في عالم التغذية، تعتمد المعلومات الدقيقة عن المكونات على قواعد بيانات تتسم بالاكتمال والدقة، لكن الكثير منها يعاني من نقص وعدم اتساق، حيث تم تصميمها بشكل أساسي للاستخدام البشري وليس لأغراض المعالجة الآلية. هنا يأتي دور نماذج اللغات الكبيرة (Large Language Models) التي يمكن أن تسهم في سد هذه الفجوات.

من خلال دراسة جديدة منشورة، تم تقديم نظام لعمليات جمع البيانات الغذائية يعتمد على نماذج لغوية كبيرة، حيث يجمع بين تقديرات إحصائية قوية، وشيكات غير متغيرة تتعلق بالمجال، ونظام احتياطي لجلب البيانات من الويب.

تظهر النتائج أن النمو في عدد المكونات الفريدة في الوصفات يتبع نمطًا مضطربًا، حيث يتناقص نسبة المكونات الفريدة إلى الوصفات من 1.74 عند 100 وصفة إلى 0.19 عند 5000 وصفة. يتعامل النظام مع كل خاصية للمكونات من خلال استعلامات متكررة مع نماذج محسوبة تعتمد على توزيع الجواب، مما يعطي تقديرات موثوقة ونقاط ثقة.

إضافةً إلى ذلك، تم تعديل الأخطاء الصغيرة باستخدام برنامج خطي بهدف تقليل الانحرافات، ولم يتم تصعيد الانتهاكات الكبيرة إلى مراجعة بشرية إلا بعد إجراء إصلاحات مدعومة بالأدلة من الويب. من خلال تحليل مجموعة مرجعية من 30 مكونًا، استطاع النظام تحقيق تطابق دقيق بنسبة 98.4% على الأعلام الغذائية، مما جعل خطأ النسبة الغذائية يتقلص من 31.9% إلى 10.1%.

هذه الطريقة تعيد تشكيل بناء قواعد البيانات وتقدم طريقة مبتكرة لإدارة عدم اليقين بدلاً من تجاهله. هل تعتقد أن دمج تقنيات الذكاء الاصطناعي في علوم التغذية يمكن أن يغير الطريقة التي نرى بها التغذية؟ شاركونا آرائكم في التعليقات!