لماذا نتحقق من الذكاء الاصطناعي التوليدي مقابل قواعد البيانات الرسمية

تعمل معظم تطبيقات التغذية بالذكاء الاصطناعي على هذا النحو: تلتقط صورةً لوجبتك، فيُقدِّر الذكاء الاصطناعي المغذِّيات الكبرى (الماكروز)، فتحصل على رقم. يبدو الرقم واثقًا. لكنه على الأرجح خاطئ — وليس لديك طريقةٌ لمعرفة مدى الخطأ.

بالنسبة لمن يتتبّع السعرات الحرارية لأغراض اللياقة البدنية، فهذا أمرٌ مزعج. أما بالنسبة لمريض السكري من النوع الأول الذي يحسب جرعة الأنسولين استنادًا إلى تقديرات الكربوهيدرات، فهذا أمرٌ خطير.

مشكلة الذكاء الاصطناعي كصندوقٍ أسود في التغذية

الذكاء الاصطناعي التوليدي احتمالي. فهو يُنتج مخرجاتٍ غالبًا ما تكون صحيحةً لكنها أحيانًا خاطئةٌ بثقةٍ تامة. قد يُقدِّر LLM بصريٌّ ينظر إلى صورةٍ للكسكسي 60 غرامًا من الكربوهيدرات. وقد تكون القيمة الفعلية 80 غرامًا أو 40 غرامًا تبعًا لحجم الحصة وطريقة التحضير والمكونات التي لا تكشفها الصورة بالكامل.

حين يُعيد الذكاء الاصطناعي رقمًا واحدًا دون تقييمٍ للثقة، ودون نطاقٍ لعدم اليقين، ودون فحصٍ مستقل، يُجبَر المستخدم إما على الوثوق به ثقةً عمياء أو رفضه تمامًا. وكلا الخيارين غير نافع.

ما الذي يفعله Zitounix بشكلٍ مختلف

تقوم بنية Zitounix على مبدأٍ بسيط: الذكاء الاصطناعي يقترح، والحقيقة الأرضية تتحقق.

الخطوة 1: تحليل الوجبة بالذكاء الاصطناعي من الصورة

يُحلِّل LLM ذو القدرات البصرية (Alibaba Qwen-VL أو Google Gemini) صورة الوجبة ويُنتج استجابة JSON منظّمة. ولكل مكوّنٍ غذائي، يُعيد:

• الغذاء المُحدَّد (مع identityStatus: محسوم أو غامض)
• الحصة المُقدَّرة بالغرامات
• الكربوهيدرات والبروتين والدهون والألياف والسعرات الحرارية
• مؤشر السكر في الدم والحمل السكري
• تقييم الثقة (منخفض/متوسط/مرتفع) لكل تقديرٍ للحصة وللمغذِّيات الكبرى
• ثقة الهوية (منخفضة/متوسطة/مرتفعة) لكل تحديدٍ غذائي
• الأدلة البصرية والبدائل المُحتملة

يرى المستخدم دائمًا مدى يقين الذكاء الاصطناعي، والسبب وراء ذلك.

الخطوة 2: الفحص العميق ذو المرحلتين

بالنسبة للوجبات الغامضة، يُشغِّل الفحص العميق "مراجعةً بصريةً عمياء" مستقلةً ومتوازية — مرحلة ذكاءٍ اصطناعيٍّ ثانية تُقاطع تحديد الغذاء مع المرحلة الأولى. وإذا اختلفت المرحلتان حول مكوّنٍ ما، يرى المستخدم الاختلاف، لا نتيجةً مُدمَجةً بصمت.

الخطوة 3: التحقق مقابل قواعد البيانات الرسمية

هذه هي الخطوة المحورية. يُقرَن كل تقديرٍ من الذكاء الاصطناعي ببحثٍ مستقلٍ مقابل 11 قاعدة بياناتٍ رسميةٍ لتكوين الأغذية:

• CIQUAL/ANSES (فرنسا)
• USDA FoodData Central (خيارٌ احتياطيٌّ عالمي)
• NEVO (هولندا)
• و8 مصادر إقليمية أخرى

يكون البحث في قاعدة البيانات واعيًا بالمنطقة (يُكتشَف تلقائيًّا من لغة المستخدم). ويرى المستخدم تقدير الذكاء الاصطناعي بجانب الحساب الرسمي وأي اختلافٍ ذي دلالة. فإذا قال الذكاء الاصطناعي 60 غرامًا من الكربوهيدرات بينما يقول CIQUAL 85 غرامًا لذلك الغذاء عند تلك الحصة، يرى المستخدم الرقمين معًا.

لماذا يهمّ هذا

النتيجة ليست "ذكاءً اصطناعيًّا يكون دائمًا على صواب". النتيجة هي ذكاءٌ اصطناعيٌّ قابلٌ للمراجعة. يستطيع المستخدم رؤية استدلال الذكاء الاصطناعي، وثقته، وفحصًا مستقلًّا للحقيقة الأرضية — ثم اتخاذ قرارٍ مبنيٍّ على علم.

هذا هو الفرق بين صندوقٍ أسود ومساعدٍ موثوق. وبالنسبة للمستخدمين الذين يُديرون السكري أو الوزن أو الأداء الرياضي، فإن هذا الفرق هو جوهر الأمر برمّته.

تكلفة البنية

التحقق ليس مجانيًّا. فهو يعني:

• المزيد من استدعاءات API (ذكاءٌ اصطناعي + عمليات بحثٍ في قاعدة البيانات)
• واجهة مستخدمٍ أكثر تعقيدًا (إظهار تقديرين بدلًا من تقديرٍ واحد)
• المزيد من قرارات المستخدم (حلّ الاختلافات)
• مزيدٌ من العمل الهندسي (تقييم الثقة، والحلّ الواعي بالمنطقة، وسلاسل الاحتياط)

لكن البديل — رقمٌ خاطئٌ يبدو واثقًا دون أيّ سبيلٍ للتحقق — ليس مُنتجًا يستحق الإطلاق. وخاصةً لا في مجال الصحة.

---

تصف هذه المقالة البنية الكامنة وراء Zitounix، تطبيق تحليل التغذية المدعوم بالذكاء الاصطناعي من Uptech LLC، والذي يخضع حاليًّا للاختبار الداخلي على Android.