Dokáže umělá inteligence určit původ medu?

Umělá inteligence neumí ochutnat med ani sama změřit jeho vodivost, cukry či izotopy. Dokáže však hledat vzorce v datech, která získala laboratoř. Pokud má kvalitní referenční vzorky, může odhalit kombinace parametrů typické pro určité skupiny medů a pomoci vybrat vzorky vyžadující podrobnější kontrolu.

Je to užitečný analytický pomocník, nikoli digitální rozhodčí, který z fotografie sklenice potvrdí botanický původ nebo pravost.

Co umělá inteligence skutečně analyzuje?

Model strojového učení pracuje s čísly. U medu to mohou být výsledky elektrické vodivosti, vlhkosti, barvy, glukózy, fruktózy, minoritních cukrů, izotopových poměrů, minerálů nebo spektrálních měření. Každý vzorek v trénovací sadě musí mít spolehlivě určenou třídu, například jednodruhový nebo vícedruhový med.

Během tréninku model hledá kombinace, které třídy odlišují. U nového vzorku následně vypočítá, ke které skupině se jeho profil nejvíce podobá. Výsledek je predikce založená na podobnosti s referenčními daty, nikoli nové chemické měření.

Jak vypadá cesta od sklenice medu k predikci?

Nejprve je třeba odebrat reprezentativní vzorek a provést laboratorní zkoušky. Data se zkontrolují, sjednotí a rozdělí na trénovací a testovací část. Model se učí pouze na trénovacích datech a jeho výkon se hodnotí na vzorcích, které při učení neviděl.

Důležitá je externí validace. Model může dosáhnout vysoké úspěšnosti v jedné databázi, ale u medů z jiné země, sezóny nebo laboratoře může fungovat hůře. Botanický původ, půda, klima a analytický postup totiž ovlivňují celý profil.

Co ukázala studie z roku 2026?

Výzkumníci porovnávali více algoritmů při rozlišování jednodruhových a vícedruhových medů. Použili fyzikálně-chemické údaje a stabilní izotopy. Mezi nejužitečnější proměnné patřila vodivost, glukóza, součet fruktózy a glukózy, izotopové parametry bílkovin a vybrané minoritní cukry.

Navržený kombinovaný model dosáhl vyváženého výkonu srovnatelného s algoritmem Random Forest a překonal některé základní modely. Autoři použili také hodnoty SHAP, které pomáhají ukázat, které proměnné ovlivnily konkrétní predikci.

Studie řešila binární rozdělení na jednodruhové a vícedruhové medy. Neučila model určovat každý botanický druh a neověřovala všechny formy falšování.

Znamená vysoká přesnost, že se model nikdy nemýlí?

Ne. Přesnost závisí na složení dat, poměru tříd a způsobu testování. Pokud je soubor malý nebo pochází z omezené oblasti, model se může naučit místní zvláštnosti místo obecně platných pravidel. Problémem může být také únik informací mezi trénovací a testovací částí.

Při kontrole potravin nestačí uvést jedno procento. Potřebujeme citlivost, specificitu, chybovost u jednotlivých tříd, rozsah použití a postup pro výsledky s nízkou jistotou.

Dokáže AI odhalit falšovaný med?

Pouze pokud dostane vhodná měření a byla trénována na relevantním typu falšování. Model pro rozlišování jednodruhového a květového medu nelze automaticky použít k odhalování sirupů. Jde o jinou otázku s jinými referenčními vzorky a často i jinými analytickými metodami.

Evropská pracoviště rozlišují metody zaměřené na konkrétní markery a metody porovnávající celý chemický „otisk“ s databází autentických medů. Strojové učení je užitečné hlavně ve druhé skupině, kvalitu závěru však vždy omezuje kvalita databáze.

Kde může být umělá inteligence prakticky užitečná?

při předběžném třídění velkého počtu laboratorních výsledků,

při hledání neobvyklých kombinací parametrů,

při výběru vzorků pro dražší potvrzovací analýzy,

při budování dlouhodobé databáze vlastních šarží,

při porovnávání nového výsledku s historickými profily stejného druhu.

Výrobci se proto vyplatí archivovat výsledky ve strukturované podobě spolu s datem, stanovištěm, deklarovaným původem a číslem šarže. Sortiment najdete v kategorii Med. Klasické metody doplňuje článek Lze botanický původ medu ověřit pomocí DNA?.

Často kladené otázky

Stačí umělé inteligenci fotografie medu?

Ne ke spolehlivému potvrzení původu. Barva může být jedním ze vstupů, ale botanicky odlišné medy se mohou vizuálně překrývat a skladování barvu mění.

Nahradí model laboratorního odborníka?

Ne. Model zpracovává výsledky, které je nutné správně změřit a interpretovat. Odborník posuzuje vhodnost metody, nejistotu a příčinu neobvyklého výsledku.

Může se model časem zlepšovat?

Ano, pokud se doplňuje o kvalitní, ověřené a dostatečně rozmanité referenční vzorky. Nekontrolovaná data mohou výkon naopak zhoršit.

Je výsledek AI právním důkazem pravosti?

Samotná predikce zpravidla ne. Při úředním nebo obchodním sporu jsou rozhodující validované metody, dokumentace a odborná interpretace.

Jaké místo má AI v kontrole medu?

Umělá inteligence umí spojit desítky údajů do přehledného odhadu a upozornit na neobvyklý vzorek. Její výsledek je však tak spolehlivý jako měření a referenční data, ze kterých vychází. Nejlépe funguje jako doplněk laboratoře a sledovatelnosti, nikoli jako jejich náhrada.

Zdroje: Sahin et al., Scientific Reports (2026), DOI 10.1038/s41598-026-73278-0; Evropská komise, Methods for verifying honey authenticity.