KI-gesteuerte Ernährung: Erweiterte persönliche Ernährungsempfehlungen durch Deep Generative Models und ChatGPT

Ein aktueller wissenschaftlicher Bericht mit dem Titel „AI Nutrition Recommendation Using a Deep Generative Model and ChatGPT“, verfasst von Ilias Papastratis, Dimitrios Konstantinidis, Petros Daras und Kosmas Dimitropoulos, stellt einen neuartigen Ansatz für personalisierte Ernährungsempfehlungen vor. Diese Forschung wurde im Rahmen des iPROLEPSIS-Projekts durchgeführt.

Abstrakt:

In den letzten Jahren haben große Fortschritte in der künstlichen Intelligenz (KI) zur Entwicklung leistungsstarker KI-Systeme für den Einsatz im Bereich Ernährung geführt, um personalisierte Ernährungsempfehlungen zu verbessern und die allgemeine Gesundheit und das Wohlbefinden zu verbessern. Der Mangel an Richtlinien von Ernährungsexperten hat jedoch Fragen zur Genauigkeit und Vertrauenswürdigkeit der von solchen KI-Systemen bereitgestellten Ernährungsempfehlungen aufgeworfen. Dieser Artikel zielt darauf ab, dieses Problem zu lösen, indem er eine neuartige KI-basierte Methode zur Ernährungsempfehlung vorstellt, die die Geschwindigkeit und Erklärbarkeit eines tiefen generativen Netzwerks nutzt und neuartige, ausgefeilte Verlustfunktionen verwendet, um das Netzwerk an etablierte Ernährungsrichtlinien anzupassen. Die Verwendung eines Variational Autoencoders zur robusten Modellierung der anthropometrischen Maße und des Gesundheitszustands der Benutzer in einem deskriptiven latenten Raum sowie die Verwendung eines Optimierers zur Anpassung der Mahlzeitenmengen basierend auf dem Energiebedarf der Benutzer ermöglichen es der vorgeschlagenen Methode, hochpräzise, nahrhafte und personalisierte wöchentliche Speisepläne zu erstellen. In Verbindung mit der Fähigkeit von ChatGPT, einen beispiellosen Pool an Mahlzeiten aus verschiedenen Küchen bereitzustellen, kann die vorgeschlagene Methode eine erhöhte Mahlzeitenvielfalt, Genauigkeit und Generalisierungsfähigkeit erreichen. Umfangreiche Experimente mit 3.000 virtuellen Benutzerprofilen und 84.000 täglichen Essensplänen sowie 1.000 realen Profilen und 7.000 täglichen Essensplänen zeigen die außergewöhnliche Genauigkeit der vorgeschlagenen Methode zur Ernährungsempfehlung bei der Erstellung wöchentlicher Essenspläne, die hinsichtlich Energieaufnahme und Nährstoffbedarf für die Benutzer geeignet sind, sowie die einfache Integration in zukünftige Systeme zur Ernährungsempfehlung.

Lesen Sie die vollständige Veröffentlichung: https://www.nature.com/articles/s41598-024-65438-x