Pourquoi nous corroborons l'IA générative avec des bases de données officielles

La plupart des applications de nutrition par IA fonctionnent ainsi : vous prenez une photo de votre repas, l'IA estime les macronutriments, et vous obtenez un chiffre. Le chiffre a l'air fiable. Il est probablement faux — et vous n'avez aucun moyen de savoir de combien.

Pour quelqu'un qui compte ses calories pour le fitness, c'est agaçant. Pour un diabétique de type 1 qui calcule une dose d'insuline à partir d'estimations de glucides, c'est dangereux.

Le problème de l'IA nutritionnelle en boîte noire

L'IA générative est probabiliste. Elle produit des résultats qui sont souvent justes mais parfois faux avec aplomb. Un LLM de vision qui examine une photo de couscous peut estimer 60 g de glucides. La valeur réelle pourrait être 80 g ou 40 g selon la portion, la préparation et les ingrédients que la photo ne révèle pas complètement.

Lorsque l'IA renvoie un seul chiffre sans niveau de confiance, sans plage d'incertitude et sans vérification indépendante, l'utilisateur est obligé soit de lui faire aveuglément confiance, soit de l'écarter entièrement. Aucune des deux attitudes n'est utile.

Ce que Zitounix fait différemment

L'architecture de Zitounix repose sur un principe simple : l'IA propose, la vérité terrain vérifie.

Étape 1 : analyse du repas par IA à partir de la photo

Un LLM avec capacités de vision (Alibaba Qwen-VL ou Google Gemini) analyse la photo du repas et produit une réponse structurée en JSON. Pour chaque composant alimentaire, il renvoie :

• L'aliment identifié (avec identityStatus : résolu ou ambigu)
• La portion estimée en grammes
• Glucides, protéines, lipides, fibres, calories
• Index glycémique et charge glycémique
• Niveau de confiance (faible/moyen/élevé) pour chaque estimation de portion et de macro
• Confiance d'identification (faible/moyen/élevé) pour chaque identification d'aliment
• Les preuves visuelles et les alternatives candidates

L'utilisateur voit toujours à quel point l'IA est certaine, et pourquoi.

Étape 2 : analyse approfondie en deux passes

Pour les repas ambigus, l'analyse approfondie lance un « audit visuel à l'aveugle » indépendant en parallèle — une seconde passe d'IA qui recoupe l'identification des aliments avec la première passe. Si les deux passes divergent sur un composant, l'utilisateur voit la divergence, pas un résultat fusionné silencieusement.

Étape 3 : corroboration avec les bases de données officielles

C'est l'étape clé. Chaque estimation de l'IA est associée à une recherche indépendante contre 11 bases de données officielles de composition alimentaire :

• CIQUAL/ANSES (France)
• USDA FoodData Central (repli global)
• NEVO (Pays-Bas)
• Et 8 autres sources régionales

La recherche dans la base de données est sensible à la région (détectée automatiquement à partir de la locale de l'utilisateur). L'utilisateur voit l'estimation de l'IA à côté de la valeur officielle et de tout écart significatif. Si l'IA indique 60 g de glucides mais que CIQUAL indique 85 g pour cet aliment à cette portion, l'utilisateur voit les deux chiffres.

Pourquoi c'est important

Le résultat n'est pas « une IA qui a toujours raison ». Le résultat est une IA vérifiable. L'utilisateur peut voir le raisonnement de l'IA, son niveau de confiance, et une vérification indépendante de la vérité terrain — puis prendre une décision éclairée.

C'est la différence entre une boîte noire et un assistant de confiance. Et pour les utilisateurs qui gèrent le diabète, le poids ou la performance sportive, cette différence est toute l'affaire.

Le coût architectural

La corroboration n'est pas gratuite. Elle implique :

• Plus d'appels d'API (IA + recherches en base)
• Une interface plus complexe (affichage de deux estimations au lieu d'une)
• Plus de décisions utilisateur (résolution des divergences)
• Plus d'ingénierie (évaluation de la confiance, résolution sensible à la région, chaînes de repli)

Mais l'alternative — un chiffre faussement rassurant sans aucun moyen de le vérifier — n'est pas un produit digne d'être livré. Surtout pas pour la santé.

---

Cet article décrit l'architecture derrière Zitounix, l'application d'analyse nutritionnelle par IA d'Uptech LLC, actuellement en test interne Android.