Pitch: Mealumo e como modelar uma estimativa de IA que dá pra corrigir
Transparência: sou o desenvolvedor do Mealumo, o app de iPhone citado aqui. O post é um pitch, mas a maior parte é sobre uma questão de modelagem que serve para qualquer feature baseada em IA.
Texto redigido com ajuda de IA e revisado antes da publicação.
O app, em quatro linhas
- Você fotografa a refeição (ou escolhe uma foto da galeria) e um serviço de IA externo estima ingredientes, porções, calorias, proteínas, carboidratos e gorduras.
- Antes de salvar, você revisa o resultado, ajusta porções, edita ingredientes ou adiciona alimentos pela busca.
- Tem também diário com meta diária de calorias e soma de macros, registro de água e peso, e ideias de receitas.
- O app está só em inglês e exige iOS 26 ou mais recente. Download gratuito, com assinatura PRO opcional. É um app de bem-estar geral, não de orientação médica.
O problema de modelagem
Quando a IA devolve "um número", a interface só oferece duas opções: aceitar ou descartar. Qualquer feature em que a saída é um palpite (nutrição, OCR de nota fiscal, transcrição, classificação de despesas) esbarra nisso. A pergunta interessante é: como representar um palpite de forma que corrigir seja barato?
Abaixo vão algumas ideias que valem para qualquer stack. O código é ilustrativo, escrito para este post, e não é o código do Mealumo.
1. Itens em vez de total
O total deve ser derivado, nunca armazenado como verdade:
struct EstimatedItem {
var name: String
var grams: Double // o que o usuário mais corrige
var kcalPer100g: Double
var proteinPer100g: Double
var carbsPer100g: Double
var fatPer100g: Double
var kcal: Double { grams * kcalPer100g / 100 }
}
struct MealEntry {
var items: [EstimatedItem]
var totalKcal: Double { items.reduce(0) { $0 + $1.kcal } }
}
Com isso, mudar 200 g de arroz para 150 g recalcula tudo, e as macros continuam fechando com o total. Se o usuário pudesse editar só o total, os números internos deixariam de bater.
2. Guarde o palpite original separado da correção
Manter aiEstimate e userValue como campos distintos (ou um histórico simples de edições) custa pouco e traz duas vantagens: dá para desfazer, e dá para medir onde o modelo erra mais (porção? ingrediente faltando? item inventado?) sem depender de "achismo".
3. Trate a resposta da IA como input não confiável
É o mesmo cuidado que se tem com qualquer API externa:
- valide o schema (tipos, campos obrigatórios);
- verifique faixas plausíveis (uma banana de 9.000 kcal é bug, não refeição);
- tenha um caminho claro para "não reconheci", que leve à busca manual em vez de um resultado inventado.
4. O que a câmera não captura vira campo fácil de editar
Uma foto mostra superfície, não preparo nem profundidade. Por isso, quantidade e "ingrediente que faltou" são os campos que mais precisam de atalho na UI. O resto pode ficar um nível abaixo.
5. Privacidade faz parte do contrato da feature
Se a imagem sai do aparelho para um serviço de terceiros, isso precisa estar dito em linguagem simples, e não só na política de privacidade. A página do Mealumo na App Store informa que as fotos e os dados de perfil usados para calcular as metas são enviados a um serviço de IA externo, e que as funções de IA precisam de internet.
Pergunta para a comunidade
Quem já fez feature com saída "probabilística": vocês guardam o palpite original junto com a correção do usuário? Usam isso para avaliar o modelo ou só para UX? Curioso para ver outras abordagens.
Link: https://apps.apple.com/app/id6811904664 (iPhone, iOS 26+, app em inglês)
Se quiser testar o PRO, comente aqui ou me chame por mensagem que eu mando um código promocional PRO grátis.