Di dunia sekarang ini, teknologi berkembang sangat cepat, dan kami berkomunikasi dengan
berbagai teknologi baru setiap hari.
Di sini, salah satu teknologi booming dari ilmu komputer adalah Inteligensi Buatan yang siap
untuk menciptakan revolusi baru di dunia dengan membuat mesin cerdas. Inteligensi Buatan
sekarang ada di sekitar kita. Saat ini bekerja dengan berbagai subbidang, mulai dari umum
ke spesifik, seperti mobil self-driving, bermain catur, membuktikan teorema, bermain musik,
melukis, dll.
AI adalah salah satu bidang ilmu komputer yang menarik dan universal yang memiliki
cakupan besar di masa depan. AI memiliki kecenderungan untuk menyebabkan mesin
bekerja sebagai manusia.
Apa itu Kecerdasan Buatan?
Pengantar AI
Kecerdasan Buatan terdiri dari dua kata Buatan dan Kecerdasan, di mana Buatan
mendefinisikan "buatan manusia," dan kecerdasan mendefinisikan "kekuatan berpikir",
karenanya AI berarti "kekuatan berpikir buatan manusia."
Jadi, kita dapat mendefinisikan AI sebagai:
"Ini adalah cabang ilmu komputer yang dengannya kita dapat menciptakan mesin
cerdas yang dapat berperilaku seperti manusia, berpikir seperti manusia, dan mampu
membuat keputusan."
Inteligensi buatan ada ketika mesin dapat memiliki keterampilan berbasis manusia seperti
belajar, bernalar, dan memecahkan masalah
Dengan Artificial Intelligence Anda tidak perlu memprogram mesin terlebih dahulu untuk
melakukan beberapa pekerjaan, meskipun begitu Anda dapat membuat mesin dengan
algoritma yang diprogram yang dapat bekerja dengan kecerdasan sendiri, dan itu adalah
kehebatan AI.
Dipercayai bahwa AI bukanlah teknologi baru, dan beberapa orang mengatakan bahwa
sesuai dengan mitos Yunani, ada para pria Mekanik di masa awal yang dapat bekerja dan
berperilaku seperti manusia.
Sebelum Belajar tentang Kecerdasan Buatan, kita harus tahu bahwa apa pentingnya AI dan
mengapa kita harus mempelajarinya. Berikut adalah beberapa alasan utama untuk
mempelajari AI:
Dengan bantuan AI, Anda dapat membuat perangkat lunak atau perangkat seperti itu
yang dapat memecahkan masalah dunia nyata dengan sangat mudah dan dengan akurasi
seperti masalah kesehatan, pemasaran, masalah lalu lintas, dll.
Dengan bantuan AI, Anda dapat membuat Asisten virtual pribadi Anda, seperti
Cortana, Google Assistant, Siri, dll.
Dengan bantuan AI, Anda dapat membangun Robot seperti itu yang dapat bekerja di
lingkungan di mana kelangsungan hidup manusia dapat berisiko.
AI membuka jalur untuk teknologi baru lainnya, perangkat baru, dan Peluang baru.
Tujuan Kecerdasan Buatan
Inteligensi buatan bukan hanya bagian dari ilmu komputer bahkan sangat luas dan
membutuhkan banyak faktor lain yang dapat berkontribusi padanya. Untuk membuat AI
terlebih dahulu kita harus tahu bahwa bagaimana kecerdasan dikomposisikan, sehingga
Kecerdasan adalah bagian tak berwujud dari otak kita yang merupakan kombinasi dari
Penalaran, pembelajaran, persepsi pemecahan masalah, pemahaman bahasa, dll.
Untuk mencapai faktor-faktor di atas untuk sebuah mesin atau perangkat lunak Inteligensi
Buatan memerlukan disiplin berikut:
● Mathematics
● Biology
● Psychology
● Sociology
● Computer Science
● Neurons Study
● Statistics
Keuntungan Kecerdasan Buatan
Setiap teknologi memiliki beberapa kelemahan, dan ini berlaku untuk kecerdasan buatan.
Masih teknologi yang sangat menguntungkan, ia memiliki beberapa kelemahan yang perlu
kita ingat saat membuat sistem AI. Berikut ini adalah kerugian AI:
Biaya Tinggi: Persyaratan perangkat keras dan perangkat lunak AI sangat mahal
karena membutuhkan banyak perawatan untuk memenuhi persyaratan dunia saat ini.
Tidak dapat berpikir di luar kotak: Bahkan kami membuat mesin yang lebih pintar
dengan AI, tetapi tetap saja mereka tidak dapat bekerja di luar kotak, karena robot hanya
akan melakukan pekerjaan yang dilatih, atau diprogram.
Tidak ada perasaan dan emosi: Mesin AI dapat menjadi pemain yang luar biasa,
tetapi tetap saja tidak memiliki perasaan sehingga tidak dapat membuat ikatan emosional
dengan manusia, dan kadang-kadang bisa berbahaya bagi pengguna jika perawatan yang
tepat tidak diambil.
Tingkatkan ketergantungan pada mesin: Dengan peningkatan teknologi, orang
semakin tergantung pada perangkat dan karenanya mereka kehilangan kemampuan mental
mereka.
Tidak Ada Kreativitas Asli: Karena manusia sangat kreatif dan dapat membayangkan
beberapa ide baru tetapi mesin AI tetap tidak bisa mengalahkan kekuatan kecerdasan
manusia ini dan tidak bisa kreatif dan imajinatif.
1. Penerapan AI
Kecerdasan Buatan memiliki berbagai aplikasi dalam masyarakat saat ini. Ini menjadi
penting untuk saat ini karena dapat memecahkan masalah yang kompleks dengan cara
yang efisien di berbagai industri, seperti Kesehatan, hiburan, keuangan, pendidikan, dll. AI
membuat kehidupan kita sehari-hari lebih nyaman dan cepat.
Berikut ini adalah beberapa sektor yang memiliki aplikasi Inteligensi Buatan:
Saya di Astronomi
Inteligensi buatan dapat sangat berguna untuk memecahkan masalah alam semesta
yang kompleks. Teknologi AI dapat membantu untuk memahami alam semesta seperti cara
kerjanya, asal, dll.
2. AI dalam Kesehatan
Dalam lima hingga sepuluh tahun terakhir, AI menjadi lebih menguntungkan bagi
industri kesehatan dan akan berdampak signifikan pada industri ini.
Industri Layanan Kesehatan menerapkan AI untuk membuat diagnosis yang lebih
baik dan lebih cepat daripada manusia. AI dapat membantu dokter dengan diagnosis dan
dapat menginformasikan kapan pasien memburuk sehingga bantuan medis dapat
menjangkau pasien sebelum dirawat di rumah sakit.
3. AI dalam Game
AI dapat digunakan untuk tujuan game. Mesin AI dapat memainkan game strategis
seperti catur, di mana mesin perlu memikirkan sejumlah besar tempat yang memungkinkan.
4. AI dalam Keuangan
AI dan industri keuangan adalah pasangan terbaik untuk satu sama lain. Industri
keuangan menerapkan otomatisasi, chatbot, kecerdasan adaptif, perdagangan algoritma,
dan pembelajaran mesin ke dalam proses keuangan.
Keamanan data sangat penting untuk setiap perusahaan dan serangan cyber
berkembang sangat pesat di dunia digital. AI dapat digunakan untuk membuat data Anda
lebih aman dan terlindungi. Beberapa contoh seperti AEG bot, AI2 Platform, digunakan
untuk menentukan bug perangkat lunak dan serangan cyber dengan cara yang lebih baik.
6. AI di Media Sosial
Situs Media Sosial seperti Facebook, Twitter, dan Snapchat berisi miliaran profil
pengguna, yang perlu disimpan dan dikelola dengan cara yang sangat efisien. AI dapat
mengatur dan mengelola sejumlah besar data. AI dapat menganalisis banyak data untuk
mengidentifikasi tren terbaru, tagar, dan kebutuhan pengguna yang berbeda.
8. AI di Industri Otomotif
9. AI dalam Robotika:
Kecerdasan Buatan memiliki peran yang luar biasa dalam Robotika. Biasanya, robot
umum diprogram sedemikian rupa sehingga mereka dapat melakukan beberapa tugas
berulang, tetapi dengan bantuan AI, kita dapat membuat robot cerdas yang dapat
melakukan tugas dengan pengalaman mereka sendiri tanpa diprogram sebelumnya.
Robot Humanoid adalah contoh terbaik untuk AI dalam robotika, baru-baru ini robot
Humanoid cerdas bernama Erica dan Sophia telah dikembangkan yang dapat berbicara dan
berperilaku seperti manusia.
Pertanian adalah daerah yang membutuhkan berbagai sumber daya, tenaga, uang,
dan waktu untuk hasil terbaik. Sekarang pertanian sehari menjadi digital, dan AI muncul di
bidang ini. Pertanian menerapkan AI sebagai robot pertanian, pemantauan padat dan
tanaman, analisis prediktif. AI dalam pertanian dapat sangat membantu petani.
Inteligensi buatan bukanlah kata baru dan bukan teknologi baru bagi para peneliti. Teknologi
ini jauh lebih tua dari yang Anda bayangkan. Bahkan ada mitos pria Mekanik dalam Mitos
Yunani Kuno dan Mesir. Berikut adalah beberapa tonggak dalam sejarah AI yang
menentukan perjalanan dari generasi AI hingga perkembangan terkini.
Tahun 1943: Karya pertama yang sekarang dikenal sebagai AI dilakukan oleh
Warren McCulloch dan Walter di tahun 1943. Mereka mengusulkan model neuron buatan.
Tahun 1949: Donald Hebb mendemonstrasikan aturan pembaruan untuk
memodifikasi kekuatan koneksi antar neuron. Pemerintahannya sekarang disebut
pembelajaran bahasa Ibrani.
Tahun 1950: Alan Turing yang merupakan ahli matematika dan perintis
pembelajaran bahasa Inggris pada tahun 1950. Alan Turing menerbitkan "Mesin Komputasi
dan Kecerdasan" di mana ia mengajukan tes. Tes ini dapat memeriksa kemampuan mesin
untuk menunjukkan perilaku cerdas yang setara dengan kecerdasan manusia, yang disebut
tes Turing.
Pada saat itu bahasa komputer tingkat tinggi seperti FORTRAN, LISP, atau COBOL
ditemukan. Dan antusiasme untuk AI sangat tinggi pada saat itu.
Durasi antara tahun 1974 hingga 1980 adalah durasi musim dingin AI pertama. AI
musim dingin mengacu pada periode waktu di mana ilmuwan komputer berurusan dengan
kekurangan dana yang besar dari pemerintah untuk penelitian AI.
Selama musim dingin AI, minat publisitas pada kecerdasan buatan menurun.
● Booming AI (1980-1987)
Tahun 1980: Setelah durasi musim dingin AI, AI kembali dengan "Sistem Pakar".
Sistem pakar diprogram untuk meniru kemampuan pengambilan keputusan seorang pakar
manusia.
Pada Tahun 1980, konferensi nasional pertama American Association of Artificial
Intelligence diadakan di Stanford University.
○ Tahun 1997: Pada tahun 1997, IBM Deep Blue mengalahkan juara catur
dunia, Gary Kasparov, dan menjadi komputer pertama yang mengalahkan
juara catur dunia.
○ Tahun 2002: untuk pertama kalinya, AI memasuki rumah dalam bentuk
Roomba, penyedot debu.
○ Tahun 2006: AI muncul di dunia Bisnis hingga tahun 2006. Perusahaan
seperti Facebook, Twitter, dan Netflix juga mulai menggunakan AI.
○ Tahun 2011: Pada tahun 2011, IBM Watson memenangkan bahaya, sebuah
acara kuis, di mana ia harus menyelesaikan pertanyaan kompleks dan juga
teka-teki. Watson telah membuktikan bahwa ia dapat memahami bahasa
alami dan dapat memecahkan pertanyaan rumit dengan cepat.
○ Tahun 2012: Google telah meluncurkan fitur aplikasi Android "Google
sekarang", yang mampu memberikan informasi kepada pengguna sebagai
prediksi.
○ Tahun 2014: Pada tahun 2014, Chatbot "Eugene Goostman" memenangkan
kompetisi dalam "tes Turing" yang terkenal itu.
○ Tahun 2018: "Project Debater" dari IBM berdebat tentang topik kompleks
dengan dua debat utama dan juga berkinerja sangat baik.
○ Google telah mendemonstrasikan program AI "Duplex" yang merupakan
asisten virtual dan yang telah membuat janji dengan penata rambut, dan
wanita di sisi lain tidak menyadari bahwa dia sedang berbicara dengan mesin.
Sekarang AI telah berkembang ke tingkat yang luar biasa. Konsep Deep learning, big data,
dan sains data sekarang cenderung seperti boom. Saat ini perusahaan seperti Google,
Facebook, IBM, dan Amazon bekerja dengan AI dan menciptakan perangkat yang luar
biasa. Masa depan Kecerdasan Buatan adalah inspirasi dan akan datang dengan
kecerdasan tinggi.
3. Jenis Kecerdasan Buatan:
Kecerdasan Buatan dapat dibagi dalam berbagai jenis, terutama ada dua jenis kategorisasi
utama yang didasarkan pada kemampuan dan berdasarkan fungsional AI. Berikut ini adalah
diagram alir yang menjelaskan jenis-jenis AI.
2. AI Umum:
Mesin murni reaktif adalah tipe paling dasar dari Kecerdasan Buatan.
Sistem AI seperti itu tidak menyimpan ingatan atau pengalaman masa lalu untuk
tindakan di masa depan.
Mesin-mesin ini hanya fokus pada skenario saat ini dan bereaksi sesuai dengan
tindakan terbaik yang mungkin dilakukan.
Sistem Deep Blue IBM adalah contoh dari mesin reaktif.
Google AlphaGo juga merupakan contoh mesin reaktif.
2. Memori Terbatas
Mesin memori terbatas dapat menyimpan pengalaman masa lalu atau beberapa data
untuk waktu yang singkat.
Mesin ini dapat menggunakan data yang disimpan untuk periode waktu terbatas
saja.
Mobil self-driving adalah salah satu contoh terbaik dari sistem Memori Terbatas.
Mobil-mobil ini dapat menyimpan kecepatan terbaru dari mobil terdekat, jarak mobil lain,
batas kecepatan, dan informasi lain untuk menavigasi jalan.
3. Teori Pikiran
4. Kesadaran Diri
Kesadaran diri AI adalah masa depan Kecerdasan Buatan. Mesin-mesin ini akan
menjadi sangat cerdas, dan akan memiliki kesadaran, sentimen, dan kesadaran diri mereka
sendiri.
Mesin-mesin ini akan lebih pintar dari pada pikiran manusia.
Kesadaran Diri AI masih belum ada dalam kenyataan dan itu adalah konsep
hipotetis.
4. Jenis Agen AI
Agen dapat dikelompokkan menjadi lima kelas berdasarkan tingkat kecerdasan dan
kemampuan yang dirasakan. Semua agen ini dapat meningkatkan kinerja mereka dan
menghasilkan tindakan yang lebih baik dari waktu ke waktu. Ini diberikan di bawah ini:
Agen refleks sederhana adalah agen paling sederhana. Agen-agen ini mengambil
keputusan berdasarkan persepsi saat ini dan mengabaikan sisa sejarah persepsi.
Agen-agen ini hanya berhasil dalam lingkungan yang dapat diamati sepenuhnya.
Agen refleks sederhana tidak mempertimbangkan bagian dari sejarah persepsi
selama proses keputusan dan tindakan mereka.
Agen refleks sederhana bekerja pada aturan kondisi-tindakan, yang berarti
memetakan kondisi saat ini untuk bertindak. Seperti agen Pembersih Kamar, itu hanya
berfungsi jika ada kotoran di dalam ruangan.
Masalah untuk pendekatan desain agen refleks sederhana:
● Pengetahuan tentang lingkungan negara saat ini tidak selalu cukup untuk
memutuskan agen apa yang harus dilakukan.
● Agen perlu mengetahui tujuannya yang menggambarkan situasi yang
diinginkan.
● Agen berbasis tujuan memperluas kemampuan agen berbasis model dengan
memiliki informasi "tujuan".
● Mereka memilih suatu tindakan, sehingga mereka dapat mencapai tujuan.
● Agen-agen ini mungkin harus mempertimbangkan serangkaian tindakan yang
mungkin sebelum memutuskan apakah tujuannya tercapai atau tidak. Pertimbangan
skenario berbeda seperti itu disebut pencarian dan perencanaan, yang membuat
agen proaktif.
4. Agen berbasis utilitas
● Agen ini mirip dengan agen berbasis tujuan tetapi memberikan komponen
tambahan pengukuran utilitas yang membuatnya berbeda dengan memberikan
ukuran keberhasilan pada keadaan tertentu.
● Agen berbasis utilitas bertindak berdasarkan tidak hanya tujuan tetapi juga
cara terbaik untuk mencapai tujuan.
● Agen berbasis utilitas berguna ketika ada beberapa alternatif yang
memungkinkan, dan agen harus memilih untuk melakukan tindakan terbaik.
● Fungsi utilitas memetakan setiap negara bagian ke bilangan real untuk
memeriksa seberapa efisien setiap tindakan mencapai tujuan.
5. Agen Pembelajaran
● Agen pembelajaran dalam AI adalah jenis agen yang dapat belajar dari
pengalaman masa lalunya, atau memiliki kemampuan belajar.
● Itu mulai bertindak dengan pengetahuan dasar dan kemudian mampu
bertindak dan beradaptasi secara otomatis melalui pembelajaran.
● Agen pembelajaran terutama memiliki empat komponen konseptual, yaitu:
● Elemen pembelajaran: Bertanggung jawab untuk melakukan perbaikan
dengan belajar dari lingkungan
● Critic: Elemen pembelajaran mengambil umpan balik dari kritik yang
menggambarkan bahwa seberapa baik agen melakukan sehubungan dengan
standar kinerja tetap.
● Elemen kinerja: Bertanggung jawab untuk memilih tindakan eksternal
● Generator masalah: Komponen ini bertanggung jawab untuk menyarankan
tindakan yang akan mengarah pada pengalaman baru dan informatif.
● Oleh karena itu, agen pembelajaran dapat belajar, menganalisis kinerja, dan
mencari cara baru untuk meningkatkan kinerja.
Sistem AI dapat didefinisikan sebagai studi tentang agen rasional dan lingkungannya. Agen
merasakan lingkungan melalui sensor dan bertindak pada lingkungan mereka melalui
aktuator. Agen AI dapat memiliki sifat mental seperti pengetahuan, kepercayaan, niat, dll.
Apa itu Agen?
Agen dapat berupa apa saja yang memahami lingkungan melalui sensor dan bertindak atas
lingkungan itu melalui aktuator. Agen berjalan dalam siklus memahami, berpikir, dan
bertindak. Agen dapat:
● Agen Manusia: Agen manusia memiliki mata, telinga, dan organ lain yang
bekerja untuk sensor dan tangan, kaki, kerja saluran vokal untuk aktuator.
● Agen Robot: Agen robot dapat memiliki kamera, pencari jangkauan
inframerah, NLP untuk sensor dan berbagai motor untuk aktuator.
● Agen Perangkat Lunak: Agen perangkat lunak dapat memiliki penekanan
tombol, isi file sebagai input sensorik dan bertindak atas input tersebut dan
menampilkan output pada layar.
Karenanya dunia di sekitar kita penuh dengan agen seperti termostat, ponsel, kamera, dan
bahkan kita juga agen.
Sebelum bergerak maju, kita harus terlebih dahulu tahu tentang sensor, efektor, dan
aktuator.
Agen Cerdas:
Agen cerdas adalah entitas otonom yang bertindak atas lingkungan menggunakan sensor
dan aktuator untuk mencapai tujuan. Agen yang cerdas dapat belajar dari lingkungan untuk
mencapai tujuan mereka. Thermostat adalah contoh agen cerdas.
Agen rasional adalah agen yang memiliki preferensi yang jelas, memodelkan ketidakpastian,
dan bertindak dengan cara untuk memaksimalkan ukuran kinerjanya dengan semua
tindakan yang mungkin.
Seorang agen rasional dikatakan melakukan hal yang benar. AI adalah tentang menciptakan
agen rasional yang digunakan untuk teori permainan dan teori keputusan untuk berbagai
skenario dunia nyata.
Untuk agen AI, tindakan rasional adalah yang paling penting karena dalam algoritma
pembelajaran penguatan AI, untuk setiap tindakan terbaik, agen mendapat hadiah positif
dan untuk setiap tindakan yang salah, agen mendapat hadiah negatif.
Catatan: Agen rasional dalam AI sangat mirip dengan agen cerdas.
Rasionalitas:
Rasionalitas agen diukur dengan ukuran kinerjanya. Rasionalitas dapat dinilai berdasarkan
poin-poin berikut:
Catatan: Rasionalitas berbeda dari Kemahatahuan karena agen Mahatahu tahu hasil aktual
dari tindakannya dan bertindak sesuai, yang tidak mungkin dalam kenyataan.
Struktur Agen AI
Berikut ini adalah tiga istilah utama yang terlibat dalam struktur agen AI:
Fungsi Agen: Fungsi agen digunakan untuk memetakan persepsi terhadap suatu tindakan.
f: P * → A
Program agen: Program agen adalah implementasi dari fungsi agen. Program agen
dijalankan pada arsitektur fisik untuk menghasilkan fungsi f.
Representasi PEAS
PEAS adalah jenis model di mana agen AI bekerja. Ketika kita mendefinisikan agen AI atau
agen rasional, maka kita dapat mengelompokkan propertinya di bawah model representasi
PEAS. Itu terdiri dari empat kata:
P: Ukuran kinerja
E: Lingkungan
A: Aktuator
S: Sensor
mari kita anggap sebuah mobil self-driving maka representasi PEAS akan:
Performance: Safety, time, legal drive, comfort
Lingkungan adalah segala sesuatu di dunia yang mengelilingi agen, tetapi itu bukan bagian
dari agen itu sendiri. Lingkungan dapat digambarkan sebagai situasi di mana agen hadir.
Lingkungan adalah tempat agen tinggal, beroperasi, dan memberikan sesuatu kepada agen
untuk merasakan dan menindaklanjutinya. Lingkungan sebagian besar dikatakan
non-feministik.
Fitur Lingkungan
Sesuai Russell dan Norvig, suatu lingkungan dapat memiliki berbagai fitur dari sudut
pandang agen:
71. Fully observable vs Partially Observable
72. Static vs Dynamic
73. Discrete vs Continuous
74. Deterministic vs Stochastic
75. Single-agent vs Multi-agent
76. Episodic vs sequential
77. Known vs Unknown
78. Accessible vs Inaccessible
1. Sepenuhnya diamati vs Sebagian Teramati:
Jika sensor agen dapat merasakan atau mengakses keadaan lengkap dari suatu
lingkungan pada setiap titik waktu maka itu adalah lingkungan yang sepenuhnya dapat
diamati, selain itu sebagian dapat diamati.
Lingkungan yang dapat diamati sepenuhnya mudah karena tidak perlu
mempertahankan keadaan internal untuk melacak sejarah dunia.
Agen tanpa sensor di semua lingkungan maka lingkungan seperti itu disebut tidak
dapat diobservasi.
2. Deterministic vs Stochastic:
Jika keadaan agen saat ini dan tindakan yang dipilih dapat sepenuhnya menentukan
keadaan lingkungan berikutnya, maka lingkungan tersebut disebut lingkungan deterministik.
Lingkungan stokastik bersifat acak dan tidak dapat ditentukan sepenuhnya oleh
agen.
Dalam lingkungan deterministik, sepenuhnya dapat diamati, agen tidak perlu
khawatir tentang ketidakpastian.
3. Episodic vs Sequential:
Dalam lingkungan episodik, ada serangkaian tindakan satu-shot, dan hanya persepsi
saat ini yang diperlukan untuk tindakan tersebut.
Namun, dalam lingkungan Sequential, agen membutuhkan memori tindakan masa
lalu untuk menentukan tindakan terbaik berikutnya.
4. Single-agent vs Multi-agent
Jika hanya satu agen yang terlibat dalam suatu lingkungan, dan beroperasi dengan
sendirinya maka lingkungan seperti itu disebut lingkungan agen tunggal.
Namun, jika beberapa agen beroperasi di suatu lingkungan, maka lingkungan seperti
itu disebut lingkungan multi-agen.
Masalah desain agen di lingkungan multi-agen berbeda dari lingkungan agen
tunggal.
5. Statis vs Dinamis:
6. Discrete vs Continuous:
Jika dalam suatu lingkungan ada sejumlah terbatas persepsi dan tindakan yang
dapat dilakukan di dalamnya, maka lingkungan semacam itu disebut lingkungan terpisah
atau disebut lingkungan berkelanjutan.
Sebuah permainan catur terjadi di bawah lingkungan yang terpisah karena ada
sejumlah gerakan yang dapat dilakukan.
Mobil yang dapat menyetir sendiri adalah contoh dari lingkungan yang berkelanjutan.
Diketahui dan tidak dikenal sebenarnya bukan fitur dari suatu lingkungan, tetapi
merupakan kondisi pengetahuan agen untuk melakukan suatu tindakan.
Di lingkungan yang dikenal, hasil untuk semua tindakan diketahui oleh agen.
Sementara di lingkungan yang tidak diketahui, agen perlu mempelajari cara kerjanya untuk
melakukan suatu tindakan.
Sangat mungkin bahwa lingkungan yang diketahui dapat diamati sebagian dan
lingkungan yang tidak diketahui sepenuhnya dapat diamati.
Jika agen dapat memperoleh informasi yang lengkap dan akurat tentang lingkungan
negara, maka lingkungan seperti itu disebut lingkungan yang dapat diakses atau disebut
tidak dapat diakses.
Kamar kosong yang kondisinya dapat ditentukan oleh suhunya adalah contoh dari
lingkungan yang dapat diakses.
Informasi tentang suatu peristiwa di bumi adalah contoh dari lingkungan yang tidak
dapat diakses.
Pada tahun 1950, Alan Turing memperkenalkan tes untuk memeriksa apakah sebuah mesin
dapat berpikir seperti manusia atau tidak, tes ini dikenal sebagai Tes Turing. Dalam tes ini,
Turing mengusulkan bahwa komputer dapat dikatakan cerdas jika dapat meniru respons
manusia dalam kondisi tertentu.
Turing Test diperkenalkan oleh Turing dalam makalah 1950-nya, "Mesin Komputasi dan
Kecerdasan," yang mempertimbangkan pertanyaan, "Bisakah Mesin berpikir?"
Tes Turing didasarkan pada game pesta "Game imitasi," dengan beberapa modifikasi.
Permainan ini melibatkan tiga pemain di mana satu pemain adalah Komputer, pemain lain
adalah responder manusia, dan pemain ketiga adalah Interogator manusia, yang diisolasi
dari dua pemain lain dan tugasnya adalah menemukan bahwa pemain mana yang mesin di
antara mereka berdua.
Pertimbangkan, Player A adalah komputer, Player B adalah manusia, dan Player C adalah
seorang interogator. Interogator sadar bahwa salah satunya adalah mesin, tetapi ia perlu
mengidentifikasi ini berdasarkan pertanyaan dan tanggapan mereka.
Percakapan antara semua pemain adalah melalui keyboard dan layar sehingga hasilnya
tidak akan bergantung pada kemampuan mesin untuk mengkonversi kata sebagai ucapan.
Hasil tes tidak tergantung pada setiap jawaban yang benar, tetapi hanya seberapa dekat
tanggapannya seperti jawaban manusia. Komputer diizinkan untuk melakukan segala
kemungkinan untuk memaksakan identifikasi yang salah oleh interogator.
"Pada tahun 1991, pengusaha New York Hugh Loebner mengumumkan kompetisi hadiah,
menawarkan hadiah $ 100.000 untuk komputer pertama yang lulus tes Turing. Namun, tidak
ada program AI hingga saat ini, hampir lulus uji Turing murni."
Chatbots untuk mencoba tes Turing:
ELIZA: ELIZA adalah program komputer pengolah bahasa alami yang dibuat oleh Joseph
Weizenbaum. Itu diciptakan untuk menunjukkan kemampuan komunikasi antara mesin dan
manusia. Itu adalah salah satu obrolan pertama, yang telah mencoba Tes Turing.
Parry: Parry adalah obrolan yang dibuat oleh Kenneth Colby pada tahun 1972. Parry
dirancang untuk mensimulasikan seseorang dengan skizofrenia Paranoid (gangguan mental
kronis yang paling umum). Parry digambarkan sebagai "ELIZA dengan sikap." Parry diuji
menggunakan variasi Tes Turing pada awal 1970-an.
Ada banyak filsuf yang benar-benar tidak setuju dengan konsep lengkap Kecerdasan
Buatan. Argumen paling terkenal dalam daftar ini adalah "Kamar Cina."
Pada tahun 1980, John Searle mempresentasikan "Kamar Cina" percobaan percobaan,
dalam makalahnya "Pikiran, Otak, dan Program," yang bertentangan dengan validitas Tes
Turing. Menurut argumennya, "Memprogram komputer dapat membuatnya memahami
bahasa, tetapi tidak akan menghasilkan pemahaman bahasa atau kesadaran yang
sebenarnya dalam komputer."
Dia berpendapat bahwa Mesin seperti ELIZA dan Parry dapat dengan mudah lulus tes
Turing dengan memanipulasi kata kunci dan simbol, tetapi mereka tidak memiliki
pemahaman bahasa yang nyata. Jadi itu tidak dapat digambarkan sebagai kemampuan
"berpikir" dari mesin seperti manusia.
Fitur yang dibutuhkan mesin untuk lulus tes Turing:
Dalam Kecerdasan Buatan, teknik Pencarian adalah metode pemecahan masalah universal.
Agen rasional atau agen pemecahan masalah dalam AI sebagian besar menggunakan
strategi pencarian atau algoritma ini untuk memecahkan masalah tertentu dan memberikan
hasil terbaik. Agen pemecahan masalah adalah agen berbasis tujuan dan menggunakan
representasi atom. Dalam topik ini, kita akan belajar berbagai algoritma pencarian
penyelesaian masalah.
Berikut ini adalah empat sifat penting dari algoritma pencarian untuk
membandingkan efisiensi dari algoritma ini:
Kelengkapan: Algoritme pencarian dikatakan lengkap jika ia menjamin untuk
mengembalikan solusi jika setidaknya ada solusi untuk input acak apa pun.
Optimalitas: Jika solusi yang ditemukan untuk suatu algoritma dijamin menjadi solusi
terbaik (biaya jalur terendah) di antara semua solusi lainnya, maka solusi seperti itu
dikatakan sebagai solusi optimal.
Kompleksitas Waktu: Kompleksitas waktu adalah ukuran waktu untuk suatu algoritma
untuk menyelesaikan tugasnya.
Pencarian tanpa informasi tidak mengandung pengetahuan domain apa pun seperti
kedekatan, lokasi tujuan. Ini beroperasi dengan cara yang kasar karena hanya
mencakup informasi tentang cara melintasi pohon dan cara mengidentifikasi node
daun dan gawang. Pencarian tanpa informasi menerapkan cara di mana pohon
pencarian dicari tanpa informasi tentang ruang pencarian seperti operator keadaan
awal dan tes untuk tujuan, sehingga juga disebut pencarian buta. Ini memeriksa
setiap node pohon sampai mencapai node tujuan.
Pencarian Berinformasi
Heuristik adalah cara yang mungkin tidak selalu dijamin untuk solusi terbaik tetapi
dijamin untuk menemukan solusi yang baik dalam waktu yang wajar.
Pencarian yang informatif dapat memecahkan banyak masalah kompleks yang tidak
dapat diselesaikan dengan cara lain.
○ Greedy Search
○ A* Search
Pencarian tanpa informasi adalah kelas algoritma pencarian tujuan umum yang beroperasi
dengan cara kasar. Algoritme pencarian yang tidak diinformasikan tidak memiliki informasi
tambahan tentang keadaan atau ruang pencarian selain cara melintasi pohon, sehingga
juga disebut pencarian buta.
Berikut ini adalah berbagai jenis algoritma pencarian yang tidak diinformasikan:
● Breadth-first Search
● Depth-first Search
● Depth-limited Search
● Iterative deepening depth-first search
● Uniform cost search
● Bidirectional Search
●
1. Pencarian Breadth-first:
Keuntungan:
Jika ada lebih dari satu solusi untuk masalah yang diberikan, maka BFS akan
memberikan solusi minimal yang membutuhkan jumlah langkah paling sedikit.
Kekurangan:
Ini membutuhkan banyak memori karena setiap tingkat pohon harus disimpan ke
dalam memori untuk memperluas tingkat berikutnya.
BFS membutuhkan banyak waktu jika solusinya jauh dari root node.
Contoh:
Dalam struktur pohon di bawah ini, kami telah menunjukkan melintasi pohon menggunakan
algoritma BFS dari simpul akar S ke simpul tujuan K. Algoritma pencarian BFS melintasi
berlapis-lapis, sehingga akan mengikuti jalur yang ditunjukkan oleh panah bertitik, dan jalur
yang dilalui adalah:
S---> A--->B---->C--->D---->G--->H--->E---->F---->I---->K
Kompleksitas Waktu: Kompleksitas Waktu dari algoritma BFS dapat diperoleh dari
jumlah node yang dilalui dalam BFS hingga Node yang paling dangkal. Di mana d =
kedalaman solusi dangkal dan b adalah simpul di setiap negara.
Kompleksitas Ruang: Kompleksitas ruang dari algoritma BFS diberikan oleh ukuran
Memory dari perbatasan yaitu O (bd).
Kelengkapan: BFS selesai, yang berarti jika node tujuan paling dangkal berada pada
kedalaman yang terbatas, maka BFS akan menemukan solusi.
Optimalitas: BFS optimal jika biaya jalur adalah fungsi kedalaman node yang tidak
menurun.
2. Pencarian Kedalaman-pertama
Catatan: Backtracking adalah teknik algoritma untuk menemukan semua solusi yang
mungkin menggunakan rekursi.
Keuntungan:
DFS membutuhkan memori yang sangat sedikit karena hanya perlu menyimpan
setumpuk node pada path dari node root ke node saat ini.
Dibutuhkan lebih sedikit waktu untuk mencapai simpul tujuan daripada algoritma BFS
(jika melintasi di jalur yang benar).
Kerugian:
Ada kemungkinan bahwa banyak negara terus muncul kembali, dan tidak ada
jaminan untuk menemukan solusinya.
Algoritma DFS berlaku untuk pencarian mendalam dan kadang-kadang mungkin
pergi ke loop tak terbatas.
Contoh:
Ini akan mulai mencari dari simpul akar S, dan melintasi A, lalu B, lalu D dan E, setelah
melintasi E, ia akan melacak pohon karena E tidak memiliki pengganti dan simpul tujuan
masih tidak ditemukan. Setelah mundur, ia akan melintasi simpul C dan kemudian G, dan di
sini ia akan berakhir ketika ia menemukan simpul tujuan.
Kelengkapan: Algoritme pencarian DFS selesai dalam ruang keadaan terbatas karena akan
memperluas setiap node dalam pohon pencarian terbatas.
Kompleksitas Waktu: Kompleksitas waktu DFS akan setara dengan node yang dilalui oleh
algoritma. Itu diberikan oleh:
Di mana, m = kedalaman maksimum dari sembarang simpul dan ini bisa jauh lebih besar
dari d (Kedalaman solusi terpendek)
Kompleksitas Ruang: Algoritma DFS hanya perlu menyimpan satu jalur dari simpul akar,
karenanya kompleksitas ruang DFS setara dengan ukuran kumpulan pinggiran, yaitu O
(bm).
Optimal: Algoritme pencarian DFS tidak optimal, karena dapat menghasilkan sejumlah besar
langkah atau biaya tinggi untuk mencapai node tujuan.
Contoh:
Kelengkapan: Algoritma pencarian DLS selesai jika solusinya di atas batas kedalaman.
Optimal: Pencarian terbatas-kedalaman dapat dipandang sebagai kasus khusus DFS, dan
juga tidak optimal bahkan jika ℓ> d.
Pencarian dengan biaya seragam adalah algoritma pencarian yang digunakan untuk
melintasi pohon atau grafik tertimbang. Algoritma ini berperan ketika biaya yang berbeda
tersedia untuk setiap sisi. Tujuan utama pencarian seragam adalah untuk menemukan jalur
ke simpul tujuan yang memiliki biaya kumulatif terendah. Pencarian seragam biaya
memperluas node sesuai dengan biaya jalur mereka membentuk simpul root. Dapat
digunakan untuk menyelesaikan grafik / pohon mana pun di mana biaya optimal dalam
permintaan. Algoritme pencarian biaya-seragam diterapkan oleh antrian prioritas. Ini
memberikan prioritas maksimum ke biaya kumulatif terendah. Pencarian biaya seragam
setara dengan algoritma BFS jika biaya jalur semua sisi adalah sama.
Keuntungan:
Pencarian biaya seragam optimal karena di setiap negara bagian jalur dengan biaya
paling sedikit dipilih.
Kekurangan:
Tidak peduli tentang jumlah langkah yang terlibat dalam pencarian dan hanya peduli
tentang biaya jalur. Karena itu algoritma ini mungkin macet dalam infinite loop.
Contoh:
Kelengkapan:
Pencarian seragam biaya selesai, seperti jika ada solusi, UCS akan menemukannya.
Kompleksitas Waktu:
Misalkan C * adalah Biaya dari solusi optimal, dan ε adalah setiap langkah untuk mendekati
node tujuan. Maka jumlah langkahnya adalah = C * / ε + 1. Di sini kita telah mengambil +1,
seperti yang kita mulai dari keadaan 0 dan berakhir ke C * / ε.
Oleh karena itu, kompleksitas waktu terburuk dari pencarian Uniform-cost adalah O (b1 + [C
* / ε]) /.
Kompleksitas Ruang:
Logika yang sama adalah untuk kompleksitas ruang jadi, kompleksitas ruang terburuk dari
pencarian Uniform-cost adalah O (b1 + [C * / ε]).
Optimal:
Pencarian dengan biaya seragam selalu optimal karena hanya memilih jalur dengan biaya
jalur terendah
Algoritma pendalaman berulang adalah kombinasi dari algoritma DFS dan BFS. Algoritma
pencarian ini menemukan batas kedalaman terbaik dan melakukannya dengan secara
bertahap meningkatkan batas sampai tujuan ditemukan.
Keuntungan:
Ini menggabungkan manfaat dari algoritma pencarian BFS dan DFS dalam hal
pencarian cepat dan efisiensi memori.
Kekurangan:
Kelemahan utama IDDFS adalah bahwa ia mengulangi semua pekerjaan dari fase
sebelumnya.
Contoh:
Kompleksitas Waktu:
Misalkan b adalah faktor percabangan dan kedalaman adalah d maka kompleksitas waktu
terburuk adalah O (bd).
Kompleksitas Ruang:
Kompleksitas ruang IDDFS akan menjadi O (bd).
Optimal:
Algoritma IDDFS optimal jika biaya jalur adalah fungsi yang tidak berkurang dari kedalaman
node.
Algoritma pencarian dua arah menjalankan dua pencarian secara simultan, satu bentuk
keadaan awal disebut pencarian-maju dan lainnya dari node tujuan disebut
pencarian-belakang, untuk menemukan node tujuan. Pencarian dua arah menggantikan
satu grafik pencarian tunggal dengan dua subgraph kecil di mana seseorang memulai
pencarian dari titik awal dan yang lainnya mulai dari titik tujuan. Pencarian berhenti ketika
kedua grafik saling berpotongan.
Pencarian dua arah dapat menggunakan teknik pencarian seperti BFS, DFS, DLS, dll.
Keuntungan:
Pencarian dua arah cepat.
Pencarian dua arah membutuhkan lebih sedikit memori
Kekurangan:
Implementasi pohon pencarian dua arah sulit.
Dalam pencarian dua arah, seseorang harus mengetahui status tujuan terlebih
dahulu.
Contoh:
Di pohon pencarian di bawah ini, algoritma pencarian dua arah diterapkan. Algoritma ini
membagi satu grafik / pohon menjadi dua sub-grafik. Itu mulai melintasi dari simpul 1 di arah
maju dan mulai dari simpul sasaran 16 di arah belakang.
Kelengkapan: Pencarian Dua Arah selesai jika kami menggunakan BFS di kedua pencarian.
Kompleksitas Waktu: Kompleksitas waktu pencarian dua arah menggunakan BFS adalah O
(bd).
Kompleksitas Ruang: Kompleksitas ruang pencarian dua arah adalah O (bd).
Optimal: Pencarian dua arah adalah Optimal.
Sejauh ini kami telah berbicara tentang algoritma pencarian yang tidak diinformasikan yang
mencari melalui ruang pencarian untuk semua solusi yang mungkin dari masalah tanpa
memiliki pengetahuan tambahan tentang ruang pencarian. Tetapi algoritma pencarian yang
terinformasi mengandung berbagai pengetahuan seperti seberapa jauh kita dari tujuan,
biaya jalur, cara mencapai ke simpul tujuan, dll. Pengetahuan ini membantu agen untuk
mengeksplorasi lebih sedikit ke ruang pencarian dan menemukan lebih efisien simpul
sasaran.
Algoritma pencarian informasi lebih berguna untuk ruang pencarian besar. Algoritma
pencarian informasi menggunakan ide heuristik, sehingga disebut juga pencarian heuristik.
Fungsi heuristik: Heuristik adalah fungsi yang digunakan dalam Pencarian Informed, dan
menemukan jalur yang paling menjanjikan. Dibutuhkan keadaan agen saat ini sebagai input
dan menghasilkan estimasi seberapa dekat agen dari tujuan. Namun metode heuristik
mungkin tidak selalu memberikan solusi terbaik, tetapi dijamin akan menemukan solusi yang
baik dalam waktu yang wajar. Fungsi heuristik memperkirakan seberapa dekat suatu negara
dengan tujuan. Ini diwakili oleh h (n), dan menghitung biaya jalur optimal antara pasangan
negara. Nilai fungsi heuristik selalu positif.
Pencarian heuristik murni adalah bentuk paling sederhana dari algoritma pencarian
heuristik. Itu memperluas node berdasarkan nilai heuristik mereka h (n). Ini memelihara dua
daftar, TERBUKA dan DITUTUP daftar. Dalam daftar TUTUP, itu menempatkan node yang
telah diperluas dan dalam daftar OPEN, itu menempatkan node yang belum diperluas.
Pada setiap iterasi, setiap node n dengan nilai heuristik terendah diperluas dan
menghasilkan semua penggantinya dan n ditempatkan ke daftar tertutup. Algoritma
melanjutkan unit yang menyatakan tujuan.
Dalam pencarian yang diinformasikan kita akan membahas dua algoritma utama yang
diberikan di bawah ini:
● Best First Search Algorithm(Greedy search)
● A* Search Algorithm
Algoritma pencarian best-first serakah selalu memilih jalur yang muncul paling baik pada
saat itu. Ini adalah kombinasi dari algoritma pencarian kedalaman-pertama dan
pencarian-lebar pertama. Ini menggunakan fungsi heuristik dan pencarian. Pencarian
terbaik-pertama memungkinkan kami untuk mengambil keuntungan dari kedua algoritma.
Dengan bantuan pencarian terbaik-pertama, pada setiap langkah, kita dapat memilih simpul
yang paling menjanjikan. Dalam algoritma pencarian pertama terbaik, kami memperluas
node yang paling dekat dengan node tujuan dan biaya terdekat diperkirakan oleh fungsi
heuristik, yaitu.
1. f(n)= g(n).
Keuntungan:
Pencarian pertama yang terbaik dapat beralih antara BFS dan DFS dengan
mendapatkan keuntungan dari kedua algoritma.
Algoritma ini lebih efisien daripada algoritma BFS dan DFS.
Kekurangan:
Contoh:
Pertimbangkan masalah pencarian di bawah ini, dan kami akan melewatinya menggunakan
pencarian best-first yang serakah. Pada setiap iterasi, setiap node diperluas menggunakan
fungsi evaluasi f (n) = h (n), yang diberikan dalam tabel di bawah ini.
n this search example, we are using two lists which are OPEN and CLOSED Lists. Following
are the iteration for traversing the above example.
Kompleksitas Waktu: Kompleksitas waktu kasus terburuk dari pencarian pertama Greedy
terbaik adalah O (bm).
Kompleksitas Ruang: Kompleksitas ruang kasus terburuk dari pencarian pertama terbaik
Greedy adalah O (bm). Di mana, m adalah kedalaman maksimum ruang pencarian.
Lengkap: Pencarian best-first rakus juga tidak lengkap, bahkan jika ruang keadaan yang
diberikan terbatas.
Dalam algoritma pencarian A *, kami menggunakan heuristik pencarian serta biaya untuk
mencapai node. Karenanya kita dapat menggabungkan kedua biaya sebagai berikut, dan
jumlah ini disebut sebagai nomor kebugaran.
Pada setiap titik di ruang pencarian, hanya simpul yang diperluas yang memiliki nilai f (n)
terendah, dan algoritme berakhir ketika simpul sasaran ditemukan.
Algoritma pencarian A *:
Langkah 2: Periksa apakah daftar OPEN kosong atau tidak, jika daftar kosong maka
kembalikan kegagalan dan berhenti.
Langkah 3: Pilih simpul dari daftar OPEN yang memiliki nilai fungsi evaluasi terkecil (g + h),
jika simpul n adalah simpul tujuan lalu kembalikan sukses dan berhenti, jika tidak
Langkah 4: Perluas simpul n dan hasilkan semua penggantinya, dan masukkan n ke daftar
tertutup. Untuk setiap penerus n ', periksa apakah n' sudah ada dalam daftar OPEN atau
CLOSED, jika tidak maka hitung fungsi evaluasi untuk n 'dan tempatkan ke daftar Terbuka.
Langkah 5: Lainkan jika simpul n 'sudah dalam BUKA dan TUTUP, maka harus dilampirkan
ke pointer belakang yang mencerminkan nilai g (n') terendah.
Kekurangan:
Itu tidak selalu menghasilkan jalan terpendek karena kebanyakan didasarkan pada
heuristik dan perkiraan.
Algoritma pencarian * memiliki beberapa masalah kompleksitas.
Kelemahan utama A * adalah kebutuhan memori karena ia menyimpan semua node
yang dihasilkan dalam memori, sehingga tidak praktis untuk berbagai masalah skala besar.
Contoh:
Dalam contoh ini, kita akan melintasi grafik yang diberikan menggunakan algoritma A *. Nilai
heuristik dari semua status diberikan dalam tabel di bawah ini sehingga kami akan
menghitung f (n) dari setiap negara menggunakan rumus f (n) = g (n) + h (n), di mana g (n)
adalah biaya untuk mencapai simpul apa pun dari status awal.
solution:
Inisialisasi: {(S, 5)}
Iterasi2: {(S -> A -> C, 4), (S -> A -> B, 7), (S -> G, 10)}
Iteration3: {(S -> A -> C ---> G, 6), (S -> A -> C ---> D, 11), (S -> A -> B, 7), (S -> G, 10)}
Iterasi 4 akan memberikan hasil akhir, karena S ---> A ---> C ---> G menyediakan jalur
optimal dengan biaya 6.
Algoritma A * mengembalikan jalur yang terjadi lebih dulu, dan tidak mencari semua
jalur yang tersisa.
Efisiensi algoritma A * tergantung pada kualitas heuristik.
Algoritma A * memperluas semua node yang memenuhi kondisi f (n)
Dapat diterima: syarat pertama yang diperlukan untuk optimalitas adalah bahwa h (n)
harus merupakan heuristik yang dapat diterima untuk pencarian pohon A *. Heuristik yang
dapat diterima bersifat optimis.
Konsistensi: Persyaratan kedua adalah konsistensi hanya untuk pencarian grafik A *.
Jika fungsi heuristik diterima, maka pencarian pohon A * akan selalu menemukan jalur biaya
terendah.
Agen yang cerdas membutuhkan pengetahuan tentang dunia nyata untuk mengambil
keputusan dan alasan untuk bertindak secara efisien.
Agen berbasis pengetahuan adalah agen yang memiliki kemampuan
mempertahankan keadaan pengetahuan internal, alasan atas pengetahuan itu,
memperbarui pengetahuan mereka setelah pengamatan dan mengambil tindakan.
Agen-agen ini dapat mewakili dunia dengan representasi formal dan bertindak cerdas.
Agen berbasis pengetahuan terdiri dari dua bagian utama:
Basis pengetahuan dan
Sistem inferensi.
Basis pengetahuan: Basis pengetahuan adalah komponen sentral dari agen berbasis
pengetahuan, juga dikenal sebagai KB. Ini adalah kumpulan kalimat (di sini 'kalimat' adalah
istilah teknis dan tidak identik dengan kalimat dalam bahasa Inggris). Kalimat-kalimat ini
diekspresikan dalam bahasa yang disebut bahasa representasi pengetahuan. Basis
Pengetahuan KBA menyimpan fakta tentang dunia.
Mengapa menggunakan basis pengetahuan?
Basis pengetahuan diperlukan untuk memperbarui pengetahuan agar agen dapat belajar
dengan pengalaman dan mengambil tindakan sesuai pengetahuan.
Sistem inferensi
Inferensi berarti mendapatkan kalimat-kalimat baru dari yang lama. Sistem inferensi
memungkinkan kita untuk menambahkan kalimat baru ke basis pengetahuan. Kalimat
adalah proposisi tentang dunia. Sistem inferensi menerapkan aturan logis ke KB untuk
menyimpulkan informasi baru.
Sistem inferensi menghasilkan fakta baru sehingga agen dapat memperbarui KB. Sistem
inferensi bekerja terutama dalam dua aturan yang diberikan sebagai:
Penerusan ke depan
Rantai mundur
KATAKAN: Operasi ini memberi tahu basis pengetahuan apa yang dirasakannya dari
lingkungan.
ASK: Operasi ini menanyakan pada basis pengetahuan tindakan apa yang harus
dilakukan.
Lakukan: Melakukan tindakan yang dipilih.
Berikut ini adalah garis besar struktur program agen berbasis pengetahuan umum:
1. unction KB-AGENT(percept):
2. persistent: KB, a knowledge base
3. t, a counter, initially 0, indicating time
4. TELL(KB, MAKE-PERCEPT-SENTENCE(percept, t))
5. Action = ASK(KB, MAKE-ACTION-QUERY(t))
6. TELL(KB, MAKE-ACTION-SENTENCE(action, t))
7. t=t+1
8. return action
Agen berbasis pengetahuan menerima persepsi sebagai input dan mengembalikan tindakan
sebagai output. Agen mempertahankan basis pengetahuan, KB, dan awalnya memiliki
beberapa latar belakang pengetahuan tentang dunia nyata. Ini juga memiliki penghitung
untuk menunjukkan waktu untuk seluruh proses, dan penghitung ini diinisialisasi dengan nol.
Agen berbasis pengetahuan dapat dilihat di berbagai tingkatan yang diberikan di bawah ini:
1. Tingkat pengetahuan
Tingkat pengetahuan adalah tingkat pertama agen berbasis pengetahuan, dan di tingkat ini,
kita perlu menentukan apa yang diketahui agen, dan apa tujuan agen itu. Dengan spesifikasi
ini, kita dapat memperbaiki perilakunya. Misalnya, anggap agen taksi otomatis harus pergi
dari stasiun A ke stasiun B, dan dia tahu jalan dari A ke B, jadi ini datang pada tingkat
pengetahuan.
2. Tingkat logis:
Pada level ini, kita memahami bahwa bagaimana representasi pengetahuan dari
pengetahuan disimpan. Pada level ini, kalimat dikodekan ke dalam berbagai logika. Pada
tingkat logis, pengkodean pengetahuan menjadi kalimat logis terjadi. Pada tingkat logis, kita
dapat mengharapkan agen taksi otomatis untuk mencapai tujuan B.
3. Tingkat implementasi:
Ini adalah representasi fisik dari logika dan pengetahuan. Pada tingkat implementasi agen
melakukan tindakan sesuai tingkat logis dan pengetahuan. Pada level ini, agen taksi
otomatis benar-benar menerapkan pengetahuan dan logikanya sehingga ia dapat mencapai
tujuan.
Pendekatan untuk merancang agen berbasis pengetahuan:
Namun, di dunia nyata, agen yang sukses dapat dibangun dengan menggabungkan
pendekatan deklaratif dan prosedural, dan pengetahuan deklaratif sering dapat dikompilasi
menjadi kode prosedural yang lebih efisien.
Manusia paling baik dalam memahami, menalar, dan menafsirkan pengetahuan. Manusia
tahu hal-hal, yang merupakan pengetahuan dan sesuai pengetahuan mereka, mereka
melakukan berbagai tindakan di dunia nyata. Tetapi bagaimana mesin melakukan semua
hal ini berada di bawah representasi dan alasan pengetahuan. Karenanya kita dapat
menggambarkan representasi Pengetahuan sebagai berikut:
Representasi dan penalaran pengetahuan (KR, KRR) adalah bagian dari kecerdasan
buatan yang berkaitan dengan pemikiran agen AI dan bagaimana pemikiran berkontribusi
terhadap perilaku agen yang cerdas.
Ini bertanggung jawab untuk merepresentasikan informasi tentang dunia nyata
sehingga komputer dapat memahami dan dapat memanfaatkan pengetahuan ini untuk
memecahkan masalah dunia nyata yang kompleks seperti diagnosis kondisi medis atau
berkomunikasi dengan manusia dalam bahasa alami.
Ini juga merupakan cara yang menggambarkan bagaimana kita dapat
merepresentasikan pengetahuan dalam kecerdasan buatan. Representasi pengetahuan
tidak hanya menyimpan data ke dalam beberapa basis data, tetapi juga memungkinkan
mesin cerdas untuk belajar dari pengetahuan dan pengalaman tersebut sehingga dapat
berperilaku cerdas seperti manusia.
Berikut ini adalah jenis pengetahuan yang perlu diwakili dalam sistem AI:
Objek: Semua fakta tentang objek di domain dunia kita. E.g., Gitar berisi senar,
trompet adalah instrumen kuningan.
Peristiwa: Peristiwa adalah tindakan yang terjadi di dunia kita.
Kinerja: Ini menggambarkan perilaku yang melibatkan pengetahuan tentang
bagaimana melakukan sesuatu.
Meta-knowledge: Ini adalah pengetahuan tentang apa yang kita ketahui.
Fakta: Fakta adalah kebenaran tentang dunia nyata dan apa yang kami wakili.
Basis Pengetahuan: Komponen utama agen berbasis pengetahuan adalah basis
pengetahuan. Itu direpresentasikan sebagai KB. Knowledgebase adalah sekelompok
Kalimat (Di sini, kalimat digunakan sebagai istilah teknis dan tidak identik dengan bahasa
Inggris).
Types of knowledge
Following are the various types of knowledge:
1. Pengetahuan Deklaratif:
2. Pengetahuan Prosedural
3. Meta-knowledge:
4. Pengetahuan heuristik:
5. Pengetahuan struktural:
Pengetahuan tentang dunia nyata memainkan peran penting dalam kecerdasan dan sama
untuk menciptakan kecerdasan buatan. Pengetahuan memainkan peran penting dalam
menunjukkan perilaku cerdas pada agen AI. Agen hanya dapat bertindak secara akurat
pada beberapa input ketika dia memiliki pengetahuan atau pengalaman tentang input
tersebut.
Mari kita anggap jika Anda bertemu seseorang yang berbicara dalam bahasa yang Anda
tidak tahu, maka bagaimana Anda akan bisa bertindak atas hal itu. Hal yang sama berlaku
untuk perilaku cerdas para agen.
Seperti yang dapat kita lihat dalam diagram di bawah ini, ada satu pembuat keputusan yang
bertindak dengan merasakan lingkungan dan menggunakan pengetahuan. Tetapi jika
bagian pengetahuan tidak akan hadir maka, itu tidak dapat menampilkan perilaku cerdas.
AI knowledge
cycle:An Artificial intelligence system has the following components for displaying
intelligent behavior:
● Perception
● Learning
● Knowledge Representation and Reasoning
● Planning
● Execution
Diagram di atas menunjukkan bagaimana sistem AI dapat berinteraksi dengan dunia nyata
dan komponen apa yang membantunya menunjukkan kecerdasan. Sistem AI memiliki
komponen Persepsi yang dengannya ia mengambil informasi dari lingkungannya. Ini bisa
berupa visual, audio atau bentuk lain dari input sensorik. Komponen pembelajaran
bertanggung jawab untuk belajar dari data yang ditangkap oleh tingkah laku Persepsi.
Dalam siklus lengkap, komponen utama adalah representasi pengetahuan dan Penalaran.
Kedua komponen ini terlibat dalam menunjukkan kecerdasan pada manusia seperti mesin.
Kedua komponen ini independen satu sama lain tetapi juga digabungkan bersama.
Perencanaan dan pelaksanaan tergantung pada analisis representasi dan penalaran
Pengetahuan.
Pendekatan representasi pengetahuan:
Ada empat pendekatan utama untuk representasi pengetahuan, yang diberikan di bawah ini:
1. Pengetahuan relasional sederhana:
Ini adalah cara paling sederhana untuk menyimpan fakta yang menggunakan
metode relasional, dan setiap fakta tentang sekumpulan objek diatur secara sistematis
dalam kolom.
Pendekatan representasi pengetahuan ini terkenal dalam sistem basis data di mana
hubungan antara entitas yang berbeda diwakili.
Pendekatan ini memiliki sedikit peluang untuk menarik kesimpulan.
3. Pengetahuan inferensial:
laki-laki (Marcus)
∀x = man (x) ----------> fana (x) s
4. Pengetahuan prosedural:
1. Akurasi Representasi:
Sistem KR harus memiliki kemampuan untuk mewakili semua jenis pengetahuan
yang diperlukan.
2. Kecukupan Inferensial:
Sistem KR harus memiliki kemampuan untuk memanipulasi struktur representasional
untuk menghasilkan pengetahuan baru yang sesuai dengan struktur yang ada.
3. Efisiensi Inferensial:
Kemampuan untuk mengarahkan mekanisme pengetahuan inferensial ke arah yang
paling produktif dengan menyimpan panduan yang sesuai.
4. Efisiensi akuisisi - Kemampuan untuk memperoleh pengetahuan baru dengan
mudah menggunakan metode otomatis.
1. Logical Representation
2. Semantic Network Representation
3. Frame Representation
4. Production Rules
1. Representasi Logis
Representasi logis adalah bahasa dengan beberapa aturan konkret yang berkaitan dengan
proposisi dan tidak memiliki ambiguitas dalam representasi. Representasi logis berarti
menggambar kesimpulan berdasarkan berbagai kondisi. Representasi ini menetapkan
beberapa aturan komunikasi penting. Ini terdiri dari sintaks dan semantik yang didefinisikan
secara tepat yang mendukung inferensi suara. Setiap kalimat dapat diterjemahkan ke dalam
logika menggunakan sintaks dan semantik.
Sintaksis:
Sintaksis adalah aturan yang memutuskan bagaimana kita dapat menyusun kalimat
hukum dalam logika.
Ini menentukan simbol mana yang bisa kita gunakan dalam representasi
pengetahuan.
Cara menulis simbol-simbol itu.
Semantik:
Semantik adalah aturan yang dengannya kita dapat menafsirkan kalimat dalam
logika.
Semantik juga melibatkan pemberian makna pada setiap kalimat.
Logika Proposisional
Logika predikat
Catatan: Kami akan membahas Logika Pendahuluan dan Logika Predikat di bab-bab
selanjutnya.
Keuntungan dari representasi logis:
Catatan: Jangan bingung dengan representasi logis dan penalaran logis karena representasi
logis adalah bahasa representasi dan penalaran adalah proses berpikir secara logis.
Jaringan semantik adalah alternatif dari logika predikat untuk representasi pengetahuan.
Dalam jaringan Semantic, kita dapat merepresentasikan pengetahuan kita dalam bentuk
jaringan grafis. Jaringan ini terdiri dari node yang mewakili objek dan busur yang
menggambarkan hubungan antara objek-objek tersebut. Jaringan semantik dapat
mengkategorikan objek dalam bentuk yang berbeda dan juga dapat menghubungkan
objek-objek tersebut. Jaringan semantik mudah dipahami dan dapat dengan mudah
diperluas.
Representasi ini terutama terdiri dari dua jenis hubungan:
Contoh: Berikut ini adalah beberapa pernyataan yang perlu kami wakili dalam bentuk node
dan arc.
Pernyataan:
dalam diagram di atas, kami telah mewakili berbagai jenis pengetahuan dalam bentuk
simpul dan busur. Setiap objek terhubung dengan objek lain melalui suatu hubungan.
Kerugian dalam representasi Semantik:
Jaringan semantik membutuhkan lebih banyak waktu komputasi saat runtime karena
kita perlu menelusuri hierarki jaringan yang lengkap untuk menjawab beberapa pertanyaan.
Mungkin dalam skenario terburuk bahwa setelah melintasi seluruh pohon, kami menemukan
bahwa solusinya tidak ada di jaringan ini.
Jaringan semantik mencoba memodelkan memori mirip manusia (yang memiliki 1015
neuron dan tautan) untuk menyimpan informasi, tetapi dalam praktiknya, tidak mungkin
untuk membangun jaringan semantik yang sedemikian luas.
Jenis-jenis representasi ini tidak memadai karena mereka tidak memiliki quantifier
yang setara, misalnya, untuk semua, untuk beberapa, tidak ada, dll.
Jaringan semantik tidak memiliki definisi standar untuk nama tautan.
Jaringan ini tidak cerdas dan tergantung pada pencipta sistem.
Frame adalah struktur seperti catatan yang terdiri dari kumpulan atribut dan nilainya untuk
menggambarkan entitas di dunia. Frame adalah struktur data AI yang membagi
pengetahuan menjadi substruktur dengan merepresentasikan situasi stereotip. Ini terdiri dari
kumpulan nilai slot dan slot. Slot ini dapat berupa jenis dan ukuran apa saja. Slot memiliki
nama dan nilai yang disebut segi.
Aspek: Berbagai aspek slot dikenal sebagai Aspek. Segi adalah fitur bingkai yang
memungkinkan kita untuk menempatkan batasan pada bingkai. Contoh: Fakta IF-NEEDED
dipanggil ketika data slot tertentu diperlukan. Sebuah bingkai dapat terdiri dari sejumlah slot,
dan sebuah slot dapat mencakup sejumlah segi dan segi mungkin memiliki sejumlah nilai.
Sebuah bingkai juga dikenal sebagai representasi pengetahuan slot-filter dalam kecerdasan
buatan.
Frame berasal dari jaringan semantik dan kemudian berkembang menjadi kelas dan objek
modern kita. Satu frame tidak banyak berguna. Sistem frame terdiri dari kumpulan frame
yang terhubung. Dalam bingkai, pengetahuan tentang suatu objek atau peristiwa dapat
disimpan bersama dalam basis pengetahuan. Frame adalah jenis teknologi yang banyak
digunakan dalam berbagai aplikasi termasuk pemrosesan bahasa alami dan penglihatan
mesin.
Keuntungan dari representasi bingkai:
4. Aturan Produksi
Sistem aturan produksi terdiri dari (kondisi, tindakan) pasangan yang berarti, "Jika kondisi
maka tindakan". Ini terutama memiliki tiga bagian:
Dalam aturan produksi, agen memeriksa kondisi dan jika ada kondisi maka aturan produksi
akan menyala dan tindakan yang sesuai dilakukan. Bagian kondisi aturan menentukan
aturan mana yang dapat diterapkan pada masalah. Dan bagian tindakan melakukan
langkah-langkah pemecahan masalah yang terkait. Proses lengkap ini disebut siklus
tindakan-akui.
Memori yang berfungsi berisi deskripsi kondisi penyelesaian masalah saat ini dan aturan
dapat menulis pengetahuan ke memori yang sedang bekerja. Pengetahuan ini cocok dan
dapat memecat aturan lain.
Jika ada situasi baru (negara) menghasilkan, maka beberapa aturan produksi akan dipecat
bersama, ini disebut set konflik. Dalam situasi ini, agen perlu memilih aturan dari set ini, dan
itu disebut resolusi konflik.
xample:
JIKA (di halte dan bus tiba) MAKA tindakan (masuk ke bus)
JIKA (di bus DAN kursi berbayar DAN kosong) MAKA tindakan (duduk).
JIKA (di bus DAN tidak dibayar) MAKA tindakan (membayar biaya).
JIKA (bus tiba di tujuan) MAKA tindakan (turun dari bus).
Sistem aturan produksi tidak menunjukkan kemampuan belajar apa pun, karena
tidak menyimpan hasil masalah untuk penggunaan di masa depan.
Selama pelaksanaan program, banyak aturan mungkin aktif sehingga sistem
produksi berbasis aturan tidak efisien.
Logika proposisional dalam kecerdasan buatan
Propositional logic (PL) adalah bentuk logika paling sederhana di mana semua pernyataan
dibuat oleh proposisi. Proposisi adalah pernyataan deklaratif yang benar atau salah. Ini
adalah teknik representasi pengetahuan dalam bentuk logis dan matematis.
Contoh:
Logika proposisional juga disebut logika Boolean karena ia bekerja pada 0 dan 1.
Dalam logika proposisional, kami menggunakan variabel simbolik untuk mewakili
logika, dan kami dapat menggunakan simbol apa pun untuk mewakili proposisi, seperti A, B,
C, P, Q, R, dll.
Proposisi bisa benar atau salah, tetapi tidak bisa keduanya.
Logika proposisional terdiri dari objek, relasi atau fungsi, dan koneksi logis.
Konektivitas ini juga disebut operator logis.
Proposisi dan penghubung adalah elemen dasar dari logika proposisional.
Connectives dapat dikatakan sebagai operator logis yang menghubungkan dua
kalimat.
Formula proposisi yang selalu benar disebut tautologi, dan itu juga disebut kalimat
yang valid.
Formula proposisi yang selalu salah disebut Kontradiksi.
Formula proposisi yang memiliki nilai true dan false disebut
Pernyataan yang merupakan pertanyaan, perintah, atau pendapat bukanlah
proposisi seperti "Di mana Rohini", "Apa kabar", "Siapa namamu", bukan proposisi.
Proposisi Atom
Proposisi majemuk
Proposisi Atom: Proposisi atom adalah proposisi sederhana. Ini terdiri dari simbol
proposisi tunggal. Ini adalah kalimat yang harus benar atau salah.
Contoh:
a) 2 + 2 adalah 4, ini adalah proposisi atom karena itu adalah fakta yang sebenarnya.
b) "Matahari itu dingin" juga merupakan dalil karena itu adalah fakta yang salah.
Contoh:
Koneksi logis:
Penghubung logis digunakan untuk menghubungkan dua proposisi yang lebih sederhana
atau mewakili kalimat secara logis. Kita dapat membuat proposisi majemuk dengan bantuan
koneksi logis. Ada lima penghubung, yang diberikan sebagai berikut:
Negasi: Sebuah kalimat seperti ¬ P disebut negasi dari P. A literal dapat berupa
literal Positif atau literal negatif.
Konjungsi: Sebuah kalimat yang memiliki ∧ ikat seperti, P ∧ Q disebut konjungsi.
Contoh: Rohan cerdas dan pekerja keras. Itu dapat ditulis sebagai,
P = Rohan cerdas,
Q = Rohan adalah pekerja keras. → P∧ Q.
Disjungsi: Sebuah kalimat yang memiliki ∨ ikat, seperti P ∨ Q. disebut disjunction,
di mana P dan Q adalah proposisi.
Contoh: "Ritika adalah seorang dokter atau Insinyur",
Di sini P = Ritika adalah Dokter. Q = Ritika adalah Dokter, jadi kita bisa
menuliskannya sebagai P ∨ Q.
Implikasi: Kalimat seperti P → Q, disebut implikasi. Implikasinya juga dikenal sebagai
aturan if-then. Ini dapat direpresentasikan sebagai
Jika hujan, maka jalanan basah.
Misalkan P = Hujan, dan Q = Jalan basah, jadi diwakili sebagai P → Q
Biconditional: Sebuah kalimat seperti P⇔ Q adalah kalimat Biconditional, contoh Jika
saya bernafas, maka saya hidup
P = Saya bernafas, Q = Saya hidup, dapat direpresentasikan sebagai P ⇔ Q.
Dalam logika proposisional, kita perlu mengetahui nilai kebenaran proposisi dalam semua
skenario yang mungkin. Kita dapat menggabungkan semua kombinasi yang mungkin
dengan penghubung logis, dan representasi dari kombinasi ini dalam format tabular disebut
tabel Kebenaran. Berikut ini adalah tabel kebenaran untuk semua penghubung logis:
Logika proposisional dalam kecerdasan buatan Logika proposisional dalam kecerdasan
buatan
Tabel kebenaran dengan tiga proposisi:
Kita dapat membangun proposisi yang menyusun tiga proposisi P, Q, dan R. Tabel
kebenaran ini terdiri dari 8n Tuples karena kami telah mengambil tiga simbol proposisi.
Logika proposisional dalam kecerdasan buatan
Catatan: Untuk pemahaman yang lebih baik gunakan tanda kurung untuk memastikan
interpretasi yang benar. Seperti ¬R∨ Q, Dapat diartikan sebagai (¬R) ∨ Q.
Kesetaraan logis:
Kesetaraan logis adalah salah satu fitur dari logika proposisional. Dua proposisi dikatakan
setara secara logis jika dan hanya jika kolom dalam tabel kebenaran identik satu sama lain.
Mari kita ambil dua proposisi A dan B, jadi untuk kesetaraan logis, kita dapat menuliskannya
sebagai A⇔B. Dalam tabel kebenaran di bawah ini kita dapat melihat bahwa kolom untuk
¬A∨ B dan A → B, identik maka A adalah Setara dengan B
Logika proposisional dalam kecerdasan buatan
Properti Operator:
Komutatif:
P∧ Q = Q ∧ P, atau
P ∨ Q = Q ∨ P.
Asosiatif:
(P ∧ Q) ∧ R = P ∧ (Q ∧ R),
(P ∨ Q) ∨ R = P ∨ (Q ∨ R)
Elemen identitas:
P ∧ Benar = P,
P ∨ Benar = Benar.
Distributif:
P∧ (Q ∨ R) = (P ∧ Q) ∨ (P ∧ R).
P ∨ (Q ∧ R) = (P ∨ Q) ∧ (P ∨ R).
Hukum DE Morgan:
¬ (P ∧ Q) = (¬P) ∨ (¬Q)
¬ (P ∨ Q) = (¬ P) ∧ (¬Q).
Eliminasi ganda-negasi:
¬ (¬P) = P.
Kami tidak dapat mewakili hubungan seperti SEMUA, beberapa, atau tidak ada
dengan logika proposisional. Contoh:
Semua gadis itu cerdas.
Beberapa apel manis.
Logika proposisional memiliki daya ekspresif terbatas.
Dalam logika proposisional, kita tidak bisa mendeskripsikan pernyataan dalam hal
sifat atau hubungan logisnya.
Aturan inferensi adalah template untuk menghasilkan argumen yang valid. Aturan inferensi
diterapkan untuk memperoleh bukti dalam kecerdasan buatan, dan bukti adalah urutan
kesimpulan yang mengarah ke tujuan yang diinginkan.
Dalam aturan inferensi, implikasi di antara semua penghubung memainkan peran penting.
Berikut adalah beberapa terminologi yang terkait dengan aturan inferensi:
Implikasi: Ini adalah salah satu penghubung logis yang dapat direpresentasikan
sebagai P → Q. Ini adalah ekspresi Boolean.
Converse: Kebalikan dari implikasi, yang berarti proposisi sisi kanan pergi ke sisi kiri
dan sebaliknya. Itu dapat ditulis sebagai Q → P.
Kontrapositif: Negasi konversi disebut sebagai kontrapositif, dan dapat
direpresentasikan sebagai ¬ Q → ¬ P.
Inverse: Negasi implikasi disebut terbalik. Itu dapat direpresentasikan sebagai ¬ P →
¬ Q.
Dari istilah di atas beberapa pernyataan majemuk setara satu sama lain, yang dapat kita
buktikan menggunakan tabel kebenaran
Aturan Modus Ponens adalah salah satu aturan inferensi terpenting, dan menyatakan
bahwa jika P dan P → Q benar, maka kita dapat menyimpulkan bahwa Q akan benar. Itu
dapat direpresentasikan sebagai:
Contoh:
2. Modus Tollens:
Aturan Modus Tollens menyatakan bahwa jika P → Q benar dan ¬ Q benar, maka ¬ P juga
benar. Itu dapat direpresentasikan sebagai:
3. Silogisme Hipotetis:
Aturan Silogisme Hipotetis menyatakan bahwa jika P → R benar setiap kali P → Q benar,
dan Q → R benar. Itu dapat direpresentasikan sebagai notasi berikut:
Contoh:
Pernyataan-1: Jika Anda memiliki kunci rumah saya maka Anda dapat membuka kunci
rumah saya. P → Q
Pernyataan-2: Jika Anda dapat membuka kunci rumah saya maka Anda dapat mengambil
uang saya. Q → R
Kesimpulan: Jika Anda memiliki kunci rumah saya maka Anda dapat mengambil uang saya.
P→R
4. Silogisme Disjungtif:
Aturan silogisme Disjungtif menyatakan bahwa jika P∨Q benar, dan ¬P benar, maka Q
akan benar. Itu dapat direpresentasikan sebagai:
Contoh:
Pernyataan-1: Hari ini adalah hari Minggu atau Senin. ==> P∨Q
Pernyataan-2: Hari ini bukan hari Minggu. ==> ¬P
Kesimpulan: Hari ini adalah hari Senin. ==> Q
5. Penambahan:
Aturan Penambahan adalah salah satu aturan inferensi umum, dan menyatakan bahwa Jika
P benar, maka P∨Q akan benar.
Aturan Inferensi dalam Kecerdasan Buatan
Contoh:
Pernyataan: Saya punya es krim vanila. ==> P.
Pernyataan-2: Saya punya es krim cokelat.
Kesimpulan: Saya punya es krim vanilla atau cokelat. ==> (P∨Q)
6. Penyederhanaan:
Aturan penyederhanaan menyatakan bahwa jika P∧ Q benar, maka Q atau P juga akan
benar. Itu dapat direpresentasikan sebagai:
7. Resolusi:
Aturan Resolusi menyatakan bahwa jika P∨Q dan ¬ P∧R benar, maka Q∨R juga akan
benar. Ini dapat direpresentasikan sebagai
Dunia Wumpus adalah contoh dunia sederhana untuk menggambarkan nilai agen berbasis
pengetahuan dan untuk mewakili representasi pengetahuan. Itu terinspirasi oleh video game
Hunt the Wumpus oleh Gregory Yob pada tahun 1973.
Dunia Wumpus adalah sebuah gua yang memiliki 4/4 kamar yang terhubung dengan
lorong-lorong. Jadi ada total 16 kamar yang terhubung satu sama lain. Kami memiliki agen
berbasis pengetahuan yang akan maju di dunia ini. Gua memiliki ruangan dengan binatang
buas yang disebut Wumpus, yang memakan siapa saja yang memasuki ruangan. Wumpus
dapat ditembak oleh agen, tetapi agen memiliki panah tunggal. Di dunia Wumpus, ada
beberapa kamar Lubang yang tidak berdasar, dan jika agen jatuh di Lubang, maka dia akan
terjebak di sana selamanya. Yang menarik dari gua ini adalah bahwa di satu ruangan ada
kemungkinan menemukan tumpukan emas. Jadi tujuan agen adalah untuk menemukan
emas dan memanjat keluar gua tanpa jatuh ke lubang atau dimakan oleh Wumpus. Agen
akan mendapat hadiah jika dia keluar dengan emas, dan dia akan mendapat penalti jika
dimakan oleh Wumpus atau jatuh di lubang.
Catatan: Di sini Wumpus statis dan tidak bisa bergerak.
Berikut ini adalah diagram sampel untuk mewakili dunia Wumpus. Ini menunjukkan
beberapa kamar dengan Lubang, satu kamar dengan Wumpus dan satu agen di (1, 1) lokasi
persegi di dunia.
Ada juga beberapa komponen yang dapat membantu agen untuk menavigasi gua.
Komponen-komponen ini diberikan sebagai berikut:
Kamar-kamar yang berdekatan dengan kamar Wumpus bau, sehingga akan memiliki
bau busuk.
Kamar yang berdekatan dengan PIT memiliki angin, jadi jika agen mendekati PIT,
maka dia akan merasakan angin.
Akan ada kilau di ruangan itu jika dan hanya jika ruangan itu memiliki emas.
Wumpus dapat dibunuh oleh agen jika agen menghadap ke sana, dan Wumpus akan
mengeluarkan teriakan mengerikan yang dapat didengar di mana saja di dalam gua.
Untuk menjelaskan dunia Wumpus, kami telah memberikan deskripsi PEAS seperti di
bawah ini:
Ukuran kinerja:
+1000 poin hadiah jika agen keluar dari gua dengan emas.
-1000 poin penalti karena dimakan oleh Wumpus atau jatuh ke dalam lubang.
-1 untuk setiap aksi, dan -10 untuk menggunakan panah.
Permainan berakhir jika salah satu agen meninggal atau keluar dari gua.
Lingkungan Hidup:
Kisi-kisi kamar 4 * 4.
Agen awalnya di kamar persegi [1, 1], menghadap ke kanan.
Lokasi Wumpus dan emas dipilih secara acak kecuali kuadrat pertama [1,1].
Setiap kuadrat gua bisa menjadi lubang dengan probabilitas 0,2 kecuali kuadrat
pertama.
Aktuator:
Belok kiri,
Belok kanan
Maju kedepan
Mengambil
Melepaskan
Menembak.
Sensor:
Agen akan merasakan bau busuk jika dia berada di ruangan yang berdekatan
dengan Wumpus. (Tidak secara diagonal).
Agen akan merasakan angin jika dia berada di ruangan yang berbatasan langsung
dengan Pit.
Agen akan melihat kilau di ruangan tempat emas itu berada.
Agen akan merasakan benjolan jika dia berjalan ke dinding.
Ketika Wumpus ditembak, ia mengeluarkan teriakan mengerikan yang bisa dirasakan
di mana saja di dalam gua.
Persepsi ini dapat direpresentasikan sebagai daftar elemen lima, di mana kita akan
memiliki indikator yang berbeda untuk setiap sensor.
Contoh jika agen merasakan bau, angin, tetapi tidak ada kilau, tidak ada benjolan,
dan tidak ada jeritan maka itu dapat direpresentasikan sebagai:
[Bau busuk, Angin, Tidak Ada, Tidak ada, Tidak ada].
Properti dunia Wumpus:
Dapat diamati sebagian: Dunia Wumpus dapat diamati sebagian karena agen hanya
dapat melihat lingkungan yang dekat seperti ruang yang berdekatan.
Deterministik: Ini deterministik, karena hasil dan hasil dunia sudah diketahui.
Berurutan: Urutan itu penting, sehingga berurutan.
Statis: Statis karena Wumpus dan Pit tidak bergerak.
Diskrit: Lingkungan diskrit.
Satu agen: Lingkungan adalah agen tunggal karena kami hanya memiliki satu agen
dan Wumpus tidak dianggap sebagai agen.
Sekarang kita akan menjelajahi dunia Wumpus dan akan menentukan bagaimana agen
akan menemukan tujuannya dengan menerapkan penalaran logis.
Awalnya, agen berada di ruangan pertama atau di alun-alun [1,1], dan kita sudah tahu
bahwa ruangan ini aman untuk agen, jadi untuk mewakili pada diagram di bawah ini (a)
ruangan itu aman kita akan menambahkan simbol BAIK. Simbol A digunakan untuk mewakili
agen, simbol B untuk angin, G untuk Glitter atau emas, V untuk ruang yang dikunjungi, P
untuk lubang, W untuk Wumpus.
Di Kamar [1,1] agen tidak merasakan angin atau bau busuk apa pun yang berarti kotak yang
berdekatan juga OK.
Sekarang agen harus bergerak maju, sehingga ia akan pindah ke [1, 2], atau [2,1]. Misalkan
agen bergerak ke ruangan [2, 1], di ruangan ini agen merasakan angin yang artinya Pit ada
di sekitar ruangan ini. Lubangnya bisa dalam [3, 1], atau [2,2], jadi kita akan menambahkan
simbol P? untuk mengatakan itu, apakah kamar Pit ini?
Sekarang agen akan berhenti dan berpikir dan tidak akan melakukan langkah berbahaya.
Agen akan kembali ke kamar [1, 1]. Ruangan [1,1], dan [2,1] dikunjungi oleh agen, jadi kami
akan menggunakan simbol V untuk mewakili kotak yang dikunjungi.
Pada langkah ketiga, sekarang agen akan pindah ke kamar [1,2] yang OK. Di ruangan [1,2]
agen merasakan bau busuk yang berarti harus ada Wumpus di dekatnya. Tetapi Wumpus
tidak bisa berada di ruangan [1,1] seperti aturan mainnya, dan juga tidak di [2,2] (Agen
belum mendeteksi bau busuk ketika dia berada di [2,1]). Oleh karena itu agen
menyimpulkan bahwa Wumpus ada di ruangan [1,3], dan dalam kondisi saat ini, tidak ada
angin yang berarti dalam [2,2] tidak ada Pit dan tidak ada Wumpus. Jadi aman, dan kami
akan menandainya OK, dan agen bergerak lebih jauh dalam [2,2].
Di kamar [2,2], di sini tidak ada bau busuk dan tidak ada angin jadi mari kita anggap agen
memutuskan untuk pindah ke [2,3]. Di kamar [2,3] agen merasakan kilau, jadi itu harus
mengambil emas dan memanjat keluar dari gua.
Seperti dalam topik sebelumnya kita telah belajar tentang dunia wumpus dan bagaimana
agen berbasis pengetahuan mengembangkan dunia. Sekarang dalam topik ini, kita akan
membuat basis pengetahuan untuk dunia wumpus, dan akan mendapatkan beberapa bukti
untuk dunia Wumpus menggunakan logika proposisional.
Agen mulai berkunjung dari kotak pertama [1, 1], dan kami sudah tahu bahwa ruangan ini
aman untuk agen tersebut. Untuk membangun basis pengetahuan untuk dunia wumpus,
kami akan menggunakan beberapa aturan dan proposisi atom. Kita membutuhkan simbol [i,
j] untuk setiap lokasi di dunia wumpus, di mana saya adalah untuk lokasi baris, dan j untuk
lokasi kolom.
Di sini, di baris pertama, kami telah menyebutkan variabel proposisional untuk kamar [1,1],
yang menunjukkan bahwa kamar tidak memiliki wumpus (¬ W11), tidak ada bau busuk
(¬S11), tidak ada Pit (¬P11), tidak ada angin ( ¬B11), tidak ada emas (¬G11), dikunjungi
(V11), dan ruangannya Aman (OK11).
Pada baris kedua, kami telah menyebutkan variabel proposisional untuk kamar [1,2], yang
menunjukkan bahwa tidak ada wumpus, bau busuk dan angin tidak diketahui karena agen
belum mengunjungi kamar [1,2], tidak ada Pit, tidak dikunjungi namun, dan ruangan itu
aman.
Pada baris ketiga kita telah menyebutkan variabel proposisional untuk kamar [2,1], yang
menunjukkan bahwa tidak ada wumpus (¬ W21), tidak ada bau busuk (¬S21), tidak ada Pit
(¬P21), angin Perceives (B21), tidak ada glitter (¬G21), mengunjungi (V21), dan kamar
aman (OK21).
Now we will apply Modus Ponens to ¬S21 and R2 which is ¬S21 → ¬ W21 ∧¬ W22 ∧ ¬ W31,
which will give the Output as ¬ W21 ∧ ¬ W22 ∧¬ W31
Now again apply And-elimination rule to ¬ W21 ∧ ¬ W22 ∧¬ W31, We will get three statements:
Apply Modus Ponens to S12 and R4 which is S12 → W13 ∨. W12 ∨. W22 ∨.W11, we will get the output as W13∨ W12 ∨ W22 ∨.W11.
After applying Unit resolution formula on W13 ∨ W12 ∨ W22 ∨W11 and ¬ W11 we will get W13 ∨ W12 ∨ W22.
● Apply Unit resolution on W13 ∨ W12 ∨ W22 and ¬ W22 :
After applying Unit resolution on W13 ∨ W12 ∨ W22, and ¬W22, we will get W13 ∨ W12 as output.
After Applying Unit resolution on W13 ∨ W12 and ¬ W12, we will get W13 as an output, hence it is proved that the Wumpus is in the room [1, 3].
Contoh: 8-Puzzle
Status: lokasi ubin kosong dan lokasi 8 ubin bernomor
Operator(successor):ubin kosong bergerak ke kiri, kanan, atas dan bawah
Tujuan:cocokkan status yang diperoleh dengan status tujuan (goal).
Apa hasilnya?BiayaJalur: setiap langkah biayanya 1; biaya total sesuai
panjang jalur
Contoh: N-Ratu
•Status :0 s.d NRatu yang diatur pada papan catur
•Goal (Tujuan) :Cocokkan status dengan N Ratu pada papan catur dan tidak saling
makan
•Biaya jalur: 0