L’intelligenza artificiale indossa il cappello e il grembiule da chef e in cucina studia pasti sani e bilanciati in base agli obiettivi di forma chi li ordina. Potrebbe sembrare fantascienza e invece è quello che succede grazie ad algoritmi di Machine Learning che, elaborando i dati inseriti nel pannello utente da sportivi, appassionati di fitness ma anche da chi vuole semplicemente tenere uno stile di vita sano, riescono a servire i pasti personalizzati in base alle caratteristiche e agli obiettivi di ciascuno. Insomma, la dieta oggi la programma l’AI.
Come applicare il Machine Learning in cucina: una dieta basata sull’algoritmo
Gli algoritmi per questo genere di servizio partono dal fenotipo del cliente, definito il quale si individuano le quote di calorie giornaliere e di macronutrienti necessari per il raggiungimento di un determinato obiettivo, che può essere, ad esempio, il mantenimento del peso, il dimagrimento o l’aumento della massa muscolare. In pratica, a partire da parametri come sesso, peso, altezza, età, stile di vita (ad esempio, fumatore o no, pratica di attività sportiva o sedentarietà) l’algoritmo riesce a calcolare innanzitutto l’apporto nutrizionale basale per ciascun utente per il mantenimento del peso; poi, attraverso il machine learning vengono sviluppate delle logiche di correlazione complesse che aggiustano le raccomandazioni, definendo un certo surplus o deficit calorico a seconda dell’obiettivo scelto e di criteri di similitudine che tengono conto della probabile risposta di ciascun individuo al regime dietetico proposto.
L’importo così calcolato viene distribuito su diversi pasti della giornata e gli algoritmi calcolano le grammature dei diversi ingredienti che comporranno il piatto, per il raggiungimento del target calorico precedentemente calcolato e dare una risposta ottimale in termini di macronutrienti e micronutrienti forniti. Il sistema di intelligenza artificiale raggiunge livelli di precisione tali da tenere conto, nei suoi calcoli, anche del cambiamento di peso degli ingredienti durante la cottura e della perdita di valori nutrizionali, determinata dal tipo di cottura utilizzato. In questo sistema viene lasciato ampio spazio alla personalizzazione della dieta da parte dell’utente che può scegliere quello che preferisce mangiare tra una selezione di alimenti sani proposta e indicare se desidera ricevere il pranzo, la cena, snack e colazione e per quanti giorni. A questo punto la tecnologia individua il fabbisogno giornaliero e le giuste grammature e poi il team di persone prepara i piatti, che vengono consegnati nel giorno indicato dall’utente: tutti i pasti si conservano per 10 giorni, in modo che il consumatore possa seguire una dieta bilanciata di settimana in settimana.
Le tecniche di AI utilizzate per la dieta
Per la costruzione di questo tipo di algoritmo sono state impiegate tecniche classiche di intelligenza artificiale. Preso il problema, sono state identificate le variabili più rilevanti di input, le variabili di output (da un ricco dataset costruito sulla base delle informazioni degli utenti di FeatFood) e una sequenza di algoritmi di apprendimento automatico che “imparano” a riconoscere le complesse relazioni tra i dati.
Certamente nella prima fase del work flow della data science per la produzione di un algoritmo di machine learning, accorre in aiuto la letteratura scientifica che, in base a formule note e a tecniche statistiche indica, una volta date le variabili macro (fenotipo e obiettivi di forma), quali siano le grammature e le combinazioni di alimenti necessarie per avere l’apporto calorico corretto per una dieta bilanciata. In questa fase delicata il dato viene “pulito” e reso tridimensionale, nel senso che attraverso tecniche avanzate la base di dati viene resa omogenea, per passare poi alla prototipazione dell’algoritmo di classificazione capace di creare delle correlazioni tra i dati e i risultati che si vogliono ottenere. Si tratta di supervised learning (apprendimento supervisionato): l’algoritmo viene letteralmente addestrato a riconoscere certi dati che, messi in correlazione con altri, restituiscono gli stessi risultati.
Un algoritmo che diventa sempre più dinamico
Per raggiungere una dieta sempre più tailored made, che tenga conto delle specificità di ogni singola persona, l’algoritmo di intelligenza artificiale, se implementato correttamente a leggere i diversi cicli di feedback che sono restituiti dagli utenti, può diventare più efficace di una formula matematica statica.
Il processo di learning, sempre supervisionato, diventa dunque continuo e sempre più preciso nel tempo. In questa fase ulteriore è fondamentale che il dato da cui si parte sia ricco e di qualità, che ci sia quindi un “segnale” forte e chiaro e non semplice “rumore”, che crea solo confusione. Per farlo è necessario che gli utenti siano proattivi e precisi (idealmente, i cosiddetti power users) nel compilare il pannello di informazioni con tutte le variazioni di peso e di stile di vita, ma anche dando feedback aggiornati sull’andamento della dieta, che per alcuni soggetti può funzionare alla perfezione ma per altri, a parità di obiettivi e di caratteristiche fisiche, può non dare gli stessi risultati. Maggiori informazioni si hanno e più l’analisi predittiva fatta dall’algoritmo diventa precisa.
In una classificazione avanzata, ogni mese viene indicato nel sistema se l’obiettivo è stato raggiunto o meno e, in caso negativo, è necessario aggiornare il sistema in modo che possa prevenire un altro fallimento in futuro.
L’attività di clustering a cui condurrà la fase in cui si crea l’algoritmo dinamico è molto delicato perché bisogna individuare il numero ottimale di gruppi (potenzialmente ogni persona è un cluster) e stare molto attenti ad analizzare le variabili determinanti sulla buona riuscita della dieta, come il sesso di una persona che notoriamente incide molto sul metabolismo. A questo proposito, la distribuzione non omogenea tra uomini e donne che interagiscono con il pannello utente, con un numero statisticamente maggiore di donne, comporta che nello storico è più semplice mappare le abitudini di queste ultime anziché degli uomini.
In generale, più vengono implementati e aggiornati i dati nel pannello utente, più il software diventa preciso nell’individuare i percorsi nutrizionali, calcolando le grammature esatte, scegliendo le combinazioni di ingredienti e distribuendoli sui diversi pasti previsti nella dieta scelta.
L’algoritmo riceve un periodo di allenamento e diviene autonomo
In base ai feedback ricevuti sulla percentuale di successo o di insuccesso di una dieta il sistema può attuare una serie di azioni correttive in un tempo che viene stabilito a priori (una volta al mese, all’anno…). Le correzioni in tempo reale non sono efficaci perché bisogna sempre valutare una serie di aspetti come il numero di persone che interagiscono o l’affidabilità del dato stesso.
In questo sistema sviluppato per creare piatti sani e bilanciati in relazione agli obiettivi di forma, l’Intelligenza Artificiale non è costituita da formule predeterminate che associano meccanicamente a certe informazioni (sesso, peso, età) un suggerimento di dieta. L’algoritmo di Machine Learning viene invece allenato nel tempo per riconoscere autonomamente, sulla base di numerosi esempi di successo o insuccesso che gli vengono mostrati, quale sia la dieta migliore da seguire.
Si tratta di tecniche di supervised learning, con le quali il sistema informatico viene istruito a elaborare analisi predittive sulla base di un certo numero di esempi che gli vengono inizialmente forniti, sulle quali poi si innestano potenzialmente anche tecniche di unsupervised learning, che a differenza delle prime si basano su classi che non sono note a priori, ma devono essere apprese automaticamente. Il clustering consente ai dati di far emergere dei raggruppamenti naturali, che vengono poi utilizzati come informazione aggiuntiva, per la parte di apprendimento supervisionato. In questo gioco sinergico di squadra, anche l’appartenenza a un gruppo quindi diventa un dato predittore per stimare la probabilità di successo di una dieta.
In futuro a questo tipo di servizio potrà essere applicato anche il reinforcement learning, una tecnica di apprendimento automatico estremamente avanzata, che consente di realizzare sistemi informatici autonomi capaci di scegliere le azioni più idonee per raggiungere determinati obiettivi, in base all’interazione con l’ambiente in cui sono inseriti.
