Τεχνητή νοημοσύνη (Artificial Intelligence - AI) και μηχανική μάθηση (Machine Learning-ML) σε εφαρμογές διατροφής
Artificial intelligence and machine learning in nutrition applications
Λέξεις-κλειδιά
Εφαρμογές διατροφής ; Τεχνητή νοημοσύνη ; Μηχανική μάθηση ; Βαθιά μάθηση ; Κινητή υγεία ; Nutrition apps ; Artificial intelligence ; Machine learning ; Deep learning ; Mobile healthΠερίληψη
Στη σύγχρονη εποχή που χαρακτηρίζεται από τεχνολογικές εξελίξεις, η ενσωμάτωση της τε-
χνητής νοημοσύνης (Artificial Intelligence) και της μηχανικής μάθησης (Machine Learning) σε
διατροφικές εφαρμογές έχει συγκεντρώσει αυξανόμενη προσοχή για τις δυνατότητές της να φέ-
ρει επανάσταση στην παρακολούθηση και βελτιστοποίηση της διατροφής. Η παρούσα πτυχιακή
εργασία επιχειρεί μια ολοκληρωμένη διερεύνηση του ρόλου της Τεχνητής Νοημοσύνης και της
Μηχανικής Μάθησης σε διατροφικές εφαρμογές, εστιάζοντας στη χρήση τους στη διατροφική
αξιολόγηση, τον προγραμματισμό γευμάτων και την υποστήριξη αλλαγής συμπεριφοράς. Μέσω
μιας συστηματικής ανασκόπησης της υπάρχουσας βιβλιογραφίας, η παρούσα πτυχιακή εργασία
εξετάζει δημοφιλείς διατροφικές εφαρμογές και τα χαρακτηριστικά τους, παρέχοντας πληροφορίες
σχετικά με τις προτιμήσεις των χρηστών, τα πρότυπα εμπλοκής και την αποτελεσματικότητα των
ψηφιακών παρεμβάσεων. Επιπλέον, μελέτες περιπτώσεων αναδεικνύουν επιτυχημένες εφαρμογές
αλγορίθμων Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στη διατροφική ανάλυση, παρου-
σιάζοντας τον αντίκτυπό τους στη διατροφή της δημόσιας υγείας και την ατομική ευημερία. Εξε-
τάζονται επίσης προκλήσεις και περιορισμούς, συμπεριλαμβανομένων ζητημάτων ποιότητας δε-
δομένων και ηθικών προβληματισμών, καθώς και συστάσεις για μελλοντική έρευνα και ανάπτυξη.
Τελικά, η παρούσα πτυχιακή εργασία, συμβάλλει στη βαθύτερη κατανόηση των δυνατοτήτων της
Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης στην προώθηση πιο υγιεινών διατροφικών
συμπεριφορών και υπογραμμίζει τη σημασία της διεπιστημονικής συνεργασίας για την προώθηση
του πεδίου των ψηφιακών παρεμβάσεων στην υγεία.
Περίληψη
In today’s era of technological advances, the integration of Artificial Intelligence and Machine
Learning in nutritional applications has attracted increasing attention for its potential to revolution-
ize the monitoring and optimization of nutrition. This thesis attempts a well-rounded exploration
of the role of Artificial Intelligence and Machine Learning in nutritional applications, focusing
on their use in nutritional assessment, meal planning, and behaviour change support. Through a
systematic review of the existing bibliography, this thesis examines popular nutrition apps and
their features, providing information on user preferences, engagement patterns, and the effective-
ness of digital interventions. In addition, case studies highlight successful applications of Artificial
Intelligence and Machine Learning algorithms in nutritional analysis, illustrating their impact on
public health nutrition and individual well-being.Challenges and limitations, including data qual-
ity issues and ethical concerns, and recommendations for future research and development are also
addressed. Ultimately, this thesis contributes to a deeper understanding of the potential of Artifi-
cial Intelligence and Machine Learning in promoting healthier eating behaviours and highlights the
importance of interdisciplinary collaboration to advance the field of digital health interventions