Setelah sebelumnya saya membuat postingan artikel mengenai Aplikasi Artifical Intelligent Pada Lingkungan Ilmu Kesehatan dan Kedokteran, kali ini saya akan memberi sedikit pengertian mengenai Agent. Apa itu agent?
Pengertian sebuah AGENT adalah segala sesuatu yang dapat dipandang
sebagaimana mengamati lingkungannya melalui sensor
dan bertindak atas
lingkungan yang melalui efektor. Agen manusia
memiliki mata, telinga,
dan organ lain
untuk sensor, dan
tangan, kaki, mulut,
dan bagian tubuh lainnya untuk efektor. Sebuah
pengganti agen robot
kamera dan berbagai
pencari inframerah untuk sensor dan
berbagai motor untuk
efektor. Dapat digambarkan secara sederhana sebagai
berikut:
Dalam
kecerdasan buatan, intelligent agent
(IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas lingkungan
(yaitu membutuhkan agen) dan
mengarahkan aktivitasnya untuk mencapai tujuan
yaitu rasional. Intelligent agen
juga dapat belajar atau menggunakan pengetahuan untuk mencapai tujuan mereka. Russell
& Norvig (2003) mengartikan Rational Agent yang mengerjakan segala sesuatu hal dengan
benar. Agen Intelligent menurut Nikola Kasabov adalah bahwa Agent
harus menunjukkan karakteristik berikut.:
·
mengakomodasi pemecahan masalah baru aturan bertahap
·
beradaptasi online dan real time
·
mampu menganalisis sendiri dalam hal perilaku,
kesalahan dan kesuksesan.
·
belajar dan meningkatkan melalui interaksi dengan
lingkungan (perwujudan)
·
belajar dengan cepat dari sejumlah besar data
·
memiliki penyimpanan memori berbasis contoh dan
kapasitas pengambilan
·
memiliki parameter untuk mewakili umur pendek dan
jangka panjang memori,,
How Agents Should Act: Right things
Pengukuran Kinerja: mengukur seberapa kesuksesan sebuah agent. Tidak ada satu ukuran yang
tetap dan sama untuk semua agen. Kita dapat menanyakan kepada agen secara
subyektif tentang kenyamanan dengan kinerja agen itu sendiri. Sehingga harus
ada pengukuran kinerja obyektif yang diberlakukan dengan standart otoritas
tentang apa artinya sukses dalam lingkungan dan menggunakannya untuk mengukur
kinerja sebuah agen.
How to evaluate agent’s success?
Mengevaluasi
kinerja sangat penting. Kita harus berhati-hati untuk membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas bahwa agen tahu hasil dari sebuah tindakan yang dilakukan
secara rasional. Sedangkan omniscience
adalah sebuah kemustahilan dari kenyataan yang sebenarnya telah terjadi. Faktor
yang mempengaruhi rasionalitas :
·
Pengukuran kinarja (Performance Measure)
·
Percept Sequence (persepsi urutan)
·
Knowledge from Environment
·
Possible Actions
When to evaluate agent’s success?
Ini mengarah ke definisi agen rasional yang ideal: Untuk setiap
urutan persepsi yang memungkinkan, agen rasional yang ideal harus melakukan
tindakan apapun yang diharapkan dapat memaksimalkan pengukuran kinerjanya,
berdasarkan bukti yang diberikan oleh urutan persepsi dan apa pun yang yang
merupakan pengetahuan built-in yang
dimiliki agen.
STRUKTUR AGENT INTELLIGENCE
Tugas AI
adalah untuk merancang sebuah agent 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.
Hubungan
antara agen, arsitektur, dan program dapat disimpulkan :
- Mapping
: Hubungan antara Percepts and Action.
- Tugas dari AI adalah men-design Agent Program
: merupakan sebuah function yang mengimplementasikan agent mapping dari
percepts to action.
- Architecture
menerima percepts dari sensor,
menjalankan program, melakukan aksi yang dipilih action ke effectors.
-
Agent
= Architecture + Program
-
PAGE
= Percepts, Actions, Goal(s) and Environment.
Tipe
Agent
Simple Reflex Agents
Gambar diatas menunjukkan struktur Simple reflex agent, struktur yang paling sederhana dalam bentuk skema, menunjukkan bagaimana aturan condition action memungkinkan agen untuk membuat sambungan dari persepsi untuk bertindak. Persegi panjang untuk menunjukkan keadaan internal saat proses keputusan agen, dan oval untuk mewakili latar belakang informasi yang digunakan dalam proses. Secara ringkat dapat disampaikan sebagai berikut:
· Memiliki rule base dalam bentuk "aksi-kondisi"
· Memiliki komponen untuk mengekstrak Fitur
· Tidak ada akses untuk menyelesaikan keadaan dunia
· Pekerjaan hanya jika keputusan yang tepat dapat dilakukan atas dasar persepsi saat ini
Model Based Reflex Agent
Pengetahuan tentang "bagaimana dunia
bekerja" disebut model dari dunia, maka bentuk ini dinamakan "model
based reflex agent". Sebuah model based reflex agent harus menjaga semacam
internal model yang tergantung pada sejarah persepsi dan dengan demikian mencerminkan
setidaknya beberapa aspek yang tidak teramati negara saat ini. Kemudian memilih
tindakan dengan cara yang sama sebagai agen refleks. Model ini lebih kuat
daripada simple reflex agent
Goal-Based Agents
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 di antara beberapa kemungkinan, memilih satu yang mencapai negara
tujuan. Search dan planing adalah sub bidang kecerdasan buatan yang ditujukan
untuk urutan tindakan menemukan bahwa 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.
Utility-Based Agents
“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 agent.
ENVIRONMENTS
Kita akan
melihat bagaimana pasangan agen untuk lingkungan. Dalam semua kasus, sifat
hubungan antara mereka adalah sama: tindakan yang dilakukan oleh agen pada lingkungan, yang pada gilirannya memberikan persepsi kepada
agen. Pertama, kita akan menjelaskan berbagai jenis lingkungan dan bagaimana
mereka mempengaruhi desain agen. Kemudian kita akan menjelaskan program-program
lingkungan yang dapat digunakan sebagai testbeds untuk program agen.
Sifat-sifat
environments :
·
Accessible vs.
inaccessible.
·
Deterministic vs.
nondeterministic.
·
Episodic vs.
nonepisodic.
·
Static vs.
dynamic.
·
Discrete vs.
continuous.
Category ›
Artificial Intelligent
No comments:
Post a Comment