Prezentáció ITT
Az előadás a mesterséges intelligencia (MI) mezőgazdasági alkalmazhatóságát tekintette át, egy a konferencia előtt kiküldött előzetes kérdőív (47 válasz) tanulságaira támaszkodva. A válaszolók fele azt mondta, hogy nem használ semmilyen MI-alkalmazást, kb. 30% használ, 20% pedig bizonytalan. Az előadó szerint ez részben abból fakad, hogy a mesterséges intelligencia nem egyetlen technológia, hanem sokféle módszer és alkalmazás gyűjtőfogalma. Egy átlagembertől sem várható el, hogy pontosan tudja, mi tartozik bele, úgy félrevezető lenne mindent egyetlen címkével kezelni. A technológiai mélységek helyett, inkább azt emelte ki, hogy az MI-n belül a gépi tanulás a kulcsterület, ahol a rendszerek tanulnak. Ehhez pedig megfelelő mennyiségű és főleg megfelelő minőségű adat szükséges. Fontos üzenet, hogy a ChatGPT csak nagyon kis szelete a teljes MI-ökoszisztémának. A mostani felkapottsága azért erős, mert a nagy nyelvi modellek közel kerültek a hétköznapi felhasználókhoz, miközben gépi tanulási algoritmusok már az 1950-es évek végétől léteznek. A kérdőívben azok közül, akik használnak MI-t, valóban a ChatGPT a leggyakoribb, de mezőgazdasági oldalról nem érdemes kizárólag erre fókuszálni.
A mezőgazdasági alkalmazásoknál az előadó az MI-t alapvetően adatelemzésként, döntéstámogatásként, illetve üzleti és adminisztratív folyamatok támogatásaként írja le. Nem vállalkozik az összes lehetőség felsorolására, csak néhány jellegzetes példát villant fel, és kiemeli a gyakorlati nehézségeket.
Ilyen példa a fajtaválasztás: ehhez rengeteg, sok helyszínre és hosszú időre kiterjedő kísérleti adat kellene, ami általában hiányzik, mert nincs minden növényre, minden körülményre kiterjedő kísérleti állomáshálózat. Példaként a Syngenta CropWise alkalmazását említi, amely saját kukorica- és napraforgó-fajtákhoz ad ajánlást néhány egyszerű bemenő paraméter alapján, területválasztást követően. A rendszer 80 ezer kísérleti hely adatát és hosszú idősorokat használ, ugyanakkor csak a saját fajták köréből javasol, viszont kipróbálható, mert ingyenes.
A precíziós mezőgazdaságot többen megemlítették MI-hez kapcsolódó területként. Az előadó ezt megerősíti. A zónák kialakításában és a sokféle távérzékelési adat feldolgozásában jelentős szerepet kapnak ezek a módszerek. A növényállomány-vizsgálatnál a képfeldolgozó modellek többféle feladatra alkalmasak. A kultúrnövény állapotának értékelésére, gyomnövények detektálására, ami a növényvédőszer-felhasználás csökkentését segítheti, betakarítás előtt az érett és éretlen termések megkülönböztetésére, vagy hozambecsléshez a termések/növények számlálására (például tök darabszám). Itt hangsúlyozza az egyik legfontosabb korlátot. Ezek nagyon specifikus modellek. Ami napraforgóra be van tanítva, nem fog működni kukoricára, ami paradicsomra készült, az nem jó almára, sőt egy adott piros fajtára tanított modell a zöld fajtánál, vagy akár a piros fajták között is könnyen hibázhat, mert a különbségek nagyok.
Kiemelt területként jelenik meg a kártevők monitorozása: kamerákkal azonosíthatók a csapdába fogott egyedek, és a rajzásdinamika alapján meghatározható a növényvédelmi beavatkozás indokolt időpontja. Emellett sok webes és mobilos, szabadon elérhető alkalmazás létezik növény- és betegségazonosításra. Az előadó saját tesztet mutat borsón. Egy rendszer helyesen azonosítja az aszkohitás betegséget, míg egy másik súlyosan mellé lő és paradicsom fitoftórát jelez. A nagy tévedések okát ugyanabban látja, a rendszereket célzottan kell betanítani, és a felhasználónak ellenőriznie kell, mire tanították a modellt. Pozitív példaként említi, amikor a rendszer korrektül közli, hogy mely növényekre és mely betegségekre lett betanítva, és figyelmeztet, hogy azon kívül rossz eredményt adhat.
Az MI a robotizálásban is alapvető, terjednek a különböző mezőgazdasági robotok. Példaként zöldségszedő robotot és olyan ültetvényrobotot mutat, amely a sorok között közlekedve a növényállapotot és a termésbecslést végzi. Fejlődési trendként azt emeli ki, hogy a rendszerekkel egyre inkább szövegesen/hanggal is lehet kommunikálni. Az agritechnika kiállításon látott példán egy precíziós tábla térképei és diagramjai mellett a felhasználó hangalapon kérdezhet, a rendszer válaszolhat a tábla egyes részeinek adottságaira, sőt összehasonlíthat paramétereket is.
A hazai helyzetről beruházási pályázatok digitalizációs kérdőíveiből hoz képet. A kertészeti ültetvény és üvegház pályázatoknál a növényállapot szenzoros vizsgálata már kezd terjedni (a kitöltők bevallása szerint). A fiatal gazda pályázatban a növényállapot és állatállomány szenzoros megfigyelése együtt szerepelt, és ott kb. 5% jelezte, hogy már használ ilyen megoldást. A termésbecslés és a robotok alkalmazása viszont még alacsony szinten áll.
Állattenyésztésben a szenzorok típusa fajonként változik, de közös cél az egészség, mozgás és viselkedés megfigyelése. Szarvasmarhánál nyakra vagy lábra szerelt szenzorok és fejőrobotok adnak rengeteg adatot. Sertéseknél kamerás és hangalapú megfigyelések vannak. Utóbbival légúti betegségeket akár öt nappal korábban is ki tudnak mutatni, mint hagyományos módszerekkel. Baromfinál hazai fejlesztésű példát hoz. Kamerás megfigyeléssel egyedi súlybecslést végeznek. Elterjedtségre utalva a pályázati adatok szerint viselkedés- és aktivitás figyelést 23% jelölt, a takarmány rendező/etető robotok is megjelentek, míg például a trágya eltakarító robotok még nem igazán.
Külön alkalmazási csoportként tárgyalja a prediktív karbantartást. Gépparaméterek alapján előre jelezhető a meghibásodás, így csökkenhetnek a karbantartási költségek és jobban ütemezhető a szerviz. A terménytisztító–tároló–vetőmagüzemes pályázóknál ez nagyobb arányban jelenik meg, más területeken kisebb arányban, de már láthatóan létezik.
A nagy nyelvi modellekről (ChatGPT és társai) röviden beszél. Ezek alapvetően szöveges információ feldolgozására valók, de egyre jobbak adatok kezelésében is. Komplex számításokat nem érdemes rájuk bízni, statisztikát sem célszerű elszámoltatni velük, viszont táblázatokból összefüggéseket megkereshetnek, és ötleteket adhatnak, mire érdemes figyelni.
Az általános modelleket nem érdemes túl specifikus témákban erőltetni. Különbségeket is említ, a ChatGPT választékosabban fogalmaz és jó lehet ötletelésre, a Copilot az Office-felhasználóknak kedvez; a Gemini a Google-ökoszisztémához illeszkedik, a Consensus pedig tudományos kutatások keresésére jó, mert lektorált cikkadatbázisban keres.
Fontosnak tartja, hogy a GPT-alapú rendszerekre lehet speciális alkalmazásokat fejleszteni, ezért megjelentek mezőgazdasági fókuszú megoldások is. Említ egy német fejlesztést, kiemeli a FarmGPT-t mint magyar fejlesztést, amelyet kifejezetten az agroökológiai átállás támogatására kezdtek építeni. Megjegyzi, hogy AgriGPT néven több fejlesztés is fut párhuzamosan, ami zavart okozhat.
Egy gyakorlati példával azt is megmutatja, hogy a chat nemcsak beszélgetésre és ötletelésre használható: rendezetlen adatokat képes rendezett táblázattá alakítani. Innen pedig már csak egy lépés, hogy hangfelvételből szöveg legyen, abból pedig automatikusan strukturált jegyzet vagy táblázat, ami a terepen dolgozó gazdának adminisztrációs könnyítés lehet. Hangban rögzíti a tapasztalatot, a rendszer pedig rendezett formába önti.
A végén visszatér a kérdőívre, miszerint mi legfontosabb akadály az MI használata kapcsán. Az egyik vezető akadályérzet az, hogy túl drága. Ezzel szemben jelzi: vannak ingyenes vagy olcsón kipróbálható megoldások. Konkrét példát is mond. A Proofminder (magyar alapítású, nemzetközi cég) egy azonosítási szolgáltatására tavalyi interjú alapján átlagosan kb. 15 euró/hektár költséget említ (nagyjából 6000 Ft/ha), és azt, hogy a következő években várhatóan csökkennek az árak a terjedéssel.
A másik akadály a megfelelő mennyiségű/minőségű adat hiánya. Az előadó itt a minőségre helyezi a hangsúlyt. Megjegyzi, hogy ha valakinek csak néhány évnyi adatból már van egy Excel-táblája, akkor akár ChatGPT-vel vagy Copilot-tal is próbálkozhat összefüggések keresésére, míg a tanuló modellekhez valóban nagy adatmennyiség kell. A „nem látom hasznát” és a bizalmatlanság kapcsán a gazdák közötti tapasztalatátadást tartja a legerősebbnek. Azok, akik már használnak technológiákat, mutassák meg a többieknek, mire jó és mire nem, mert a gyakorlati, peer-to-peer tudás meggyőzőbb, mint a kutatói magyarázat.
Záró üzenete két részből áll. Ne az legyen a cél, hogy MI-t alkalmazzunk, hanem az, hogy a gazdaság problémáira keressünk megoldást. Ha ehhez MI-alapú eszköz a legjobb, akkor azt érdemes választani, de sok esetben hagyományos módszerek is megfelelhetnek. Másrészt bármennyit fejlődnek az MI-technológiák, a humán intelligenciára továbbra is szükség van.