Syntetická data pro AI: lekce z Amazonu pro agro

V maloobchodu existuje okamžik pravdy: zákazník projde dveřmi a systém musí na 100 % správně vyúčtovat, co si odnesl. Jedna chyba znamená reklamaci, ztrátu důvěry a často i mediální průšvih. Amazon u své technologie Just Walk Out popsal, jak tenhle „okamžik pravdy“ zvládá: trénuje modely na milionech syntetických obrázků a videí vytvořených generativní AI.

Na první pohled je to příběh o bezpokladních prodejnách. Pro náš seriál „Umělá inteligence v maloobchodu a e-commerce“ je to ale ještě něco důležitějšího: praktický návod, jak stavět AI v prostředí, kde realita umí být chaotická, dlouhý chvost situací je nekonečný a sběr dat je drahý.

A teď ta pointa pro kampaň Umělá inteligence v zemědělství a potravinářství: stejné problémy má farma, mlékárna i balírna. V prosinci 2025, kdy tlak na efektivitu roste (energie, mzdy, volatilita cen komodit), už nestačí „mít dashboard“. Potřebujete modely, které obstojí i v okrajových situacích. Syntetická data jsou jedna z nejrychlejších cest, jak se tam dostat.

Proč Amazon sáhl po syntetických datech (a proč to dává smysl i vám)

Amazon říká jednoduchou věc: reálný svět prodejny je nepředvídatelný. Osvětlení se mění, regály se přestavují, zákazníci chodí ve skupinách, někdo si zboží vezme a vrátí, jiný ho schová do košíku pod bundu. Natrénovat na to AI jen z reálných záznamů je bolestivé.

Odpověď Amazonu: generativní AI (GAN) vytváří syntetická videa a snímky s variacemi, které jsou vzácné, ale reálně nastávají. To je přesně ten „dlouhý chvost“ – situace, které tvoří malé procento provozu, ale velké procento chyb.

V zemědělství a potravinářství to vypadá podobně:

• choroba se objeví jen občas, ale když přijde, škody jsou obrovské,
• extrémní počasí je „vzácné“, ale častější než dřív,
• porucha dopravníku v balírně je výjimka, která zruší směnu,
• kontaminace v provozu je málo pravděpodobná, ale nejdražší událost.

Syntetická data jsou způsob, jak model „otužit“ bez toho, abyste čekali roky na dostatek reálných incidentů.

Co jsou syntetická data v praxi

Syntetická data nejsou „náhodně vygenerované obrázky“. V dobrém pojetí jde o řízené simulace:

• měníte osvětlení, úhly kamer, stíny, odlesky,
• měníte rozmístění objektů (zboží, přepravky, rostliny),
• přidáváte „rušení“ (lidi, stroje, prach, déšť),
• cílíte na konkrétní chyby modelu.

Jinak řečeno: syntetika je nejcennější tehdy, když víte, jaké situace chcete pokrýt.

Jak Just Walk Out učí AI „vidět“: počítačové vidění + senzory + identita

Amazon dlouhodobě komunikuje, že Just Walk Out stojí na kombinaci počítačového vidění, strojového učení a dalších senzorů. V nové detailnější verzi vysvětlení je zásadní hlavně tohle: systém se trénuje na obrovské škále scénářů, aby rozpoznal miliony zákaznických akcí.

Pro potravinářství a agro je užitečné si z toho vytáhnout architekturu:

1. Vnímání (perception) – kamery, váhy, RFID, průtokoměry, NIR senzory, meteostanice.
2. Interpretace (ML model) – co se stalo (odebrání zboží, změna stavu, detekce vady, stres rostliny).
3. Zápis do systému (business logika) – účtenka, šarže, sklad, traceability, compliance.

Amazon navíc zdůrazňuje, že přesnost účtenky při odchodu je kritická. V potravinářství máte analogii: správná šarže a správná evidence je kritická při stahování výrobků, auditech a reklamacích.

Oddělení biometriky a „pixelů“: lekce pro GDPR a důvěru

Zajímavý detail: Amazon popisuje, že Just Walk Out a biometrické ověřování Amazon One fungují odděleně. Just Walk Out údajně nepoužívá biometriku; při vstupu se přiřadí dočasný numerický kód pro danou návštěvu a ten po odchodu zaniká.

Pro české firmy je tohle praktická inspirace: když zavádíte AI do prodejen, skladů nebo provozů, často narazíte na otázku:

• „Sledujete lidi?“
• „Ukládáte obličeje?“
• „Kdo k tomu má přístup?“

Můj názor: důvěra je produktová vlastnost. Pokud jde identita oddělit od provozních dat, udělejte to. Budete to vysvětlovat méně často právníkům, odborům i zákazníkům.

Co si z toho má vzít zemědělství a potravinářství: 4 konkrétní scénáře

Přenos do agra funguje nejlíp, když přestaneme mluvit abstraktně a řekneme si „kde přesně syntetická data pomůžou“.

1) Detekce chorob a stresu plodin bez čekání na „správný rok“

AI pro monitoring plodin (drony, satelit, traktory s kamerami) často naráží na problém: nemáte dost dat pro vzácné stavy.

Syntetická data umí doplnit:

• různé fáze napadení (časný vs. pozdní příznak),
• různé osvětlení (nízké slunce, zataženo, odlesky),
• různé odrůdy a tvary listů,
• částečné zakrytí plevelem.

Výsledek, který stojí za to měřit: pokles false negatives (nepřehlédnout problém je v ag často důležitější než občas falešně varovat).

2) Kontrola kvality v potravinářství: „vzácné vady“ jako standardní tréninkový set

Vady typu mikrotrhliny obalu, špatně natištěné datum, cizí těleso nebo netypická barva produktu jsou typicky:

• vzácné,
• drahé,
• špatně se anotují.

Syntetická data (nebo synteticky „vložené“ vady do reálných snímků) mohou cíleně vytvořit tréninkovou sadu pro:

• vizuální kontrolu obalů,
• třídění ovoce/zeleniny,
• detekci znečištění na lince.

Tady jsem dost přesvědčený: firmy, které budou dál čekat, až „se nasbírá dost vad“, budou zavádět vision systémy dvakrát – poprvé levně a špatně, podruhé draze a pořádně.

3) Predikce výnosu a plánování sklizně: simulace extrémů

Výnosové modely často selžou v extrémech (horka, přívalové deště, pozdní mrazy). Syntetické scénáře vám dovolí testovat, jestli model:

• nepřestřeluje výnos při stresu,
• reaguje správně na kombinaci faktorů,
• zůstává stabilní při chybějících datech ze senzorů.

V praxi to zvyšuje kvalitu rozhodnutí v dodavatelském řetězci: plán směn, kapacita skladů, doprava, smlouvy.

4) „Skupinové nákupy“ jako analogie: stopování šarží napříč procesem

Amazon popisuje, že zvládne sledovat i skupiny (např. 90 lidí na jednu kartu) a vytvořit jednu účtenku. V agro/food je obdobou situace, kdy:

• jedna šarže prochází více uzly (příjem → zpracování → balení → expedice),
• šarže se slučují nebo dělí,
• do toho vstupují přepracování a vratky.

AI + dobrá datová disciplína (MES/ERP/traceability) má pomoci udržet jednu pravdu o toku materiálu i v nepořádku reality.

Jak syntetická data zavést bez toho, aby to skončilo jako „hezká demo ukázka“

Syntetická data nejsou kouzlo. Většina projektů narazí na dvě věci: špatně definovaný cíl a špatné měření. Tohle je postup, který v praxi dává smysl.

1) Začněte metrikou, ne modelem

Ujasněte si, co je „úspěch“:

• u detekce vad: precision/recall a cena false positive vs. false negative,
• u predikce výnosu: chyba v % a dopad na plánování,
• u provozu: počet incidentů na 1 000 jednotek (balíků, kg, zákazníků).

Pak teprve řešte, jaká data potřebujete doplnit.

2) Dlouhý chvost si napište na papír

Amazon generuje scénáře typu osvětlení, layout, davy. Vy si udělejte vlastní seznam „blbých, ale reálných“ situací:

• prach na čočce kamery,
• kondenzace v chladu,
• odlesk z nerezové plochy,
• člověk zakryje objekt rukou,
• produkt je natočený jinak než v datasetu.

Syntetická data mají smysl tehdy, když cílí na tyhle konkrétní výjimky.

3) Míchejte realitu a syntetiku (a hlídejte „domain gap“)

Nejčastější chyba: model trénovaný na syntetice pak v reálu nefunguje, protože syntetika je „příliš čistá“.

Osvědčené pravidlo:

• syntetika pro šíři scénářů,
• realita pro ukotvení,
• průběžné dotrénování na reálných chybách z provozu.

4) U citlivých oblastí preferujte „privacy by design“

Pokud snímáte lidi (prodejna, sklad), navrhněte systém tak, aby:

• identita byla oddělená od provozních dat,
• ukládalo se minimum,
• existovala jasná retenční politika,
• šlo snadno vysvětlit, co se ukládá a proč.

Důvěra vám zrychlí nasazení víc než jakýkoli slide deck.

Co to znamená pro AI v maloobchodu a e-commerce v roce 2026

Směr je zřetelný: maloobchodní automatizace už není jen o „kamerách místo pokladen“. Jde o to, že firmy budou:

• trénovat modely na syntetických datech,
• testovat okrajové situace dřív, než se stanou,
• propojovat vidění se skladovou a platební logikou,
• škálovat automatizaci i mimo velké řetězce (menší prodejny, stadiony, kantýny).

A potravinářství a zemědělství z toho mohou těžit okamžitě, protože mají stejný problém: reálná data jsou drahá a výjimky rozhodují o výsledku.

Z praxe bych to shrnul jednou větou: Kdo umí synteticky nasimulovat své nejdražší chyby, ten je později nebude muset platit v ostrém provozu.

Pokud plánujete AI projekt v dodavatelském řetězci potravin (od pole přes výrobu až po prodej), začněte tím, že si sepíšete 10 okrajových situací, které vás stojí nejvíc peněz. Pak se bavme, které z nich se dají pokrýt syntetickými daty a jak rychle to otestovat v pilotu.

Co bude váš „dlouhý chvost“ pro rok 2026: kvalita, výnos, nebo ztráty v logistice?