در سال‌های تازه، پیشنهاد‌های تغذیه‌ای برای افت خطر بیماری‌هایی همانند دیابت و مشکلات قلبی-عروقی به‌خوبی تدوین شده‌اند. با این حال، قضیه مهم برای زیاد تر افراد این است که «از کجا اغاز کنیم؟» فاصله بین دانستنِ اصول کلی همانند افت نمک، افزایش سبزیجات یا انتخاب مواد کمتر فرآوری‌شده و اجرا کردن آن‌ها در صبحانه، ناهار و شامِ واقعی، فاصله‌ای روزمره و تکرارشونده است. زیاد زمان‌ها افراد با برنامه‌هایی مواجه خواهد شد که تغییرات گسترده می‌خواهند؛ تغییراتی که یا با ذائقه خانواده سازگار نیست، یا زمان و هزینه بیشتری می‌طلبد، یا آن‌قدر پیچیده است که به سردرگمی و رها کردن برنامه می‌انجامد.

الزام پرداختن به این نوشته فقط «سلامت» نیست؛ «هزینه» هم هست. انتخاب‌های غذایی در زندگی واقعی تحت تأثیر قیمت مواد اولیه، عادت‌های غذایی، دسترسی به مواد تازه و حتی زمان آماده‌سازی قرار دارند. به همین علت، ابزارهای پیشنهاد‌گر غذایی اگر بخواهند واقعاً کاربردی باشند، باید هم به قابل‌اجرا بودن پیشنهادها فکر کنند و هم به مقرون‌به‌صرفه بودن آن‌ها. از این زاویه، ایده «تغییرات کوچک اما موثر» اهمیت اشکار می‌کند: به‌جای بازطراحی کامل یک وعده، تنها یک تا سه جایگزینی که هم مزه و سبک کلی غذا را نگه داری کند و هم آن را به معیارهای تغذیه‌ای نزدیک‌تر سازد.

در همین جهت، ترِوِر چان و ایلیاس تاگکوپولوس از دانشگاه کالیفرنیا، دیویس پژوهشی انجام داده‌اند که در آن یک چارچوب هوش مصنوعی برای نظر جایگزینی مواد غذایی در قولها بازدید شده است. این کار، با تکیه بر ایده تبدیل استانداردها و راهنمای غذایی به «تغییرات سطحِ وعده» پیش رفته؛ یعنی به‌جای گفتنِ کلیِ «این خوب است/آن بد است»، به‌طور ساده مشخص می کند در یک وعده شبیه آنچه مردم واقعاً می‌خورند، کدام یکی تا سه ماده می‌تواند عوض شود تا وعده سالم‌تر و کم‌هزینه‌تر شود.

در روش کار، پژوهشگران از داده‌های بیشتر از ۱۳۵ هزار وعده غذایی ثبت‌شده توسط بالغ بر ۵۵ هزار فرد بزرگسال در مطالعه‌ای موسوم به «What We Eat in America» منفعت گیری کردند تا الگوهای رایج قولهای صبحانه، ناهار و شام را استخراج کنند. سپس یک مدل «هوش مصنوعی مولد» یعنی مدلی که می‌تواند مثالهای تازه و واقع‌گرایانه تشکیل کند آموزش دادند تا قولهایی بسازد که همانند الگوهای واقعی مردم باشد و هم‌زمان اندازه سهم‌ها را هم تنظیم کند. سپس بازدید کردند آیا این سامانه می‌تواند در هر وعده، فقط با یک، دو یا سه جایگزینی مواد اولیه، کیفیت تغذیه و هزینه وعده را بهتر کند یا نه.

بر پایه نتایج، قولهایی که هوش مصنوعی تشکیل کرده می بود، در قیاس با قولهای واقعیِ همان الگوی غذایی، ۴۷ درصد به «اهداف تغذیه‌ای USDA» نزدیک‌تر می بود؛ در عین حال از نظر نوع کلی وعده و طعم‌های غالب، همانند چیزهایی باقی می‌ماند که مردم واقعاً می‌خورند. این چنین هنگامی جایگزینی مواد اعمال شد، معاوضه یک تا سه ماده غذایی علتبهبود نزدیک به ۱۰ درصدی کیفیت تغذیه شد و هم‌زمان هزینه برآوردشده قولها ۲۲ تا ۳۴ درصد کمتر شد.

رایج‌ترین پیشنهادهای این سامانه شامل افزودن سبزیجات یا ترین  (همانند لوبیا و عدس) و جایگزینی مواد پرنمک یا فرآوری‌شده می بود. پژوهشگران این چنین گزارش کردند در قیاس با یک مدل عمومی و غیرتخصصی یعنی GPT-۴o، مدل آموزش‌دیده آن‌ها قولهایی تشکیل کرد که از نظر درشت‌مغذی‌ها (همانند پروتئین، چربی و کربوهیدرات) به راهنمای USDA نزدیک‌تر می بود. با این حال، محققان پافشاری کرده‌اند برسی این مطالعه کاملاً محاسباتی بوده و با کاربران واقعی آزمایش نشده است.

از نکات تکمیلی مهم مطالعه فوق، باید به این نوشته اشاره کرد که چارچوب مورد او گفت و گو، به‌جای «محرومیت غذایی» بر «قابل‌پذیرفتن بودن» تمرکز دارد. پژوهشگران می‌گویند سالم‌تر خوردن لزوماً به معنی کنار گذاشتن غذاهای محبوب نیست و بعضی اوقات چند معاوضه کوچک می‌تواند وعده را به پیشنهاد‌های تغذیه‌ای نزدیک‌تر کند، بدون این که غذا غیرقابل‌شناسایی یا ناآشنا شود. این چنین دقت هم‌زمان به بودجه، این ایده را برای برنامه‌های سلامت عمومی و اپلیکیشن‌های مصرف‌کننده دلنشین می‌کند، چون پیشنهادها می‌تواند هم واقع‌گرایانه باشد و هم از نظر هزینه قابل دفاع.

این چنین این مطالعه که نتایج آن در نشریه دسترسی‌آزاد و زیاد معتبر PLOS Digital Health انتشار شده‌اند، مشخص می کند هنگامی راهنماهای غذایی فقط «چه چیز سالم است» را گفتن می‌کنند، یک ابزار هوشمند می‌تواند به قسمت سخت‌تر ماجرا پشتیبانی کند: «چطور از قولهای جاری خودمان به نسخه سالم‌تر برسیم».

مجریان این تحقیق در انتها جمع‌بندی کرده‌اند که در تعداد بسیاری از موارد، ملزوم نیست کل وعده از نو طراحی شود؛ تغییرات موثرِ محدود می‌تواند هم سالم‌تر و هم اقتصادی‌تر باشد، در حالی که مزه کلی نگه داری می‌شود.