Kedy bude AI vedieť spoľahlivo overiť fitment kolies? Problém nie je len v umelej inteligencii

AI už do fitmentu vstupuje. Mení sa však spôsob, akým odpovedá

Prvá generácia používania jazykových modelov pri výbere kolies bola pomerne jednoduchá. Používateľ sa opýtal, či určitý rozmer disku pasuje na konkrétne vozidlo, a jazykový model sa pokúsil odpoveď odvodiť z informácií, ktoré poznal alebo našiel.

To je pri technickej otázke s množstvom premenných problematické. Fitment totiž nie je iba vzťah medzi značkou auta a rozmerom disku.

V októbri 2026 sa však objavili zaujímavé signály, že trh začína smerovať k inej architektúre. Projekt CheckFitment sprístupnil svoje fitment nástroje priamo AI asistentom. Jazykový model tak nemusí všetko určovať sám – môže použiť špecializovanú databázu a výpočtový nástroj.

Dôležitá je aj filozofia takéhoto riešenia: ak vozidlo v databáze nie je, systém ho môže označiť ako nenájdené namiesto toho, aby chýbajúci údaj odhadol. Dáta môžu byť zároveň označené podľa úrovne ich overenia.

Podobným smerom ide Wheel Fitment Guide s funkciou Ask Fitment AI, ktorá pracuje s vozidlom vyhľadaným v jeho databáze. Aj samotný prevádzkovateľ však upozorňuje, že treba samostatne potvrdiť napríklad vôľu, nosnosť, legalitu alebo uťahovací moment.

Je to významný krok dopredu. Zároveň však odhaľuje ďalší problém: ani najlepší výpočtový nástroj nemôže spoľahlivo vyhodnotiť údaj, ktorý vo vstupných dátach neexistuje.

Čo vlastne musí systém vedieť, aby mohol fitment overiť?

Pri otázke „pasuje tento disk na toto auto?“ sa pod jedným slovom fitment skrýva niekoľko rozdielnych technických problémov.

1. Rozhranie medzi vozidlom a kolesom

Najskôr treba overiť základnú kompatibilitu: rozteč otvorov, stredovú dieru, spôsob upevnenia, priemer a šírku kolesa, ET a ďalšie konštrukčné parametre.

Sem patrí aj údaj, na ktorý sa pri jednoduchých internetových porovnaniach často zabúda: nosnosť konkrétneho kolesa musí zodpovedať požiadavkám vyplývajúcim zo zaťaženia príslušnej nápravy vozidla.

Koleso teda môže mať správnu rozteč, ET aj priemer a napriek tomu nemusí byť pre dané vozidlo vhodné.

2. Poloha kolesa a pneumatiky v priestore

Zo šírky kolesa, ET a rozmeru pneumatiky možno vypočítať, ako sa nová kombinácia posunie smerom dovnútra alebo von. To už umožňuje veľmi užitočné matematické porovnania.

Ani správne vypočítaná poloha však automaticky nepotvrdzuje dostatočnú vôľu voči všetkým častiam podvozka a karosérie. Reálne vozidlo obsahuje geometriu, ktorú samotné čísla ET a šírky nepopisujú.

3. Koleso verzus brzdový strmeň

Tu sa dostávame k jednej z najväčších hraníc bežných fitment databáz.

Dva disky môžu mať identický priemer, šírku, rozteč aj ET, ale úplne odlišný vnútorný tvar lúčov a čela kolesa. Jeden môže brzdový strmeň bezpečne obísť a druhý doň môže naraziť.

Profesionálna prax už dnes ukazuje, ako sa tento problém dá riešiť. Výrobca kolies Konig napríklad opisuje používanie knižnice výkresov brzdových strmeňov a 2D výkresov kolies, ktoré možno vzájomne prekryť a overiť ich geometriu. AP Racing zasa pre viaceré brzdové systémy poskytuje profilové výkresy určené priamo na kontrolu vnútornej vôľe kolesa.

4. Schválenie a podmienky použitia

Fyzická montovateľnosť navyše nie je totožná so schválenou použiteľnosťou. Pri európskom trhu môže byť potrebné vedieť, pre ktoré vozidlo, variant, rozmer pneumatiky a za akých podmienok je konkrétne koleso schválené.

Práve tu vstupujú do hry dokumenty TÜV, ABE, KBA alebo ďalšie relevantné schvaľovacie podklady.

Problém teda nemusí byť v AI. Môže byť v dátach

Jazykový model môže byť schopný veľmi dobre vysvetliť rozdiel medzi ET35 a ET45. Výpočtový nástroj môže presne vypočítať, o koľko milimetrov sa zmení poloha kolesa.

Ani jedno však nedokáže matematicky odvodiť vnútorný tvar lúča, ktorý vo vstupných údajoch nikdy nebol uvedený.

Rovnako nemožno spoľahlivo overiť nosnosť kolesa, ak zdroj tento údaj neposkytuje, ani vyhodnotiť podmienku konkrétneho schválenia, ak je ukrytá v dokumente, ku ktorému systém nemá prístup.

Prvý krok: prestať každý zdroj prekladať vlastným spôsobom

Súčasné fitment systémy často fungujú ako samostatné dátové ostrovy.

Jeden výrobca používa vlastný konfigurátor, ďalší PDF fitment list, ďalší databázu s vlastnými kódmi a iný úplne odlišnú štruktúru údajov.

Prevádzkovateľ novej databázy alebo AI nástroja potom musí tieto zdroje zozbierať, pochopiť ich internú logiku, previesť ich do vlastného formátu a priebežne sledovať ich zmeny.

Takéto riešenie môže fungovať a dnešné špecializované nástroje sú dôležitým evolučným krokom. Z dlhodobého pohľadu však zostávajú závislé od čiastkových zdrojov a ich individuálnej interpretácie.

Skutočný strojový posun by preto nemal začať otázkou, ktorý AI model bude najlepší.

Mal by začať otázkou:

Ako majú byť fitment dáta štandardizované, aby rovnakému údaju rozumel výrobca, servis, konfigurátor aj AI?

Nestačí zmeniť PDF na JSON. Musíme štandardizovať význam údajov

Strojová dostupnosť neznamená iba to, že namiesto PDF vytvoríme modernejší súbor. Potrebujeme sa dohodnúť, čo jednotlivé údaje znamenajú, ako sa označujú a ku ktorému objektu patria.

Záznam kolesa by napríklad mohol obsahovať jednoznačne definované polia:

Vozidlo by zase nemalo byť iba názvom modelu:

A samostatný dátový objekt môže opisovať schválenie:

Až vtedy dostane stroj namiesto neurčitého tvrdenia „tento disk pasuje na toto auto“ súbor konkrétnych technických tvrdení, ktorých pôvod a význam možno overiť.

Európska cesta: KBA ako prirodzený kandidát na modernú dátovú infraštruktúru

V európskom priestore je zaujímavá situácia okolo nemeckého systému schvaľovania. KBA číslo má v segmente kolies historicky mimoriadne silnú identifikačnú a dôveryhodnostnú hodnotu.

Neznamená to, že nemecký Kraftfahrt-Bundesamt má povinnosť vytvoriť databázu pre AI. Také tvrdenie by bolo nesprávne.

Ako orgán stojaci pri vydávaní príslušných nemeckých schválení je však z pohľadu modernej verejnej správy prirodzeným kandidátom na úvahu, či by sa schvaľovacie údaje nemohli poskytovať aj v štandardizovanej a strojovo dostupnej podobe.

Dnes je veľká časť tejto znalosti uložená predovšetkým ako dokument. Budúci systém by mohol popri autoritatívnom dokumente poskytovať aj štandardizovaný dátový záznam.

KBA ID → typ kolesa → rozmer → nosnosť → vozidlo/variant → pneumatika → podmienky → obmedzenia → zdrojové schválenie

Pôvodný dokument by zostal právnym a technickým dôkazom. Strojovo čitateľná vrstva by však umožnila s rovnakými údajmi pracovať konfigurátorom, servisom, e-shopom aj AI systémom bez toho, aby každý z nich znovu interpretoval rovnaké PDF.

Svetová cesta: potrebujeme digitálnu geometriu kolesa aj brzdy

Mimo schvaľovacieho systému typu TÜV/KBA je problém ešte náročnejší.

Ak chceme nezávisle overiť, či konkrétny disk obíde konkrétnu brzdu, potrebujeme dve geometrie:

Samotná myšlienka nie je futuristická. Výrobcovia bŕzd už dnes používajú profilové výkresy a niektorí výrobcovia kolies porovnávajú svoje 2D výkresy s profilmi strmeňov.

Chýba však spoločná, verejne dostupná a štandardizovaná dátová infraštruktúra, ktorá by umožnila rovnaký princíp používať naprieč výrobcami a automatizovane.

Ak by výrobcovia kolies poskytovali konštrukčné profily v dohodnutom strojovom formáte a zároveň existovala indexovateľná databáza profilov brzdových strmeňov viazaných na konkrétne konfigurácie vozidiel, veľká časť dnešného manuálneho overovania by sa mohla zmeniť na deterministický geometrický výpočet.

Centrálne úložisko nemusí znamenať jednu obrovskú databázu

Pod pojmom centrálne dátové úložisko si netreba nevyhnutne predstaviť jednu organizáciu, ktorá bude vlastniť všetky údaje o všetkých vozidlách a kolesách.

Technicky môže byť systém aj distribuovaný.

Rozhodujúce je, aby jednotlivé zdroje používali spoločný dátový jazyk, jednoznačné identifikátory a definovaný význam jednotlivých polí.

Najskôr teda potrebujeme štandard. Až potom môže vzniknúť efektívne centrálne alebo federované dátové prostredie.

AI by potom nemusela dostať výsledok. Dostala by dôkazy

Toto je možno najväčší rozdiel medzi dnešnou fitment databázou a budúcou dátovou infraštruktúrou.

Dnešný systém často poskytne AI hotové tvrdenie:

Budúci systém by jej mohol poskytnúť podklady, z ktorých možno výsledok odvodiť:

Jazykový model by potom nemusel byť autoritou, ktorá rozhoduje o fitmente. Mohol by byť inteligentným rozhraním medzi človekom a technickou dátovou infraštruktúrou.

Potrebujeme štandardizovať aj mieru istoty

Ani budúci systém nebude mať vždy všetky údaje. Preto by kvalitný digitálny fitment nemal poznať iba dve odpovede – „pasuje“ a „nepasuje“.

Mal by vedieť rozlíšiť aj kvalitu dôkazov, z ktorých jeho záver vznikol.

Ako by mohla vyzerať skutočne kvalitná AI odpoveď?

Namiesto dnešného:

„20×9 ET35 by malo pasovať.“

by raz mohla odpoveď vyzerať napríklad takto:

Montážne rozhranie kolesa je kompatibilné. Nosnosť kolesa vyhovuje požadovanému zaťaženiu nápravy a zmena jeho polohy bola vypočítaná zo šírky a ET. Pre konkrétnu brzdovú konfiguráciu vozidla však nie je dostupný štandardizovaný profil strmeňa. Vôľu medzi brzdou a vnútornou geometriou kolesa preto nemožno digitálne potvrdiť a pred montážou je potrebné fyzické overenie.

Taká odpoveď je hodnotnejšia nie preto, že AI vie všetko.

Je hodnotnejšia preto, že vie presne oddeliť to, čo bolo overené, od toho, na čo ešte nemá dostatok dát.

Kam sa teda môže AI fitment posunúť?

Jednotlivé špecializované projekty, ktoré dnes vznikajú, preto nepovažujeme za slepú cestu. Naopak – sú dôležitým medzistupňom.

Ukazujú, ktoré časti problému už možno automatizovať a kde naopak narážame na chýbajúce alebo neštandardizované vstupné údaje.

Najväčšou prekážkou nemusí byť inteligencia AI

Je prirodzené predpokladať, že s výkonnejšími jazykovými modelmi budú automaticky lepšie aj odpovede na otázky o fitmente.

Do určitej miery to bude pravda. Lepší model môže presnejšie pracovať so zdrojmi, lepšie rozpoznať neistotu a lepšie vysvetliť technický problém.

Existuje však hranica, ktorú samotná inteligencia modelu neprekročí.

Ak nepoznáme skutočný vnútorný profil kolesa, AI ho nemôže odvodiť z ET. Ak nepoznáme profil konkrétneho strmeňa, nemôže vypočítať jeho vôľu. Ak nemáme údaj o nosnosti, nemôže ju bezpečne predpokladať. Ak schvaľovacie podmienky existujú iba v neprístupnom alebo nejednoznačne interpretovanom dokumente, nemôže ich spoľahlivo nahradiť odhadom.

Záver: najskôr dáta, potom AI

Súčasný vývoj ukazuje správny smer. Jazykové modely sa postupne prepájajú so špecializovanými fitment databázami a výpočtovými nástrojmi.

Ďalší veľký krok však pravdepodobne nebude spočívať iba v ďalšom zlepšení samotného AI modelu.

Bude potrebné vytvoriť spoločný dátový jazyk, v ktorom dokážeme jednoznačne opísať vozidlo, nápravu, zaťaženie, koleso, pneumatiku, brzdu, geometriu, schválenie aj podmienky použitia.

Či bude výsledná infraštruktúra jedna centrálna databáza alebo sieť navzájom prepojených autoritatívnych zdrojov, je druhoradá otázka.

Rozhodujúce je, aby všetky zdroje dokázali poskytovať štandardizované, jednoznačné, aktuálne a strojovo dostupné dáta.

Až potom sa môže úloha AI zásadne zmeniť.

Nebude musieť rozhodovať, čomu z množstva čiastkových zdrojov veriť a čo si z nich odvodiť. Bude môcť človeku vysvetliť výsledok technického overenia – vrátane toho, ktoré časti boli potvrdené a ktoré stále vyžadujú fyzickú kontrolu.