Előadás prezentáció ITT
Az előadás a mesterséges intelligencia (MI) fogalmának tisztázásával indul: az előadó több definíciót említ, de hangsúlyozza, hogy nincs egyetlen egységes meghatározás. Közös elemként általában az emberi intelligens viselkedéshez hasonló, gépi és részben autonóm működésű rendszereket értik alatta. Kiemeli, hogy a szemlélet a szabályozásban is változik: a 2024-es Európai Uniós Mesterséges Intelligencia rendelet már kifejezetten „MI-rendszerekről” beszél, és elkülöníti azokat az alkalmazásoktól és szoftverektől, amelyek csak részei lehetnek egy ilyen rendszernek.
Történeti áttekintésben rávilágít, hogy az MI nem új keletű: az első jelentős kutatási projekt 1956-ban indult John McCarthy munkásságához kötődően, majd nem sokkal később a MIT is meghatározó kutatóhely lett. A technológiai fejlődés alakulását egy „hype-görbe” logikájával magyarázza, ahol a kezdeti lelkesedést gyakran visszaesés követi. Az MI esetében két markáns „MI-tél” is volt, amikor a kutatási és érdeklődési hullám visszaesett, ugyanakkor az elmúlt években – különösen az utóbbi évtizedben – erős, látványos növekedés tapasztalható.
Az MI-alkalmazások feltételeit rendszerszinten sorolja: infrastruktúra, adatok, algoritmusok, emberi kompetencia és szabályozási keret kell hozzá. Az adatok szerepét hangsúlyozza a legerősebben. Interaktív kérdésekkel érzékelteti, hogy adatgyűjtés már nagyon sok helyen történik (például egy térfigyelő kamera is adatokat gyűjt), a feldolgozás azonban gyakran szolgáltatókhoz kerül, így a felhasználó nem mindig tudja, történik-e MI-használat. A lényegi állítás: a mesterséges intelligencia akkor működik jól, ha sok adat áll rendelkezésre. Példaként idézi, hogy az AgroVIR becslése szerint egy tíz hektáros, precíziósan művelt kukoricatáblán évente nagyságrendileg ötvenmillió adat keletkezik – ez már olyan mennyiség, amelyből mintázatok és következtetések kinyerhetők.
Az infrastruktúráról azt mondja, egyszerű kipróbáláshoz (például chatbotokhoz) nem szükséges különleges hardver, sőt kisebb elemzésekhez sem feltétlenül kell erős gép. Nagy MI-modellek tanításához és nagy területek, sok rétegű adat feldolgozásához viszont szuperszámítógépes kapacitás kell. Hazai példákat is sorol: Debrecenben működik ilyen központ, a HUN-REN kutatási hálózatnál felhős hozzáférés van, és a Szegedi Tudományegyetemen is létrejött MI-kompetenciaközponti kapacitás. A teljesítményt a FLOPS mutatóval szemlélteti (műveletek másodpercenként), és kiemeli, hogy a petaflopsz nagyságrend már rendkívüli. A költségekről is beszél: a szegedi rendszer milliárdos beruházás, és az üzemeltetés is sok százmilliós tétel. A magyar MI-stratégia célja 2030-ra országos szinten 40 petaflopsz kapacitás elérése.
Európai uniós szinten is erős a támogatás: az EU mesterséges intelligencia „gyárakat” hoz létre, kutatási és fejlesztési központokat, amelyek célja MI-alkalmazások előmozdítása különböző ágazatokban. Emellett „antenna” jellegű kapcsolódási lehetőség is van távoli hozzáféréssel társult országok számára; az előadó szerint 2025 októberében Magyarország is kapott ilyen lehetőséget. A cél elsősorban a KKV-k és startupok támogatása: alkalmazásfejlesztés, gépidő és kutatási együttműködések.
A nagy számítási igény környezeti oldala is előkerül. Az előadó olyan becsléseket idéz, amelyek szerint a nagy chatbotok energiafogyasztása naponta akár százezres nagyságrendű háztartás fogyasztásával vethető össze, és a fogyasztás a következő években tovább növekedhet. Ugyanakkor ellenpontként azt is kiemeli, hogy MI-t sok helyen épp energiaoptimalizálásra vezetnek be (üzemekben, szárítóknál, gyártásban), tehát a technológia egyszerre lehet fogyasztó és megtakarítást hozó eszköz; hogy a mérleg összességében hogyan alakul, nyitott kérdés.
Az MI-technológiák sokféleségét többféle csoportosítással mutatja be. Egyszerű felosztás szerint vannak elemző rendszerek (adatok feldolgozása), generatív rendszerek (új tartalom előállítása, például chat-asszisztensek, fordítók, képgenerálók), és ügynöktípusok, amelyek már döntéseket is hozhatnak vagy döntéseket készítenek elő (virtuális ügyfélszolgálat, hitelbírálat, pályázatelbírálás, autonóm járművek). Másik csoportosításban gépi tanulást, nyelvfeldolgozást, beszéd- és képfeldolgozást, tervezés-optimalizálást és robotikát sorol fel, hozzáfűzve, hogy ezek a területek gyakran átfedik egymást.
A hagyományos programozás és a gépi tanulás különbségét szemléletesen magyarázza: hagyományos esetben a programozó írja a szabályokat, a gépi tanulásnál viszont adatok és elvárt válaszok (tanítóadatok) alapján a rendszer „tanulja ki” a szabályrendszert, majd ezt új adatokra alkalmazza. A neurális hálókat az idegrendszeri kapcsolatok utánzásaként írja le, bemeneti és kimeneti rétegekkel, valamint rejtett rétegekkel, ahol a feldolgozás zajlik. Minél több rejtett réteg van, annál inkább „mély tanulásról” beszélünk. Ugyanakkor felhívja a figyelmet arra, hogy ezek gyakran „fekete dobozok”: a pontos belső ok-okozat nehezen követhető, ami kockázatokat is jelent.
A nagy nyelvi modelleknél kiemeli a gyors fejlődést és a hatalmas tanító adatmennyiségeket (terabájtos lépték). Elmagyarázza, hogy ezek nem klasszikus adatbázisok: a szövegből számokká kódolt mintázatok alapján dolgoznak, így egyes konkrét, „adatbázisszerű” kérdésekre (például menetrendekre) megbízhatatlan választ adhatnak. A magyar nyelv külön kihívás, ezért említi a Magyar Nyelvtudományi Intézet „Puli” nevű modelljét (magyar, illetve magyar–angol–kínai változat), amelyet nagy szövegkorpusz betanításával hoztak létre. A trendje a fejlődésnek: a modellek várhatóan pontosabbak, gyorsabbak és olcsóbbak lesznek.
Az előadás fő súlypontja az agrár- és élelmiszeripari felhasználások bemutatása. Az előadó szerint szinte mindenhol alkalmazható MI: területválasztás, kockázatelemzés (például klímaváltozás), vetésforgó-tervezés, precíziós gazdálkodás, robotika, növényállomány-monitorozás, üvegházvezérlés, prediktív szerviz, válogatás és minőség-ellenőrzés, illetve tárolás alatti vizsgálatok. Állattartásban méret- és viselkedéselemzésre, állatjóléti és betegségmegelőzési célokra is használják. Szaktanácsadásra is készülnek MI-alapú rendszerek, de az előadó és a hallgatóság reakciója alapján a bizalom még nem elég erős ahhoz, hogy ezek kiváltsák az emberi szaktanácsadást.
Adminisztrációban felmerül az automatikus levelezés- és dokumentumkezelés, sőt kötelező jelentések (például ESG) automatikus generálásának iránya is. Marketingben ötletelésre és fogyasztói preferenciák elemzésére alkalmas, valamint élelmiszer hamisítások felderítésére és eredetvizsgálatra is vannak kísérletek.
A döntéstámogatást három nagy kategóriába rendezi: döntéstámogató rendszerek, adminisztráció támogatása, és kockázatok vizsgálata. Ugyanakkor hangsúlyozza, hogy a „klasszikus” modellek (például hőösszeg-alapú előrejelzések kártevőkre, fenológiai stádiumokra) már évtizedek óta hasznosak, illetve szimulációs növénytermesztési modellek (például FAO AquaCrop) is beváltak. Az MI előnye szerinte ott jelentkezik igazán, ahol nagyon nagy adathalmazból kell mintázatokat és összefüggéseket kinyerni, és a tanuló algoritmusok idővel, több adaton egyre jobbak lesznek.
Konkrét példákban bemutatja a klímaváltozás hatásának vizsgálatát szőlőtermesztésben „random forest” módszerrel. Meteorológiai és talajadatok, különböző időszakok és szcenáriók alapján a modell a borvidékek mintázatát vissza tudta adni, majd jövőbeli eltolódásokat jelzett, ami fajtaváltási és alkalmazkodási szükségletekre utal. Másik példaként felszínborítás- és belvízgyakorisági térképeket említ nagy felbontásban, ahol már a teljes ország 10 méteres rácsa is százmilliós–milliárdos nagyságrendű pixelt jelent, tehát komoly számítási igényű.
Piaci példaként a Syngenta Cropwise Selectorát ismerteti: terület kijelölése után nagy kísérleti adatbázisra, talaj- és meteorológiai adatokra támaszkodva fajtákat javasol, tőszámot ajánl, és akár vetőmagigényt is számol, PDF-es összefoglalóval. Hazai közigazgatási példaként a területi monitoring rendszert említi, amely gépi tanulással ellenőrzi, hogy a bejelentett növénykultúra megfelel-e a megfigyeléseknek, és a különböző régiókhoz külön modellezést alkalmaz.
Robotikai és precíziós példák között szerepel üvegházi betakarító robot (érettség felismerés, vágás, ládakezelés, navigáció), célzott növényvédelmi megoldás nagyon finom képfelbontású felismeréssel (jelentős vegyszermegtakarítás lehetőségével), valamint anyagmozgatási és osztályozási rendszerek.
Hazai sikertörténetként a Proofmindert mutatja be, amely drónos felvételekkel, centiméteres részletességgel ellenőrzi például a hibrid kukorica címerezését. Speciális feladatként említi termésszámlálást (különböző gyümölcsök, tök), illetve pocoklyuk-elemzést populációbecsléshez.
Állattartási példákban a sántaság képfelismerését, az ellés előrejelzését több szenzoradatból, legelő állatok monitorozását, valamint kamerás méretbecslést említ vágásérettséghez. Startup példaként a Birdwatcher baromfi-növekedéskövető rendszerét hozza fel, amely magas pontossággal becsül és számol, segítve a termelési döntéseket. Feldolgozásban egy magosztályozó rendszert említ optikai és opcionális UV szenzorral, amely akár gombás fertőzöttséget és aflatoxinos tételeket is elkülöníthet. Marketingoldalon borajánló rendszerrel példázza, hogy fogyasztói preferenciák és laboradatok alapján ajánlások készíthetők.
A kockázatok között kiemeli, hogy a generatív rendszerek nem megbízhatóak minden feladatra: ugyanarra a kérdésre eltérő válaszokat adhatnak, és előfordulhat „hallucináció”, vagyis kitalált, valós alap nélküli információ. Példaként említ egy nem létezőnek tűnő fajtanevet („árnyos piros”), valamint hibás kategorizálást egy generált ábrán. Arra is figyelmeztet, hogy a digitális tartalmak (például személyek megjelenése) is lehetnek félrevezetők, ezért fokozott kritikusság szükséges.
A szabályozási részben a 2024-es EU-s MI-rendeletet nevezi meg kulcsdokumentumként. Ez kockázati szinteket állapít meg, tiltott gyakorlatokat sorol fel (például valós idejű biometrikus azonosítás nyilvános helyen, munkahelyi pontozás biometria vagy hangulat alapján), szabályokat rögzít a fejlesztésre, és elvi szinten kimondja, hogy a felelősségnek emberi felelősségnek kell maradnia. Szankciókat is tartalmaz, amelyek a fejlesztők számára komoly kockázatot jelentenek.
A magyar MI-stratégia felülvizsgálatát is említi, amely az agráriumban lényegében ugyanazokat a fejlesztési irányokat fogalmazza meg, mint amelyekről az előadás is szól.
Összegzésként az előadó azt emeli ki, hogy az MI sokféle technológiát takar, és bár szinte bárhová beépíthető, nem mindenhol indokolt. A siker feltétele a megfelelő mennyiségű és minőségű adat, és a jó használati döntés: generatív rendszerektől nem szabad olyan pontosságot várni, amit nem tudnak garantálni, és komplex szakmai kérdésekre célszerű célzottan fejlesztett rendszereket alkalmazni. Az MI legnagyobb haszna ott van, ahol nagy adathalmazból kell mintázatokat felismerni és döntéseket támogatni; a fordítás, tömörítés, ötletelés inkább kényelmi funkció.
A legfontosabb zárógondolat, hogy az MI nem tévedhetetlen, ezért kritikus szemlélet kell hozzá, és „humán intelligencia nélkül” nem működik jól: az utolsó szó, a felelős döntés mindig az emberé.
A 2025. november 12-én Kónyban, a projekthez kapcsolódó eseményen elhangzott előadás írott formájának elkészítésében a Red Rabbit informatikai megoldását használtuk.