NUTRISYNCBuilders Hub
⌂ 🏠 🛠

43 · Cómo funciona la foto de comida

La explicación para founders — sin código, con el porqué de cada decisión. El detalle técnico vive en el doc 39 (propuesta) y en el repositorio.

El principio que lo gobierna todo

La IA percibe
Mira la foto y propone qué alimentos ve. Nada más: no calcula, no evalúa, no juzga. Como un corrector ortográfico que subraya pero jamás reescribe por ti.
La base calcula
Los números nutricionales, cuando lleguen, saldrán de tablas oficiales (USDA, EuroFIR) — datos publicados y citables, no inventados por un modelo.
Ella decide
Nada queda registrado sin su confirmación. Revisa la propuesta, corrige cantidades, y solo al pulsar «guardar» existe la comida. Su corrección es además lo que nos enseña.

El viaje de una foto

1
En su móvil: la foto se limpia antes de salir Se reduce de tamaño y se recomprime — y esa recompresión borra los metadatos (GPS incluido) EN el teléfono. Lo que viaja es solo la imagen: nunca su nombre, su ciclo ni su ubicación.
↓
2
A su carpeta privada La foto aterriza en un almacén privado, en la carpeta de su cuenta. Las reglas de la base hacen imposible que otra usuaria —o nosotros por descuido— vea fotos ajenas.
↓
3
El servidor pregunta a la visión, con contrato Nuestra función de servidor (la única que conoce la clave de la IA — la app jamás la lleva encima) envía la imagen al modelo con dos vallas: un presupuesto mensual por usuaria, y un contrato estricto de respuesta — el modelo solo puede contestar en la estructura pactada, sin prosa libre. El prompt es conservador a propósito: prohibido inventar ingredientes, y si no hay comida clara, decir «no es comida» y callar.
↓
4
Dos modelos, con relevo automático Hay un modelo primario y uno de reserva: si la confianza del primero no llega al umbral, se reintenta con el segundo. Los dos viven en un registro editable — cambiar de modelo o de proveedor el día de mañana es editar una fila, no reprogramar la app.
↓
5
La propuesta, a la pantalla — con su confianza a la vista Cada alimento llega con su nivel de confianza («poca confianza: revísalo» incluido) y su cantidad estimada ajustable. El texto dice lo que es: «esto es lo que veo», «siempre puedes corregirlo» — el lenguaje lo revisó Pilar, palabra a palabra.
↓
6
Ella confirma — y su corrección nos enseña Solo al confirmar queda registrada la comida. Cada ajuste que hace se guarda con el antes y el después: ese es el material con el que mediremos y mejoraremos el modelo, plato real a plato real.

Lo que falta a propósito

Ni un número nutricional en esta fase. No es que no dé tiempo: es una decisión. Reconocer «esto es arroz con pollo» y afirmar «esto son tantas calorías» son promesas muy distintas — la primera se corrige de un vistazo; la segunda parece una medida cuando es una estimación sobre otra estimación.

Cuando los números lleguen (P2), no los dirá el modelo: cada alimento detectado trae una consulta de búsqueda que se casará contra USDA y EuroFIR — tablas oficiales, citables — y se mostrarán como rangos, nunca como cifras exactas, y solo tras confirmar la cantidad (reglas de la deontología de Pilar).

Y la evaluación por fase del ciclo será una consulta determinista contra el scoring de Constanza — juicio clínico convertido en reglas, no opinión de una IA. Si algún día un modelo escribiera esa evaluación, sería otro producto y necesitaría su firma de nuevo. Esa frase está en la memoria del proyecto como regla, no como intención.

Las redes de seguridad

Un interruptor de emergencia apaga el botón de la foto en todos los móviles el mismo día, sin pasar por las tiendas. Cada fallo posible tiene su mensaje con salida — nunca una pantalla en blanco. Cada llamada a la IA queda registrada con su coste. Y las fotos se pueden borrar a petición, siempre.

Dónde vive cada pieza