Dokáže umelá inteligencia rozpoznať pôvod medu?

Umelá inteligencia nedokáže ochutnať med ani sama zmerať jeho vodivosť, cukry či izotopy. Vie však hľadať vzory v údajoch, ktoré získalo laboratórium. Ak má kvalitné referenčné vzorky, môže odhaliť kombinácie parametrov typické pre určité skupiny medov a pomôcť vybrať vzorky, ktoré si vyžadujú podrobnejšiu kontrolu.

Je to užitočný analytický pomocník. Nie je to digitálny rozhodca, ktorý z fotografie pohára potvrdí botanický pôvod alebo pravosť.

Čo v skutočnosti analyzuje umelá inteligencia?

Model strojového učenia pracuje s číslami. V prípade medu to môžu byť výsledky elektrickej vodivosti, vlhkosti, farby, glukózy, fruktózy, minoritných cukrov, izotopových pomerov, minerálov alebo spektrálnych meraní. Každá vzorka v tréningovom súbore musí mať spoľahlivo určenú triedu, napríklad jednodruhový alebo mnohokvetový med.

Počas tréningu model hľadá kombinácie, ktoré triedy odlišujú. Pri novej vzorke následne vypočíta, ku ktorej skupine sa jej profil najviac podobá. Výsledok je predikcia založená na podobnosti s referenčnými dátami, nie nové chemické meranie.

Ako vyzerá cesta od pohára medu k predikcii?

Najskôr treba odobrať reprezentatívnu vzorku a vykonať laboratórne skúšky. Údaje sa skontrolujú, zjednotia a rozdelia na tréningovú a testovaciu časť. Model sa učí iba na tréningových dátach a jeho výkon sa hodnotí na vzorkách, ktoré počas učenia nevidel.

Dôležitá je aj externá validácia. Model môže dosiahnuť vysokú úspešnosť v jednej databáze, no pri medoch z inej krajiny, sezóny alebo laboratória sa môže správať slabšie. Botanický pôvod, pôda, klíma a analytický postup totiž ovplyvňujú celý profil.

Čo ukázala štúdia z roku 2026?

Výskumníci porovnávali viacero algoritmov pri rozlišovaní jednodruhových a mnohokvetových medov. Použili fyzikálno-chemické údaje a stabilné izotopy. Medzi najužitočnejšie premenné patrila vodivosť, glukóza, súčet fruktózy a glukózy, izotopové parametre bielkovín a vybrané minoritné cukry.

Navrhnutý kombinovaný model dosiahol vyvážený výkon porovnateľný s algoritmom Random Forest a prekonal niektoré základné modely. Autori použili aj SHAP hodnoty, ktoré pomáhajú ukázať, ktoré premenné posúvali konkrétnu predikciu.

Štúdia riešila binárne rozdelenie na jednodruhové a mnohokvetové medy. Neučila model určovať každý botanický druh a neoverovala všetky formy falšovania.

Znamená vysoká presnosť, že sa model nikdy nemýli?

Nie. Presnosť závisí od zloženia dát, pomeru tried a spôsobu testovania. Ak je súbor malý alebo má vzorky z obmedzenej oblasti, model si môže osvojiť miestne zvláštnosti namiesto všeobecne platných pravidiel. Problémom môže byť aj únik informácií medzi tréningovou a testovacou časťou.

Pri potravinovej kontrole nestačí uviesť jedno percento. Potrebujeme citlivosť, špecificitu, chybovosť pri jednotlivých triedach, rozsah použitia a postup pre výsledky s nízkou istotou.

Dokáže AI odhaliť falšovaný med?

Iba vtedy, ak dostane vhodné merania a bola trénovaná na relevantnom type falšovania. Model na rozlišovanie jednodruhového a kvetového medu nemožno automaticky použiť na odhaľovanie sirupov. Ide o inú otázku, ktorá vyžaduje iné referenčné vzorky a často aj iné analytické metódy.

Európske pracoviská pri autenticite rozlišujú metódy zamerané na konkrétne markery a metódy, ktoré porovnávajú celý chemický „odtlačok“ s databázou autentických medov. Strojové učenie je užitočné najmä v druhej skupine, no kvalitu záveru vždy obmedzuje kvalita databázy.

Kde môže byť umelá inteligencia prakticky užitočná?

pri predbežnom triedení veľkého počtu laboratórnych výsledkov,

pri hľadaní neobvyklých kombinácií parametrov,

pri výbere vzoriek na drahšie potvrdzovacie analýzy,

pri budovaní dlhodobej databázy vlastných šarží,

pri porovnávaní nového výsledku s historickými profilmi rovnakého druhu.

Pre výrobcu má preto zmysel archivovať výsledky v štruktúrovanej podobe spolu s dátumom, stanovišťom, deklarovaným pôvodom a číslom šarže. Sortiment rôznych druhov nájdete v kategórii Slovenský med. O klasickom overovaní pôvodu viac vysvetľuje článok Dá sa botanický pôvod medu overiť pomocou DNA?.

Často kladené otázky

Stačí umelej inteligencii fotografia medu?

Nie na spoľahlivé potvrdenie pôvodu. Farba môže byť jedným zo vstupov, ale botanicky podobné medy sa môžu vizuálne prekrývať a skladovanie farbu mení.

Nahradí model laboratórneho odborníka?

Nie. Model spracúva výsledky, ktoré treba správne zmerať a interpretovať. Odborník posudzuje vhodnosť metódy, neistotu a príčinu neobvyklého výsledku.

Môže sa model časom zlepšovať?

Áno, ak sa dopĺňa o kvalitné, overené a dostatočne rozmanité referenčné vzorky. Nekontrolované dáta môžu výkon naopak zhoršiť.

Je AI výsledok právnym dôkazom pravosti?

Samotná predikcia spravidla nie. Pri úradnom alebo obchodnom spore sú rozhodujúce validované metódy, dokumentácia a odborná interpretácia.

Aké miesto má AI v kontrole medu?

Umelá inteligencia vie spojiť desiatky údajov do jedného prehľadného odhadu a upozorniť na vzorku, ktorá sa správa nezvyčajne. Jej výsledok je však taký spoľahlivý ako merania a referenčné dáta, z ktorých vychádza. Najlepšie funguje ako doplnok laboratória a vysledovateľnosti, nie ako ich náhrada.

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