Vertikální AI pro potraviny: méně halucinací, lepší výroba

Generativní AI umí napsat recept, navrhnout jídelníček i poradit s nákupem. Jenže v potravinářství a zemědělství to často nestačí. Když se model „splete“ v alergenech, doporučí nevhodnou dietu nebo vymyslí technologický postup, který v provozu nefunguje, nejde o drobnou nepřesnost – jde o bezpečnost, shodu s předpisy a peníze.

Právě proto mě baví trend, který se v posledních dvou letech zřetelně prosazuje: vertikální (doménová) AI vrstva nad obecnými LLM. Startup Innit to v roce 2023 pojmenoval poměrně přímočaře: FoodLM – ne jako další „velký model“, ale jako inteligentní softwarová vrstva, která umí dotazy i odpovědi prohnat doménovými pravidly, validátory a strukturovanými daty.

V rámci naší série Umělá inteligence v zemědělství a potravinářství je tohle důležitý dílek skládačky: nejen jak AI generuje text, ale jak AI dělá přesnější rozhodnutí napříč řetězcem od surovin přes výrobu až po spotřebitele.

Proč obecné LLM v potravinách často selhávají

Obecné jazykové modely nejsou stavěné na přesnost v úzké doméně – jsou stavěné na plynulost. To je dobré pro brainstorming a komunikaci, ale problém pro oblasti, kde existují tvrdá pravidla (alergeny, limity živin, technologické postupy, HACCP, označování).

V praxi se typické chyby LLM v potravinářství opakují pořád dokola:

• „Halucinace“ faktů: model si vymyslí nutriční hodnoty nebo zdravotní tvrzení.
• Záměna ingrediencí a alergenů: třeba doporučení „bezlepkové“ varianty s problematickou surovinou.
• Nekonzistence receptů a procesů: krok 3 odporuje kroku 1, časy/teploty nedávají smysl.
• Chybějící kontext provozu: jinak vaří domácnost, jinak školní jídelna, jinak potravinářská linka.

Tohle je důvod, proč se stále častěji prosazuje postoj: LLM je generátor, ale doménový systém je brzda a volant zároveň.

Co je FoodLM a proč dává smysl jako „vrstva“

FoodLM není nový jazykový model. Je to software intelligence layer, která se připojí k existujícím LLM (v původním oznámení padla jména jako GPT-4 nebo PaLM) a řeší dvě věci:

1. Předzpracování dotazu (pre-processing): dotaz zpřesní, doplní kontext, přidá strukturu (např. profil uživatele, cíle, alergie, dostupné suroviny, výrobní omezení).
2. Kontrola a úprava odpovědi (post-processing): odpověď zkontroluje doménovými validátory, srovná s pravidly a daty a buď ji opraví, nebo vrátí bezpečnější alternativu.

Tohle je zásadní posun v myšlení: nejde o to „mít chytřejší chat“, ale mít spolehlivější rozhodnutí. V potravinách (a ještě víc v agro-potravinářských řetězcích) je důvěra měřitelná: méně reklamací, méně zmetků, méně odpadu, lepší shoda s požadavky odběratelů.

Zapamatujte si jednu větu: „LLM bez doménové vrstvy je skvělý řečník, ale slabý technolog.“

Validátory: jak se dá generativní AI držet „u země“

FoodLM podle zveřejněných informací používá sadu výpočetních modelů, které nazývá validátory. Smysl je jednoduchý: nechat LLM navrhnout, ale nenechat ho si vymýšlet mimo mantinely.

Nutriční a dietní validace

Cíl: odpovědi, které respektují konkrétní dietní režimy a omezení. FoodLM pracuje s desítkami diet, alergií, životních stylů a zdravotních profilů.

Pro potravinářství a retail to znamená hlavně:

• konzistentní filtraci produktů pro různé zákazníky (např. nízkosodná strava)
• personalizované doporučení bez „marketingových zkratek“
• menší riziko, že AI doporučí něco, co je v přímém rozporu s omezením

Validace pro zdravotní stavy

Cíl: doporučení, která dávají smysl i u citlivých skupin (např. diabetes 2. typu, hypertenze). Tady je laťka výš, protože chyba může mít reálný dopad.

V praxi je užitečné hlavně to, že doménová vrstva umí:

• hodnotit produkty podle vhodnosti pro daný stav
• hlídat limity (např. cukry, sůl) a upozorňovat na rizika
• držet se konzistentních pravidel napříč kanály (aplikace, e-shop, chatbot)

Personalizovaný nákup a práce s produktovým katalogem

Cíl: propojit generativní AI s reálným sortimentem. Innit mluví o milionech položek potravin.

Tohle je přesně místo, kde se v Česku často láme chleba: AI sice „umí poradit“, ale bez napojení na katalog a dostupnost v konkrétním řetězci je to jen hezký text.

Doménová vrstva je schopná převést jazykový dotaz typu „rychlá večeře bez lepku do 20 minut“ do:

• seznamu konkrétních produktů v daném obchodě
• doporučených náhrad (když není skladem)
• nákupního košíku, který respektuje preference a rozpočet

Kulinářská a technologická „cookability“ kontrola

Cíl: aby recept nebo postup byl proveditelný. To zní banálně, ale je to typická slabina generativních modelů: umí napsat recept, který vypadá dobře, ale v kuchyni (nebo na lince) nedává smysl.

Pro výrobu potravin je analogie jasná: postup musí být technologicky konzistentní – časy, teploty, pořadí kroků, kritické body.

Od kuchyně k poli: proč tohle téma patří do AI v zemědělství

Vertikální AI pro potraviny není jen „lepší recepty“. Je to koncept, který se dá přenést na celý agro-potravinářský řetězec.

1) Kontextová AI zlepšuje rozhodování ve výrobě

Jakmile máte doménovou vrstvu, můžete stejný princip použít pro:

• optimalizaci receptur v potravinářství (cílové nutriční parametry, náklady, senzorika)
• řízení kvality (pravidla pro odchylky, šarže, reklamace)
• plánování výroby a snižování ztrát (lepší odhad poptávky, méně přebytků)

Zemědělství i potravinářství jsou o kompromisu mezi kvalitou, cenou a rizikem. Doménové validátory dělají kompromis explicitní: co je povolené, co je výhodné, co je nebezpečné.

2) Lepší data = lepší logistika a méně odpadu

Když AI rozumí „záměru“ (ne jen klíčovým slovům), dokáže lépe:

• párovat suroviny a alternativy v dodavatelském řetězci
• navrhovat substituce při výpadcích (bez porušení alergenových pravidel)
• doporučit využití přebytků a tím snížit potravinový odpad

V prosinci je tohle mimochodem extrémně aktuální: sezónní špičky, výkyvy poptávky, tlak na dostupnost a cenu. AI, která umí bezpečně navrhnout náhrady a plán, má v těchto týdnech praktickou hodnotu.

3) „Food as medicine“ a tlak na personalizaci

Trend personalizace výživy v Evropě sílí – a s ním i očekávání, že doporučení bude:

• srozumitelné
• provázané s reálnými produkty
• a hlavně správné

Obecné LLM budou vždycky lákat k rychlé odpovědi. Doménová AI vrstva je způsob, jak rychlost spojit s odpovědností.

Jak by podobný přístup měl vypadat v české firmě (praktický checklist)

Pokud působíte v agri, potravinářství, retailu nebo ve vývoji food-tech aplikací, nejrychlejší cesta není „udělat vlastního chatbota“. Nejrychlejší cesta je postavit správné zábradlí.

1) Ujasněte si, kde je chyba nepřijatelná

Začněte seznamem „no-go“ situací, kde se AI nesmí splést:

• alergeny a intolerance
• dětská výživa, nemocniční a sociální stravování
• zdravotní doporučení (diabetes, hypertenze)
• kritické body bezpečnosti potravin

2) Připravte strukturovaná data, ne jen dokumenty

LLM si poradí s textem, ale validátor potřebuje strukturu:

• jednotné nutriční tabulky (na 100 g/ml, porce)
• seznamy alergenů podle legislativy
• technologické parametry (teploty, časy, toleranční pásma)
• produktové katalogy a dostupnost

3) Zaveďte validaci odpovědí jako standard

Neřešte jen „prompt“. Řešte proces:

• generování návrhu
• kontrola pravidly (validátory)
• vysvětlení, proč systém doporučení změnil
• logování a audit (co model řekl, co prošlo, co bylo zamítnuto)

4) Měřte přínos na provozních metrikách

U lead-gen kampaní bývá pokušení měřit jen „spokojenost s chatbotem“. Já bych šel po tomhle:

• pokles vratek/reklamací kvůli špatné informaci
• méně chyb v označování a komunikaci alergenů
• snížení potravinového odpadu (lepší substituce, plánování)
• zrychlení zákaznické podpory a produktového poradenství

Co si z FoodLM odnést: trend, který se vyplatí sledovat

FoodLM od Innit hezky ilustruje, kam se generativní AI v potravinách posouvá: od „umí mluvit“ k „umí být správně“. A to je přesně to, co v zemědělství a potravinářství potřebujeme.

Pokud dnes přemýšlíte, jak AI nasadit do výroby potravin, logistiky nebo do podpory prodeje, vsadil bych si na jednu strategii: nepřidávejte další model. Přidejte vrstvu, která hlídá kontext, pravidla a data.

Chcete-li to vzít prakticky: vyberte jeden proces (např. alergeny v e-shopu, doporučení receptur podle skladových zásob, nebo automatizované návrhy substitucí v nákupu) a postavte nad ním doménové validátory. Teprve potom má generativní AI šanci fungovat jako nástroj pro přesnost, ne jako zdroj rizika.

A teď otázka, kterou stojí za to si v týmu položit: Kde ve vašem potravinářském nebo zemědělském řetězci dnes rozhodujete „podle zkušenosti“, ale šlo by to rozhodovat „podle kontextu a pravidel“ – rychleji a auditovatelně?