Malé jazykové modely: praktická AI pro agro a potraviny

Generativní AI se v zemědělství a potravinářství často prodává jako „velké mozky v cloudu“. Jenže realita provozu na farmě, v mlékárně nebo ve výrobě hotových jídel je mnohem přízemnější: potřebujete rychlou odpověď, ověřitelná doporučení a dostupnost i bez signálu. Právě tady začínají být zajímavější malé jazykové modely (SLM) než slavné „velké“ modely (LLM).

Od podzimu 2022, kdy se do mainstreamu dostaly chatboty postavené na velkých jazykových modelech, se ukázalo i jejich slabé místo: obecný model umí hezky mluvit, ale často neví dost do hloubky o doméně (výživa, alergeny, technologie výroby, legislativa, agronomie) – a občas si „vymyslí“ detail, který v potravinách a zemědělství může stát peníze i reputaci.

V naší sérii Umělá inteligence v zemědělství a potravinářství se obvykle bavíme o senzorech, předpovědi výnosů, monitoringu plodin nebo optimalizaci výroby. Dnes přidám vrstvu, která tomu všemu dává „hlas“ a zároveň hlídá správnost: kombinaci LLM + SLM. Podle mě je to jedna z nejpraktičtějších cest, jak dostat AI z demo prezentací do provozu.

Proč velké modely v potravinářství často nestačí

Velké jazykové modely (LLM) jsou skvělé na konverzaci, shrnování, tvorbu textu a vysvětlování. Problém nastává ve chvíli, kdy od nich chcete doménově přesné a bezpečné výstupy.

V potravinářství a agri segmentu se typicky láme chleba na těchto bodech:

• Alergeny a intoleranční režimy: jedna špatná rada typu „arašídová omáčka je v pohodě“ může být kritická.
• Nutriční přesnost: při personalizaci jídelníčku rozhodují gramy, jednotky, receptury a metodiky výpočtu.
• Technologie výroby: HACCP, kritické body, teplotní režimy, sanitace – tady je prostor pro „kreativitu“ nulový.
• Legislativa a značení: požadavky na etikety, deklarace alergenů, výživové údaje, tvrzení na obalu.

LLM je obecný „řečník“. Umí působit sebejistě i ve chvíli, kdy odpověď nemá oporu v datech. V kontextu provozu to znamená jediné: hezký text bez garance správnosti je riziko.

Co jsou SLM a proč dávají smysl v praxi

Malé jazykové modely (SLM) jsou „odlehčené“ modely s menším počtem parametrů a užším zaměřením. Nejsou stavěné na to, aby konverzovaly o všem na světě. Jsou stavěné na to, aby spolehlivě pracovaly s konkrétní doménou a konkrétními daty.

Z praktického pohledu přinášejí tři vlastnosti, které v agro a potravinách rozhodují:

1) Specializace na doménu

SLM můžete trénovat nebo ladit na:

• interní databázi surovin a receptur,
• specifické alergenní matice,
• normy kvality, specifikace dodavatelů,
• technologické postupy,
• dokumentaci k výrobním linkám.

Výsledek je model, který „mluví jazykem provozu“, ne internetových diskuzí.

2) Nižší nároky na výpočet a rychlá odezva

Menší model běží levněji a často i rychleji. To se projeví v:

• nižších nákladech na inference,
• lepší škálovatelnosti pro více uživatelů,
• možnosti provozu on-premise.

3) Možnost provozu na zařízení (on-device)

Tohle je v zemědělství překvapivě zásadní. V terénu:

• ne vždy je stabilní internet,
• latence může být problém,
• data z provozu nechcete posílat mimo firmu.

SLM může běžet v mobilu technologa, v tabletu na příjmu surovin, nebo v terminálu na lince. A to znamená rychlé rozhodnutí bez čekání na cloud.

Zapomeňte na „AI, co umí všechno“. V provozu vyhrává AI, která umí pár věcí spolehlivě a dohledatelně.

Nejlepší praxe: kombinace LLM pro dialog + SLM pro pravdu

Nejfunkčnější architektura pro potraviny a agro dnes vypadá takto:

• LLM: stará se o přirozenou komunikaci, formulaci odpovědi, práci s dotazem uživatele, kontext rozhovoru.
• SLM: funguje jako doménový „expert“ a validátor. Ověřuje, že výstup sedí s vašimi pravidly, daty a omezeními.

V praxi je to „mluvčí + kontrolor“. LLM udělá srozumitelný text. SLM zkontroluje, že:

• receptura neporušuje alergenní omezení,
• výživové hodnoty dávají smysl,
• technologický postup neobsahuje nesmysly,
• doporučení odpovídá interním standardům.

Tahle kombinace má ještě jednu výhodu: zmenšuje dopad halucinací. Ne tím, že by je magicky odstranila, ale tím, že zavedete „brzdy“ a doménové mantinely.

Příklad 1: personalizovaná výživa pro zaměstnance nebo zákazníky

Představte si aplikaci pro jídelnu, meal-prep službu nebo retail, která má nabídnout:

• jídelníček bez lepku / laktózy,
• vysokoproteinové varianty,
• hlídání alergenů,
• preference (bez vepřového, více zeleniny, nízký obsah soli).

LLM vytvoří komunikaci a návrh jídel. SLM v pozadí:

• vyhodnotí alergeny na úrovni ingrediencí,
• zkontroluje nutriční limity,
• hlídá pravidla značky (např. „nepoužívat polotovary X“).

Výsledek: uživatelsky příjemné, ale zároveň provozuschopné.

Příklad 2: „asistent technologa“ ve výrobě

Technolog se ptá: „Můžu nahradit surovinu A surovinou B, když nám A došla?“

LLM položí doplňující otázky a vysvětlí dopady. SLM vyhodnotí:

• specifikace surovin,
• dopad na alergeny,
• změnu deklarací na etiketě,
• riziko na senzoriku a trvanlivost.

Tohle je přesně místo, kde se AI vyplatí: rychlá analýza s oporou v interních datech.

Příklad 3: kontrola značení a shody

Značení potravin je kombinace detailů a odpovědnosti. SLM může sloužit jako „předkontrola“:

• vyhledá nedeklarovaný alergen,
• upozorní na nekonzistentní jednotky,
• ověří, že výživové údaje sedí s recepturou.

LLM pak připraví srozumitelné vysvětlení změn pro marketing nebo pro obchod.

Jak poznat, že pro váš use case dává SLM smysl

SLM se vyplatí, pokud platí aspoň dvě z těchto podmínek:

1. Nízká tolerance k chybě (alergeny, bezpečnost potravin, compliance).
2. Potřebujete offline nebo nízkou latenci (terén, výroba, logistika).
3. Máte vlastní data, která jsou „pravda“ (receptury, specifikace, laboratorní výsledky).
4. Potřebujete kontrolovatelnost a audit (kdo co doporučil, na základě čeho).
5. Náklady na cloud inference jsou citelné (více uživatelů, časté dotazy).

Naopak: pokud jen chcete generovat marketingové texty o sezónních produktech nebo interní newsletter, SLM bude zbytečný. Tam stačí LLM.

Praktický postup zavedení SLM v agro a potravinářství (bez zbytečné magie)

Nejrychlejší cesta k výsledku není „natrénujeme model a uvidíme“. Funguje to obráceně: nejdřív rizika a data, potom model.

1) Vyberte jeden proces, kde chyba bolí

Doporučuju začít u:

• alergenů a substitucí surovin,
• příjmu surovin a kontrol,
• interní znalostní báze pro technologie a údržbu.

Cíl musí jít změřit. Například: „zkrátit čas ověření alergenu v receptuře z 20 minut na 2 minuty“.

2) Udělejte „doménová pravidla“ explicitní

SLM potřebuje jasná pravidla:

• seznam alergenů a jejich mapování na ingredience,
• pravidla pro křížovou kontaminaci,
• interní zakázané kombinace,
• limity pro sůl/cukr/tuky podle produktové řady.

Tohle je často největší práce. A zároveň největší přínos, i kdybyste AI nakonec nespustili.

3) Zaveďte validaci výstupu jako povinný krok

Když AI doporučí recept nebo postup, systém má umět:

• označit výstup jako „ověřeno“ / „neověřeno“,
• vypsat, na základě jakých dat doporučení vzniklo,
• odmítnout odpověď, pokud chybí klíčová data.

SLM může být právě ten validátor (nebo součást validátoru).

4) Myslete na provoz: kdo to bude používat v 05:30

V potravinách rozhoduje použitelnost:

• krátké kroky,
• jasné varování,
• možnost rychlé eskalace na člověka,
• logování a audit.

Pokud se to bude používat jen v kanceláři, prohráli jste. Hodnota je na lince, ve skladu, na poli.

Nejčastější otázky z praxe (a rovné odpovědi)

„Nahradí SLM naše technologické specialisty?“

Ne. Zrychlí jejich rutinu a zlepší konzistenci rozhodnutí. Odpovědnost i finální schválení u kritických věcí má zůstat na lidech.

„Je SLM automaticky přesnější než LLM?“

Je přesnější tehdy, když je správně napojený na kvalitní doménová data a má jasná pravidla. Bez toho bude jen „menší model“, ne „lepší model“.

„Kdy dává smysl provoz na zařízení?“

Když řešíte:

• konektivitu (pole, sklady, venkov),
• citlivá data (receptury, dodavatelské ceny),
• rychlou odezvu (výroba, kontrola kvality).

Kam se to posune v roce 2026: malé modely jako základ „AI asistenta provozu“

V prosinci 2025 je vidět trend: firmy přestávají honit největší model a místo toho skládají systém z více vrstev. Já to v agro a potravinách vidím jako budoucí standard:

• LLM jako rozhraní (konverzace, vysvětlení, školení)
• SLM jako doménový mozek (alergeny, kvalita, receptury, postupy)
• interní data jako zdroj pravdy (ne internet)

Tohle přesně zapadá do širšího tématu naší série: AI pro precizní zemědělství a chytrou výrobu nebude jen o modelech pro výnosy a senzory. Bude i o tom, že někdo musí výsledky přeložit do rozhodnutí – a zároveň je uhlídat.

Pokud řešíte AI v zemědělství a potravinářství s cílem reálně zrychlit procesy, snížit zmetkovitost nebo omezit rizika kolem alergenů, SLM jsou často ta nejpraktičtější část skládačky.

A teď ta otázka, kterou si dávám u každého projektu: Které jedno rozhodnutí ve vašem provozu by bylo bezpečnější a rychlejší, kdyby ho hlídal malý doménový model?