AI a „cold start“: jak vzniká rostlinný sýr, co chutná

Některé potravinářské startupy dělají pořád stejnou chybu: čekají, až budou mít „dost dat“, a teprve pak chtějí trénovat modely. V praxi to často znamená roky slepých pokusů, drahé suroviny v koši a produkt, který sice splní etiketu „plant-based“, ale v sendviči zklame. Přesně tady narážíte na cold start problem – situaci, kdy vám chybí data i zpětná vazba, protože žádný úspěšný produkt ještě neexistuje.

Příběh kolem Olivera Zahna (Climax Foods) je zajímavý hlavně tím, že ukazuje cestu, jak se z téhle datové slepé uličky dostat: nečekat na dokonalý dataset, ale vybudovat chytrou datovou infrastrukturu a experimentální smyčku, která data generuje rychleji než konkurence. A to není jen historka o rostlinném sýru. Je to obecný vzorec, který se dá přenést do celé série „Umělá inteligence v zemědělství a potravinářství“ – od formulací potravin až po optimalizaci výroby.

Co je „cold start problem“ a proč je v potravinářství tak krutý

Cold start problem v potravinářské inovaci znamená, že na začátku nemáte dost měření, senzorických dat ani validovaných receptur, takže model nemá z čeho se učit – a tým se vrací k pomalému metodou pokus–omyl.

V doporučovacích systémech je cold start nepříjemný (nevíte, co doporučit novému uživateli). V potravinách je ale často existenční:

• Každý experiment stojí peníze: suroviny, výroba, analytika, práce technologů.
• Výsledky jsou mnohorozměrné: chuť, aroma, textura, tání, chování při pečení, trvanlivost.
• Variabilita je přirozená: šarže surovin kolísají, skladování i proces dělá rozdíly.

A teď si přidejte typický tlak konce roku 2025: spotřebitelé v Česku i EU jsou citliví na cenu, ale zároveň méně tolerují „náhražkovou“ chuť. Rostlinné produkty už nemají výhodu novelty efektu. Buď chutnají, nebo se nevrátí do košíku.

Proč samotná „víc dat“ strategie nefunguje

Nejčastější omyl zní: „Nasbíráme hodně receptur a model to pochopí.“ Jenže v potravinách je drahé a pomalé generovat data náhodně. Pokud nemáte strategii, sbíráte šum.

Lepší přístup je opačný: nejdřív navrhnout, jaká data jsou pro rozhodování klíčová, a pak nastavit experimenty tak, aby je generovaly co nejrychleji.

Jak AI překoná cold start: nejde o kouzlo, ale o systém

Fungující cesta ven je postavit uzavřenou smyčku „formulace → výroba → měření → učení → další formulace“, kde AI aktivně navrhuje další nejlepší pokus.

U rostlinného sýra je cíl jednoduchý na papíře a brutální v realitě: napodobit mléčný sýr ve chvíli, kdy nemáte kasein a mléčný tuk. Takže nehledáte jeden „správný“ recept, ale mapujete prostor možností (různé proteiny, tuky, fermentace, emulgátory, škroby, vlákniny).

1) Začněte „vědomostmi“, ne nulou

Cold start se dá zmírnit tím, že do modelu nedáte jen surová data, ale i strukturované znalosti:

• funkční role ingrediencí (tání, pružnost, krémovost)
• chemické a fyzikální vlastnosti (obsah bílkovin, typ lipidů, vodní aktivita)
• procesní parametry (teplota, shear, pH, doba fermentace)

Tím se z „neznámého prostoru“ stane něco, v čem se dá rozumně orientovat už s malým počtem experimentů.

2) Aktivní učení: model si říká o data

Místo stovek náhodných receptur je efektivnější princip active learning: model navrhne takové další recepty, které buď:

• s největší pravděpodobností zlepší chuť/texturu (exploitation), nebo
• nejvíc sníží nejistotu modelu v neprobádané části prostoru (exploration).

V potravinách to má praktický dopad: méně uvařených „slepých uliček“ a rychlejší konvergence k použitelnému produktu.

3) Chytrá měření: co nejvíc signálu z jednoho vzorku

AI je tak dobrá, jak dobrá jsou data. U sýra typicky potřebujete kombinaci:

• instrumentální textury (TPA: tvrdost, pružnost, žvýkavost)
• reologie (viskozita, chování při tání)
• analytiky (vlhkost, tuk, protein, pH)
• senzoriky (panel, spotřebitelské testy)

Nejde o to měřit všechno. Jde o to měřit to, co modelu pomůže predikovat výsledný „zážitek z jídla“.

Jedna věta, která sedí na většinu potravinářských projektů: „Největší brzda AI není algoritmus, ale špatně zvolená metrika kvality.“

Co si z toho může vzít zemědělství a potravinářská výroba v Česku

Přístup k překonání cold startu u rostlinného sýra je stejný, jaký dnes potřebujete pro AI v potravinářství: navrhnout data, proces a rozhodování jako jeden celek.

Tady jsou tři konkrétní mosty do praxe (a do tématu našeho seriálu o AI v zemědělství a potravinářství):

AI a precizní výroba: recept není všechno

I perfektní recept padne, když výroba kolísá. Proto se v moderních provozech spojuje:

• optimalizace receptury (R&D, laboratorní data)
• optimalizace procesu (MES/SCADA data: teploty, časy, průtoky)
• kontrola kvality (in-line senzory, NIR, kamerové systémy)

U rostlinných alternativ to platí dvojnásob: texturu často „udělá“ proces (shear, emulgace, chladicí profil) stejně jako složení.

Práce se surovinami: variabilita jako datová výhoda

Zemědělské suroviny se mění se sezónou, lokalitou i sklizní. Místo boje s variabilitou jde postavit systém, který ji umí využít:

• šaržové profily surovin (protein, tuk, vlhkost)
• predikce chování ve výrobě
• adaptivní nastavení receptury či procesu podle šarže

To je praktická podoba toho, čemu se v Česku často říká „precizní potravinářství“: stejné výstupy i z proměnlivých vstupů.

Rychlejší inovace: když data nevznikají náhodou

Pokud jste výrobce, který chce inovovat (nejen plant-based), zkuste se ptát jinak:

• Jaké 3–5 vlastností rozhoduje, že zákazník produkt koupí znovu?
• Které měření to nejlépe zastupuje (proxy metriku)?
• Jak rychle umíme udělat iteraci experimentu (dny vs. týdny)?

Jakmile tyhle odpovědi máte, AI se stává praktickým nástrojem, ne „hezkým slidem“.

Praktický „návod“: jak nastavit AI projekt ve vývoji potravin bez velkých dat

Nejrychlejší cesta je začít malým, ale disciplinovaným datasetem a jasnou experimentální strategií. Tohle je postup, který jsem viděl fungovat i mimo plant-based:

1) Definujte cílový profil produktu jako čísla

Ne „aby to chutnalo jako gouda“, ale například:

• tvrdost v rozmezí X–Y (TPA)
• teplota začátku tání v rozmezí A–B
• senzorické skóre „mléčnost“ min. N/10
• náklad na suroviny do Z Kč/kg

Čím míň poezie, tím líp pro rozhodování.

2) Založte „minimální datový model“

U každého pokusu uložte:

• recepturu (gramáže, procenta)
• proces (časy, teploty, otáčky, pH křivka)
• výsledky (měření + senzorika)
• kontext (šarže surovin, datum, skladování)

I jednoduchá tabulka je lepší než rozptýlené poznámky v sešitu.

3) Použijte experimentální design, ne intuici

Namísto „zkusíme přidat víc kokosového tuku“ zaveďte:

• faktorový plán (DoE)
• postupné zužování prostoru
• pravidlo, kolik experimentů týdně musíte doručit

AI pak může doporučovat další pokusy – ale bez DoE se bude učit pomalu.

4) Hlídání přenositelnosti: laboratoř vs. pilot vs. výroba

Rostlinné sýry často vypadají dobře v labu a zlomí se ve škále. Proto mějte v datech explicitně:

• úroveň škálování (lab/pilot/produkce)
• rozdíly v zařízení
• výtěžnost a zmetkovitost

Model, který ignoruje realitu provozu, je drahá hračka.

Co to znamená pro trh v roce 2026: tlak na chuť, cenu a stabilitu

V roce 2026 vyhrají ty týmy, které dokážou zkrátit vývojový cyklus a zároveň držet stabilní kvalitu ve výrobě. AI je v tom dobrá, ale jen pokud je napojená na data z R&D i z linky.

U rostlinných sýrů navíc roste laťka: zákazník porovnává s „real thing“ nejen v chuti, ale i v použití (zapékání, strouhání, tání na pizze). To je komplexní problém – a právě proto dává smysl.

Pokud vás zajímá „Umělá inteligence v zemědělství a potravinářství“, berte tenhle příběh jako šablonu: cold start není překážka, pokud umíte systematicky vyrábět data a učit se z nich rychleji než ostatní.

A teď ta praktická otázka, kterou si stojí za to položit ještě před prvním AI workshopem: máte ve firmě připravenou experimentální smyčku, která dokáže generovat kvalitní data každý týden – nebo pořád spoléháte na náhodu?