Personalized AI-Nutrient Planner

- المشكلة: صعوبة التزام أصحاب الأمراض المزمنة (سكري، ضغط، كلى....) بنظام غذائي يحميهم من المضاعفات.

- الحل: تطوير تطبيق يعتمد على خوارزميات ذكية من خلال تحليل المكونات الحرجة لتقديم خطط وجبات مخصصة وتنبيهات ذكية.

- خطوات التنفيذ (My AI Workflow):

1 . تجميع البيانات: بناء قاعدة بيانات تحتوي على صور متنوعة للأطعمة والمكونات الغذائية، مع التركيز على الوجبات الاكثر انتشارا ف الشرق الاوسط , و تم وسمها بدقة لضمان كفاءة نموذج الذكاء الاصطناعي في بيئات العمل الحقيقية.

2 . Nutrient Logic Design: برمجة المنطق الحسابي الذي يقوم بمقارنة لحظية بين مدخلات الوجبة (مثل ملليغرامات الصوديوم أو غرامات السكر) وبين الحد الصحي المسموح به للمستخدم.

3 . Multi-Factor Decision Making: تطوير خوارزمية قادرة على اتخاذ قرار مركب في حالات الأمراض المتعددة (Comorbidities)، حيث يتم موازنة الاحتياجات المتعارضة للوصول إلى النتيجة الأكثر أماناً.

4 . Dynamic Threshold Scaling: بناء نظام "حدود متغيرة" (Dynamic Thresholds) يتفاعل مع البيانات الحيوية المتغيرة للمستخدم (مثل الوزن، مستوى السكر الحالي، أو النشاط البدني) لتحديث قرارات النظام تلقائياً.

5 . Data Correlation: ربط البيانات الغذائية غير المهيكلة وتحويلها إلى مخرجات رقمية دقيقة تدعم عملية اتخاذ القرار.

- الأدوات :

1 . Python: اللغة الأساسية لربط الخوارزميات ومعالجة البيانات.

2 . Keras & TensorFlow: لبناء وتدريب الشبكات العصبية العميقة (Deep Learning) وتخصيص النماذج.

3 . YOLO (You Only Look Once): استخدمته لتطوير نموذج كشف الأشياء (Object Detection) للتعرف على أنواع الأطعمة المختلفة في الطبق لحظياً.

4 . Pre-trained Models: الاعتماد على نماذج مدربة مسبقاً وعمل Fine-tuning لها لتناسب قاعدة بيانات الأطعمة والمكونات المطلوبة في المشروع.

- المميزات :

Instant Recognition: التعرف الفوري على نوع الطعام بمجرد توجيه الكاميرا.

Automated Nutrient Tracking: استخراج تلقائي للعناصر الغذائية الحرجة من الصورة وربطها بملف المريض.

High-Accuracy Decision Making: اتخاذ قرار مبني على رؤية حاسوبية دقيقة وليس فقط إدخال يدوي للبيانات.