Umjetna inteligencija u

kulinarstvu i gastronomiji – što

je novo u godinu dana?

Darko Stipaničev

Fakultet elektrotehnike , strojarstva i brodogradnje Sveučilišta u Splitu

Mirta Stipaničev

Versuni, Amsterdam, Nizozemska

Biser mora, Supetar,3. travanja 2025.g.

Motivacija

+ Prošle smo godine na Biseru mora

održali predavanje Kako novi alati

umjetne inteligencije mogu pomoći

u kulinarstvu i gastronomiji? i

objavili ga na stranicama Skitopisa:

https://skitopisi.com.hr . Do danas je

stranica otvorila preko 1700 puta, pa

pretpostavljamo da je to tema koja

ljude zanima.

Motivacija

Da smo bili napredni potvrđuje i

slijedeće:

Koncem travnja 2024.g. (nakon

Bisera mora) jedan od istraživača

kojeg ćemo spominjati u nastavku

Enriko Axpe održao je na skupu

Terra 2024 na Kanarima

posvećenom ruralnoj gastronomiji

predavanje na temu korištenja

ChatGPT u gastronomiji. Mi smo u

isto vrijeme o tome pričali na

Biseru mora 2024.

Motivacija

+Kako je umjetna inteligencija

područje koje se vrlo

intenzivno razvija, zanimalo

nas je što se događalo u

proteklih godinu dana, a

događalo se puno toga u svim

područjima ljudske djelatnosti,

pa tako i u području kulinarstva i

gastronomije.

Motivacija

Umjetna inteligencija više nije samo eksperiment – ona je postala

sastavni dio kulinarskog svijeta, donoseći brojne inovacije, a

brzani napredak tehnologije otvara nova pitanja:

+ Može li AI postati korisni virtualni sous chef?

+ Mogu li algoritmi još više i intrigantnije pomoći u slaganju

okusa ili sljubljivanju hrane i vina?

+ Kako pametni sustavi pomažu restoranima u optimizaciji

poslovanja i održivosti?

Motivacija

Pokušati ćemo ovom prezentacijom dati bar dio odgovora na ova

pitanja, ali i nastojati objasniti kako sustavi umjetne

inteligencije stvarno rade i koji su problemi njihovog

korištenja.

+ Nastojati ćemo primjerima pokazati u kojem se smjeru razvija

upotreba alata umjetne inteligencije u kulinarstvu i gastronomiji.

+ Naglasak će nam kao i lani biti na tome kako praktično koristiti

kao novu generaciju ‘korisnih pomagača’ temeljenih na

umjetnoj inteligenciji. Naglasak je na riječi ‘pomagača’, zato što

su novi alati upravo to – korisni ‘pametni’ pomagači.

O čemu ćemo govoriti?

1. Kratko prisjećanje na to što je umjetna inteligencija, a što

generativna umjetna inteligencija (GenAI) i veliki jezični modeli

(LLM).

2. Veliki jezični modeli u kuhinji: Od virtualnog sous chefa do AI

sommeliera.

3. Umjetna inteligencija u kreiranju novih okusa i idealnom

kombiniranju okusa – od kemije do digitalnih blizanaca.

4. Zaključne misli.

Što je to umjetna inteligencija?

+ Umjetna inteligencija (engl. AI - Artificial Intelligence) je

znanost čiji je cilj napraviti umjetnu tvorevinu - stroj sposoban

rješavati zadatke za čije rješenje je potrebna inteligencija

ukoliko ih rješava čovjek (Marvin Minsky, MIT).

+ Koji su to zadaci? To su kompleksni zadaci koji se ne mogu

riješiti standardnim matematičkim formulama npr.

+razumijevanje teksta, govora i slike

+kreiranje relevantnih odgovora na temelju postavljenih pitanja

+Zaključivanje i samostalno donošenje odluka na temelju ulaznih

podataka, npr. senzorskih informacija.

Što je to umjetna inteligencija?

+ Umjetna inteligencija spada u ne-biološku ili alfa-inteligenciju.

Što je to generativna umjetna

inteligencija

+ Generativna umjetna inteligencija (engl. GenAI – Generative

Artificial Intelligence) je dio ne-biološke alfa-inteligencije koja

se bavi tzv. generativnim modelima.

+ Generativni modeli su računalni programi koji se treniraju na

velikoj količini ulaznih podataka, te na temelju naučenih

informacija generiraju nove podatke (npr. tekst ili slike).

Što je to generativna umjetna inteligencija

+Generativni modeli rade po principima

računske inteligencije (engl. CI –

Computational Intelligence), preciznije

po principima umjetnih neuronskih

mreža (engl. ANN - Artificial Neural

Networks) ili još preciznije na principima

dubokog učenja (eng. DL - Deep

Learning), koje se temelji na velikim i

dubokim umjetnim neuronskim

mrežama koje pokušavaju oponašati

ustroj ljudskog mozga.

Što su veliki jezični modeli -LLM

+ Posebno mjesto unutar Generativne AI imaju Veliki jezični modeli (engl.

LLM – Large Language Models) koji su se primarno bavili obradom teksta,

ali su danas multimodalni pa se brave i tekstom i zvukom i slikom.

+ Radi se o vrlo velikim i vrlo dubokim umjetnim neuronskim mrežama

treniranim na ogromnoj količini ulaznih podataka.

Slojevi kod velikih jezičnih modela

Na slici je 5

slojeva i 50-ak

umjetnih neurona

u svakom sloju, a

LLM imaju preko

100 slojeva s

milijardama

umjetnih neurona

u svakom sloju.

Što su veliki jezični modeli - LLM

+ Koliko su veliki najbolje ilustrira tablica

MREŽA BROJ SLOJEVA BROJ PARAMETARA

(UMJENIH NEURONA)

PODACI ZA TRENIRANJE

GPT-3 96 175 milijardi (10

)

499 milijardi (10

) tokena

(Wikipedia 3%)

GPT-4 120 1.8 bilijuna (10

) 13 bilijuna (10

) tokena

LJUDSKI MOZAK

nije organiziran u slojeve

100 milijardi (10

) ?

Token u kontekstu treniranja velikih jezičnih modela, poput GPT, predstavlja

najmanju jedinicu teksta koja se obrađuje.

Tokeni mogu biti riječi, dijelovi riječi (npr., prefiksi, sufiksi, korijeni riječi), ili

čak pojedinačni znakovi, ovisno o tome kako je model konfiguriran za

tokenizaciju ulaznog teksta.

Tokenizacija

LLM - veliki jezični modeli

+ Prvi veliki jezični model GPT-1 koji je napravila

tvrtka OpenAI, se pojavio se 11.6.2018. god i

napravio revoluciju.

+ Od prošlogodišnje prezentacije područje velikih

jezičnih modela je bilo jako živo. Skoro svi veliki

igrači su predstavili nove inačice, a pojavili su se i

neki novi igrači.

+ Pogledajmo što se novo pojavilo.

OpenAI - ChatGPT

+ GPT - Generative Pre-Trained Transformers

(https://chat.openai.com) se pojavio prvi i možda je još uvijek danas

najpopularniji. Zadnje inačica (koja se plaća 20 US$ mjesečno) su:

+ GPT o3 (12.2024.) - specijaliziran, efikasan model, fokusiran na složene,

analitičke zadatke koji zahtijevaju precizno zaključivanje. Snažne sposobnosti

dubokog i kompleksnog zaključivanja, veća brzina i efikasnost u specifičnim

zadacima posebno u znanosti. Niža cijena korištenja, efikasniji model.

+GPT 4.5 (02.2025.) - Opći, kreativan model s naprednim prepoznavanjem

uzoraka i interakcijom s korisnicima. Općenita interakcija, kreativni zadaci,

generiranje sadržaja u obliku teksta, slike, zvuka. Skupi model zahtjevan u

resursima.

+Za gastronomiju je pogodniji GPT 4.5, pa su primjeri koje ćemo prikazati

napravljeni u njemu.

Google - Gemini

+ Gemini 2.0 (02.2025) (https://gemini.google.com) ima dvije inačice:

2.0 Flash namjenjen općoj upotrebi (kao GPT 4.5) i 2.0 Flash

Thinking koji ima napredni sustav zaključivanja ali je još uvijek u

eksperimentalnoj fazi. Ima i Advanced verziju koja se plaća.

+ Pruža multimodalnu integraciju i naprednu interakciju teksta, slika i

videa. A

Anthropic - Claude 3.7 Sonnet

+ Claude 3.7 Sonnet (02.2025.) (https://cloude.ai ) relativno noviji igrač u

području velikih jezičnih modela koji se brzo pozicionirao na tržištu. Tvrtku

Anthropic su osnovali bivši zaposlenici OpenAI.

+ Sposobnost izvođenja složenih kognitivnih zadataka koji nadilaze

jednostavno prepoznavanje uzoraka ili generiranje teksta.

+ Mogućnost transkribiranja i analize gotovo bilo koje statične slike,

uključujući rukom pisane bilješke i fotografije.

+ Najnovija verzija iz veljače 2025., predstavlja hibridni model zaključivanja

koji omogućuje korisnicima odabir između brzih odgovora i detaljnog,

korak-po-korak zaključivanja.

DeepSeek R1

+ DeepSeek R1 (01.2025.) (https://www.deepseek.com )

+ DeepSeek je kineska tvrtka osnovana 2023.g. U siječnju 2025., DeepSeek

je predstavio R1 model, koji je postigao performanse usporedive s

vodećim modelima poput OpenAI GPT o1, ali uz znatno niže troškove

razvoja.

+ DeepSeek R1 koristi inovativne tehnike kako bi smanjio troškove

treniranja, omogućujući visoku učinkovitost uz niže resurse.

+ Uspjeh DeepSeeka doveo je u pitanje učinkovitost američkih izvoznih

kontrola na napredne čipove, jer je tvrtka uspjela razviti konkurentan

model koristeći manje napredne resurse.

+ Uz to je objavljen s licencom otvorenog koda, omogućujući zajednici

slobodno korištenje i prilagodbu modela.

Kako koristiti ovakve alate – pravilno postaviti pitanje

Upit: Predloži mi natjecateljsko jelo za Biser mora 2025. u kategoriji rižota.

GhatGPT 4.5: Rižoto „Plavo zlato Jadrana“ – Rižoto od plavog

raka, morskih šparoga i citrusnog kavijara

Opis koncepta:

Ovaj kreativni rižoto slavi jedinstvene namirnice Jadranskog mora

kroz spoj tradicionalnih i modernih tehnika. Centralni element je

meso od plavog raka (Callinectes sapidus), delikatesa intenzivnog

okusa i meke teksture, u kombinaciji s morskim šparogama koje

daju prepoznatljiv slankasti okus. Citrusni kavijar od limete (finger

lime) predstavlja atraktivnu, osvježavajuću komponentu, pružajući

jedinstven teksturalni doživljaj..

📝

Sastojci i komponente:

• Carnaroli ili Vialone Nano riža (za kremastu teksturu)

• Meso plavog raka (svježe, delikatno termički obrađeno)

• Morske šparoge (salicornia) – blanširane, hrskave

• Citrusni kavijar (finger lime) – osvježavajuće citrusne perlice

• Lagani rakov temeljac – pripremljen od ljuštura plavog raka

• Bijelo vino malvazija (svježina i kiselost)

• Kremasti maslac (završni touch)

• Ekstra djevičansko maslinovo ulje

• Mikro-zelen koromača ili potočarke (za dekoraciju)

🍽

Prezentacija:

Jelo servirati na velikom, plitkom tanjuru elegantnog dizajna.

Rižoto položiti u sredinu, a zatim pažljivo postaviti komadiće

mesa od plavog raka i dekorativno raspoređene morske

šparoge na vrh. Dodati citrusni kavijar od limete koji pruža

osvježavajuće „eksplozije” okusa u ustima. Završiti s nekoliko

kapi vrhunskog maslinovog ulja te dekorirati mikro-zelenjem

za svježinu i estetiku.

🌿

Gastronomska priča:

„Plavo zlato Jadrana“ ističe vrijednost lokalnih sastojaka i

more kao nepresušni izvor inspiracije. Jelo kroz sofisticiranu

prezentaciju i skladan balans okusa i tekstura prikazuje

inovaciju, kreativnost i duboko poštovanje prema

mediteranskoj tradiciji – idealno za natjecanje poput Bisera

mora 2025.

Kako je ChatGPT kreirao ovaj odgovor?

1. Tokenizacija

Prvi korak je tokenizacija, rastavljanje teksta na manje jedinice nazvane

tokeni, riječi, dijelovi riječi ili interpunkcijski znakovi koje model

prepoznaje iz svog vokabulara. Primjer tokenizacije upita:

"Predloži mi natjecateljsko jelo za Biser mora 2025. u kategoriji rižota.”

["Pred", "loži", "mi", "nat", "jec", "atelj", "sko", "jelo", "za", "Bis", "er",

"mora", "2025", ".", "u", "kategoriji", "ri", "žota", "."]

Kako je ChatGPT kreirao ovaj odgovor?

2. Pretvaranje tokena u vektore (embediranje)

Svaki token zatim prelazi u numerički oblik u višedimenzionalne

numeričke vektore, koji predstavljaju značenje i kontekst riječi.

Pojednostavljeni primjer (ne stvarne vrijednosti):

Ovi vektori omogućuju modelu da razumije smisao i kontekst svakog

tokena u tvojem upitu.

Kako je ChatGPT kreirao ovaj odgovor?

3. Prolaz kroz slojeve neuralne mreže

Nakon embediranja, vektori prolaze kroz moju neuralnu mrežu – u ovom slučaju GPT-4.5

– koja se sastoji od mnogo slojeva (transformer arhitektura).

Ukratko, što se događa u neuralnoj mreži:

+ Self-Attention (pažnja): Svaki token “provjerava” važnost svih drugih tokena u

rečenici kako bi razumio kontekst.

+ Feed-forward (unaprijedni) slojevi: Dodatno obrađuju informaciju kako bi odredili

značenje i kontekstualnu povezanost.

Primjer:

+ Model identificira ključne pojmove poput "natjecateljsko jelo", "Biser mora", "2025" i

"rižota".

+ Povezuje značenje tih pojmova s prethodno treniranim znanjem o gastronomiji,

Mediteranu, natjecanjima i kreativnim receptima s kojim je treniran.

Kako je ChatGPT kreirao ovaj odgovor?

4. Generiranje teksta – izlazni tokeni

Kad model obradi sve upitne tokene, kreće generirati odgovor korak

po korak, token po token, svaki put predviđajući sljedeći najbolji

mogući token na temelju svih prethodnih.

Primjer generiranih tokena (pojednostavljeno):

Rižoto „Plavo zlato Jadrana“ – Rižoto od plavog raka, morskih šparoga

i citrusnog kavijara...

Kako je ChatGPT kreirao ovaj odgovor?

5. Provjera sigurnosti i prikladnosti

Prije nego što se odgovor preda, dodatni sustavi pregledavaju

generirani tekst kako bi osigurali da je prikladan, siguran i relevantan.

Sažeto kazano postupak je slijedeći:

upit → tokenizacija upita → pretvaranje tokena u vektore → prolaz kroz

umjetnu neuronsku mrežu → generiranje tokena odgovora →

dekodiranje → provjera prikladnosti → odgovor

Problem – na isti upit svaki put se dobije drugačiji odgovor

Upit: Predloži mi natjecateljsko jelo za Biser mora 2025. u kategoriji rižota.

GhatGPT 4.5: Rižoto „Plavo zlato Jadrana“ – Rižoto od plavog

raka, morskih šparoga i citrusnog kavijara

Opis koncepta:

Ovaj kreativni rižoto slavi jedinstvene namirnice Jadranskog mora

kroz spoj tradicionalnih i modernih tehnika. Centralni element je

meso od plavog raka (Callinectes sapidus), delikatesa intenzivnog

okusa i meke teksture, u kombinaciji s morskim šparogama koje

daju prepoznatljiv slankasti okus. Citrusni kavijar od limete (finger

lime) predstavlja atraktivnu, osvježavajuću komponentu, pružajući

jedinstven teksturalni doživljaj..

📝

Sastojci i komponente:

• Carnaroli ili Vialone Nano riža (za kremastu teksturu)

• Meso plavog raka (svježe, delikatno termički obrađeno)

• Morske šparoge (salicornia) – blanširane, hrskave

• Citrusni kavijar (finger lime) – osvježavajuće citrusne perlice

• Lagani rakov temeljac – pripremljen od ljuštura plavog raka

• Bijelo vino malvazija (svježina i kiselost)

• Kremasti maslac (završni touch)

• Ekstra djevičansko maslinovo ulje

• Mikro-zelen koromača ili potočarke (za dekoraciju)

🍽

Prezentacija:

Jelo servirati na velikom, plitkom tanjuru elegantnog dizajna.

Rižoto položiti u sredinu, a zatim pažljivo postaviti komadiće

mesa od plavog raka i dekorativno raspoređene morske

šparoge na vrh. Dodati citrusni kavijar od limete koji pruža

osvježavajuće „eksplozije” okusa u ustima. Završiti s nekoliko

kapi vrhunskog maslinovog ulja te dekorirati mikro-zelenjem

za svježinu i estetiku.

🌿

Gastronomska priča:

„Plavo zlato Jadrana“ ističe vrijednost lokalnih sastojaka i

more kao nepresušni izvor inspiracije. Jelo kroz sofisticiranu

prezentaciju i skladan balans okusa i tekstura prikazuje

inovaciju, kreativnost i duboko poštovanje prema

mediteranskoj tradiciji – idealno za natjecanje poput Bisera

mora 2025.

Problem – na isti upit svaki put se dobije drugačiji odgovor

Upit: Predloži mi natjecateljsko jelo za Biser mora 2025. u kategoriji rižota.

GhatGPT 4.5: Rižoto „Jadranska simfonija“ – Rižoto od

kvarnerskog škampa, motara i emulzije agruma s hrskavim algama

Opis koncepta:

„Jadranska simfonija“ elegantno je jelo koje kroz sklad okusa i

tekstura donosi inovativnu interpretaciju tradicionalnih

kvarnerskih sastojaka. Temelj jela je kremasti rižoto pripremljen s

vrhunskim kvarnerskim škampom, obogaćen slankasto-

aromatičnim morskim motarom i osvježen emulzijom od agruma

(mandarina i limuna). Završni element su hrskavo pržene

jadranske alge, koje daju intrigantan kontrast kremoznosti rižota.

📝

Sastojci i komponente:

• Carnaroli riža

• Svježi kvarnerski škampi (pripremljeni laganim sotiranjem na

maslinovom ulju s dodatkom vina)

• Morski motar (delikatno blanširan, slankasto-aromatičan)

• Agrumi (emulzija od limuna i mandarina za svježinu i balans)

• Hrskave jadranske alge (kombu ili wakame, pržene u tankim

listićima za teksturu)

• Blagi riblji temeljac od ljuski škampa (za dodatnu dubinu

okusa)

• Maslac i parmezan za završnu kremoznost

• Svježe začinsko bilje (mikroperšin ili mikrokomorač)

🍽

Prezentacija:

Rižoto se poslužuje u elegantnom, plitkom tanjuru kako bi do

izražaja došla njegova kremozna tekstura. Na vrhu se pažljivo

aranžiraju nježni repovi kvarnerskih škampa, blanširani morski

motar, te se jelo obogaćuje emulzijom agruma nanesenom u

tankim linijama ili kapljicama. Završni detalj čine hrskavi čips

od algi te nekoliko listića mikroperšina ili mikrokomorača za

dodatnu svježinu i estetiku.

🌿

Gastronomska priča:

„Jadranska simfonija“ priča je o okusima Kvarnera, spoj

tradicije i modernizma koji ističe najbolje od Mediterana:

vrhunske namirnice mora, aromatično bilje i osvježavajuće

agrume. Savršeno je natjecateljsko jelo koje ističe tehniku,

kreativnost i regionalni identitet na prestižnom

gastronomskom natjecanju Biser mora 2025.

Problem – na isti upit svaki put se dobije drugačiji odgovor

Upit: Predloži mi natjecateljsko jelo za Biser mora 2025. u kategoriji rižota.

GhatGPT 4.5: Rižoto „Mediteranska čipka“

Kremasti rižoto od kozica, morskih šparoga i koromača s

hrskavom čipkom od sipinog crnila

Opis koncepta:

„Mediteranska čipka” je suvremena reinterpretacija klasičnog

dalmatinskog rižota, gdje tradicionalne lokalne namirnice poput

svježih kozica, morskih šparoga (salicornia) i koromača dobivaju

moderan zaokret dodatkom hrskave, elegantne čipke od sipinog

crnila. Jelo spaja bogate okuse Jadrana s inovativnim tehnikama

koje zadovoljavaju sva osjetila.

📝

Sastojci i komponente:

• Carnaroli riža (za kremastu, svilenu teksturu)

• Svježe kozice iz Jadranskog mora (lagano poširane u ribljem

temeljcu)

• Morske šparoge (Salicornia) (blanširane, slankaste, hrskave)

• Koromač (karameliziran za slatkoću i dubinu okusa)

• Bijelo dalmatinsko vino (Pošip)

• Čipka od sipinog crnila (pripremljena tehnikom tankog

hrskavog tijesta)

• Emulzija od limuna i ekstra djevičanskog maslinovog ulja

• Ukras od mikro-zeleni (komorač ili potočarka)

🍽

Prezentacija:

Rižoto se poslužuje u dubokom elegantnom tanjuru kremaste

teksture, na čijoj se površini pažljivo aranžiraju sočne kozice,

svježe blanširane morske šparoge te karamelizirani komadići

koromača. Hrskava crna čipka od sipinog crnila se delikatno

postavlja na vrh kao vizualno upečatljiv element. Uz rub

tanjura dodaje se emulzija limuna i maslinovog ulja koja jelu

daje osvježavajući balans.

🌿

Gastronomska priča:

Ovo jelo spaja bogatstvo mediteranskih sastojaka s

modernističkim tehnikama pripreme. „Mediteranska čipka”

nije samo rižoto – to je jelo koje kroz okus i prezentaciju

govori o Jadranu, inovaciji i tradiciji. Idealno je za natjecanja

poput Bisera mora 2025., ističući regionalni identitet uz

suvremenu kulinarsku kreativnost.

Zašto je to tako?

Na isto pitanje GhatGPT svaki put daje drugačiji odgovor zato što je tako dizajniran:

1. Odgovore generira u stvarnom vremenu:

Odgovor nije prethodno zapisan, već se kreira dinamički u trenutku kad se dobije pitanje. Svaki put

prolazi kroz proces odabira prikladnih elemenata iz ogromnog skupa podataka na kojima je treniran.

2. Slučajni odabir:

Sustav ima ugrađen određeni stupanj slučajnosti (stohastičnosti) pri odabiru riječi, rečenica i elemenata

sadržaja. To mu omogućuje kreativnost, raznolikost i fleksibilnost u odgovorima.

3. Veliki broj mogućnosti:

Budući da je treniran na ogromnoj količini podataka i različitim izvorima, može dati raznovrsne

odgovore na isto pitanje, zato što se isti token može pojaviti milione puta, a svaki vodi drugim putem i

daje drugi odgovor.

4. Učenje i prilagodba:

Kroz interakciju s korisnikom sustav prilagođava odgovore, predlažući različite ideje kako bi bolje

pogodio što korisnik hoće.

Upravo zbog toga, posebno u kreativnim pitanjima, svaki odgovor nudi nešto drukčije, pružajući širok

spektar mogućnosti, ideja i inspiracije. Ako korisnik želiš, uvijek se može detaljnije razraditi

određeni prijedlog koji se korisniku posebno svidio i u tom smjeru nastaviti istraživanje.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Razradi mi detaljnije rižoto Mediteranska čipka.

GhatGPT 4.5: Rižoto „Mediteranska čipka“

Kremasti rižoto od kozica, morskih šparoga i koromača s

hrskavom čipkom od sipinog crnila

Detaljni opis jela:

„Mediteranska čipka“ sofisticirano je jelo koje povezuje

tradicionalne mediteranske okuse s modernom

gastronomijom, stvarajući jedinstven spoj mora, zemlje i

inovativne estetike. Centralni element je kremasti rižoto od

svježih jadranskih kozica, morskih šparoga i aromatičnog

koromača, nadopunjen elegantnom čipkom od sipinog

crnila koja daje vizualnu atraktivnost i teksturnu dinamiku.

Detaljni sastojci (za 4 osobe):

Rižoto:

• Carnaroli riža – 320 g

• Svježe kozice (srednje veličine) – 300 g

• Svježe morske šparoge (salicornia) – 150 g

• Koromač – 1 manji gomolj

• Bijelo vino Pošip ili Malvazija – 100 ml

• Riblji temeljac od ljuski kozica – 1 l

• Maslac – 40 g

• Ekstra djevičansko maslinovo ulje – 50 ml

• Parmezan (svježe riban) – 40 g

• Sol, papar (prema potrebi)

Čipka od sipinog crnila:

• Glatko brašno – 40 g

• Voda – 100 ml

• Ekstra djevičansko maslinovo ulje – 30 ml

• Sipino crnilo – 5 g

• Sol – prstohvat

Emulzija od limuna i maslinovog ulja:

• Sok i korica limuna – 1 limun

• Ekstra djevičansko maslinovo ulje – 100 ml

• Lecitin – 2 g

• Sol – prstohvat

Dekoracija:

• Mikro-zelen koromača ili potočarke – prema potrebi

• Jestivi cvjetovi (opcionalno)

Najvažnije - Dobro i precizno postaviti pitanje !

Način pripreme:

1. Priprema rižota:

• Očisti kozice, sačuvaj ljuske za temeljac. Repove kozica kratko

sotiraj na maslinovom ulju i odloži sa strane.

• U loncu zagrij maslinovo ulje, dodaj sitno narezan koromač i

kratko pirjaj do mekoće.

• Dodaj rižu i tostiraj 2 minute dok ne postane staklasta. Podlij

bijelim vinom te nastavi kuhati dok vino ne ispari.

• Postepeno dodaj vrući temeljac, neprestano miješajući rižoto

za kremastu teksturu.

• U zadnjih nekoliko minuta kuhanja dodaj blanširane morske

šparoge, repove kozica, maslac i parmezan te dobro

promiješaj. Začini solju i paprom.

2. Čipka od sipinog crnila (hrskavi detalj):

• Pomiješaj vodu, brašno, sipino crnilo, ulje i sol. Dobro izmiksaj

štapnim mikserom da dobiješ glatku, rijetku smjesu.

• Smjesu izlij tanko na zagrijanu neprianjajuću tavicu te peci na

srednje jakoj vatri dok ne nastane karakteristična čipkasta

struktura. Nakon što voda ispari, pažljivo izvadi čipku i ocijedi

višak ulja na kuhinjskom papiru.

3. Emulzija od limuna i maslinovog ulja:

• Pomiješaj limunov sok, koricu, lecitin i maslinovo ulje te

štapnim mikserom miksaj dok se ne formira prozračna,

stabilna emulzija.

Prijedlog prezentacije:

Rižoto posluži u velikom plitkom tanjuru. Na vrh kremastog

rižota postavi repove kozica i morske šparoge. Položi elegantno

oblikovanu hrskavu čipku od sipinog crnila kao centralni

dekorativni element. Emulziju limuna diskretno nanesi oko rižota,

te dovrši tanjur ukrašavajući ga mikro-zelenjem i jestivim

cvijećem.

Prijedlog uparivanja s vinom:

Malvazija istarska ili Pošip (svjež, mineralan, suh stil): Idealno za

naglašavanje svježine i ravnotežu slanosti i kremoznosti rižota.

Gastronomska priča:

Rižoto „Mediteranska čipka“ ističe sklad i profinjenost

Mediterana kroz tradicionalne i moderne tehnike. Koristeći

delikatne sastojke mora poput kozica i morskih šparoga, uz

umijeće stvaranja hrskave čipke od sipinog crnila, ovo jelo slavi

ljepotu, teksturu i harmoniju mediteranske kuhinje. Ovaj rižoto

nije samo ukusno jelo – to je gastronomski doživljaj koji savršeno

utjelovljuje duh i eleganciju natjecanja Biser mora 2025.

Eneko Atxa rođen 1977., priznati je španjolski

baskijski kuhar poznat po svojoj praksi održivosti.

Eneko je jedan od najmlađih kuhara koji je stekao

tri Michelinove zvjezdice za svoj restoran

Azurmendi, u mjestu Larrabetzu u Baskiji Restoran

je prepoznat po uvođenju inovacija u gastronomiji

te je više puta rangiran među najbolje restorane

na svijetu.

Jedna od njegovih izjava je:

‘Moje ekipa u restoranu Azurmendi

svakodnevno koristi ChatGPT za tisuću detalja,

od pronalaženje ideja do dotjerivanje estetike

jela. ChatGPT je pomoćnik koji ubrzano i raste i

koji se danas ne može zaobići’

Kako velike jezične

modele koriste poznati

kuhari – Eneko Atxa

AI kuhinja Eneko

Atxa i Eneko Axpe

Eneko Axpe rođen 1986. u Baskiji je fizičar

specijaliziran za materijale i biofiziku, koji

trenutno radi kao istraživač u NASA-i. Osim što

ima bogatu akademsku karijeru s doktoratom iz

fizike materijala, Eneko je također poznat po

svom radu u gastofizici, gdje primjenjuje

principe fizike u kulinarskom svijetu. Njegov rad

uključuje razvoj biomaterijala za sprječavanje

gubitka kostiju astronauta tijekom svemirskih

misija. Jedan je od vodećih stručnjaka u

području interdisciplinarnih istraživanja na

granici znanosti i gastronomije.

Autor je knjige na španjolskom Delicioso

Algoritmo (Ukusni algoritam). Forbes ga je

proglasio jednim od 25 najutjecajnijih ljudi u

gastronomiji.

Priča je ozbiljnije počela 2024.g. na Madrid Fusion festivalu na

kojem je ovaj dvojac prvi put javno prezentirao jela koja je

osmislio ChatGPT. Jedno od tih jela je bila

Espuma od karfiola s balzamičnim kavijarom

AI kuhinja Eneko Atxa i Eneko Axpe

Jelo je osmislio ChatGPT na

pitanja koja je postavljao Axpe,

a izveo ga je Atxa i njegov tim.

Bilo je ok, ali ne spektakularno,

a ChatGPT je na početku 2024.

još uvijek puno halucinirao.

Od same prezentacije Atxa i Axpe možda je još zanimljivija bila diskusija

poznatog Michelin star kuhara Ferran Adrià slavnog chefa restorana El

Bulli. Ferran je (tada) zamjerio AI nekoliko stvari, od kojih je najvažnija da

su svi veliki jezični modeli trenirani na svim informacijama s Interneta koje

su pune smeća iz područja gastronomije.

AI kuhinja Ferran Adrià i Eneko Axpe

• Odgovor Axpe na ovu zamjerku jesu veliki jezični modeli poboljšani

RAG (Retrieval-Augmented Generation) arhitekturom, što možemo

prevesti “Generacija (misli se na odgovore) poboljšana

dohvaćanjem”. Ova arhitektura rješava problem “užasa u

informacijama o gastronomiji na Internetu” na koji se Ferran Adrià

referira, dohvaćanjem samo specifične baze podataka kod treniranja,

umjesto korištenja cijelog interneta.

AI kuhinja Ferran Adrià i Eneko Axpe

AI kuhinja Eneko

Atxa i Eneko Axpe

+ Na primjer za Azurmendi šefa Eneka Atxe napravljen je veliki

jezični model samo na temelju svih recepata restorana

Azumendi.

+ Ako od ovakvog modela zatražimo, na primjer: “Stvori recept iz

Azurmendija koji još nije stvoren.”, dohvaćene informacije

prelaze u generativni model, koji ih koristi za generiranje

preciznijeg i informiranijeg odgovora temeljenog samo na

receptima iz Azurmendija. Tako je stvoren neka vrsta

“digitalnog mozga Eneka Atxe”.

Specijalizirani veliki

jezični modeli

+Na ovim temeljima i RAG arhitekturi

razvijeni su i specijalizirani jezični

modeli. U području gastronomije neki

od popularnijih su:

Druga zamjerka Ferran Adrià je da svi jezični modeli samo reinterpretiraju

i kombiniraju već postojeća znanja.

• Za drugo drugu zamjerku može se kazati da je istina da veliki jezični

model samo rekombiniraju ono što zna, ali kako je treniran na

ogromnom broju ulaznih informacija i koristi faktor slučajnosti (sjetimo

se primjer) broj rekombinacija je ogroman.

AI kuhinja Eneko Atxa i Eneko Axpe

AI pizza Spartak Arutyunyan

+Spartak Arutyunyan, Brand Chef

Dodo Pizza iz Dubai kreirao je uz

pomoć ChatGPT pizzu koja je

trebala zadovoljiti ukuse brojnih

imigranata (Indijaca, Pakistanaca,

Arapa i Europljana). ChatGPT je

predložio pizzu s arapskom

piletinom shawarma, indijskim

paneer sirom, bliskoistočnim

za’atar biljem i tahini umakom.

Pizza je još uvijek na jelovniku.

AI pizza Spartak Arutyunyan

+ Danas su lanac pizzerija prisutan u 19

zemalja, a za sada u Dubaiu koji ima

aplikaciju temeljenu na AI kojom možeš

složiti personaliziranu pizzu

kombiniranjem 35 sastojaka, među

kojima si i kokice, quacamol, falafel,

dinja …

+ Moguće je dobiti 30 miliona različitih

personaliziranih pizza zato što se neki

sastojci ne mogu miješati. Ugrađen je i

algoritam koji kaže koji se sastojci ne

mogu kombinirati.

+ Korisnik odgovara na upite kojima se

pokušava pogoditi raspoloženje i ukus

korisnika, a sustav predloži pizzu i

korisnik je naruči.

AI tacos Venezia Willis,

Velvet Taco, SAD

+Venezia Willis, kulinarski direktor Velvet

Taco napravila je novi jelovnik tacosa

koristeći ChatGPT. Jedna od kombinacija

tacos s govedinom i škampima prodala se u

25 000 komada.

+ Danas nude i specijaliziranu aplikaciju koja

ima i brojne druge opcije koje nude nove

verzije velikih jezičnih modela

Koje nove mogućnosti nude suvremeni

veliki jezični modeli?

1. Poboljšana sposobnost razumijevanja i generiranja: Novi LLM (kao što je ChatGPT 4.5)

bolje razumije kontekst i suptilnosti u konverzaciji te je sposobniji za generiranje tekstova koji

su više koherentni i relevantni, posebice u dugim dijalozima.

2. Veća brzina odgovora: Unapređene algoritamske optimizacije omogućuju novim LLM da

procesira upite brže, što rezultira smanjenjem vremena čekanja za korisnike.

3. Poboljšanja u specifičnim domenama: Novi LLM imjua unapređenu sposobnost da se nosi s

tekstovima iz specifičnih domena (uključujući i gastronomiju) pružajući preciznije informacije i

savjete (puno manje halucinacija).

4. Robusnija obrada jezika: Novi modeli bolje upravlja s višejezičnim sadržajima i efikasnije se

nosi s gramatičkim i stilskim varijacijama u jeziku.

5. Veća otpornost na stvaranje neprimjerenog sadržaja: Unapređeni sigurnosni protokoli i

algoritmi za filtriranje osiguravaju da novi LLM manje generira sadržaj koji bi mogao biti štetan

ili neprimjeren.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Izračunaj koliko kalorija ima u predloženom jelu: „Mediteranska čipka“ - Kremasti rižoto od

kozica, morskih šparoga i koromača s hrskavom čipkom od sipinog crnila?

ChatGPT 4.5: Jelo „Mediteranska čipka“ ima približno 686

kcal po porciji. (>_)

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Izračunaj mi količinu proteina, masti i ugljikohidrata u jelu "Mediteranska čipka

ChatGPT 4.5: Nutritivne vrijednosti za jednu porciju jela

“Mediteranska čipka” su sljedeće:

• Proteini: približno 26,8 g

• Masti: približno 27,5 g

• Ugljikohidrati: približno 75,4 g (>_)

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Koliko je to od dnevnih preporučenih vrijednosti unosa za odraslog muškarca 45 godina, a

koliko za ženu 40 g?

ChatGPT 4.5: Za prosječnog odraslog muškarca od 45 godina i ženu od 40 godina prosječne tjelesne

aktivnosti, dnevne preporučene nutritivne vrijednosti okvirno su sljedeće:

🍽

Opće preporuke dnevnog unosa (prosječne vrijednosti)

🥘

Udio jela “Mediteranska čipka” u dnevnim preporučenim

vrijednostima:

1. Muškarac (45 godina)

• Proteini: 26,8 g od 56 g = 47,9 %

• Masti: 27,5 g od 70 g = 39,3 %

• Ugljikohidrati: 75,4 g od 300 g = 25,1 %

2. Žena (40 godina)

• Proteini: 26,8 g od 46 g = 58,3 %

• Masti: 27,5 g od 60 g = 45,8 %

• Ugljikohidrati: 75,4 g od 260 g = 29,0 %

📌

Zaključak:

Jedna porcija jela “Mediteranska čipka” pokriva značajan dio

dnevnih potreba za proteinima i mastima (oko polovice

preporučenog unosa) za prosječnu odraslu osobu, dok je udio

ugljikohidrata umjeren i iznosi oko četvrtine do trećine dnevnih

preporuka.

Jelo se stoga može smatrati prikladnim dijelom uravnotežene

prehrane, osobito ako se kombinira s ostalim obrocima koji će

osigurati ravnotežu preostalih dnevnih nutritivnih potreba.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Izračunaj mi sadržaj 12 dobrih mikronutrienata (proteini, vlakna, vitamini: A, C, B1, B3, B6,

B9, minerali: K, Ca, Fe, Mg) i 6 loših mikronutrieneta (ukupni lipidi, ukupne saturirane masnoće,

kolesterol, Na, ukupni šećer, dodani šećer) te prikaži pregledno u tablici njihove iznose i postotke

u odnosu na dnevne preporučene vrijednosti (RDV) i maksimalne dnevne vrijednosti (MDV)

prema EU standardima. Pokaži mi i kako se do dobivenih vrijednosti došlo.

Tab li ca re zul ta ta j e bi la n ep regl edna uz kom en ta r :

ChatGPT 4.5: Ovdje imaš pregled dijela mikronutrijenata za jelo “Mediteranska čipka”. Zbog ograničene

dostupnosti detaljnih podataka za neke specifične sastojke (poput sipinog crnila), nisu prikazani svi

mikronutrijenti.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Odvoji tablice za dobre i loše, a u tablicu unesi i RDV/MDV vrijednosti prema Europskim

standardima.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Nabroji mi sve aktivne spojeve u jelu "Mediteranska čipka" uz napomenu kako djeluju na

zdravlje. Također nabroji mi i sve alergente koje ovo jelo ima.

ChatGPT 4.5:

🍽

Aktivni spojevi u jelu „Mediteranska čipka” i njihov utjecaj na zdravlje:

🦐

Kozice:

• Astaksantin – snažan antioksidans, djeluje protuupalno, štiti zdravlje očiju, kože i krvožilnog sustava.

• Omega-3 masne kiseline (EPA, DHA) – podržavaju zdravlje srca, smanjuju upalne procese, povoljno djeluju

na mozak i živčani sustav.

• Jod – važan za zdravlje štitnjače i regulaciju metabolizma.

🌱

Morske šparoge (Salicornia):

• Minerali (Mg, Ca, K, Fe) – pomažu regulaciji krvnog tlaka, zdravlju kostiju i mišića.

• Vlakna – podržavaju zdravu probavu i reguliraju razinu šećera u krvi.

• Fitokemikalije – imaju antioksidativno djelovanje, pomažu u zaštiti stanica od oštećenja slobodnim

radikalima.

🌿

Koromač:

• Anetol – djeluje protuupalno, poboljšava probavu, smanjuje nadutost.

• Vitamini (C, B6, folna kiselina) – podržavaju imunitet, funkciju živčanog sustava, zdravlje kože i sluznica.

• Vlakna – održavaju zdravlje probavnog sustava.

🍚

Carnaroli riža:

• B vitamini (B1, B3, B6) – važni za proizvodnju energije, rad živčanog sustava i metabolizam.

• Vlakna – umjerene količine vlakana pomažu zdravlju probavnog sustava.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Nabroji mi sve aktivne spojeve u jelu "Mediteranska čipka" uz napomenu kako djeluju na

zdravlje. Također nabroji mi i sve alergente koje ovo jelo ima.

ChatGPT 4.5:

🖤

Sipino crnilo:

• Melanin – antioksidans s potencijalnim antikancerogenim svojstvima.

• Sadrži minerale poput željeza i cinka koji podržavaju imunitet.

🍋

Limun (u emulziji):

• Vitamin C – jača imunološki sustav, sudjeluje u stvaranju kolagena, ima antioksidativna svojstva.

• Flavonoidi (hesperidin) – pozitivno djeluju na kardiovaskularni sustav, smanjuju upale.

🫒

Ekstra djevičansko maslinovo ulje:

• Oleinska kiselina (omega-9) – podržava zdravlje srca, regulira kolesterol.

• Polifenoli – antioksidansi, djeluju protuupalno i zaštitno na srce i krvne žile.

🧀

Parmezan:

• Kalcij – neophodan za zdravlje kostiju i zuba.

• B vitamini (B12, B2) – važni za energiju, živčani sustav i stvaranje krvnih stanica.

• Vitamin A – ključan za zdravlje očiju i imuniteta.

🍷

Bijelo vino (Malvazija ili Pošip):

• Polifenoli (resveratrol, flavonoidi) – pozitivno djeluju na srčano-žilni sustav i imaju antioksidativno

djelovanje (ako se koristi u malim količinama).

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Nabroji mi sve aktivne spojeve u jelu "Mediteranska čipka" uz napomenu kako djeluju na

zdravlje. Također nabroji mi i sve alergente koje ovo jelo ima.

ChatGPT 4.5:

⚠

Potencijalni alergeni u jelu „Mediteranska čipka”:

📌

Zaključak (sažetak):

• Aktivni spojevi u jelu „Mediteranska čipka” čine ga nutritivno bogatim jelom koje doprinosi zdravlju srca,

probave, imuniteta, zdravlju kože te djeluje protuupalno i antioksidativno.

• Alergeni koje ovo jelo sadrži moraju biti jasno navedeni zbog osoba s intolerancijama ili alergijama,

posebno na rakove, gluten, mliječne proizvode i sulfite.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Koliki je CO2 otisak jela "Mediteranska čipka"?

ChatGPT 4.5:

Ukupni procijenjeni CO₂ otisak za

jednu porciju jela “Mediteranska

čipka” iznosi približno 1,56 kg

CO₂-ekvivalenta.

To je re lati vno umjer en ot is ak , s

obzirom na kompleksnost

sastojaka poput kozica, maslaca i

parmezana koji imaju viši emisijski

faktor. Ovaj broj može poslužiti

kao orijentacijska vrijednost za

procjenu održivosti ovog jela.

🥑

Kategorija „Nisko” (0.1 – 1.0 kg CO₂-eq/kg):

• Povrće i voće (pogotovo ako su uzgajana u

lokalnim uvjetima)

• Zeleni grah, grašak, krumpir, itd.

🌾

Kategorija „Umjereno” (1.5 – 6.0 kg CO₂-eq/kg):

• Žitarice i drugi biljni izvori ugljikohidrata (riža,

pšenica)

• Mlijeko i mliječni proizvodi (osobito jogurti i sirevi)

🐄

Kategorija „Visoko” (6.0 – 60.0 kg CO₂-eq/kg):

• Meso (govedina, svinjetina, janjetina) - meso s

najvišim CO₂ otiskom

• Plodovi mora, kozice, rakovi

• Neke vrste riba (posebice uzgojene u industrijskim

uvjetima)

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: I na kraju daj mi referentni vizual za jelo "Mediteranska čipka"?

ChatGPT 4.5:

Evo referentnog vizuala za jelo „Mediteranska čipka“. Iako prikaz

morskih šparoga (Salicornia) još nije savršen, ovaj vizual može

poslužiti kao inspiracija za kompoziciju, raspored elemenata na

tanjuru i opću atmosferu jela.

Evo analize i označavanja elemenata na slici vizuala za jelo

“Mediteranska čipka” – prema njihovoj lokaciji i funkciji na tanjuru:

🥇

1. Kremasti rižoto (središnji dio tanjura)

• Opis: Baza jela, klasično pripremljeni rižoto (najvjerojatnije

Carnaroli) kuhan na ribljem temeljcu, s dodatkom parmezana i

maslaca za kremoznost.

• U stvarnosti: Rižoto od kozica, koromača i morskih šparoga

(salicornia).

🍤

2. Repovi kozica (na vrhu rižota)

• Opis: Tri dekorativno položena repa kozica u sredini jela.

• U stvarnosti: Svježe jadranske kozice, lagano sotirane na

maslinovom ulju.

🖤

3. Crna čipka od sipinog crnila (s obje strane rižota)

• Opis: Dekorativna, hrskava struktura napravljena od tijesta s

crnilom sipe. Vizualno podsjeća na koralj.

• U stvarnosti: Priprema se od vode, brašna, maslinovog ulja i

sipinog crnila (kuhanjem dok voda ne ispari i ostane čipkasta

struktura).

🌿

4. Mikro-zelen (raštrkan oko rižota)

• Opis: Mali, svijetlozeleni listići koji jelu daju svježinu i

boju.

• U stvarnosti: Mikroperšin, potočarka, baby bosiljak ili

mikrokomorač.

🧈

5. Točkice žute emulzije (po tanjuru)

• Opis: Svijetložute kapi oko tanjura.

• U stvarnosti: Emulzija limuna i maslinovog ulja

(pjenasta tekstura, citrusna svježina).

⚫

6. Crne točkice (kontrastne kapljice)

• Opis: Vizualni kontrast – vjerojatno redukcija od

balzamičnog octa ili crni češnjak.

• U stvarnosti: Male kapi gustog umaka za vizualni i

okusni balans.

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: I na kraju daj mi referentni vizual za jelo "Mediteranska čipka"?

🌿

7. Dekorativni elementi – jestivi cvjetovi i ukrasi

• Opis: Bijeli i svijetli elementi u pozadini jela.

• U stvarnosti: Jestivo cvijeće (primjerice, dragoljub,

viola) ili elementarne teksture (sušeni listići, čips od

koromača).

❌

8. Neispravne šparoge (iza jela, uspravno)

• Opis: Na slici su klasične šparoge, a ne salicornia

(morske šparoge).

• Zamjena u stvarnosti: Blanširane morske šparoge

(Salicornia) – niske, tanke, slankaste, segmentirane

stabljike (kao s tvojih fotografija).

🍋

9. Emulzija u zdjelici (pozadina, gornja desna strana)

• Opis: Prikazana kao žuta tekućina – dodatna

komponenta jela.

• U stvarnosti: Isto kao i kapi na tanjuru – limun,

maslinovo ulje i lecitin za pjenastu strukturu.

🧭

Savjet za izradu pravog tanjura prema slici:

Najvažnije - Dobro i precizno postaviti pitanje !

Upit: Predloži mi jeftiniji degustacijski menu od 3 slijeda (predjelo, glavno jelo, desert) uparena s po 1 čašom

vina za tipičnu dalmatinsku konobu.

Evo pristupačnog, ali atraktivnog degustacijskog menija

u 3 slijeda za tipičnu dalmatinsku konobu, s pažljivo

uparenim vinima uz svaki slijed:

🌿🍷

Degustacijski meni: “Okusi Dalmacije”

🥖

Predjelo

Domaća pašteta od tune s kaparima na hrskavom kruhu.

(Lagani mousse od tune, kapara, maslinovog ulja,

limunove korice i začinskog bilja poslužen na

prepečenom domaćem kruhu.)

🍷

Vino: Pošip (Korčula) – svježe, citrusno bijelo vino s

ugodnom mineralnošću koja se savršeno slaže s ribljom

paštetom i slanim notama kapara.

🍝

Glavno jelo

Dalmatinska pašticada s domaćim njokima

(Tradicionalno jelo od junetine polako kuhane u

aromatičnom umaku od suhog voća, crnog vina,

prošeka i mediteranskih začina, servirano uz ručno

rađene krumpirove njoke.)

🍷

Vino: Plavac mali (Pelješac, Hvar) – mekano,

zaokruženo crno vino sa zrelim taninima i aromama

šljive i suhih smokava, idealno uz bogate okuse

pašticade.

🍰

Desert

Rožata s karamelom i koricom naranče

(Klasični dalmatinski kremasti desert od jaja, mlijeka i karamele,

začinjen notom narančine korice.)

🍷

Vino: Prošek – slatko desertno vino iz Dalmacije bogatog okusa

sušenog voća i karamela, lijepo naglašava slatke note deserta.

💡

Zašto ovaj meni?

• Koristi lokalne, dostupne namirnice, što omogućava prihvatljivu

cijenu.

• Tradicionalna jela prikazana su u malo modernijoj prezentaciji,

idealno za privlačenje gostiju koji žele autentičan, ali ipak

poseban doživljaj.

• Pažljivo birana vina pristupačne cijene dodatno obogaćuju

doživljaj svakog slijeda.

Ovaj je meni izvrstan balans tradicije, kvalitete i pristupačne cijene

za tipičnu dalmatinsku konobu.

AI kuhinja Eneko Atxa i Eneko Axpe 2025.

Na Madrid Fusion festivalu 2025.g. ovaj dvojac se pojavio s najavom aplikacije DelicIA.

temeljene na velikim jezičnim modelima. Platforma koju su stvorili ‘los Enekos’ omogućava

restoranima da unesu varijable kao što su željena cijena, broj dostupnih kuhara, broj gostiju,

stil kuhinje ili vrijeme dostupno za pripremu. Dodajući ove varijable, program stvara dnevnu

ponudu menija koja se sastoji od predjela, glavnog jela i deserta, također nudeći sastojke i

objašnjavajući postupke pripreme korak po korak.

AI kuhinja Eneko Atxa i

Eneko Axpe 2025.

“Trebali smo alat za maksimiziranje

dobiti, koji nam pomaže da se

prilagodimo i tražimo efikasnost broja

kuhara u odnosu na broj gostiju, kako

bismo bili učinkovitiji u nabavi. I

shvatili smo da je jedino rješenje u

ovom slučaju primjena umjetne

inteligencije,” kažu autori ove

inicijative.

Završni dio razgovora između Ferrana i Eneka u siječnju 2024.g. je bio o

tome što bi bila prava revolucija u gastronomiji korištenjem LLM kao što je

ChatGPT. Prema njihovom mišljenju (jedan je 3* Michelin Chef, drugi

znanstvenik gastrofizičar) treniranjem modela na velikim bazama

aromatičnih i aktivnih spojeva i korištenjem naprednih algoritama za

kombiniranje sastojaka na znanstvenim temeljima napredne percepcije

aroma omogućiti će:

• Stvaranje novih recepata koji maksimiraju kompatibilnost okusa, mirisa

i tekstura.

• Prilagodbu jela individualnim okusima uz maksimalni pozitivni utjecaj

na zdravlje.

AI kuhinja Ferran Adrià i Eneko Axpe

Uparivanje okusa (Taste Pairing), također poznato kao uparivanje hrane

(Food Pairing), je postupak koja se koristi za pronalaženje parova sastojaka za koje

se očekuje da će se dobro slagati. Povijesno, takvo uparivanje uglavnom je bilo

temeljeno na pokušajima i pogreškama, a uvelike ovisi o ljudskoj prosudbi i intuiciji

stručnjaka.

Na razini primjene računala ključna je 2017.g. i IBM Chef Watson koji se temeljio na

jednostavnom principu - ako dva sastojka dijele molekule okusa (i mirisa), trebali bi se

dobro slagati. Međutim, stvarno uparivanje okusa pokazalo se puno složenijim.

Znanstvenici su shvatili su rano da su potrebni veliki, multi-dimenzionalni skupovi

podataka kako bi se uhvatio pravi razlog zašto se uparivanje okusa uspješno ostvaruje.

Danas se kod uparivanja ne koriste samo kemijska svojstva, već i tekstura, boja i

analiza upotrebe sastojaka u desetinama tisuća recepata . Napredak je omogućio je

pomicanje granica od jednostavnih kemijskih podudaranja .

Uparivanje okusa – uparivanje hrane

To je upravo ono o čemu je Mir ta govo rila prošle godine, o aplikacijama:

+ Foodpairing AI - https://www.foodpairing.com

+ Gastrograph - https://www.gastrograph.com/

+ Flavor Bible - https://areeves87.shinyapps.io/flavor-bible/

+ FlavorDB - https://cosylab.iiitd.edu.in/flavordb/

+ Flavor Network - https://github.com/lingcheng99/Flavor-Network

i knjigama:

+ Flavour Tresaurus - https://d-pdf.com/book/pdf-download-the-flavour-thesaurus

+ Flavour Matrix – https://archive.org/details/the-flavor-matrix-the-art-and-science-

of-pairing-common-ingredients-to-create-ex/page/n159/mode/2up

AI alati u sparivanju namirnica i generiranju

novih recepata

Pogledajmo što se novo dogodilo u proteklih godinu dana.

Najveći napredak je u novoj verziji baze okusa FlavorDB koja

služi za sparivanje namirnica i što je važno NE PLAĆA SE.

FlavorDB2 (2024.) – https://cosylab.iiitd.edu.in/flavordb2/

U odnosu na bazu FlavorDB (2017.) https://cosylab.iiitd.edu.in/flavordb/ Obe baze

sadrže 25595 molekula okusa povezanih s 936 prirodnih sastojaka (namirnica)

raspoređenih u 34 kategorije i 1101 receptor okusa.

FlavorDB2 dodaje niz atributa za spojeve okusa, gdje god su bili dostupni, uključujući

(i) širok spektar nomenklatura, (ii) opis okusa, (iii) regulatorni status, (iv) pragove

okusa/arome, (v) prirodnu pojavu, (vi) sastav, (vii) statistiku konzumacije, (viii)

specifikacije, (ix) prijavljene primjene u kategorijama hrane i (x) sintezu.

Važno je napomenuti da su također ažurirane funkcionalnosti pretraživanja. FlavorDB2

ostaje najopsežniji repozitorij spojeva okusa i nastavit će služiti kao standardni

podatkovni repozitorij za zajednicu okusa i mirisa.

AI alati u sparivanju namirnica i generiranju

novih recepata – FlavorDB2

AI alati u sparivanju namirnica i generiranju novih

recepata – FlavorDB2

Molekule okusa su kemijski

spojevi koji aktiviraju naše okusne receptore

u ustima, omogućujući nam da prepoznamo

specifične okuse u hrani i

piću. Svaka molekula okusa odgovorna je za

određenu vrstu okusa, kao što su slatko,

slano, kiselo, gorko, umami i drugi, noviji

okusi koji su ušli u percepciju okusa:

masnog, trpkog i oštro začinjenog.

Molekule okusa dolaze iz različitih izvora,

uključujući bilje, začine, plodove, povrće,

meso, mliječne proizvode i alkoholna pića.

FlavorDB2 je uključio 25595 molekula okusa

povezanih s 936 prirodnih sastojaka

(namirnica) raspoređenih u 34 kategorije.

Receptori okusa su specijalizirani proteini koji se nalaze na okusnim

pupoljcima na jeziku, nepcu i grlu, i mirisnim senzorima u nosu koji

prepoznaju kemijske molekule okusa i mirisa koje su prisutne u hrani i piću. Kada

molekula okusa dođe u kontakt s receptorom, pokreće signal koji putuje kroz

živčani sustav do mozga, gdje se interpretira kao specifičan okus. FlavorDB2 je

uključio 1101 receptor okusa. Od toga ih je 25 povezano s gorkim okusom, 3 s kiselim,

3 s slatkim, 2 s umami, a svi ostalih 1068 s mirisima.

AI alati u sparivanju namirnica i generiranju

novih recepata – FlavorDB2

Treća komponenta su prirodni sastojci (namirnice) kojih ima 936

raspoređenih u 34 kategorije:

AI alati u sparivanju namirnica i generiranju

novih recepata – FlavorDB2

Kako radi uparivanje namirnica u FlavorDB2?

• FlavorDB2 kategorizira različite molekule okusa prema njihovim osnovnim

okusima (slatko, kiselo, gorko, slano, umami) i drugim specifičnostima. To

omogućava prepoznavanje koje molekule (npr. glukoza, limunska kiselina, glutamat)

odgovaraju određenim okusima i kako one djeluju na naše okusne receptore. Svaka

molekula okusa u bazi podataka ima podatke o tome koje okusne receptore aktivira.

• FlavorDB2 mapira ove molekule na specifične receptore okusa i povezuje ih s

kemijskim svojstvima, uključujući regulaciju okusa, pragove okusa, i druge

karakteristike. Na temelju ovih podataka, moguće je analizirati kako molekule

okusa mogu aktivirati različite receptore u različitim kombinacijama hrane.

AI alati u sparivanju namirnica i generiranju

novih recepata – FlavorDB2

Kako radi uparivanje namirnica u FlavorDB2?

• FlavorDB2 koristi informacije o molekulama okusa i receptorima kako bi

pomogao u sparivanju namirnica na temelju njihovih kemijskih svojstava. Ovo

sparivanje uzima u obzir:

• Kompatibilnost okusa: Na temelju molekula okusa u dvije ili više namirnica,

FlavorDB2 može preporučiti koje se namirnice dobro slažu zajedno (npr. riža i

rajčica jer obje sadrže slične molekule okusa koje aktiviraju umami ili kiseli

receptori).

• Balansiranje okusa: Na temelju podataka o receptoru okusa, FlavorDB2 može

pomoći u balansiranju okusa između jela. Na primjer, slatke molekule mogu se

spariti s kiselim kako bi se uravnotežio intenzitet okusa, ili se mogu dodati gorki

okusi kao kontrast slatkim.

• Tolerancija okusa i pragovi: Baza podataka uzima u obzir pragove okusa

(osjetljivost na određene okuse) kako bi predložila optimalne kombinacije okusa,

osiguravajući da jelo bude ugodno za većinu ljudi.

AI alati u sparivanju namirnica i generiranju

novih recepata – FlavorDB2

Kako radi uparivanje namirnica u FlavorDB2?

• FlavorDB2 također uključuje:

• Potencijalne sinergije između različitih okusa: kako kombinacija određenih

molekula okusa može pojačati ili ublažiti druge okuse.

• Sinteza novih kombinacija: Temeljeno na kemijsko j i okusnoj kompatibilnost i,

platforma može predložiti nove, inovativne kombinacije namirnica koje nisu

nužno tradicionalne, ali koje bi mogle pružiti nove senzacije okusa.

• Ukupno je napravljeno više od 437.000 uparivanja kako bi otkrio zanimljive

preklapanja profila okusa među kategorijama i različitim entitetima. Mreža okusa

(Flavor Network) pruža preglednu sliku ovih informacija.

Primjer – uparivanje koromača (fennel) i kozica (shrimp)

AI alati u sparivanju namirnica i generiranju

novih recepata – FlavorDB2

Primjer – uparivanje koromača (fennel) i kozica

(shrimp) – mreža okusa FlavorDB2

koromač (fennel)

kozice (shrimp)

Primjer – uparivanje koromača (fennel) i kozica

(shrimp) – mreža okusa FlavorDB2

koromač (fennel)

Primjer – uparivanje koromača (fennel) i kozica

(shrimp) – mreža okusa FlavorDB2

Što bi nam odgovorio ChatGPT 4.5 na ovo pitanje?

Upit: Kako bi se prema FlavorDB2 uparivali koromač (fennel) i kozice (shrimp). Daj mi detaljnu analizu po svim

kategorijama: kompatibilnost okusa (koje su im molekule okusa zajedničke), balansiranje okusa, tolerancija

okusa i pragova, potencijalna sinergija okusa.

ChatGPT 4.5: Uparivanje koromača (fennel) i kozica (shrimp) može rezultirati zanimljivim kulinarskim iskustvom zbog

njihovih jedinstvenih profila okusa. Iako detaljni podaci iz FlavorDB2 nisu izravno dostupni, možemo analizirati njihovu

kompatibilnost na temelju poznatih informacija o njihovim okusnim komponentama.

1. Kompatibilnost okusa

Koromač ima slatkast, anisasti okus zahvaljujući spojevima poput anetola, fenhona i estragola. Ovi spojevi daju koromaču

njegov karakterističan profil koji je osvježavajuć i aromatičan.

Kozice posjeduju blagi, slatkasti morski okus. Njihov okus dolazi od kombinacije aminokiselina, nukleotida i minerala koji

doprinose umami i slatkim notama.

Zajedničke molekule okusa: Iako koromač i kozice nemaju identične molekule okusa, njihovi profili su komplementarni.

Slatkoća i anisaste note koromača mogu naglasiti suptilnu slatkoću i umami okus kozica, stvarajući harmoničan spoj.

2. Balansiranje okusa

Kombinacija koromača i kozica može postići uravnotežen okus:

• Slatkoća: Prirodna slatkoća oba sastojka može se međusobno pojačati, pružajući ugodan, zaokružen okus.

• Svježina: Anisaste note koromača dodaju svježinu koja može osvježiti nepce i uravnotežiti bogatstvo kozica.

• Umami: Kozice donose umami komponentu koja može produbiti ukupni okus jela.

Dodavanje kiselih elemenata poput limunovog soka može dodatno uravnotežiti slatkoću i pružiti živost jelu.

3. Tolerancija okusa i pragovi

Većina ljudi tolerira i uživa u okusima koromača i kozica. Međutim, anisasti okus koromača može biti intenzivan za neke

osobe koje su osjetljivije na takve note. Postupnim dodavanjem koromača u jelo omogućuje se prilagodba intenziteta okusa

prema individualnim preferencijama.

Što bi nam odgovorio ChatGPT 4.5 na ovo pitanje?

Upit: Kako bi se prema FlavorDB2 uparivali koromač (fennel) i kozice (shrimp). Daj mi detaljnu analizu po svim

kategorijama: kompatibilnost okusa (koje su im molekule okusa zajedničke), balansiranje okusa, tolerancija

okusa i pragova, potencijalna sinergija okusa.

ChatGPT 4.5:

4. Potencijalna sinergija okusa

Sinergija između koromača i kozica može se postići kroz različite kulinarske tehnike:

• Kuhanje na pari ili pečenje: Lagano kuhanje kozica s dodatkom svježeg ili lagano pirjanog koromača omogućuje

međusobno prožimanje okusa.

• Marinade: Mariniranje kozica u soku od koromača ili dodavanje sjemenki koromača u marinadu može pojačati okusnu

povezanost.

• Salate: Kombinacija tanko narezanog sirovog koromača i kuhanih kozica u salati, uz dodatak citrusnog dresinga, može

pružiti osvježavajuće i uravnoteženo jelo.

U zaključku, iako koromač i kozice nemaju zajedničke molekule okusa prema dostupnim podacima, njihovi komplementarni

profili mogu stvoriti harmonična i ukusna jela kada se pravilno kombiniraju i uravnoteže.

FlavorDB2 je pronašao 13 molekula okusa koje koromač i kozice dijele, a GPT kaže

da nemaju zajedničke molekule okusa.

Što bi nam odgovorio ChatGPT 4.5 na ovo pitanje?

Upit: Kako bi se prema FlavorDB2 uparivali koromač (fennel) i kozice (shrimp). Daj mi detaljnu analizu po svim

kategorijama: kompatibilnost okusa (koje su im molekule okusa zajedničke), balansiranje okusa, tolerancija

okusa i pragova, potencijalna sinergija okusa.

FlavorDB je naveo nekoliko molekule okusa, ali je FlavorDB2 bio puno detaljniji. Ovo pokazuje kako ChatGPT

još uvijek nema dovoljno specifičnog znanja iz ovog područja.

https://arxiv.org/pdf/2409.12832

Rezultati su im bili ok, s obzirom da su radili su s verzijama LLM iz sredine 2024. –

među ostalim s GPT 3.5. Uz nove verzije sigurno bi bili još bolji, a to je na tragu onih

RAG arhitektura o kojima su Ferran Adrià i Eneko Axpe govorili na Madreid Fusion u

siječnju 2024.

Personalizirano uparivanje okusa - digitalni blizanci

Što su digitalni blizanci?

Zamislite digitalni blizanac kao virtualnu kopiju stvarnih

okusnih sklonosti stvarne osobe. Izgrađen je od opsežnih

podataka - što osoba voli jesti, koja joj je kulturna povijest,

pa čak i povratne informacije o tome koje je recepte otvarala.

Oni omogućuju personalizirano uparivanje okusa baš za tu

osobu.

Foodparing AI je u novim inačicama ugradio ove

mogućnosti.

Ovakav pristup pomaže Foodpairing AI-u da pruži

personalizirane preporuke, uzimajući u obzir ne

samo okusne sklonosti, već i:

• smjernice o specifičnim zdravstvenim stanjima i

• zahtjeve za ekološki prihvatljivije sastojke.

I na kraju …

Ovogodišnje predavanje ćemo završiti izjavama Enrika

Axpe (fizičara) i Enrika Atxa (chefa):

“AI je poput noža,” kaže Axpe (fizičar) “Doktori u bolnici

spašavaju živote noževima, a kuhari pripremaju jela s njima.

Ali također nožem možete i ubiti ljude. Nije stvar u alatu, već

kako se koristi.”

“Smatram se prije svega kreativnim umjetnikom,” kaže Atxa

(chef) “I vidim kako korištenje AI-a nije toliko umjetničko. No,

razmislite o ljudima koji izrađuju keramiku. Ako koriste

električni kotač za izradu svojih radova, možemo li reći da više

nisu umjetnici?”

I na kraju …

Svi stručnjaci u području primjene novih alata AI naglašavaju

da je budućnost u kolaborativnom modelu suradnje čovjeka i

stroja (Man – Machine Collaboration).

AI pruža uvide temeljene na podacima, ali ljudski stručnjaci

usavršavaju ove prijedloge koristeći svoje senzorne vještine i

kulturno razumijevanje. U ovome svakako leži i budućnost

uparivanja okusa gdje analitička moć AI-a susreće senzornu

intuiciju kuhara.

Nova generacija alata umjetne inteligencije su izvrsni i korisni

‘pametni’ pomagači. Naglasak je na pomagači, baš kako ih 3

Michelin * chef Eneko Atxa koristi u svojim restoranima.

I na kraju …

Alati umjetne inteligencije su

ovdje i neće otići. U zadnjih

godinu dana postojeći alati su

se toliko unaprijedili, da skoro

ne možemo ni pretpostaviti što

će biti u godini koja je ispred

nas, posebno što je u SAD-u

najavljeno skoro neograničeno

financiranje razvoja umjetne

inteligencije. Jedno je sigurno -

najvažnije novosti u slijedećoj

godine prenijeti ćemo vam na

Biseru mora 2026.