Designing a personalized diet recommendation system using generative AI

생성형 AI를 활용한 맞춤형 식단 추천 시스템 설계

Abstract

This study implements and preliminarily evaluates a personalized weekly diet recommendation procedure that aims to satisfy user-specific daily energy requirements and target macronutrient distributions using only public nutrition data and synthetic user profiles. Nutrition information was collected from the USDA FoodData Central Foundation Foods dataset, extracting energy (kcal) and macronutrients (carbohydrate, protein, and fat). Fifty synthetic user profiles were constructed with sex, age, height, weight, and physical activity level. Basal metabolic rate (BMR) was computed using the revised Harris-Benedict equations, and daily energy requirement (DER) was derived by multiplying BMR by an activity factor. Target macronutrient ratios were set to 55% carbohydrate, 20% protein, and 25% fat and converted into daily gram targets. During inference, a CVAE-based generative guide was used to steer stochastic candidate search, and daily plans were selected by minimizing an objective function under feasibility constraints (e.g., energy tolerance and fat-related upper bounds). A weekly plan was then chosen from multiple weekly candidates. Performance was assessed using relative errors with respect to the gram targets. The mean relative errors were 0.009857 (carbohydrate), 0.008933 (protein), and 0.009718 (fat), indicating that the proposed procedure achieves the target macronutrient conditions with approximately 1% deviation on average. As this is a preliminary study based on synthetic profiles and an ingredient-level dataset, further validation with real users and recipe-level data is required.

본 연구는 공개 영양 데이터와 합성 사용자 프로필을 이용해, 개인별 일일 에너지 요구량과 목표 거대영양소 비율을 만족하는 주간 식단을 생성·선정하는 맞춤형 식단 추천 절차를 구현하고 예비 실험으로 성능을 평가하였다. 식품 영양 데이터는 USDA FoodData Central의 Foundation Foods 데이터셋에서 에너지(kcal) 및 거대영양소(탄수화물, 단백질, 지방)를 추출하여 사용하였다. 사용자는 성별, 연령, 신장, 체중, 활동계수로 구성된 50명의 가상 합성 프로필로 설정하고, revised Harris-Benedict 방정식으로 기초대사량을 계산한 뒤 활동계수를 곱해 일일 에너지 요구량을 산출하였다. 목표 거대영양소 비율은 탄수화물 55%, 단백질 20%, 지방 25%로 두고 이를 g/day 목표량으로 변환하였다. 추천 단계에서는 CVAE 기반 생성 가이드를 활용해 일일 목표에 근접한 후보를 탐색하고, 에너지 허용범위 및 지방 관련 상한 등의 제약을 만족하는 후보 중 목적함수를 최소화하는 방식으로 하루 식단을 선택한 후, 주간 후보 중 최적안을 선정하였다. 평가 지표로는 목표 대비 상대오차를 사용하였으며, 실험 결과 평균 상대오차는 탄수화물 0.009857, 단백질 0.008933, 지방 0.009718로 나타나, 제안 절차가 목표 거대영양소 조건을 안정적으로 충족함을 확인하였다. 다만 본 예비 실험은 갓상으로 합성된 프로필과 원재료 중심 데이터에 기반하므로, 향후 실제 사용자 및 레시피 단위 데이터로의 확장과 추가 검증이 필요하다.

1. 서론

AI와 웨어러블 센서의 발전은 일상적 건강 관리의 패러다임을 바꾸고 있다. 식습관은 심혈관계 질환, 당뇨, 비만과 같은 비감염성 질환의 발생과 밀접한 관련이 있으며, 균형 잡힌 식단은 이러한 질병 예방과 치료에 핵심적 역할을 한다[1]. 그러나 기존의 식단 권장사항은 인구 평균에 기반한 권고에 치우쳐 있어 개인별 대사 특성, 유전적 배경, 생활습관을 충분히 반영하지 못한다. 최근 연구들은 개인 생체 지표를 이용한 맞춤형 영양이 전통적 방법보다 임상적 지표를 개선할 수 있음을 보여주었다[2]. 그러나 이러한 시스템은 영양사로부터 검증된 가이드라인 부재, 편향된 데이터, 설명가능성 부족 등의 문제로 인해 그 안전성과 신뢰성이 논란이 되고 있다.

본 논문의 목적은 생성형 AI를 활용한 맞춤형 식단 추천 시스템을 설계하고, 과학적 근거와 윤리적 고려사항을 체계적으로 정리하는 것이다. 우선 기존 식단 추천 연구를 분석하여 전통적 방법, 지식 기반, 머신러닝 기반 방법, 생성형 AI 기반 방법의 장단점을 논의한다. 이후 사용자의 신체 측정치와 선호 정보를 활용해 기본 대사량과 일일 에너지 요구량을 계산하고, WHO, AMDR의 영양 지침을 손실 함수로 반영한 생성형 모델과 규칙 기반 모듈을 결합한 시스템 설계를 제안한다. 마지막으로 예비 실험 계획과 윤리적 고려사항을 제시하고, 향후 실제 환경에서 검증할 수 있도록 연구방향을 제안한다,

2. 관련 연구

초기 식단 추천 연구는 영양 규칙을 식수와 에너지 제한에 맞추어 수학적으로 최적화하는 데 집중했다. 조합 최적화 접근법은 배낭 문제나 정수, 선형 프로그램을 활용하여 일정 칼로리와 영양소 제약 조건을 만족하는 식단을 찾는다. 이러한 방법은 영양소 균형을 정밀하게 제어할 수 있다는 장점이 있지만, 사용자 기호나 알레르기, 요리 다양성과 같은 복잡한 제약을 반영하는 데 한계가 있다. 이후 콘텐츠 기반 필터링은 음식의 성분, 맛, 칼로리 정보를 활용해 유사한 음식을 추천하고, 협업 필터링은 유사한 선호를 가진 다른 사용자의 선택을 기반으로 메뉴를 제안하는 방식을 도입했다. 그러나 이들 방법은 데이터 희소성, 콜드 스타트 문제, 협업 필터링의 확장성 문제로 인해 복잡한 영양요구를 반영하는 데 어려움이 있었다[3].

전통적 접근의 한계를 극복하기 위해 지식 기반 시스템과 머신러닝 기반 시스템이 등장하였다. 지식 기반 시스템은 영양학자와 의학 전문가가 정의한 규칙과 온톨로지를 이용하여 칼로리, 영양소 비율, 식품군 다양성을 고려한 식단을 생성한다. 지식 기반 시스템은 영양학자와 의학 전문가가 정의한 규칙과 온톨로지를 이용하여 칼로리, 영양소 비율, 식품군 다양성을 고려한 식단을 생성한다. 상용 식단 생성기나 영양 코칭 서비스도 유사하게 전문가가 검증한 식품 데이터베이스와 영양 규칙을 바탕으로 사용자 특성에 맞는 식단을 제공한다. 다만 규칙이 고정되어 개인별 선호 변화에 유연하게 대응하기 어렵다.

딥러닝의 발전과 함께 이미지, 텍스트 생성 모델이 식단 추천에도 적용되기 시작했다. Papastratis 등은 변분 오토인코더 기반의 딥 생성 네트워크에 영양 규칙을 내재화하고, ChatGPT를 이용해 다양한 요리 정보를 확보하는 방식의 식단 추천 시스템을 제안하였다. 이 시스템은 사용자의 신체 측정치와 건강 상태를 잠재 공간에 표현하고, 손실 함수에 일일 칼로리와 영양소 요구량을 반영하여 주간 식단을 생성한다. 실험 결과, 3,000명의 가상 사용자 프로필과 1,000명의 실제 사용자 프로필에서 9만여 개의 일일 식단을 생성하여, 평균 에너지 섭취와 영양소 요구량을 정확히 맞췄다고 보고하였다[4]. 이 연구는 대형 언어 모델이 제공하는 방대한 요리 데이터베이스를 이용해 식단의 다양성을 높이는 동시에, 영양 규칙을 내재화한 손실 함수로 안전성과 정확성을 확보한 사례를 제시한다.

대형 언어 모델이 다양한 요리 데이터를 빠르게 생성할 수 있다는 장점에도 불구하고, 영양학적 정확성과 안전성에 대한 우려가 제기되고 있다. Karahan 등은 ChatGPT‑4가 케토제닉이나 간헐적 단식과 같은 특정 다이어트를 설계할 때 포화지방과 단백질 섭취 비율이 높고 탄수화물 비율이 낮아 영양 불균형을 초래할 수 있다고 보고하였다[5]. Aslan과 Sozlu의 파일럿 연구 역시 ChatGPT가 열량 목표(1500~2500 kcal)를 충족하는 메뉴를 생성하는 데는 성공했으나, 식단 전체의 영양 균형과 현실성에서 전문가의 계획과 차이가 있음을 발견했다[6]. 이러한 연구들은 LLM 기반 식단 추천이 전문 영양사의 감독 없이 사용되면 위험할 수 있음을 보여주며, 전문가의 지식과 규칙을 병합하는 하이브리드 모델의 필요성을 시사한다.

또한 대형 언어 모델은 웹에서 수집한 데이터를 기반으로 학습하기 때문에 편향과 개인정보 보호 문제가 발생할 수 있다. AI 시스템이 사용자의 식습관, 건강정보, 문화적 배경을 고려하지 않고 일반화된 추천을 제공할 경우 특정 인구집단에 대한 차별이나 오해를 야기할 수 있다. 따라서 생성형 AI를 이용한 식단 추천 시스템은 영양 규칙을 준수하는 동시에 데이터 편향을 최소화하고, 개인정보 보호를 보장하며, 투명한 설명을 제공해야 한다.

3. 맞춤형 식단 추천 시스템 설계

본 절에서는 사용자 프로필로부터 개인의 일일 에너지 요구량을 산출하고, 목표 거대영양소 비율을 만족하는 주간 식단을 생성, 선정하는 시스템을 제안한다. 시스템은 사용자 프로필 및 목표량 계산, 식품 영양 데이터베이스, 조건부 변분 오토인코더 기반 생성 모델, 제약 필터링 및 목적함수 기반 최적 선택으로 구성된다. 전체 구조는 그림 1에 제시한다.

그림 1. 식단 추천 AI 모델의 전체적인 구성도

Fig. 1. Overall structure of the diet recommendation AI model

3.1 사용자 프로필 및 목표량 계산

정확한 맞춤형 식단을 생성하기 위해서는 사용자 프로필에 다양한 정보를 포함해야 한다. AI‑based Nutrition Recommender(AINR) 연구에서는 성별, 연령, 신장, 체중, 신체 활동 수준, 임신 여부, 생활 습관(흡연, 음주), 알레르기, 문화/종교적 선호, 선호하는 요리, 사용 언어 등 상세한 프로필을 제시하였다[7]. 본 연구에서는 성별 s∈{M,F}, 연령 A(years), 신장 H(cm), 체중 W(kg), 활동계수 PAI로 구성된 사용자 프로필을 u로 설정한다. 기초대사량(Basal Metabolic Rate, BMR)은 revised Harris–Benedict 방정식으로 계산한다[8].

BRM(u) =

남성(s = M) : 88.362 + 13.397W + 4.799H - 5.677A

여성(s = F) : 447.593 + 9.247W + 3.098H - 4.330A

여기에 활동계수를 곱하여 일일 에너지 요구량(Daily Energy Requirement, DER)을 산출하고, 사용자의 건강 목표(체중 감량, 유지, 증가)에 따라 목표열량을 설정한다. 목표 거대영양소 에너지 비율을

목표 거대영양소 에너지 비율을 r_C = 0.55, r_P= 0.20, r_F = 0.25로 두고, 이를 그램 단위 목표량으로 변환한다.

\(\begin{align}T_{C}(u)=\frac{r_{C} \times D E R(u)}{4}\end{align}\)

\(\begin{align}T_{p}(u)=\frac{r_{p} \times D E R(u)}{4}\end{align}\)

\(\begin{align}T_{F}(u)=\frac{r_{F} \times D E R(u)}{4}\end{align}\)

여기서 T_C, T_P, T_F 단위는 g/day이며, 각각 탄수화물, 단백질, 지방의 목표 섭취량을 의미한다.

3.2 식품 영양 데이터베이스 및 전처리

식품 DB D의 각 식품 j는 100g 기준 영양값 (e_j, c_j, p_j, f_j)로 표현한다. 구현에서는 Foundation Foods 기반 영양 정보를 로딩한 후, 후보 탐색에서 반복 인덱싱 비용을 줄이기 위해 배열 형태로 캐시하여 사용한다.

3.3 CVAE 기반 생성 가이드

본 연구는 조건부 변분 오토인코더(CVAE)를 사용하여 사용자 조건(예:DER(u), T_C(u), T_P(u), T_F(u))하에서 목표에 근접한 일일 영양 달성 상태를 샘플링하고, 이를 일일 후보 탐색의 가이드로 사용한다. CVAE는 표준 변분목적을 최소화하는 방식으로 학습되며, 학습된 디코더는 온라인 단계에서 후보 탐색의 초기 방향을 제공한다.

3.4 제약 필터링 및 목적함수 기반 최적 선택

일일 후보 식단은 (식품 선택 + 섭취량)의 조합으로 생성되며, 각 후보에 대해 일일 총 에너지 E(kcal/day)와 거대영양소 합 C, P, F(g/day)를 계산한다. 후보는 먼저 feasible조건을 만족해야 하며, 본 구현은 에너지 허용범위(±τ), 총지방 에너지 비율 상한(≤30%), 포화지방 데이터가 존재하는 경우 포화지방 상한(<10%)을 적용한다. 총지방, 포화지방 상한은 WHO 권고를 따른다. Feasible 조건은 다음과 같다.

|E - DER(u)| ≤ τ × DER(u),

9F ≤ 0.30 × E,

(가능시) 9S < 0.10 × E

여기서 τ은 에너지 허용오차, S는 포화지방 섭취량(g/day)이며, 포화지방 성분값이 DB에 존재할 때만 검사한다. 가능한 후보 중 최종일일 식단은 목표 대비 상대오차의 가중합 및 반복 억제 패널티를 최소화하는 방식으로 선택한다. 실험에서는 거대 영양소 가중치로 weights=(1.0, 1.0, 1.0, 2.0)을 사용하여 지방 목표를 상대적으로 더 강하게 맞추도록 하였다. 일일 목적함수는 다음과 같다.

\(\begin{align}\begin{array}{l}j_{\text {day }}=w_{E} \frac{|E-D E R(u)|}{D E R(u)}+w_{C} \frac{\left|C-T_{C}(u)\right|}{T_{C}(u)} \\ +w_{P} \frac{\left|P-T_{P}(u)\right|}{T_{P}(u)}+w_{F} \frac{\left|F-T_{F}(u)\right|}{T_{F}(u)}+\lambda_{R E P} \times R E P\end{array}\end{align}\)

여기서 W_E, W_C, W_P, W_F는 오차항 가중치, λ_rep는 반복 억제 가중치, Rep는 동일 식품의 과도한 반복을 줄이기 위한 패널티이다.

온라인 추천 단계에서는 DAY_TRIES 후보를 생성, 평가하여 J_day가 최소인 후보를 하루 식단으로 채택한다. 주간 식단은 7일 식단을 구성한 뒤, N_WEEKLY개의 주간 후보를 생성하여 주간 점수(일일 J_day의 평균)가 최소인 후보를 최종 출력으로 선택한다.

4 실험 설계

이 절에서는 3장에서 제안한 맞춤형 식단 추천 절차를 공개 데이터로 구현하고, 합성사용자 프로필을 대상으로 예비 실험을 수행한 과정을 기술한다. 실제 사용자 또는 전문가 기반 검증은 본 예비 단계에서 제외했으며, 입력 데이터는 모두 공개 자료를 사용하였다. 식품 영양 데이터는 미국 농무부(USDA) FoodData Central(FDC)의 Foundation Foods bulk CSV를 사용하였다[9].

본 구현은 Foundation Foods의 food.csv(식품 메타), food_nutrient.csv(영양성분), nutrient.csv(영양성분 정의), foundation_food.csv(Foundation Foods 식별) 테이블을 로드한 뒤, Foundation Foods에 해당하는 fdc_id만 필터링하였다. 이후 100 g 기준 영양성분 amount에서 에너지(“Energy (Atwater General Factors)”), 탄수화물(“Carbohydrate, by difference”), 단백질(“Protein”), 지방(“Total lipid (fat)”)을 추출해 식품별 영양 벡터를 구성하고, 필수 성분 결측이 있는 식품은 제거하였다. 결측 제거 후 사용 가능한 식품 수는 약 700개 수준이며, 후보 탐색에서 반복 인덱싱 비용을 줄이기 위해 해당 영양값을 배열 형태로 캐시하여 사용하였다.

본 예비 실험에서 하루 식단은 3끼 × 끼니당 3개 식품으로 구성되며, 하루에 총 9개의 식품이 선택된다. 각 식품의 섭취량은 100 g 기준 영양값에 대해 0.5~3.0 배를 적용하는 방식으로 모델링하였다. Foundation Foods가 원재료 중심 데이터이므로, 본 실험은 레시피 단위가 아니라 식품 조합 기반의 식단으로 제한된다.

4.1 가상 사용자 프로필 생성

실제 인체 실험을 진행하지 않는 대신, 하리스–베네딕트 방정식으로 50명의 가상 사용자를 생성하였다. 성별, 나이(20–60세), 신장(150–190 cm), 체중(50–90 kg)을 균일분포에서 샘플링하고, 남성과 여성에 대해 각각 3.1절에 서술한 BMR(기초대사량) 식을 적용했다.

BMR에 활동계수(가벼운 활동: 1.4, 중간 활동: 1.6, 높은 활동: 1.8, 격한 활동 : 2.0)를 곱해 일일 에너지 요구량(DER)을 계산한 후, 체중 유지 목표를 가정하였다. 목표 거대 영양소 비율은 탄수화물 55%, 단백질 20%, 지방 25%로 설정하였다. 이 비율은 Health Canada의 ‘Acceptable Macronutrient Distribution Range(AMDR)’에서 제시하는 성인 탄수화물 45–65%, 단백질 10–35%, 지방 20–35% 범위 안에 있으며, WHO가 권고하는 총 지방 섭취 30% 이하 및 포화지방 10% 이하와 일치한다[1,10].

4.2 생성형 모델 및 학습 과정

사용자 특성과 영양 규칙을 조건으로 식단을 생성하기 위해 조건부 변분 오토인코더(Conditional VAE)를 구현하였다. 인코더는 사용자 성별, 나이, 키/체중, 활동계수, 목표 열량을 잠재 공간에 매핑하고, 디코더는 잠재 변수와 입력 조건을 이용해 하루 세 끼의 식단을 생성한다. 손실 함수는 다음 두 항목으로 구성된다.

• 영양 오차 항 – 생성된 식단의 총 에너지와 거대 영양소 비율이 사용자의 목표값과 얼마나 다른지 측정한다. 오차가 클수록 손실이 커지도록 하여 모델이 규칙을 따르도록 유도한다.

• 다양성 항 – 동일한 주간 식단에서 재료가 반복되는 비율을 줄여 다양한 식품을 포함하도록 한다.

데이터셋이 작아 과대적합을 방지하기 위해 식단 후보를 무작위로 조합한 초기 샘플로 모델을 사전학습한 뒤, 100 epoch 동안 CVAE를 학습하였다. 학습된 모델은 매 사용자에 대해 7일치 식단 후보 100 개를 생성하고, 영양 규칙 엔진과 필터링 모듈을 통해 영양소 과부족을 제거한 후 최적 식단을 선택하였다.

4.3 평가 방법

예비 실험에서는 전문가 평가가 불가능하므로, 모델이 목표 영양소 비율을 얼마나 정확히 맞추는지 상대오차로 평가하였다. 상대 오차는 각 사용자에 대해 (생성된 식단의 섭취량 – 목표 섭취량) / 목표 섭취량으로 계산되며, 절대값의 평균을 전체 사용자에 대해 집계하였다. 탄수화물, 단백질, 지방에 대해 각각 평균 상대오차와 분포를 분석하였다.

5. 결과 및 논의

본 연구는 사용자별 신체 특성과 활동 수준으로부터 일일 에너지 요구량을 산출하고, 목표 거대영양소 비율(탄수화물 55%, 단백질 20%, 지방 25%)을 만족하는 주간(7일) 식단을 생성, 선정하는 절차의 성능을 평가하였다. 평가는 50명의 가상 합성 사용자 프로필을 대상으로 수행했으며, 성별은 남성 25명, 여성 25명으로 균형 있게 구성하였다. 비만도는 BMI 기반으로 정상, 과체중, 비만 범주로 구분하였고, 이는 국내 기준을 따른다. 활동 수준은 PAL 1.4, 1.6, 1.8, 2.0의 네 단계로 구분했으며, 이는 저활동부터 매우 활동적 수준을 근사하는 수치이다. 기초대사량은 Revised Harris–Benedict 방정식을 사용하여 계산하였다.

표 1은 50명의 사용자에 대한 거대영양소 목표 대비 상대오차 평균을 나타낸다. 실험 결과, 탄수화물 상대오차 평균은 0.009857, 단백질 상대오차 평균은 0.008933, 지방 상대오차 평균은 0.009718로 나타났다. 즉, 세 거대영양소 모두 평균적으로 약 1% 내외의 낮은 오차로 목표를 충족하였다. 그림 2의 사용자별 분포를 보면, 세 영양소 모두 오차는 0 부근에 집중되어 있으며 일부 사용자에서만 상대적으로 큰 오차가 이상치 형태로 관찰된다. 이 이상치는 주간 후보 생성과 일일 탐색이 확률적 샘플링 기반이라는 점과 관련되며, 후보 수 및 탐색 폭을 늘리면 감소할 여지가 있다.

표 1. 50명의 가상 사용자에 대한 상대 오차 평균

Table 1. Mean relative error for 50 virtual users.

그림 2-a. 사용자 빈도 별 탄수화물의 상대 오차

Fig. 2-a. Carbohydrate Relative Error by User Frequency

그림 2-b. 사용자 빈도 별 단백질의 상대 오차

Fig. 2-b. Protein Relative Error by User Frequency

그림 2-c. 사용자 빈도 별 지방의 상대 오차

Fig. 2-c. Fat Relative Error by User Frequency

표 2는 특성별 표본 수와 평균±표준편차를 정리한 것이고, 첫째, 성별에 따른 분포를 보면 탄수화물 및 지방 오차는 남녀 간 차이가 크지 않고, 단백질 오차는 여성 집단에서 중앙값이 다소 높게 나타나는 경향이 있으나, 전반적인 범위는 여전히 1% 내외에서 유지된다. 둘째, 연령대로 구분한 결과에서도 특정 연령대에서 오차가 일관되게 증가하는 단조 경향은 관찰되지 않았다. 셋째, BMI 범주 분석에서도 비만도가 증가할수록 오차가 체계적으로 악화되는 패턴은 확인되지 않았고, 세 범주 모두 유사한 수준의 오차로 목표를 충족하였다. 마지막으로 활동 수준 분석에서는 PAL1.6에서 단백질·지방 오차의 중앙값이 다소 높게 나타났으나, 해당 집단의 표본수가 상대적으로 적고 분산이 큰 편이어서, 구조적 차이라기보다는 확률적 탐색과 표본구성의 영향으로 해석하는 것이 타당하다.

표 2. 사용자 특성별 거대 영양소 상대 오차 (%, mean±SD)

Table 2. Macronutrient relative error by user characteristics (%, mean±SD)

요약하면, 본 결과는 제안 시스템이 성별·연령·BMI·활동수준의 변화에도 불구하고 목표 거대영양소 비율을 안정적으로 만족하는 경향을 보이며, 특정 사용자 집단에서만 오차가 급격히 증가하는 취약성은 관찰되지 않았음을 시사한다. 다만 본 분석은 합성 사용자 프로필 기반의 강건성 점검이며, 실제 인구집단에 대한 역학적 추론을 목적으로 하지 않는다.

6. 결론

본 연구는 대형 언어 모델과 변분 오토인코더를 결합한 맞춤형 식단 추천 시스템을 설계하고, 공개 영양데이터와 가상 사용자 프로필을 이용해 신체 특성과 활동 수준을 입력으로 하여 일일 에너지 요구량을 산출하고, 목표 거대영양소 비율을 만족하는 주간 식단을 생성·선정하는 하이브리드 식단 추천 절차를 제안하였다. 50명의 합성 사용자 프로필을 대상으로 평가한 결과, 탄수화물, 단백질, 지방 상대오차 평균은 각각 0.009857, 0.008933, 0.009718로 나타나, 제안 방법이 개인화된 목표 영양조건을 안정적으로 충족함을 확인하였다. 또한 성별, 연령대, BMI 범주, PAL로 분류한 분석에서도 특정 집단에서 오차가 체계적으로 증가하는 패턴은 뚜렷하지 않았으며, 전반적으로 유사한 수준의 정확도를 유지하였다.

본 연구의 한계는 다음과 같다. 첫째, 평가가 합성 사용자 프로필에 기반하므로 실제 사용자 집단에 대한 일반화는 추가 검증이 필요하다. 둘째, 본 실험은 거대 영양소 및 에너지 목표 충족에 초점을 두었으며, 실제 식단 추천에서 중요한 포화지방·나트륨·당류 상한, 식이섬유 및 비타민/무기질 등 미량영양소 요구량, 비용· 조리시간·선호·알레르기 등의 현실 제약은 제한적으로만 반영되어 있다. 셋째, 후보 식단 선택은 유한 후보 집합과 확률적 탐색에 의존하므로 일부 사용자에서 이상치가 발생할 수 있다.

향후 연구에서는 손실함수 가중치의 변화가 오차에 미치는 영향을 체계적으로 평가하는 민감도 분석을 추가하여 설정 근거를 강화하고, 미량영양소 및 상한 제약을 포함한 다목적 최적화로 확장하며, 실제 사용자 데이터 및 선호 기반 평가를 포함하여 실사용 관점의 유효성을 검증할 계획이다.