A mesterséges intelligencia (MI) az elmúlt években a mezőgazdaság és az élelmiszeripar egyik leggyakrabban emlegetett technológiájává vált. Bár sokan futurisztikus elvárásokat társítanak hozzá, a gyakorlati tapasztalatok azt mutatják, hogy az MI ma elsősorban nem „okos döntéshozóként”, hanem döntéstámogató, adatfeldolgozó és adminisztrációt segítő eszközként hoz valódi értéket. – hangzott el az Agromash Expo második napján megrendezésre került kerekasztal beszélgetésben.
Az AGROmashEXPO 2026 keretében és a KAP-hálózat szakmai programjaiként megvalósult kerekasztal-beszélgetés résztvevői:
dr. habil Alexy Márta – Óbudai Egyetem
Lakatos Péter – gazdálkodó, szürkemarha
Pintér Levente Elemér – Agrárminisztérium, Agrármodernizációs Főosztály
Téglásy Zsigmond – Campden BRI
Moderátor: Gibrik Dániel
A mezőgazdaságban az MI legelterjedtebb alkalmazása jelenleg az adminisztratív és ellenőrzési folyamatok automatizálása. Ilyen például a Magyar Államkincstár területalapú monitoring rendszere, amely műholdfelvételek és MI segítségével végzi el a támogatási kérelmek előzetes ellenőrzését – vezeti be a témát Pintér Levente, az AM Agrármodernizációs Főosztályának munkatársa. Ez jelentősen csökkenti az emberi ellenőrzés szükségességét, gyorsítja az ügyintézést, ugyanakkor kezdetben sok hibával működött – mivel a tanuló rendszerek pontossága közvetlenül függ a betanító adatok minőségétől.
Minden a jó kérdésfelvetésen múlik
Az MI-rendszerek hatékonyságának egyik leginkább alábecsült, mégis kritikus tényezője a jó kérdésfelvetés, vagyis a probléma helyes definiálása. A mesterséges intelligencia nem „érti” a valóságot, hanem azt a keretet követi, amelyet a felhasználó a kérdés megfogalmazásával kijelöl számára. Ha a kérdés túl általános, rosszul strukturált vagy szakmailag pontatlan, akkor a kapott válasz szükségszerűen félrevezető lesz, függetlenül az alkalmazott algoritmus fejlettségétől. A gyakorlatban ezért gyakran nem is az MI-modell teljesítménye jelenti a szűk keresztmetszetet, hanem az emberi oldalról hiányzó problémaértelmezés: mit akarunk valójában mérni, előre jelezni vagy optimalizálni, milyen feltételek mellett, és milyen döntési helyzet támogatására.
Gazdálkodói szinten az MI jelenleg leginkább beruházások tervezésében, logisztikai optimalizálásban, takarmányozásban és pályázati anyagok előkészítésében, dokumentálásban hasznosul- véli Lakatos Péter gazdálkodó, aki Heves-megyében tart extenzív körülmények között szürkemarhákat. Ezek többsége nem „klasszikus” mesterséges intelligencia-probléma, hanem strukturált adatok gyors feldolgozása, amely sok esetben egyszerűbb digitális rendszerekkel is megoldható lenne.
Néhány hazai esettanulmány
Az egyik bemutatott projektben paprikatermesztés során képfeldolgozó MI-t alkalmaztak annak felismerésére, hogy a növény vegetatív (növekedési) vagy generatív (termésképző) állapotban van-e. A cél a terméshozam optimalizálása volt egy 11 hónapos szedési ciklusban. A rendszer betanításához 3–5000 szakértők által manuálisan címkézett képre volt szükség, a projekt költsége pedig több százezer euróra rúgott. A legnagyobb haszon végül nem is maga az MI lett – meséli Téglásy Zsigmond, a Campden BRI támogatásával megvalósult projektről – hanem az automatizált képrendszerezés és riportkészítés, amely napi szinten jelentős adminisztrációs időt takarított meg.
Bővebben erről a projektről itt olvashat>>
Egy másik projektben multispektrális drónfelvételek alapján MI-t használtak a csattanó maszlag felismerésére szántóföldi kultúrákban. Ez élelmiszerbiztonsági szempontból kritikus, mivel feldolgozás után már nem lehet kiszűrni magjait a feldolgozott paradicsomkészítményekből. A rendszer fejlesztése másfél évig tartott, több tízezer kézzel címkézett képpel.
Kiemelkedő példa a kukoricatermés becslése, ahol magyar fejlesztésű rendszer 8 héttel betakarítás előtt, ±4%-os pontossággal képes előre jelezni a hozamot, táblán belül 20×20 méteres bontásban. Ez már valóban a precíziós mezőgazdaság jövőjét vetíti előre.
A legnagyobb korlát: az adat
A beszélgetések egyik kulcsmondata Alexy Mártától, az Óbudai Egyetem oktatójától hangzott el: „Garbage in, garbage out.”, azaz az MI teljesítménye közvetlenül függ az adatok minőségétől. Egy MI-projekt időráfordításának akár 60–70%-a az adatgyűjtés, tisztítás és strukturálás. A mezőgazdaságban azonban kevés a jól dokumentált, egységes, hosszú idősoros adat, ami erősen korlátozza az MI valódi potenciálját.
Az MI nem váltja ki a gazdát, de aki nem tanulja meg tudatosan használni, az hosszú távon versenyhátrányba kerül. Az igazi kérdés tehát nem az, hogy lesz-e MI az agráriumban, hanem az, hogy milyen minőségű adatokkal és milyen szakmai kontroll mellett lesz használható.
