Umělá inteligence bude vědět nejen to, jak chutná a voní Váš oběd

Nejspíše to znáte. Hráli jste si jako malí v pokoji s hračkami, když v tom jste ucítili vůni oběda. Možná jste i přesně podle vůně rozpoznali, že dnes na oběd budou kynuté knedlíky a běželi jste zkontrolovat, jestli už nějaký ten knedlík dostanete ochutnat. Po zakousnutí jste odhalili i náplň samotného knedlíku, tedy například jahody. Ale co kdybych Vám řekl, že za pomoci senzorů by to dnes zvládla i umělá inteligence? A dokonce mnohem víc, že by zvládla říct, jestli byly jahody v knedlíku z Vaší zahrádky a nebo z druhého konce světa? Opravdu to není nic futuristického, jelikož použitím umělé inteligence v potravinářské chemii se nedávno zabývali ve své studii i vědci z Číny.

Potravinářská chemie má dnes spoustu analytických metod, kterými pozná, co je v našem jídle nebo pití. U metod, které mohou výrobek zničit, se pečlivě vybere vzorek z celku, například nějaký objem piva z celé várky, tak aby statisticky celku odpovídal. Zde však spočívá nevýhoda těchto destruktivních metod, kdy nemůžeme zkontrolovat například všechny lahve od piva, jestli se do nich něco nedostalo, ať už tím, že bychom celou várku zničili nebo proto, že samotné chemikálie jsou drahé a celé měření by se tím prodražilo. Navíc je nevýhoda, že těmito metodami nemůžeme zkontrolovat vzorek na místě, musíme s nimi vždy do laboratoře.

Zde nastupují senzorické metody, které výrobek nezničí, tedy jsou nedestruktivní. Ty nespočívají v tom, že by se snad samotný člověk díval například do láhve od piva, ale používá se senzor, který na výrobek svítí část spektra světla, například infračervenou oblastí. Ta pronikne výrobkem a podle toho, jak světlo naráží na jednotlivé chemické látky, tak přístroj vyhodí chemikovi na počítači graf nebo prostorový model (tím chemik pozná i samotnou strukturu chemických látek ve výrobku). Podobně by tomu bylo u senzoru, který zkoumá vůni výrobku, tento senzor by zase čekal, až se k němu dostanou látky, které se z výrobku odpařují (tedy vytvářejí vůni nebo smrad, když se zkazí) a zase by chemikovi vyhodil nějaké údaje do počítače. Další senzory mohou být například zaměřené na pH (kyselost a zásaditost), vlhkost, oxidaci (vliv kyslíku na výrobek) či na fyzikální vlastnosti výrobku. Takový chemik musí být poté schopen tyto různé hodnoty spojit a vzorek vyhodnotit.

Kromě toho, že se snaží potravinářská chemie zjistit, jak je na tom výrobek právě v tu chvíli, tak se snaží předpovídat v různých simulovaných prostředích, kdy se výrobek zkazí, například v lednici, což opět generuje další údaje o výrobku. Někdy chemik do těchto údajů nemůže zahrnout i další neznámé proměnné jako například, co se stane, když výrobek vezeme v rozehřátém autě domů, než ho do té lednice dáme, protože by to ještě zatížilo modelování dalšími údaji, které nejsou pokaždé stejné. Tím pádem může být takových údajů strašně moc na analýzu, což zpomaluje a znesnadňuje celý proces vyhodnocení. Tady by mohla nastoupit právě umělá inteligence.

Tak jako existuje více chemických analytických metod v potravinářské chemii, tak existují různé druhy umělých inteligencí, které se liší v tom, jak zpracovávají údaje z chemických měření. Čínští vědci blíže popisují účinnost jednotlivých umělých inteligencí při různých chemických analytických metodách. Já je zde nebudu podrobněji popisovat, pouze sdělím výsledek výzkumu a tím je, že některé umělé inteligence jsou lepší ve zpracování údajů z některých typů chemických analýz a některé jsou zase u některých analýz horší. Není tudíž jeden typ umělé inteligence, který by zvládl vše. Ale dohromady mohou tvořit tým podobný těm superhrdinským týmům ve filmech, kde každý superhrdina má jiné schopnosti, ale ve spojení dokáží porazit záporáka. My se zde dále podíváme, jaké přesně schopnosti tento tým umělých inteligencí má.

Jak už jsem naznačil s jahodami v úvodu článku, umělá inteligence dokáže rozeznat díky chemickému složení výrobku, v jaké oblasti světa vyrostly použité suroviny ve výrobku. Tím by mohla chránit zákazníka před podvody typu, kdy někdo výrobek prodává dráž, protože o něm tvrdí, že pochází z té nebo oné části světa, čímž je kvalitnější a lépe chutná. Na náš mozek tato informace sice může natolik zapůsobit, že nám výrobek subjektivně více chutná, například víno z Francie nám chutná více, než krabicové víno z Alberta. Ale nebyli byste naštvaní, kdybyste zjistili, že to víno, které jste koupili, je ve skutečnosti krabicové víno z Albertu, místo slibovaného vína z Francie? Věřím, že by to při nejmenším zabolelo Vaši peněženku.

Z různých médií nebo reklam často slýcháváme, co je pro naše tělo zdravé, popřípadě v jakém množství a podobně. Někdy je to pravda více, někdy je to pravda méně, někdy je to vyloženě marketingový výmysl. Většinou se vědci zabývali jen jednou složkou výrobku nebo potravinou, protože neměli nástroje, které by jim pomohly namodelovat složité chemické reakce v našem těle, například při snězení celého našeho oběda. Většinou se proto setkáme spíše jen u léků s tím, že bychom neměli brát nějaké dva léky ve stejný čas nebo je kombinovat s alkoholem. Zde opět přichází na řadu umělá inteligence, která zvládne zpracovat mnohem větší objem dat a zvládne tudíž určit, jaký oběd pro nás může být zdravý a jaký ne. Také dokáže předpovídat nové škodlivé látky (třeba na hubení škůdců), které ve výrobku mohou být a uniknout klasické chemické analýze. Co je pro nás nechemiky praktické, dokáže navrhovat i zdravější recepty nebo nové potraviny. Ale u klasických AI v našich telefonech to prosím nezkoušejte, ty čerpají jen z internetu.

Tímto se dostáváme ke slabinám umělých inteligencí. Tak jako ty naše AI v telefonech čerpají z internetu, kde můžou být nepravdivé údaje, tak stejně i ty používané v potravinářské chemii mohou být krmeny špatnými daty. Tedy místo toho, aby nás chránily před různými kontaminanty, jako jsou pesticidy, tak mohou udělat chybu a nepoznat látku, která je pro člověka fatální nebo ho ohrozí na zdraví. Popřípadě mohou navrhnout novou látku, která má být zdravá, ale ve skutečnosti se bude v praxi chovat úplně jinak. To už je však na samotných chemicích, aby umělou inteligenci kontrolovali. Člověk je tím pádem nejsilnějším, a v případě krmení chybnými daty, i nejslabším článkem chemické analýzy potravin.

Odkaz na celou studii: https://www.tandfonline.com/doi/full/10.1080/10408398.2025.2521648