Affidabilità

Perché puoi fidarti del numero

DSMS ti chiede di inserire i pasti a occhio, senza bilancia. È una promessa impegnativa: va dimostrata. Abbiamo preso 16 giornate vere di diario — 150 voci alimentari, grammature stimate a occhio, nessun dato costruito ad hoc — e le abbiamo messe alla prova. Qui il racconto in parole semplici; chi vuole rifare i conti trova metodo e dati completi nella pagina tecnica.

1. Due governi, stessi conti

I valori nutrizionali di DSMS vengono dalle tabelle del CREA, l'ente di ricerca italiano sull'alimentazione. Ma confrontare DSMS col proprio stesso database non dimostrerebbe nulla. Così abbiamo rifatto tutti i conti — le stesse 150 voci, con gli stessi grammi — usando i database del governo americano (USDA): due enti nazionali, laboratori diversi, tagli di carne e ricette diverse.

Risultato: sul totale dei 16 giorni la differenza è del 2,1%. Quindici giorni su sedici entro l'11%. C'è un giorno che diverge di più — colpa di una divergenza reale tra le due fonti sui ravioli al vapore — e lo mostriamo invece di nasconderlo.

Morale: il database non è il collo di bottiglia della precisione. Se due governi, misurando in laboratorio in modo indipendente, arrivano a un 2% di distanza sul tuo trend, inseguire il grammo esatto non è dove si gioca la partita.

2. Il motore sa di non sapere

DSMS non ti mostra mai un numero secco spacciandolo per esatto: ogni giornata ha il suo intervallo plausibile, la banda dentro cui il valore vero ragionevolmente sta. Ma un intervallo è utile solo se è calibrato: troppo stretto e mente, troppo largo e non dice niente.

L'abbiamo verificato simulando 20.000 scenari di errore realistico: ogni grammatura del diario perturbata a caso del ±20%, l'errore tipico di chi stima a occhio. Il 96,3% degli scenari cade dentro l'intervallo che il motore aveva dichiarato. E anche portando l'errore a un ±35% — una stima proprio sciatta — la copertura resta all'85%.

3. Gli errori a occhio si compensano

Il motivo per cui tutto questo funziona è statistico, e vale la pena vederlo: con circa 9 voci al giorno, gli errori di stima indipendenti si compensano tra loro. Sbagli in su la pasta, in giù l'olio, in su il pane — e la somma sbaglia molto meno delle parti.

E c'è una coincidenza che non è una coincidenza: l'incertezza da stima a occhio sul cumulato (±2,1%) è della stessa grandezza della differenza tra i database di due governi (+2,1%). Tradotto: pesare tutto al grammo non migliorerebbe la stima del tuo trend più di quanto la cambierebbe scegliere le tabelle di un altro paese. Il trend — l'unica cosa su cui DSMS ti chiede di ragionare — è robusto per costruzione.

4. E quando l'errore non si compensa? Il motore si aggiusta

C'è un tipo di errore che la statistica non perdona: quello sistematico. Se sottostimi sempre le porzioni, o dimentichi sempre l'olio della padella, gli errori non si compensano — si accumulano. Lo diciamo apertamente perché è il limite vero della compensazione, ed è il motivo per cui il motore non è statico. Lo gestiscono tre meccanismi:

• le correzioni di ambiguità — le omissioni tipiche (l'olio non registrato, i condimenti impliciti) sono note e il motore le corregge con regole dichiarate, ognuna con la sua fonte;
• il contesto del pasto — lo stesso piatto a casa, al ristorante o in mensa non ha le stesse calorie: i moltiplicatori di contesto lo tengono in conto;
• la calibrazione sui dati reali — quando inserisci misure vere (il girovita, il peso), il motore le usa per riallineare periodicamente le stime alla tua realtà. Più dati veri dai, più il sistema si aggiusta su di te.

È il pezzo che chiude il cerchio: la legge dei grandi numeri gestisce l'errore casuale, gli aggiustamenti gestiscono quello sistematico.

Anche i dati di partenza sono stati messi alla prova

Il motore ragiona su un catalogo di piatti preparati che produciamo noi. Abbiamo confrontato anche quello con i piatti misurati dal governo USA: sulla parte confrontabile del catalogo, la differenza mediana è dello 0,8%, senza bias sistematico. Il confronto ha anche fatto emergere alcuni piatti con errori veri, ognuno con una causa precisa nella pipeline che li genera: li stiamo correggendo, e racconteremo qui anche quella storia — perché un errore trovato, spiegato e corretto vale più di una media lusinghiera.