هوش مصنوعی با چند جایگزینی، غذای سالم تر می سازد

اگر فقط یک قلم از مواد داخل بشقاب خود را عوض کنید، ممکن است هم در هزینه غذا صرفه‌جویی کنید و هم بدون کنار گذاشتن غذایی که دوست دارید، به هدف‌های تغذیه‌ای خود نزدیک‌تر شوید. این ادعای قابل توجه نتیجه مطالعه‌ای تازه از دانشگاه کالیفرنیا، دیویس است؛ جایی که پژوهشگران به یک هوش مصنوعی آموزش دادند تا تغییرات حداقلی در مواد غذایی پیشنهاد کند، تغییراتی که ارزش تغذیه‌ای را بهتر می‌کنند و در عین حال هزینه تخمینی وعده غذایی را کاهش می‌دهند.

یک تلنگر عمل‌گرایانه، نه تغییر کامل سبک غذا

توصیه‌های تغذیه‌ای درباره کاهش خطر دیابت و بیماری‌های قلبی روشن هستند. اما برای بسیاری از مردم روشن نیست که این قواعد را چگونه باید به غذاهایی تبدیل کنند که واقعا هر روز می‌خورند. جایگزین کردن سوسیس فرآوری‌شده با لوبیا؟ کم کردن اندازه سهم غذا؟ تعویض یک سس پرنمک؟ این‌ها تغییرات کوچکی هستند، اما در شلوغی زندگی روزمره تشخیص آن‌ها همیشه آسان نیست.

برای پر کردن این فاصله، تیم دانشگاه کالیفرنیا دیویس ۱۳۵٬۴۹۱ وعده غذایی ثبت‌شده توسط ۵۵٬۲۲۸ بزرگسال را در پیمایش ملی «آنچه در آمریکا می‌خوریم» تحلیل کرد. پژوهشگران از میان این داده‌ها الگوهای رایج وعده‌های صبحانه، ناهار و شام را شناسایی کردند و یک مدل هوش مصنوعی مولد را آموزش دادند تا وعده‌هایی واقع‌گرایانه و سازگار با همان الگوها تولید کند و هم‌زمان اندازه سهم غذا را نیز تنظیم کند.

به‌جای ارائه برنامه‌های سخت‌گیرانه و کاملا متفاوت برای رژیم غذایی، از مدل یک پرسش ساده پرسیده شد: آیا چند جایگزینی هدفمند در مواد غذایی، یعنی یک تا سه تغییر در هر وعده، می‌تواند یک غذا را به شکل معناداری به اهداف تغذیه‌ای وزارت کشاورزی آمریکا نزدیک‌تر کند و هزینه آن را پایین بیاورد، بدون اینکه هویت و آشنایی غذا از بین برود؟

نتایجی که مقیاس تغییر را نشان می‌دهند

شبیه‌سازی‌ها نشان می‌دهند پاسخ مثبت است. در میان دسته‌های قابل مقایسه غذایی، گزینه‌های تولیدشده توسط هوش مصنوعی ۴۷ درصد بیشتر از وعده‌های اصلی به اهداف مواد مغذی وزارت کشاورزی آمریکا نزدیک شدند. یک تا سه جایگزینی، کیفیت تغذیه‌ای را حدود ۱۰ درصد بهبود داد و هزینه تخمینی هر وعده را ۲۲ تا ۳۴ درصد کاهش داد. روندهای ساده و روشنی نیز دیده شد: افزودن سبزیجات یا حبوبات، جایگزینی اقلام بسیار فرآوری‌شده یا ترکیبات پرسدیم، و متعادل کردن اندازه سهم غذا.

مدل دانشگاه کالیفرنیا دیویس همچنین در همسو کردن وعده‌ها با اهداف درشت‌مغذی‌ها، از یک مدل بزرگ عمومی یعنی GPT-4o عملکرد بهتری داشت. این موضوع مهم است، چون یک مدل مولد متمرکز بر تغذیه می‌تواند الگوهای آشپزی را یاد بگیرد؛ از بافت و طعم گرفته تا اندازه سهمی که مردم انتظار دارند، و در همان حال مواد غذایی را به سمت پروفایل‌های تغذیه‌ای سالم‌تر هدایت کند.

چرا این موضوع برای ابزارهای سلامت عمومی مهم است

میان دستورالعمل‌های تغذیه سالم و انتخاب‌های روزمره شکاف بزرگی وجود دارد. بسیاری از ابزارهای دیجیتال، تغییرات رفتاری گسترده می‌خواهند یا امتیازهای انتزاعی ارائه می‌دهند که با واقعیت شام شبانه فاصله دارد. اما سامانه‌ای که یک جایگزینی کوچک پیشنهاد می‌کند، مثلا لوبیا قرمز به جای یک کتلت فرآوری‌شده یا سسی بر پایه سبزیجات به جای سسی پرخامه، گزینه‌ای عملی می‌سازد که فرد می‌تواند در چند ثانیه بپذیرد یا رد کند.

عملی بودن در قلب این رویکرد قرار دارد: توجه به بودجه، الگوهای غذایی واقع‌بینانه، و میزان تغییری که برای بهبود تغذیه کافی است، بدون آنکه سلیقه فرهنگی یا طعم غذا قربانی شود. همین ترکیب می‌تواند مداخله‌های تغذیه‌ای را در اپلیکیشن‌ها، محیط‌های درمانی یا برنامه‌های تغذیه جامعه‌محور پذیرفتنی‌تر کند.

محدودیت‌ها و گام‌های بعدی

این یافته‌ها بر پایه شبیه‌سازی رایانه‌ای هستند. هنوز هیچ آزمون چشایی انسانی یا کارآزمایی واقعی تأیید نکرده است که مردم این جایگزینی‌ها را می‌پذیرند، غذاها همچنان رضایت‌بخش می‌مانند یا صرفه‌جویی‌ها در بازارهای مختلف دوام می‌آورند. مدل هزینه را تخمین می‌زند، اما هنوز نوسان زنجیره تأمین، قیمت فصلی محصولات کشاورزی یا عادت‌های آشپزی محلی را در نظر نمی‌گیرد.

پژوهشگران این محدودیت‌ها را می‌پذیرند. در متن پژوهش آن‌ها تأکید شده که این چارچوب گامی به سوی تبدیل دستورالعمل‌های تغذیه‌ای به پیشنهادهای مشخص، مقرون‌به‌صرفه و قابل اجرا برای وعده‌های غذایی است.

دیدگاه کارشناس

«تغییرات کوچک مهم‌اند، چون انجام‌دادنی هستند»، این را دکتر النا مارکز، متخصص تغذیه سلامت عمومی که در برنامه‌های غذایی جامعه‌محور فعالیت داشته، می‌گوید. «وقتی یک پیشنهاد به طعم غذا و توان مالی افراد احترام بگذارد، احتمال اینکه مردم آن را امتحان کنند بیشتر می‌شود. آزمون واقعی این است که آیا این جایگزینی‌ها در خانه‌ها ماندگار می‌شوند و در طول زمان به بهبودهای قابل اندازه‌گیری در سلامت تبدیل می‌شوند یا نه.»

از نظر فنی، کارهای آینده باید شخصی‌سازی را وارد مدل کنند. یعنی مدل‌سازی ترجیحات طعمی هر فرد، آلرژی‌های غذایی و منوهای فرهنگی، و همچنین اعتبارسنجی تخمین هزینه در مناطق مختلف. این مسیر همچنین نیازمند آزمون این موضوع است که آیا توصیه‌ای که درون یک اپلیکیشن خرید مواد غذایی یا جلسه مشاوره در کلینیک ارائه می‌شود، واقعا رفتار خرید و آشپزی را تغییر می‌دهد یا نه.

جمع‌بندی

مطالعه دانشگاه کالیفرنیا دیویس نشان می‌دهد یادگیری ماشین می‌تواند فراتر از تولید دستورهای غذایی تازه عمل کند: این فناوری می‌تواند اهداف تغذیه‌ای را به تنظیمات عملی تبدیل کند که مردم بلافاصله قادر به انجام آن هستند. یک جایگزینی. دو جایگزینی. تلنگرهایی ساده و آگاه از بودجه که طعم و آشنایی غذا را حفظ می‌کنند؛ تغییرات کوچکی با ظرفیت بزرگ برای سلامت عمومی. چالش اکنون آزمون در دنیای واقعی است: آیا این جایگزینی‌های پیشنهادی رایانه می‌توانند در واقعیت شلوغ، خوش‌طعم و پیچیده آشپزخانه‌ها و بازارها دوام بیاورند؟