etypickej verzie\u201c potraviny.<\/p>\n\n\n\n Tento limit prizn\u00e1vaj\u00fa aj samotn\u00e9 modely. ChatGPT-4 napr\u00edklad uviedol, \u017ee nevie ur\u010di\u0165, \u010di s\u00fa cornflakes obohaten\u00e9 o vitam\u00edny a miner\u00e1ly, hoci to z\u00e1sadne ovplyv\u0148uje ich nutri\u010dn\u00fd profil.<\/p>\n\n\n\n D\u00e1ta to potvrdzuj\u00fa aj \u010d\u00edselne. V anal\u00fdze 114 jed\u00e1l bola priemern\u00e1 odch\u00fdlka pribli\u017ene 26,9 %. Pri v\u00e4\u010d\u0161ine \u017eiv\u00edn presiahla chyba 10 % a v 11 z 16 pr\u00edpadov AI hodnoty systematicky podhodnocovala.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n To znamen\u00e1, \u017ee aj ke\u010f energia a z\u00e1kladn\u00e9 makr\u00e1 m\u00f4\u017eu vyzera\u0165 relat\u00edvne presne, mikronutrienty s\u00fa \u010dasto mimo reality.<\/p>\n\n\n\n Najv\u00e4\u010d\u0161\u00ed probl\u00e9m vznik\u00e1 pri sledovan\u00ed mikro\u017eiv\u00edn. \u010clovek s an\u00e9miou m\u00f4\u017ee ma\u0165 pocit, \u017ee prij\u00edma dostatok \u017eeleza, aj ke\u010f ho m\u00e1 v skuto\u010dnosti menej. Rovnako pri sod\u00edku, cukre alebo in\u00fdch kritick\u00fdch l\u00e1tkach m\u00f4\u017ee AI systematicky skres\u013eova\u0165 realitu \u2013 a pou\u017e\u00edvate\u013e to nem\u00e1 ako odhali\u0165.<\/p>\n\n\n\n Preto plat\u00ed jednoduch\u00e9 pravidlo: \u010d\u00edm viac spracovan\u00e9 jedlo, t\u00fdm menej sa d\u00e1 spo\u013eahn\u00fa\u0165 na AI anal\u00fdzu z fotografie.<\/p>\n\n\n\n Ak z\u00e1le\u017e\u00ed na presnosti, je nevyhnutn\u00e9 pracova\u0165 s konkr\u00e9tnymi d\u00e1tami:<\/p>\n\n\n\n Bez toho AI v\u017edy pracuje len s priemerom. A priemer v tomto pr\u00edpade \u010dasto znamen\u00e1 odch\u00fdlku, ktor\u00e1 m\u00f4\u017ee by\u0165 nutri\u010dne z\u00e1sadn\u00e1.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Na rozdiel od kalkula\u010dky alebo laborat\u00f3rnej v\u00e1hy AI nefunguje ako presn\u00fd, opakovate\u013en\u00fd n\u00e1stroj. Je to pravdepodobnostn\u00fd syst\u00e9m. To znamen\u00e1, \u017ee rovnak\u00fd vstup nemus\u00ed vies\u0165 k rovnak\u00e9mu v\u00fdsledku.<\/p>\n\n\n\n V praxi to vyzer\u00e1 jednoducho: t\u00e1 ist\u00e1 fotka jedla m\u00f4\u017ee vr\u00e1ti\u0165 r\u00f4zne hodnoty – bez toho, aby sa na nej \u010doko\u013evek zmenilo.<\/strong><\/p>\n\n\n\n D\u00f4vodom je tzv. stochastick\u00e1 n\u00e1hodnos\u0165. Model negeneruje odpove\u010f v\u00fdpo\u010dtom pod\u013ea pevn\u00e9ho vzorca, ale \u201evyber\u00e1\u201c najpravdepodobnej\u0161\u00ed v\u00fdsledok na z\u00e1klade nau\u010den\u00fdch d\u00e1t. A tento v\u00fdber sa m\u00f4\u017ee mierne l\u00ed\u0161i\u0165 pri ka\u017edom pou\u017eit\u00ed.<\/strong><\/p>\n\n\n\n <\/p>\n\n\n\n V\u00fdsledok je, \u017ee AI nie je plne konzistentn\u00e1.<\/p>\n\n\n\n Jednoduch\u00fd pr\u00edklad:<\/strong> Podobn\u00fd probl\u00e9m sa uk\u00e1zal aj pri testovan\u00ed di\u00e9t. Pri opakovan\u00ed tej istej po\u017eiadavky na rovnak\u00fd zdravotn\u00fd profil (napr. diabetik) modely generovali odli\u0161n\u00e9, niekedy aj nekonzistentn\u00e9 odpor\u00fa\u010dania. To znamen\u00e1, \u017ee AI nevytv\u00e1ra stabiln\u00fd referen\u010dn\u00fd bod.<\/p>\n\n\n\n A pr\u00e1ve to je z\u00e1sadn\u00fd probl\u00e9m pri sledovan\u00ed progresu. Ak sa \u010d\u00edsla menia nie kv\u00f4li re\u00e1lnemu spr\u00e1vaniu, ale kv\u00f4li variabilite n\u00e1stroja, pou\u017e\u00edvate\u013e str\u00e1ca schopnos\u0165 vyhodnoti\u0165, \u010do funguje.<\/strong><\/p>\n\n\n\n In\u00fdmi slovami:<\/strong> Z poh\u013eadu vedy je to e\u0161te v\u00e4\u010d\u0161\u00ed probl\u00e9m. Spo\u013eahliv\u00fd n\u00e1stroj mus\u00ed by\u0165 reprodukovate\u013en\u00fd \u2013 rovnak\u00fd vstup m\u00e1 vies\u0165 k rovnak\u00e9mu v\u00fdsledku. Pri AI to dnes neplat\u00ed.<\/strong><\/p>\n\n\n\n Aj preto odborn\u00edci navrhuj\u00fa, aby sa pri pr\u00e1ci s AI nepracovalo s jedn\u00fdm \u010d\u00edslom, ale s rozsahom v\u00fdsledkov. Namiesto jednej hodnoty by sa mali robi\u0165 viacer\u00e9 v\u00fdpo\u010dty a sledova\u0165 priemer alebo interval spo\u013eahlivosti.<\/p>\n\n\n\n To v\u0161ak v\u00fdrazne komplikuje be\u017en\u00e9 pou\u017e\u00edvanie.<\/p>\n\n\n\n Hlavn\u00e9 riziko je op\u00e4\u0165 skryt\u00e9. V\u00fdstup p\u00f4sob\u00ed presne, konkr\u00e9tne a definit\u00edvne. Pou\u017e\u00edvate\u013e nem\u00e1 d\u00f4vod pochybova\u0165. V realite v\u0161ak ide o \u201enajlep\u0161\u00ed aktu\u00e1lny odhad\u201c, nie o stabiln\u00fd v\u00fdsledok.<\/p>\n\n\n\n Preto plat\u00ed jednoduch\u00e9 pravidlo:<\/strong> A k\u00fdm sa neza\u010dne opiera\u0165 o deterministick\u00e9 v\u00fdpo\u010dty namiesto generat\u00edvnych odpoved\u00ed, jej presnos\u0165 bude v\u017edy z\u00e1visie\u0165 od moment\u00e1lneho \u201ev\u00fdberu\u201c modelu \u2013 nie od objekt\u00edvnej reality.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n AI vo v\u00fd\u017eive m\u00e1 obrovsk\u00fd potenci\u00e1l. Ale dnes e\u0161te nie je presn\u00fd n\u00e1stroj. Je to odhadov\u00fd n\u00e1stroj.<\/p>\n\n\n\n Vie<\/strong> zr\u00fdchli\u0165 proces, zjednodu\u0161i\u0165 zapisovanie a da\u0165 z\u00e1kladn\u00fd preh\u013ead. Nevieme<\/strong> sa na \u0148u v\u0161ak spo\u013eahn\u00fa\u0165 tam, kde rozhoduj\u00fa detaily.<\/p>\n\n\n\n A pr\u00e1ve tie detaily vo v\u00fd\u017eive rozhoduj\u00fa najviac.<\/p>\n\n\n\n Probl\u00e9m nie je, \u017ee AI rob\u00ed chyby. Probl\u00e9m je, \u017ee tie chyby nevid\u00ed\u0161.<\/strong><\/p>\n\n\n\n V\u00fdstupy vyzeraj\u00fa presne, p\u00f4sobia odborne a d\u00e1vaj\u00fa zmysel. A preto im \u013eudia veria viac, ne\u017e by mali.<\/p>\n\n\n\n Ak to zjednodu\u0161\u00edme na jednu my\u0161lienku: Ak ti ide len o orient\u00e1ciu, je to fajn n\u00e1stroj. Ak ti ide o presnos\u0165 \u2013 \u010di u\u017e pri chudnut\u00ed, v\u00fdkone alebo zdrav\u00ed \u2013 potrebuje\u0161 viac ne\u017e odhad.<\/p>\n\n\n\n A presne tam m\u00e1 st\u00e1le svoje miesto \u010dlovek, d\u00e1ta a pochopenie kontextu.<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n Zdroje:<\/strong> <\/p>\n","protected":false},"excerpt":{"rendered":" AI ti uk\u00e1\u017ee \u010d\u00edsla, ktor\u00e9 vyzeraj\u00fa presne.\n
2. Slepota vo\u010di tuku: Nevidite\u013en\u00e9 kal\u00f3rie v om\u00e1\u010dkach a olejoch<\/strong><\/h2>\n\n\n\n
\n
<\/strong>
*(R\u00b2 \u2013 miera presnosti modelu \u2013 vzr\u00e1stla z 0,59 na 0,94, \u010do znamen\u00e1 v\u00fdrazn\u00e9 zlep\u0161enie zhody s realitou)<\/p>\n\n\n\n3. Nutri\u010dn\u00e9 halucin\u00e1cie: Pravdepodobnos\u0165 slov namiesto tabuliek<\/strong><\/h2>\n\n\n\n
\n
4. Klinick\u00fd hazard: Ke\u010f nepresnos\u0165 ohrozuje zdravie<\/strong><\/h2>\n\n\n\n
\n
\n
\n
5. Kult\u00farna slepota: Algoritmy tr\u00e9novan\u00e9 na \u201ez\u00e1padnom\u201c tanieri<\/strong><\/h2>\n\n\n\n
\n
\n
6. Nutri\u010dn\u00e1 (ne)vyv\u00e1\u017eenos\u0165: Zdrav\u00e9 jedl\u00e1 v nezdravom pomere<\/strong><\/h2>\n\n\n\n
\n
\n
\n
7. Paradox ve\u013ek\u00fdch porci\u00ed: \u010c\u00edm viac jete, t\u00fdm viac AI klame<\/strong><\/h2>\n\n\n\n
\n
\u0161o\u0161ovicov\u00e9 kari \u2013 AI odhad 255 g vs. re\u00e1lnych 480 g. Takmer polovica jedla a kal\u00f3ri\u00ed jednoducho \u201ezmizla\u201c.<\/p>\n\n\n\n\n
\u201ejem menej, v\u0161etko si zapisujem, ale nechudnem.\u201c<\/strong><\/p>\n\n\n\n8. Alergick\u00e1 pasca: Ke\u010f chyba nie je len chyba<\/strong><\/h2>\n\n\n\n
AI m\u00f4\u017ee pom\u00f4c\u0165 s orient\u00e1ciou, ale nesmie riadi\u0165 stravu pri zdravotn\u00fdch obmedzeniach.<\/strong><\/p>\n\n\n\n9. Slepota vo\u010di fortifik\u00e1cii a zna\u010dk\u00e1m<\/strong><\/h2>\n\n\n\n
\n
10. Stochastick\u00e1 n\u00e1hodnos\u0165: In\u00e1 odpove\u010f na t\u00fa ist\u00fa fotku<\/strong><\/h2>\n\n\n\n
jeden de\u0148 v\u00e1m AI odhadne obed na 500 kcal, na druh\u00fd de\u0148 \u2013 pri tej istej fotke \u2013 na 600 kcal. Nie preto, \u017ee by sa zmenilo jedlo, ale preto, \u017ee sa zmenil samotn\u00fd v\u00fdstup modelu.<\/strong><\/p>\n\n\n\n
neviete, \u010di sa men\u00ed va\u0161e telo, alebo len odpove\u010f algoritmu.<\/strong><\/p>\n\n\n\n
AI dnes nie je merac\u00ed n\u00e1stroj, ale odhadov\u00fd n\u00e1stroj.<\/strong><\/p>\n\n\n\n
\ud83d\udc49 AI dnes vie pom\u00f4c\u0165. Ale nemala by rozhodova\u0165.<\/p>\n\n\n\n
https:\/\/www.cambridge.org\/core\/journals\/british-journal-of-nutrition\/article\/validity-and-accuracy-of-artificial-intelligencebased-dietary-intake-assessment-methods-a-systematic-review\/6829E54E37F38BB07D09A97D5982C73D
https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11243505\/
https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11206595\/
https:\/\/pubmed.ncbi.nlm.nih.gov\/38194819\/
https:\/\/pubmed.ncbi.nlm.nih.gov\/38060823\/
https:\/\/www.sciencedirect.com\/science\/article\/pii\/S088915752501659X
https:\/\/pubmed.ncbi.nlm.nih.gov\/39125452\/
https:\/\/pubmed.ncbi.nlm.nih.gov\/41081011\/
https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC12367769\/
https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11199627\/
https:\/\/www.mdpi.com\/2072-6643\/16\/15\/2573
https:\/\/www.mdpi.com\/2072-6643\/17\/4\/607
https:\/\/www.mdpi.com\/2072-6643\/17\/2\/206
https:\/\/www.researchgate.net\/publication\/395491050_Performance_evaluation_of_Three_Large_Language_Models_for_Nutritional_Content_Estimation_from_Food_Images
https:\/\/www.researchgate.net\/publication\/399109330_Image-based_nutritional_assessment_evaluating_the_performance_of_ChatGPT-4o_on_simple_and_complex_meals
https:\/\/scholarworks.merrimack.edu\/cgi\/viewcontent.cgi?article=1195&context=health_facpubs<\/p>\n\n\n\n
\nProbl\u00e9m je, \u017ee \u010dasto presn\u00e9 nie s\u00fa. Tento \u010dl\u00e1nok rozober\u00e1 10 naj\u010dastej\u0161\u00edch ch\u00fdb, kv\u00f4li ktor\u00fdm AI vo v\u00fd\u017eive skres\u013euje realitu. Od zl\u00e9ho odhadu porci\u00ed a\u017e po ignorovanie tukov \u010di alerg\u00e9nov. Ak chce\u0161 robi\u0165 lep\u0161ie rozhodnutia, toto potrebuje\u0161 vedie\u0165.<\/p>\n","protected":false},"author":1,"featured_media":497,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[15],"tags":[429,190,69,150,188,362],"class_list":["post-494","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-strava-a-vyziva-sk","tag-chudnutie","tag-chytre-stravovanie","tag-nutrelino","tag-nutricne-fakty","tag-nutricne-nastroje","tag-zdrave-stravovanie"],"_links":{"self":[{"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/posts\/494","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/comments?post=494"}],"version-history":[{"count":4,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/posts\/494\/revisions"}],"predecessor-version":[{"id":499,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/posts\/494\/revisions\/499"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/media\/497"}],"wp:attachment":[{"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/media?parent=494"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/categories?post=494"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/nutrelino.com\/blog\/wp-json\/wp\/v2\/tags?post=494"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}