Malé jazykové modely: AI motor pro potraviny i farmy

Většina firem dnes řeší generativní AI tak, že si „připojí chatbot“ a čeká zázraky. Jenže v potravinářství a zemědělství tohle často končí špatně: náhodné doporučení receptu, popletené alergeny, nebo výživový plán, který v praxi nedává smysl. Proč? Velké jazykové modely (LLM) umí skvěle mluvit, ale bez opory v ověřených doménových datech jsou v oblasti výživy, surovin, receptur a bezpečnosti potravin nespolehlivé.

Realita v roce 2025 je prostá: těžkou práci v „food AI“ stále častěji dělají malé jazykové modely (SLM). Nejsou tak efektní v konverzaci jako LLM, ale vyhrávají tam, kde jde o přesnost, náklady, provoz na místě a kontrolu nad výstupy. A to je přesně to, co zemědělské podniky, zpracovatelé i retail potřebují, když chtějí AI využít k měřitelnému zlepšení.

V tomhle díle série Umělá inteligence v zemědělství a potravinářství beru SLM prakticky: kde dávají smysl, jak je kombinovat s LLM a jak z toho udělat produkt, který generuje úspory, ne rizika.

Proč velké modely v potravinářství často selhávají

LLM jsou skvělé na jazyk, ale slabé na pravdivost v úzké doméně. V potravinářství a agri to naráží na tři konkrétní problémy.

Zaprvé, doménová znalost je detailní a rychle se mění. Složení výrobků, receptury, šarže, dodavatelé, legislativa, limity kontaminantů, alergeny – tohle nejsou „obecné znalosti internetu“. Jsou to interní data a dokumenty.

Zadruhé, halucinace. Když si LLM „vymyslí“ v marketingu, je to trapné. Když si „vymyslí“ v oblasti alergenů nebo bezpečnosti potravin, je to průšvih. V potravinářských provozech navíc často potřebujete auditovat, proč systém doporučil konkrétní krok.

Zatřetí, nákladovost a latence. Cloudové LLM volání může být drahé, zpožděné a citlivé na výpadky konektivity. A v terénu (pole, sila, linka) je realita často: slabý signál, přísné bezpečnostní požadavky, omezení přenosu dat.

Jednověté pravidlo: LLM umí generovat text, SLM umí držet doménu v mantinelech.

Co jsou SLM a proč jsou pro agri a food „pracovní kůň“

Small Language Models (SLM) jsou menší, úžeji zaměřené jazykové modely. Nehoní se za univerzálností, ale za spolehlivostí v konkrétních úlohách. Z praxe to znamená:

• méně parametrů a nižší výpočetní nároky (snadněji poběží on‑premise nebo i na okrajových zařízeních),
• rychlejší trénování a úpravy (častější iterace podle reality výroby),
• specializace (např. alergeny, HACCP, normy kvality, receptury, specifika plodin),
• lepší kontrola nad tím, co model „smí“ a „nesmí“ říkat.

V zemědělství a potravinářství je klíčové, že SLM se dají postavit tak, aby:

1. pracovaly s vašimi interními daty (specifikace, laboratorní protokoly, receptury, SOP),
2. držely pevná pravidla (alergeny, legislativní limity, firemní standardy),
3. fungovaly i při omezené konektivitě.

SLM nejsou „menší LLM“. Jsou to nástroje na přesnost

Mám rád jednoduché přirovnání: LLM je skvělý moderátor, SLM je specialista v provozu. Moderátor umí hezky vysvětlit, co se děje. Specialista vám řekne, co přesně udělat, aby šarže prošla kontrolou.

Nejlepší praxe: kombinace LLM + SLM (a proč to dává smysl)

Nejfunkčnější architektura v potravinářských use-casech je hybrid:

• LLM dělá konverzaci, sumarizaci, formulaci odpovědí, práci s přirozeným jazykem.
• SLM dělá doménové ověření, klasifikaci, extrakci, kontrolu pravidel a „strážce reality“.

V praxi to vypadá tak, že uživatel (technolog, agronom, kontrolor kvality) položí dotaz přirozeně. LLM připraví návrh odpovědi nebo postupu. A SLM do toho vstoupí jako validátor:

• zkontroluje alergeny a křížovou kontaminaci,
• ověří limity (např. sůl, cukr, aditiva podle interních pravidel),
• porovná návrh s recepturou a dostupností surovin,
• upozorní na konflikty se SOP/HACCP.

Tahle kombinace řeší typický problém generativní AI: „mluví hezky, ale občas si vymýšlí“. SLM z toho udělá systém, který je v provozu použitelný.

Proč je to aktuální právě teď (prosinec 2025)

Konec roku v potravinářství bývá o uzávěrkách, inventurách, auditech a plánování kapacit. A v zemědělství se řeší nákup vstupů a příprava sezóny. Hybridní AI (LLM+SLM) se tady dobře prodává, protože jde přímo po nákladech a riziku: méně chyb ve specifikacích, rychlejší školení, lepší rozhodování o šaržích a méně odpadu.

Kde SLM přinášejí největší hodnotu: 6 konkrétních scénářů

SLM vyhrávají v úlohách, kde potřebujete rychlou a ověřitelnou odpověď z úzké domény. Níže je šest scénářů, které v roce 2025 dávají největší smysl pro LEADS – protože se dají relativně rychle pilotovat a vyčíslit.

1) Kontrola alergenů a „bezpečné doporučení“

Doménový model může sloužit jako alergenový gatekeeper. Nejen pro spotřebitele, ale i pro interní týmy: pokud AI navrhne náhradu suroviny, SLM okamžitě zastaví návrh, který porušuje alergenní profil nebo výrobní omezení.

Praktický dopad:

• méně incidentů,
• snazší auditovatelnost,
• rychlejší rozhodování při výpadku dodávky.

2) Asistent pro technologické postupy (SOP) a školení

Zpracovatelský provoz je plný dokumentace. SLM může být natrénovaný na vaše SOP a dělat konzistentní odpovědi ve stylu: „krok 3 se dělá takhle, limit teploty je tolik, a pokud nastane X, postupujte Y“.

Výsledek:

• kratší onboarding,
• méně „tichých“ odchylek od standardu,
• vyšší konzistence mezi směnami.

3) Klasifikace a sumarizace laboratorních protokolů

SLM se hodí na strukturování nestrukturovaných textů: protokoly z laboratorních měření, reklamace, záznamy z kontroly jakosti.

Co to přinese:

• automatické štítky typu „mikrobiologie / senzorika / chemie“,
• rychlá sumarizace pro vedení,
• snadnější vyhledávání trendů (např. opakovaný problém u dodavatele).

4) Agronomický „terénní“ asistent i bez signálu

Na farmě často nechcete posílat citlivá data do cloudu. SLM na zařízení (tablet/telefon) umí:

• převést poznámky do struktury (škůdce, fenofáze, zásah),
• doporučit kontrolní checklist,
• pohlídat konzistenci evidencí.

Nejde o to nahradit agronoma. Jde o to, aby se důležité informace neztratily a byly použitelné pro plánování.

5) Optimalizace receptur a specifikací v potravinářství

Když měníte surovinu kvůli ceně nebo dostupnosti, přichází lavina dopadů: alergeny, nutriční hodnoty, chuť, textura, označování.

SLM může fungovat jako vrstva, která:

• hlídá pravidla (interní i legislativní),
• počítá dopady na nutriční tabulky (v rámci definovaných pravidel),
• upozorní na změny, které vyvolají revalidaci.

6) Zákaznická podpora pro výrobce i retail (ale s mantinely)

Zákaznické dotazy na složení, alergeny a výživu jsou citlivé. Kombinace LLM (komunikace) + SLM (ověření) umožní:

• rychlé odpovědi,
• konzistentní „tone of voice“,
• minimální riziko nepřesností.

Jak začít: jednoduchý pilot LLM+SLM do 30 dnů

Nejrychlejší cesta k hodnotě je postavit SLM jako validátor pro jeden konkrétní tok informací. Ne jako „AI na všechno“.

Doporučený postup, který se mi v praxi osvědčil:

1. Vyberte úzký use-case s jasným rizikem nebo nákladem (např. alergeny, reklamace, SOP asistence).
2. Definujte 20–50 testovacích scénářů z reálného provozu (dotazy, dokumenty, typické chyby).
3. Připravte doménová data: slovníky alergenů, interní pravidla, schválené odpovědi, ukázky dokumentů.
4. Navrhněte architekturu „LLM generuje, SLM kontroluje“.
5. Zaveďte metriky:
   • přesnost (např. % správně klasifikovaných alergenů),
   • míra blokace rizikových odpovědí,
   • čas ušetřený na směně,
   • počet eskalací na člověka.
6. Udělejte pilot s jedním týmem (kvalita, technologie, agronomie) a získejte zpětnou vazbu.

Snippet, který si klidně vytiskněte: „Generativní AI v potravinářství nesmí být kreativní v bezpečnosti.“

Nejčastější otázky z praxe (a přímé odpovědi)

Je SLM vždy lepší než LLM?

Ne. SLM je lepší na úzké, pravidly svázané úlohy. LLM je lepší na konverzaci, sumarizaci a práci s různorodými vstupy. Nejvyšší hodnotu má hybrid.

Dá se SLM provozovat on‑premise kvůli citlivým datům?

Ano, a právě proto o něm potravinářství tolik stojí. On‑premise provoz snižuje riziko úniku receptur, specifikací a dodavatelských dat.

Jak zabránit tomu, aby AI „radila“ špatně?

V potravinářství je správná odpověď kombinace tří věcí:

• doménový validátor (SLM),
• pravidla a schvalovací workflow,
• logování a auditovatelnost (co bylo použito za zdroj a proč).

Co si z toho odnést a co udělat příště

Malé jazykové modely jsou praktická cesta, jak dostat AI do zemědělství a potravinářství bez toho, aby vám utekla z rukou. Pokud dnes stojíte před volbou „velký chatbot vs. nic“, existuje třetí možnost: LLM pro komunikaci a SLM pro přesnost, pravidla a provozní jistotu.

Pokud jste v potravinářství, začal bych alergeny, reklamací nebo SOP asistencí. Pokud jste v zemědělství, začal bych terénní evidencí a standardizací poznámek. V obou případech se dá během pár týdnů postavit pilot, který ukáže čísla.

Co je podle vás ve vaší firmě nejdražší „mikro-rozhodnutí“ – to, které se opakuje stokrát denně a stačí, aby se jednou pokazilo? Přesně tam má SLM největší návratnost.