INTELLEGENCE AGENTS
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). Agen Kecerdasan dapat juga belajar atau menggunakan
pengetahuan untuk mencapai tujuan mereka. Mereka mungkin sangat sederhana atau
sangat kompleks: sebuah mesin refleks seperti termostat adalah agen yang
cerdas, seperti manusia, seperti komunitas manusia bekerja bersama menuju
tujuan.
Agen Kecerdasan sering digambarkan secara skematik sebagai sistem fungsional abstrak mirip dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut abstrak agen cerdas (Abstract Intelligent Agent) untuk membedakan mereka dari dunia nyata implementasi sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi agen cerdas menekankan otonomi mereka, dan jadi lebih suka istilah otonom agen cerdas. Yang lain (terutama Russell & Norvig (2003)) dianggap perilaku terarah tujuan sebagai esensi dari cerdas dan jadi lebih suka istilah yang dipinjam dari ekonomi, "agen rasional".
Agen cerdas dalam kecerdasan buatan sangat terkait dengan agen di bidang ekonomi, dan versi dari agen cerdas paradigma kognitif dipelajari dalam ilmu pengetahuan, etika, filsafat alasan praktis, juga di banyak interdisipliner sosio-kognitif komputer pemodelan dan simulasi sosial.
Agen cerdas juga berkaitan erat dengan agen perangkat lunak (program perangkat lunak otonom yang melakukan tugas atas nama pengguna). Dalam ilmu komputer, istilah agen cerdas dapat digunakan untuk mengacu ke agen perangkat lunak yang memiliki kecerdasan, tidak peduli apakah itu bukan agen rasional oleh Russell dan Norvig definisi. Sebagai contoh, program-program otonom digunakan untuk bantuan operator atau data mining (kadang-kadang disebut sebagai bot) juga disebut "agen cerdas".]
Agen Kecerdasan sering digambarkan secara skematik sebagai sistem fungsional abstrak mirip dengan program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut abstrak agen cerdas (Abstract Intelligent Agent) untuk membedakan mereka dari dunia nyata implementasi sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi agen cerdas menekankan otonomi mereka, dan jadi lebih suka istilah otonom agen cerdas. Yang lain (terutama Russell & Norvig (2003)) dianggap perilaku terarah tujuan sebagai esensi dari cerdas dan jadi lebih suka istilah yang dipinjam dari ekonomi, "agen rasional".
Agen cerdas dalam kecerdasan buatan sangat terkait dengan agen di bidang ekonomi, dan versi dari agen cerdas paradigma kognitif dipelajari dalam ilmu pengetahuan, etika, filsafat alasan praktis, juga di banyak interdisipliner sosio-kognitif komputer pemodelan dan simulasi sosial.
Agen cerdas juga berkaitan erat dengan agen perangkat lunak (program perangkat lunak otonom yang melakukan tugas atas nama pengguna). Dalam ilmu komputer, istilah agen cerdas dapat digunakan untuk mengacu ke agen perangkat lunak yang memiliki kecerdasan, tidak peduli apakah itu bukan agen rasional oleh Russell dan Norvig definisi. Sebagai contoh, program-program otonom digunakan untuk bantuan operator atau data mining (kadang-kadang disebut sebagai bot) juga disebut "agen cerdas".]
KONSEP INTELLIGENCE AGENTS
Konsep
Rational Agent
- Rational → melakukan hal yang terbaik.
- Kita harus mendefinisikan tujuan dari si agent (goal).
- Goal bisa dinyatakan sebagai performance measure: ukuran kinerja si agent
- Contoh:
Goal
|
Performance
Measure
|
Lulus
kuliah
|
IPK
|
Cepet
kaya
|
Gaji
bulanan
|
Juara
liga sepakbola
|
Posisi
klasemen
|
Bahagia
|
Tingkat
kebahagiaan
|
Rational
Agent
- Definisi:
Rational agent: suatu agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia amati tentang lingkungan (sejarah input) dan pengetahuan lain yang dimilikinya. - Rational tidak berarti sempurna: ada aspek lingkungan yang tidak diketahui, di luar kendali.
- Terkadang agent bermulai tanpa pengetahuan lingkungan → exploration, learning, autonomy.
Task
Environment
- Ketika merancang sebuah agent, kita harus mendefinisikan lingkungan masalah (task environment), yakni:
- Performance measure: apa saja yang menjadi ukuran kinerja agent?
- Environment: di manakah agent berperan?
- Actuators: apa saja yang bisa dilakukan si agent?
- Sensors: apa saja yang menjadi perantara input untuk agent?
- PEAS
Contoh:
Agent taksi otomatis.
Bayangkan
sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke
tujuan.
- Performance measure: keamanan, kecepatan, legalitas, kenyamanan perjalanan, keuntungan
- Environment: jalanan, lampu merah, lalulintas, pejalan kaki, cuaca
- Actuators: stir arah, gas, rem, klakson, sinyal kiri/kanan
- Sensors: kamera, sonar, speedometer, GPS, odometer, accelerometer, mesin sensor, keyboard
Jenis-jenis
agent program
- Simple reflex agents: hanya berdasarkan percept terakhir.
- Model-based reflex agents: memiliki representasi internal mengenai keadaan lingkungan.
- Goal-based agents: memiliki informasi mengenai tujuan, memilih tindakan yang mencapai tujuan.
- Utility-based agents: melakukan penilaian kuantitatif terhadap suatu keadaan lingkungan → utility function. Berkaitan dengan performance measure.
- Learning agents: belajar dari pengalaman, meningkatkan kinerja.
Komentar
Posting Komentar