Key Takeaways
Společnost Allive nahradila 10 až 30minutovou manuální analýzu konopných semen inspekcí s podporou AI, která vrací výsledky během několika sekund.
Třídění zelených slupek, které dříve trvalo až 2 hodiny na jeden vzorek, se nyní dokončí za pár sekund. Jde o změnu o celý řád v tom, co laboratoř dokáže za den zpracovat.
Během 6měsíčního pilotního projektu vznikl specifický AI model pro konopí s více než 30 třídami nečistot (včetně námelu, sklerocia, ambrozie, řepky a tolice zoubkaté), který dosáhl celkové přesnosti 93.25% na 100% produkčních vzorků.
V případě zoxidovaných konopných semen se systém shodoval s laboratorními výsledky s přesností na 0.03 procentního bodu (laboratoř 1.54% vs. systém 1.57%).
Manažer pro shodu produktů ve společnosti Allive popisuje tento posun jako přechod od 'sledování' k 'měření' - kvalita se stala faktem, nikoli pouhým názorem.
Kontrola kvality v reálném čase nyní podporuje výrobní linky, které čistí 500 kg konopné suroviny za hodinu.
Z každé inspekce vzniká znovuotevíratelný digitální záznam, ve kterém je každý objekt segmentován a klasifikován. Živá ukázka z výrobní linky Allive (detekováno 6,251 zrn) je k dispozici přímo v tomto článku.
JSC Allive je jedním z největších vertikálně integrovaných výrobců průmyslového konopí v Evropě, který dodává své produkty na potravinářské trhy a trhy se zdravou výživou v EU, USA, Kanadě a Japonsku. Jsou to trhy, které netolerují absolutně žádné kompromisy. Manažer pro shodu produktů ve společnosti Allive, Tadas Brazdauskas, to vyjadřuje jasně:
Nejsme jen další z mnoha konopných firem. Jsme společnost, kde kvalita pro nás není pouhé marketingové heslo. Je to každodenní rozhodnutí. Pracujeme s trhy, kde neexistují žádné kompromisy, a tak je neděláme ani my.
- Tadas Brazdauskas, manažer pro shodu produktů
Na konci roku 2025 zahájily společnosti Allive a GrainODM strukturovaný šestiměsíční pilotní projekt, jehož cílem bylo nahradit ruční klasifikaci konopných semen inspekcí řízenou umělou inteligencí. O šest měsíců a dvanáct každotýdenních cyklů zpětné vazby později už proces, který popisují, není o vizuálním odhadu. Jde o exaktní digitální měření. Nebo jak Tadas říká později v tomto příběhu: kvalita se stala faktem, nikoli názorem.
Toto je příběh o tomto posunu, vyprávěný slovy lidí, kteří jím prošli: Tadase a Emilije Nugarienė, junior manažerky laboratoře ve společnosti Allive.
Zlom, kdy ruční proces přestal stíhat
Buď změníme proces my, nebo proces zbrzdí náš růst.
- Tadas Brazdauskas, manažer pro shodu produktů
Inspekce konopí v Allive byla dříve zcela manuální záležitostí. Každá nečistota se jednotlivě počítala a vážila, následně se zapisovala do deníků a přepisovala do Excelu, což s sebou po celou dobu neslo neustálé riziko chyb při přepisu.
„Standardní vzorek trval zhruba 10 minut,“ vzpomíná Emilija. „Ale některé procesy, jako například třídění a počítání zelených slupek, mohly zabrat i dvě hodiny. Během typického dne jsme zvládli 20 až 30 analýz v závislosti na produkci.“
Skutečný tlak přicházel u okrajových případů. Třídění a počítání zelených slupek u jediného vzorku mohlo trvat až dvě hodiny. S AI inspekcí je nyní tato totožná kontrola hotová za několik sekund. Jde o posun o celý řád, který mění to, co dokáže laboratoř fyzicky zvládnout za jeden den, a ne jen to, jak dlouho trvají jednotlivé úkoly.
Při výrobním tempu společnosti Allive, které představuje zhruba 500 kg vyčištěné konopné suroviny za hodinu, znamená pomalá laboratoř i pomalou výrobní linku. Každý další kilogram, u kterého panuje nejistota ohledně kvality, představuje riziko pro plnění prémiových exportních závazků.
Tím úzkým hrdlem nebyl jeden pomalý vzorek. Šlo o to, zda kontrola kvality dokáže držet krok se samotným růstem společnosti.
Jakou hodnotu by tato časová úspora měla při vaší propustnosti?
Allive průměrně zvládalo 20 až 30 vzorků denně, přičemž každý zabral 10 až 30 minut. Odhadněte si, co by nahrazení manuálního hodnocení mohlo znamenat ve formě ušetřených hodin v laboratoři a zvýšení propustnosti pro váš vlastní provoz.
Vyzkoušet kalkulačku ROI →Proč Allive odmítla použít předpřipravené AI řešení
Konopná semena nejsou pšenice. Nečistoty, které musí Allive zachytit (cizí semena, zoxidovaná konopná semena, nezralá konopná semena, slupky a úlomky skořápek, jiné zbytky), se barvou, tvarem a velikostí prolínají s čistými semeny. Standardní modely počítačového vidění vytrénované na běžných obilovinách mají s tímto překryvem obrovské problémy.
Nehledali jsme ani tak samotnou technologii, jako spíše mozky, které za ní stojí.
- Tadas Brazdauskas, manažer pro shodu produktů
„Pokud partner nerozumí vašemu produktu, AI vám nepomůže,“ vysvětluje Tadas. „Konopná semena nejsou jednoduchá jako pšenice. Nečistoty se mohou tvarem, barvou i velikostí velmi podobat. Bylo pro nás kriticky důležité, aby model byl trénován přímo na nečistotách, které jsme po dlouhou dobu sbírali, a na našich reálných zkušenostech.“
Tento přístup definoval celý rozsah projektu. Nešlo o pouhou instalaci softwaru. Šlo o společný projekt vývoje na míru.
Zákulisí šestiměsíčního pilotního projektu
Struktura pilotního projektu byla záměrně postavena na úzké spolupráci. Laboratoř společnosti Allive dodávala vzorky, anotovala okrajové případy a upozorňovala na chybné klasifikace. GrainODM každý týden přetrénoval model a nasadil aktualizace. Celý cyklus probíhal od října 2025 do března 2026, s formálními týdenními revizemi zachycenými ve společném 96stránkovém logu, který sleduje každé pozorování, úpravu modelu i vyřešené okrajové situace.
Vývoj modelu lze nejlépe demonstrovat na jedné konkrétní třídě. V prvních týdnech byly nečistoty, které se přesně neshodovaly s žádnou z trénovaných tříd, zařazovány do obecné kategorie „jiná semena“. Při jedné kontrole ve druhém týdnu systém nahlásil 260 položek jako „jiná semena“, zatímco laboratoř napočítala pouhých 6. Na konci pilotního projektu byla tato obecná kategorie nahrazena více než třiceti specifickými třídami – včetně tříd jako námel, sklerocium, ambrozie, řepka, tolice zoubkatá, ředkev olejná, vikev chlupatá, ředkev ohnice, lopuch plstnatý, rdesno blešník, oves hluchý, pšenice, hořčice a svízel – rozdělenými do tří hlavních kategorií, které laboratoř Allive využívá: alergenní, nebezpečné a škodlivé nečistoty.
V únoru 2026 dosahoval model 93.25% celkové přesnosti na 100% produkčních vzorků napříč celou sadou tříd. U jednoho typu nečistot, kde Allive pečlivě sleduje kritické exportní limity – zoxidovaná konopná semena – se systém shodoval s laboratorními výsledky s přesností na 0.03 procentního bodu (laboratoř 1.54% oproti systému 1.57% zprůměrováno z devíti vzorků).
Stejný vzorek konopných semen ve společnosti Allive před a po kontrole pomocí AI od GrainODM: surová podložka versus segmentované a klasifikované detekce.
Emilija sledovala celý pokrok přímo z prostředí laboratoře. „Během pilotu se systém neustále zlepšoval. S každou aktualizací rozpoznával naše typy semen a nečistot přesněji. Bylo zřejmé, že tým s našimi daty aktivně pracoval a že přesnost modelu se stabilně zvyšovala.“
„Byli jsme nároční. A je dobře, že s námi dokázali držet krok,“ dodává Tadas. „Model se učil na našich datech a my do celého procesu byli ponořeni až po uši. Některé věci trvaly déle, než jsme čekali, ale během toho rostla i naše vlastní očekávání. Nebylo to styl ‚koupit a používat‘. Bylo to opravdu ‚vytvořit společně‘.“
Pohled z laboratoře: rychlost a důkazy
Emilija zpracovává vzorky konopí každý den. Její rutina zahrnuje počítání nečistot, třídění nezralých a oloupaných semen, administrativu a audit výrobní linky. Právě ona má ten nejjasnější obrázek o tom, jak práce vypadala před a po začlenění AI do laboratoře.
Pro ni byla první velkou změnou ta fyzická. „Nejvíce mě překvapila samotná rychlost. Výsledky máte za pár sekund. To byla naprosto obrovská změna ve srovnání s manuální prací, kterou jsme do té doby dělali.“
Kromě ušetřeného času se ale ukázaly jako ještě důležitější dvě věci, které při každodenní práci předčily očekávání obou stran z počátku projektu.
Strukturované kategorie v reportu. „Je obrovskou výhodou, že výsledky přicházejí ve strukturované tabulce,“ uvádí Emilija, „kde jsou kategorie – alergenní, nebezpečné, škodlivé nečistoty – a jejich celkové součty naprosto přehledně viditelné.“ Mezi analýzou a případnou otázkou auditora tak nestojí žádný prostor pro vlastní interpretace.
Záznam, který můžete kdykoli odeslat. Každý analyzovaný vzorek si uchovává svůj plný interaktivní report. Pokud kupující nebo auditor zpochybní kvalitu dodávky, Allive jim prostě pošle tento soubor. Ti si ho otevřou, přiblíží detaily a vidí přesně to, co viděla laboratoř. Nezůstává žádný prostor k diskuzím.
Otevřít interaktivní report →
Jednou z nejužitečnějších funkcí je možnost uložit fotografii vzorku a analyzovat ji znovu později, pokud vyvstanou jakékoliv otázky nebo spory ohledně kvality.
- Emilija Nugarienė, junior manažerka laboratoře
Každý, kdo někdy pracoval na pozici v oblasti řízení kvality, moc dobře ví, jakou to má cenu. Záznam podložený fotografií zkrátí mnohahodinové porady na pětiminutovou odpověď.
Z pohledu vedení: kvalita jako podložený fakt
Tadas hodnotí transformaci z odlišné perspektivy.
Kvalita se stala faktem, nikoli názorem.
- Tadas Brazdauskas, manažer pro shodu produktů
„Pracujeme se zemědělskou surovinou, kde si ani velmi zkušený specialista nemůže všimnout naprosto všeho, zvlášť po mnoha ručních analýzách v řadě. Oči se prostě unaví. Systém dokáže odhalit i ty věci, které bychom pouhým okem nezachytili, a ke každému nálezu vytvoří trvalý digitální záznam.“
Druhým zásadním posunem je časové ukotvení. Ruční kontrola kvality probíhala jako tvorba zprávy až po samotné výrobě. Inspekce s AI ale běží souběžně s čistící linkou. „Teď můžeme provádět analýzu během samotného procesu, a to každý den. Když vyrábíte 500 kg vyčištěné suroviny za hodinu, tak je reakční doba naprosto klíčová. To, co dříve bývalo pomalým procesem, je dnes řízení kvality v reálném čase. Znamená to méně neshod, méně přepracovávání a výrazně nižší náklady.“
Tadas shrnuje celou situaci před a po do jediné věty: „Dříve jsme se spoléhali na vlastní oči. Nyní pracujeme s daty.“
Co by zástupci Allive vzkázali kolegům z oboru, kteří o automatizaci teprve uvažují
V Tadasově odpovědi jasně vyvstávají tři hlavní body. Zaprvé, nutnost jednat. Zadruhé, vnímání automatizace jako dlouhodobého směru, nikoli jen jako jednorázového nákupu. A zatřetí, zaměření na samotné lidi.
Pokud o tom stále jen uvažujete, už teď máte zpoždění. Tohle není o výběru jedné z možností. Je to směr vývoje.
- Tadas Brazdauskas, manažer pro shodu produktů
„Automatizace totiž není jen o šetření času. Mění samotnou povahu práce. Podařilo se nám odstranit únavnou monotónnost a dát lidem mnohem více zodpovědnosti i prostoru k profesnímu růstu. To je mnohem vyšší hodnota než jen pouhá efektivita – není to jen produktivita, ale také skutečná motivace. Pracovat chytře, nikoli tvrdě. Tím úplně nejdůležitějším bodem ale je zvolit si takového partnera, který chce tuto cestu projít s vámi, protože pak není výsledkem pouhá technologie. Jde o hmatatelnou změnu vašeho byznysu.“
Emilijino hodnocení z laboratoře je sice o něco střízlivější, ale vyznívá v úplně stejném duchu:
Tyto nástroje se brzy stanou neoddělnou součástí každodenní práce, budou skvěle doplňovat odbornost specialistů a neustále zvyšovat efektivitu.
- Emilija Nugarienė, junior manažerka laboratoře
„Podobná technologie ušetří spoustu času, zásadně zvýší spolehlivost výsledků a dokáže je standardizovat,“ dodává na závěr.
Tento rozdíl je zásadní. Ve společnosti Allive AI inspekce laboratoř nenahradila. Naopak, laboratoř díky ní získala druhý pár očí, který se nikdy neunaví a který může svou práci kdykoliv přesně doložit.
Význam pro konopný průmysl
Pilotní projekt Allive je pouze jedním z mnoha datových bodů, nikoli finálním verdiktem pro celý obor. Zcela určitě ale představuje významný milník. Pro společnosti, které dodávají prémiové konopné ingredience na trhy netolerující kompromisy, už není spoléhání se výhradně na manuální kontrolu kvality bezpečným standardem. Očekávání odběratelů se totiž rychle přesouvá směrem k digitálním důkazům o kvalitě každé jednotlivé šarže a konopí tak kráčí ve stejných šlépějích, jakými se vydaly obiloviny zhruba před deseti lety.
Pro reference k tomuto příběhu (jaké třídy nečistot sledují konopné laboratoře, které standardy se uplatňují v EU, USA, Kanadě a Japonsku a jak vyhodnotit partnera pro AI inspekci) navštivte náš přehled kontroly kvality konopných semen. Další informace o pozadí ze září 2025, kdy tato spolupráce vůbec začala, naleznete v našem původním oznámení. Pro ucelenější přehled toho, jak analyzátory s AI fungují, doporučujeme přečíst si náš článek vysvětlující analyzátory obilovin a průvodce testováním čistoty obilovin.
Pokud vedete zpracovatelský provoz s konopím a rádi byste pochopili, jak může vypadat šest měsíců tréninku AI modelu na míru přímo pro váš produkt, rezervujte si 30minutovou schůzku, vyzkoušejte naši kalkulačku ROI, abyste viděli, jakou úsporu by nahrazení manuálního posuzování mohlo znamenat při vaší aktuální propustnosti, nebo otevřete živý inspekční report a přesvědčte se, jak vypadá digitální záznam, který teď společnost Allive generuje u každé šarže.
Často Kladené Otázky
Pilotní projekt běžel šest měsíců, od října 2025 do března 2026, a zahrnoval každotýdenní schůzky týmu kontroly kvality Allive a týmu pro trénování modelů GrainODM. Celý proces iterace byl zdokumentován v 96stránkovém protokolu, kde se sledovala zjištění z každého týdne, úpravy modelu a vyřešené okrajové případy.
V únoru 2026 dosáhl model celkové přesnosti 93.25% u 100% produkčních vzorků napříč více než třiceti třídami nečistot. Konkrétně u zoxidovaných konopných semen systém odpovídal laboratorním výsledkům v rozmezí pouhých 0.03 procentního bodu (laboratoř 1.54% oproti 1.57% u systému, zprůměrováno z devíti vzorků).
Standardní manuální analýza jednoho vzorku trvala od začátku do konce zhruba 10 až 30 minut, v závislosti na vzorku a včetně zadávání dat. Specifické případy, jako je třídění a počítání zelených slupek, mohly trvat až dvě hodiny. S AI inspekcí se nyní tyto stejné kontroly dokončí za několik sekund.
Nečistoty v konopných semenech se často podobají samotným semenům svou barvou, tvarem i velikostí. Běžně dostupné modely pro obiloviny je nedokážou spolehlivě odlišit. Allive vytrénovala model GrainODM na vlastní rozsáhlé databázi nečistot, kterou budovala z letitých zkušeností s produkcí konopí.
Ke každému analyzovanému vzorku se generuje digitální report s původní fotografií, detekovanými kategoriemi nečistot (alergenní, nebezpečné, škodlivé), počty kusů a časovým razítkem. Tyto zprávy lze kdykoli znovu otevřít pro řešení sporů ohledně kvality nebo pro odpovědi na otázky při auditu.
Čisticí linka společnosti Allive zpracuje zhruba 500 kg vyčištěné konopné suroviny za hodinu. AI inspekce nyní umožňuje přijímat rozhodnutí o kontrole kvality v reálném čase, a to přesně při této propustnosti.
Model společnosti Allive byl trénován v průběhu šestiměsíčního strukturovaného pilotního projektu s týdenními cykly revizí. Tento časový horizont odráží složitost odlišování konopných nečistot, které jsou vizuálně velmi podobné samotným semenům. Provozy s jednodušší sadou tříd mohou dosáhnout požadované produkční přesnosti rychleji, zatímco u vysoce variabilních produktových směsí může být zapotřebí delší iterace.
Ano. GrainODM generuje digitální inspekční reporty (včetně anotovaného obrázku vzorku, počtů pro jednotlivé třídy, celkových součtů a časového razítka), které lze exportovat a integrovat do stávajících laboratorních informačních systémů (LIMS) nebo systémů pro řízení kvality (QMS). Rozsah integrace se obvykle definuje už během nastavení pilotního projektu.
Jakmile je dosaženo cílů v oblasti přesnosti na vzorcích zákazníka, přechází pilotní projekt do běžného produkčního využití. Model se i nadále udržuje, což znamená, že lze pomocí dalších tréninkových cyklů přidávat nové třídy nečistot nebo produktové řady, aniž by bylo nutné pořizovat zcela nový nástroj.
The New Standard in Grain Purity Analysis
Data, not guesswork. Learn how GrainODM sets a new benchmark for digital grain inspection.