(Woro Saraswati 1c114323, Siti Mediana .F. 1a114368, Imas Yunitasari 12345)
Agen adalah segala sesuatu yang dapat melihat/
mengartikan/ mengetahui (perceiving) linkungannya melalui alat sensor (sensors)
dan bertindak (acting) melalui alat aktuator (actuators). Dalam Kecerdasan
Buatan (Artificial Intelligent), sebuah Agen Cerdas (Intelligent Agent)
adalah sebuah entitas otonom yang mengamati dan bertindak berdasarkan suatu
lingkungan (yaitu sebuah agen) dan mengarahkan aktivitasnya ke arah pencapaian
tujuan (yakni, rasional).
Tugas AI (Agent Intelligent)
adalah untuk merancang sebuah agen, yaitu sebuah fungsi yang
mengimplementasikan pemetaan agen dari persepsi terhadap tindakan. Program ini
akan berjalan pada beberapa jenis perangkat komputasi, yang disebut arsitektur.
Secara umum, arsitektur membuat persepsi dari sensor yang tersedia untuk
program, menjalankan program, dan umpan pilihan program aksi terhadap efektor
seperti yang dihasilkan.
Agen Kecerdasan dapat juga
belajar atau menggunakan pengetahuan untuk mencapai tujuan mereka. Agen
Kecerdasan sering digambarkan secara skematik sebagai sistem fungsional abstrak
mirip dengan program komputer.
A. Agent dan Rasional Lingkungannya
· Manusia sebagai agent : mata, telinga
dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh
lainnya sebagai actuators.
· Robot sebagai agent : kamera dan
pejejak infra merah sebagai sensors; berbagai motor pengerak sebagai actuators.
· Software
sebagai agent : tekanan pada keyboard, isi file dan paket paket pada
jaringan sebagai masukan sensors; tampilan pada layar, penulisan
file dan pengiriman paket jaringan sebagai keluaran actuators.
B. Rasional
· Sebuah agen haruslah mengarah kepada “lakukan hal yang
benar”. Berdasarkan kepada apa yang dapat dipahaminya dan tindakan yang dapat
dilakukannya. Tindakan yang benar adalah tindakan yang akan menyebabkan agen
tersebut paling berhasil.
· Misalnya, ukuran performance:
sebuah kriteria objektif untuk keberhasilan sebuah perilaku agen.
Misalnya, ukuran performance dari sebuah
agen vacuum-cleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah
waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang
dihasilkan, dan lain-lain.
· Agen rasional:
untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah
memilih satu tindakan ang diharapkan memaksimalkan ukuran performance-nya,
dengan adanya bukti yang diberikan oleh deretan persepsi dan apapunpengetahuan
terpasang yang dimiliki agen itu.
· Rasionalitas berbeda
dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga).
· Agen dapat
melakukan tindakan untuk memodifikasi persepsi masa depan sedemikian hingga
dapat memeroleh infoemasi yang berguna (pengumpulan infoemasi, eksplorasi).
· Sebuah agen
adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya
sendiri (dengan kemampuan belajar dan beradaptasi).
C. PEAS (Performance, Meansure, Actuators,
Sensors)
Untuk merancang sebuah agen
rasional kita harus menentukan lingkungan tugasnya.
PEAS
deskripsi lingkungan :
-
Kinerja (Performance)
-
Lingkungan Hidup (Meansure)
-
Aktuator (Actuators)
-
Sensor (Sensors)
Contoh-Contoh
Agent
: Sistem Diagnosis Medis
- Performance
measure: Kesembuhan pasien, biaya minim, sengketa
- Environment:
Pasien, pegawai rumah sakit
- Actuators:
Layar monitor (pertanyaan, test, perawatan, rujukan)
- Sensors:
Keyboard (gejala, temuan, pertanyaan pasien)
Agent:
Robot pengutip-sukucadang
- Performance
measure: % komponen pada tempat penampungan yang sesuai
- Environment:
ban berjalan dengan sukucadang, kotak
- Actuators:
lengan bergabung dengan tangan
- Sensors:
kamera, bergabung sensor sudut
Agent:
Interaktif guru Bahasa Inggris
- Performance
measure: memaksimalkan nilai siswa pada tes
- Environment:
sekumpulan mahasiswa
- Actuators:
tampilan layar (latihan, saran, koreksi)
- Sensors:
keyboard
D. Tipe-Tipe Agen
1. Goal-Based
Goal-based agents memperluas pada kemampuan model-based agents, dengan menggunakan "goal" informasi. Tujuan informasi menggambarkan kondisi yang diinginkan. Hal ini memungkinkan agen cara untuk memilih diantara beberapa kemungkinan, memilih satu yang mencapai negara tujuan. Search dan planning adalah sub bidang kecerdasan buatan yang ditunjukan untuk urutan tindakan menemukan bahwa tindakan mencapai tujuan agen.
Dalam
beberapa kasus goal-based agent tampaknya kurang efisien, itu lebih fleksibel
karena pengetahuan yang mendukung keputusan diwakili secara eksplisit dan dapat
dimodifikasi. Meningkatkan tujuan-tujuan :
-
Memilih tujuan dari tujuan-tujuan yang
berbenturan
-
Memilih dengan tepat beberapa tujuan memiliki
kemungkinan berhasil.
2. Utility-based
“Goal” tidak cukup untuk menghasilkan perilaku
berkualitas tinggi. Ada banyak urutan tindakan untuk mencapai tujuan, tetapi
beberapa yang lebih cepat, lebih aman, lebih dapat diandalkan, atau lebih murah
daripada yang lain. Tujuan hanya memberikan perbedaan antara kondisi
"bahagia" dan "tidak bahagia", sedangkan ukuran kinerja
yang lebih umum harus memungkinkan perbandingan beberapa urutan kondisi yang
berbeda jika agen ingin mencapai tujuan.
Terminologi yang dipergunakan untuk
mengatakan bahwa jika satu kondisi lebih disukai daripada kondisi yang lain,
itu mempunyai utilitas yang lebih tinggi untuk agen.
3. Learning
Semua program-program agent terdahulu
mendeskripsikan metode untuk memilih tindakan-tindakan (actions).
E.
JENIS-JENIS LINGKUNGAN
- Fully
observable (vs. Partially observable): sensor-sensor sebuah agen memberinya
akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.
- Deterministic
(vs. Stochastic): keadaan lingkungan berikutnya sepenuhnya ditentukan oleh
keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu
deterministik kecuali untuk tindakan agen-agen lain, maka lingkugannya adalah
strategic).
- Episodic
(vs. Sequential): pengalaman agen dibagi ke dalam “episode-episode” atomik
(setiapepisode terdiri dari si agen) memahami (perceiving) dan kemudian
melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya
tergantung pada episode itu sendiri.
- Static
(vs. Dynamic): lingkungan tidak berubah selagi agen direncanakan
(deliberating). (Lingkungan adalah semidynamic
jika lingkungan itu sendiri tidak berubah dengan berjalannya waktu tetapi skor
performa agen berubah).
- Discrete
(vs. Continuous): sejumlah terbatas persepsi dan tindakan yang khas dan
terdefinisi baik.
- Single
agent (vs. Multiagent): sebuah agen yang mengoperasikan dirinya sendiri dalam
sebuah lingkungan.
- Jenis
lingkungan sangat menentukan rancangan agen
Imas Yunitasari (15114235)
Siti Mediana .F. (1a114368)
sumber:
mata kuliah:
Peng. Teknologi Sistem Cerdas #
