
Kvalita siláží se v Česku hodnotí desítky let, ale ne jednotně. Různé laboratoře a poradenské organizace používají různé sady ukazatelů, jiné jednotky, jiné pořadí sloupců ve výstupní tabulce i jiné interpretační hranice. Co je pro jednu laboratoř „výborná siláž“, může být pro druhou „průměr“. Pro farmáře, který srovnává vlastní výsledky napříč lety nebo s kolegy, je to problém — a pro výzkum ještě větší, protože to brání budování srovnatelné databáze.
Nejlépe se to ukáže na Silážní lize — soutěžní přehlídce kvality siláží, kterou každoročně pořádá firma ACE AGRO. Farmáři posílají vzorky, hodnotí se šest kategorií (kukuřičná, vojtěšková, travní, jetelová, luskovinová a ozimá siláž) a výsledky pocházejí z několika různých laboratoří, každá s vlastním protokolem.
V letošní certifikované metodice „Využití AI pro hodnocení siláží“, kterou jsme s kolegy z VÚŽV v rámci projektu AISilageFeeding obsahově dokončili (formálně nyní prochází certifikačním řízením), jsme tento problém řešili naostro: nechali jsme AI zpracovat data z devíti různých laboratorních protokolů — každý s jinými jednotkami, jiným pořadím ukazatelů, jinými zkratkami — a přetáhnout je do jednotného hodnoticího formuláře, tzv. Standardizovaného hodnoticího protokolu siláže (SHPS).
Zatímco ruční přepis a sjednocení dat z devíti různých tabulek by mi trvalo klidně několik dní — hledání, kterým zkratkovým označením ta která laboratoř značí kyselinu máselnou, přepočet jednotek, kontrola, že jsem si nic nepřehodil — v tomto konkrétním případě AI zvládla v řádu minut, a co je důležité, konzistentně: nezapomene, neunaví se a nezamění sloupec.

Funkčnost jsme otestovali na reálných datech: v letech 2023–2026 jsme takto pomocí AI vyhodnotili celkem 120 vzorků siláží — po pěti vzorcích ve všech šesti kategoriích za každý rok. AI data nejen sjednotila do jednoho formátu, ale rovnou je porovnala s referenčními rozsahy a upozornila na odchylky a rizikové hodnoty — například zvýšenou kyselinu máselnou nebo amoniakální dusík, které signalizují problém s fermentací.
Důležité je zdůraznit, co AI nedělá: neurčuje, jestli je siláž dobrá nebo špatná, na základě vlastního úsudku. Pouze rychle a spolehlivě aplikuje pravidla a hranice, které jsme jako odborníci do metodiky sami stanovili. Odpovědnost za interpretaci a doporučení pro farmáře zůstává na výživáři nebo poradci — AI jen odstraňuje tu nejotravnější a časově nejnáročnější část práce: přepisování a slaďování dat.

Prakticky to znamená, že v horizontu projektu (do roku 2030) by farmáři a poradenské organizace měli mít k dispozici nástroj, který jim umožní nahrát výsledky z různých laboratoří, dostat je zpět v jednotném, srovnatelném formátu a rovnou vidět, jak siláž vychází v kontextu referenčních hodnot i historie vlastního podniku. Nejde o nahrazení odborníka, ale o odstranění mravenčí práce, která dnes zabírá čas výživářům i laboratořím.
Certifikovaná metodika, ze které tento přístup vychází, je jen prvním krokem — tvoří metodický základ (WP1) projektu AISilageFeeding. V dalších letech budeme stejný princip rozšiřovat o senzorické hodnocení pomocí standardizovaných fotografií, o teplotní monitoring fermentace a o predikci produkce mléka z konkrétní siláže pomocí modelu MILK2024-CZ. Cílem je, aby farmář dostal ze svých dat víc, než dnes umí nabídnout kterákoli jednotlivá laboratoř sama.
Více si přečtete v říjnovém čísle časopisu Farmář (Ing. Radko Loučka, hlavní řešitel projektu AISilageFeeding (NAZV QL26010434)