Kevesebb visszajelzés, okosabb AI az agrárban és klinikán

A legtöbb AI-projekt ott csúszik el, ahol a legdrágább: a címkézett visszajelzésnél. Akár növénybetegséget akarsz felismerni drónképeken, akár triázst támogatni egy telemedicinás rendszerben, előbb-utóbb belefutsz ugyanabba a falba: nincs elég „jóváhagyott” adat, és a szakértői annotáció óradíja nem baráti.

Pont ezért érdekes a 2025.12.19-én frissített kutatás a Semi-Supervised Preference Optimization with Limited Feedback témában. A szerzők azt mutatják meg, hogyan lehet nagyon kevés páros preferencia-visszajelzésből (mi a jobb válasz, mi a rosszabb) és sok jelöletlen mintából úgy tanítani modellt, hogy közben a minőség ne essen össze – sőt: a kísérleteikben az jön ki, hogy 1% visszajelzéssel is képesek felülmúlni olyan baseline-okat, amelyek 10%-ot használnak.

És itt jön a csavar: bár a cikk nyelvi modellekről beszél, a gondolatmenet nagyon szépen átültethető a mesterséges intelligencia az egészségügyben területeire – és ugyanígy a precíziós mezőgazdaság tipikus „kevés a szakértői címke” problémáira is. Szerintem 2026 egyik kulcsképessége az lesz, hogy a szervezetek megtanulnak okosan spórolni a visszajelzéssel, nem pedig sietve „még több címkét” vásárolni.

Mi a preferencia-optimalizálás, és miért pont ez számít?

A preferencia-optimalizálás lényege: nem azt kérjük az emberektől, hogy „mi a helyes válasz?”, hanem azt, hogy két jelölt közül melyik a jobb. Ez gyakorlati szempontból két okból aranyat ér:

1. Gyorsabb döntés: egy orvosnak/agrármérnöknek sokszor könnyebb rábökni, hogy A vagy B a jobb.
2. Közvetlenebb minőségjel: a „jobbat” választás közelebb áll a valós használathoz (pl. betegkommunikáció, ajánlás, döntéstámogatás).

A gond az, hogy a modern módszerek még mindig nagy mennyiségű, párosított preferencia-adatra támaszkodnak. Ez a valóságban így néz ki:

• Egészségügy: szakorvosi idő, felelősség, auditálás → drága és lassú.
• Agrár: kevés szakértő, szezonális csúcsidő, heterogén környezet (fajta, talaj, mikroklíma) → nehéz skálázni.

A kutatás központi kérdése egyszerűen fogalmazva:

Hogyan lehet a „kevés páros preferencia” mellé odatenni a „sok jelöletlen mintát”, és ebből valódi minőségi ugrást elérni?

SSPO: hogyan tanul az AI többet kevesebb visszajelzéssel?

A cikk javaslata a félig felügyelt preferencia-optimalizálás (SSPO). A kulcsgondolat: legyen egy módunk arra, hogy a jelöletlen mintákat pszeudo-címkézzük (kvázi „becsült nyertes/vesztes” jelölés), mégpedig nem vaktában, hanem elvi alapon.

A „jutalomküszöb” ötlete közérthetően

A szerzők elméleti hozzájárulása az, hogy létezik egy optimális jutalomküszöb (reward threshold), ami nagy valószínűséggel szét tudja választani a „jobb” és „rosszabb” válaszokat.

Fordítsuk le ezt hétköznapira:

• Van egy modell (vagy részmodell), ami minden válaszra ad egy pontszámot (jutalom).
• Ha a pontszám küszöb felett van, a válasz nagy eséllyel „nyertes”.
• Ha küszöb alatt, akkor „vesztes”.

Ezzel a trükkel a sok jelöletlen példát nem hagyjuk parlagon: pszeudo-nyertes/vesztes címkéket adunk, és ezekkel tovább tanítunk.

Miért jobb ez, mint a „csak tanítsunk tovább” hozzáállás?

Mert a pszeudo-címkézés itt nem puszta tippelés. A küszöbölés logikája egy rendezett, kontrollálható eljárást ad:

• csökkenti a véletlen félrecímkézés arányát,
• stabilizálja a tanulást,
• és a jelöletlen adatban rejlő latens preferenciákat tényleg ki tudja nyerni.

A papír egyik könnyen idézhető eredménye: Mistral-7B-Instruct modellel, az UltraFeedback adatkészleten az SSPO 1% címkézett preferenciával is konzisztensen erősebb volt, mint több baseline 10% címkézett adattal. Ez a 10× címkehatékonyság az, ami miatt ezt érdemes komolyan venni.

Egészségügyi AI: pont itt fáj a „kevés visszajelzés” probléma

Az egészségügyben a preferencia nem „szép extra”, hanem sokszor betegbiztonsági tényező. Példák, ahol a korlátozott visszajelzés mindennapos:

1) Telemedicina és betegkommunikáció

Egy tünetellenőrző vagy telemedicinás chatbot válaszainál ritkán lesz minden üzenetre szakorvosi jóváhagyás. Viszont gyakran tudunk páros preferenciát kérni:

• „A válasz empatikusabb?”
• „A válasz egyértelműbb cselekvési tervet ad?”
• „A válasz biztonságosabb (nem bátorít veszélyes önkezelést)?”

SSPO-s szemlélettel a kevés „A vs B” visszajelzés mellé be tudjuk húzni a rengeteg jelöletlen beszélgetést (anonimizálva, megfelelőséggel), és a modell „rááll” a kívánt stílusra és biztonsági mintákra.

2) Klinikai döntéstámogatás (triázs, ajánlások)

Triázsnál a preferencia sokszor nem az, hogy „helyes-e a diagnózis”, hanem hogy jobb-e a következő lépés javaslata. Például:

• megfelelő sürgősségi szint,
• figyelmeztető jelek felsorolása,
• konzultáció javaslata a megfelelő szakmához.

Korlátozott visszajelzés mellett SSPO-típusú megközelítés segíthet abban, hogy a rendszer gyorsabban közelítsen az intézményi protokollhoz, miközben kevés szakértői munkaórát éget.

3) Diagnosztikai AI és minőségellenőrzés

Képalkotásnál (radiológia, patológia) gyakran van sok adat, de kevés egységes minőségű címke. Preferenciát viszont néha könnyebb kérni: „melyik jelölés követi jobban a kontúrt?”, „melyik magyarázat klinikailag használhatóbb?”.

Nem azt állítom, hogy SSPO „kiváltja” a validált ground truth-ot. Azt igen, hogy okosan kitölti a rést a kevés validált címke és a sok nyers adat között.

Agrár AI: ugyanaz a probléma, csak más a terep

Ebben a blog-sorozatban (mesterséges intelligencia a mezőgazdaságban és agrártechnológiában) rendszeresen előjön egy kemény tapasztalat: a modell nem a laborban bukik el, hanem a táblán.

Az agrárban a „preferencia” sokszor ezt jelenti:

• melyik permetezési javaslat csökkenti jobban a kockázatot,
• melyik öntözési terv ad stabilabb hozamot,
• melyik betegség-azonosítás magyarázata érthető a gazdának.

Konkrét, praktikus példa: növénybetegség felismerés + ajánlás

Képzeld el, hogy van:

• 2 000 szakértői páros preferenciád (A/B: „melyik diagnózis+teendő jobb?”),
• és 200 000 jelöletlen fotód + a rendszer által generált válaszok.

A klasszikus út: még több címkét vásárolsz.

Az SSPO-s út: a kevés páros preferenciából felépítesz egy jutalommodellt, küszöbölsz, pszeudo-címkézel, és a 200 000 jelöletlen példából is tanulsz. A szezon közepén ez nem „nice to have”, hanem üzleti túlélési képesség.

Hogyan építsd be SSPO-s logikával az „emberi visszajelzést” a folyamatba?

A legjobb eredményt akkor láttam projektekben, amikor a visszajelzés nem kampányszerű, hanem rendszerszintű. Egy működő, ipari jellegű keret így nézhet ki:

1) Határozd meg a preferencia-dimenziókat

Ne csak azt kérdezd, hogy „melyik jobb?”, hanem legyen 3–5 fix szempont. Egészségügyi és agrár példák:

• biztonság (kockázatos tanács kiszűrése),
• érthetőség (nem szakzsargon),
• protokollhűség (irányelvek),
• hasznosság (konkrét következő lépések),
• bizonytalanság kezelése (mikor kell szakember).

2) Kicsi, de erős „arany” készletet építs

A cikk üzenete nem az, hogy „nem kell címke”, hanem az, hogy okosan válaszd meg, mire költesz címkézési büdzsét.

• legyen auditált,
• legyen reprezentatív,
• legyen benne nehéz eset (ritka tünet, ritka kórkép / ritka kártevő).

3) Pszeudo-címkézés csak kontrollal

A küszöbös megközelítésnél érdemes üzemi szabályokat hozni:

• csak a magas biztonságú pszeudo-nyerteseket használd tanításra,
• a „szürke zóna” menjen emberhez,
• időnként mintavételezz és ellenőrizd a pszeudo-címkék minőségét.

4) Mérj úgy, ahogy a valóság fáj

Egészségügyben ez lehet:

• téves sürgősségi javaslat aránya,
• nem megfelelő önellátási tanács aránya,
• orvos által elfogadott összefoglalók aránya.

Agrárban:

• téves kórokozó-azonosítás aránya terepi mintán,
• „használható ajánlás” aránya (gazdák visszajelzése alapján),
• inputanyag-megtakarítás (víz, műtrágya) kontrollált kísérletben.

Gyakori kérdések, amik mindig feljönnek (és jogosan)

„Ez kiváltja a szakértői címkézést?”

Nem. Csökkenti a szükséges mennyiséget, és gyorsítja a fejlődést. Kritikus rendszereknél (klinika, gyógyszerelés) a végső validációt nem úszod meg.

„Mi van, ha a pszeudo-címkék hibásak?”

A kockázat valós. Ezért kell a küszöbölés, a szürke zóna kezelése és a rendszeres audit. A rossz pszeudo-címkézés rossz irányba is vihet.

„Agrárban hol a legjobb első use case?”

Szerintem ott, ahol az output nem csak „osztály”, hanem javaslat + magyarázat:

• növényvédelmi döntéstámogatás,
• öntözési terv generálása helyi szenzoradatból,
• terméshozam-előrejelzés mellé magyarázó tényezők.

Mit érdemes most megtenni, ha leadet is szeretnél belőle?

Ha 2026-ra komolyan tervezel AI-t bevinni agrár- vagy egészségügyi folyamatokba, én három lépést tennék meg még a Q1-ben:

1. Visszajelzés-audit: jelenleg hol keletkezik preferencia-jel? (support jegyek, orvosi megjegyzések, gazdai értékelések)
2. Kis pilot SSPO-s szemlélettel: 1–2 ezer páros preferencia + nagy jelöletlen készlet, mérhető KPI-okkal.
3. Biztonsági keretrendszer: küszöbök, szürke zóna, ember a hurokban, naplózás.

A tapasztalatom az, hogy a „még több adatot gyűjtünk” reflex helyett a „okosabban használjuk a meglévőt” hozza a gyors nyereséget – különösen ott, ahol a szakértői visszajelzés szűk keresztmetszet.

A kérdés, ami 2026-ban mindkét területen eldől: a szervezeted tud-e tanulni kevés, de jó visszajelzésből, vagy minden új modellverzióhoz újabb annotációs kampány kell?