Toitumisalase info arvutamine toiduretseptide põhjal võib olla  vahel keeruline ka kogenud spetsialistile. Katsetasin kolme erinevat AI vestlusrobotit: ChatGTP, Claude ja Preplexity. Soovisin näha, kuivõrd täpselt suudavad need toitumisalaseid näitajaid arvutada pasta retsepti põhjal. Võrdlusmomendiks kasutasin NutriData toitumisprogrammi, mille andmeid pean usaldusväärseks.

AI-dele anti järgmine ülesanne:

„Arvuta retseptile toitumisalane teave 100 g kohta. Leia energiasisaldus 100 kcal, rasvad g, küllastunud rasvhapped g, süsivesikud imenduvad (toote pakendile lisatud süsivesikud), suhkrud g, valgud g, kiudained g.

Pasta gorgonzola ja pirniga

Koostisosad:

• 250 g penne pastat
• 30 g võid
• 50 g riivitud parmesani juustu
• 30 g gorgonzola juustu
• 120 ml vahukoort
• 1 suur pirn, kooritud ja kuubikuteks lõigatud (u 200 g)
• 60 g hakitud röstitud kreeka pähkleid
• musta pipart maitse järgi

Valmistamine:

1. Pane soolaga maitsestatud vesi potiga tulele ja lase keema. Lisa pasta ning keeda umbes 11 minutit, kuni see on pehme, aga jätkuvalt kergelt al dente. Kurna.
2. Tõsta kurnatud pasta tagasi potti, lisa või ning parmesan ja gorgonzola. Kuumuta keskmisel kuumusel, kuni juustud on ühtlaselt sulanud.
3. Vala juurde vahukoor, sega korralikult läbi ja tõsta pott tulelt. Lisa pirnitükid.
4.  Serveerimisel puista peale röstitud Kreeka pähkleid ja jahvata sekka musta pipart. Serveeri kohe.“

Esimese katse tulemused:

Energiasisaldus ja toitained	ChatGTP	Claude	Preplexity	NutriData toitumisprogramm
Energia, kcal	240	285	142	215
Rasvad, g	17,9	12,5	7,1	12,3
sh küllastunud rasvhapped, g	8,4	6,2	3,1	5,5
Süsivesikud, g	14,5	35,8	14,7	18,9
sh suhkrud, g	3,8	8,1	2,6	1,9
Kiudained, g	1,8	2,8	1,2	1,7
Valgud, g	6,8	10,2	4,4	6,3

ChatGTP andis mulle lihtsalt numbrilised vastused, samas kui Claude ja Preplexity lisasid juurde ka arvutuskäigu selgituse. Tasub märkida, et erinevate küsimuste ja sisestuste puhul võivad tööriistad anda erinevaid tulemusi. Preplexity oli ainus, kes juhtis tähelepanu ühele väga olulisele aspektile selle toidu puhul: kas arvutustes tuleks arvestada pasta kuivainekaalu või keedetud pastat. Kui kasutada kuivainekaalu, tuleb retsepti toitainete arvutusse lisada ka makaronide keetmisel imenduv veekogus.

Preplexity pakkus veeimavuskoefitsiendiks 2,2. NutriData toitumisprogrammis saab selle väärtuse välja arvutada keedetud makaronide retsepti põhjal, ning nisujahust pastade puhul on see seal 2,53. Siiski osutusid Preplexity toitumisalased arvutustulemused kõige ebausaldusväärsemateks.

Mina kasutasin NutriData toitumisprogrammis veeimavuskoefitsiendina väärtust 2,5. See tähendab, et 250 grammi keetmata pastast saab keetmisel 625 grammi keedetud pastat. Retseptis arvestasin 250 grammi pasta kuivainet ja lisasin sellele 375 grammi vett. Seejärel katsetasin, millised tulemused annavad AI tööriistad, kui neile veeimavuskoefitsient juba ette öelda. Saadud tulemused on järgmised:

Energiasisaldus ja toitained	ChatGTP	Claude	Preplexity	NutriData toitumisprogramm
Energia, kcal	204	189	104	215
Rasvad, g	12,3	8,3	5,4	12,3
sh küllastunud rasvhapped, g	5,6	4,1	2,4	5,5
Süsivesikud, g	18	23,8	11,2	18,9
sh suhkrud, g	2,8	5,4	2	1,9
Kiudained, g	1,6	1,9	0,9	1,7
Valgud, g	6,2	6,8	3,4	6,3

Nüüd on ChatGTP tulemus juba üsna lähedane usaldusväärsele andmestikule. Esimesena hakkab aga silma see, et ta ei kasutanud energiasisaldust arvutades vastavat valemit.

Arvutuslikult energia ChatGTP andmetel = 12,3*9 + 18*4 + 1,6*2 + 6,2*4 = 210,7 kcal.

Tulemus näitab, et ChatGTP-le tuleks vajadusel täpsustada ka energiasisalduste arvutamise metoodikat või see arvutus lihtsalt käsitsi üle kontrollida.

Arvutuste täpsuse seisukohalt on väga oluline kasutada just neid toiduainete andmeid, mis vastavad retseptis reaalselt kasutatud koostisosadele. AI ei tea ise, millise rasvasisaldusega on näiteks kasutatud koor või juust — need andmed tuleb alati selgelt ette anda. Antud näites on eriti oluline täpsustada vahukoore, parmesani ja gorgonzola rasvasisaldus, sest turul leidub neid erinevates variantides. See mõjutab otseselt nii kogu roa energiasisaldust kui ka rasva- ja küllastunud rasvhapete kogust.

Teine oluline aspekt arvutustes on vesi. Mõned koostisosad imavad vett — näiteks erinevad teraviljad nagu tatar, kaerahelbed ja muud sarnased. Samas on toiduaineid, mis kuumutamisel hoopis kaotavad vett, nagu liha, kala või osad köögiviljad.

Viimane väljendub toidutööstuses sageli tehnoloogilises kaardis “valmissaaduse väljatulekuna”. Teisisõnu: kui sul on näiteks kotletisegu, mille toore hakklihasegu kaal on 1200 grammi, siis kuivõrd muutub see kaal pärast praadimist? Visuaalselt on see ju selgelt näha — suur toores kotlett muutub praadimisel oluliselt väiksemaks.

Samuti ei tohi unustada ka retsepti lisatud veekoguseid, nagu näiteks supi, kisselli või kompoti puhul. Nendes roogades kuulub vedelik samuti valmisroa koosseisu ja selle arvestamine mõjutab lõpptulemuse täpsust.

Järeldus katsest on see, et vajad erialateadmisi ka tehisaru kasutamisel. Tuimalt retspeti andmeid tööriista kopeerides, sa usaldusväärseid tulemusi ei saa.

Millega AI sind antud kontekstis aidata saab? Eelkõige on see kasulik siis, kui sul puudub konkreetse tooraine toitumisalane info. Näiteks võib see puudutada mõnda eksootilist puu- või köögivilja või kolmandatest riikidest pärit imporditud kaupa, millel on ebausaldusväärsed või puudulikud andmed. Sellisel juhul saab AI-lt küsida, millist sarnast koostisosa võiks kasutada või kas on olemas mõni usaldusväärne andmeallikas, kust infot leida.

Näiteks tekkis mul töö käigus küsimus, kas galangali juurt võib toitumisarvutustes asendada ingverijuurega. AI vastas, et jah — see on mõistlik asendus.

Lõppkokkuvõttes on AI tööriist, mis peegeldab seda, milliseid andmeid talle sisestad ja kui hästi sa ise teemast aru saad. Ilma taustateadmisteta jäävad veel algoritmide vastused poolikuks. Ajaga võib muidugi kõik muutuda. Seni on minu kogemus AI tööriistadega töötamisel sarnane Exceliga – head tulemused, kui tead kuidas tööriista kasutada. Ilma teadmisteta jäävad tulemused kesiseks.