Dalam konteks kecerdasan buatan, ada dua cabang utama: simbolik dan statistika.
Cabang simbolik menggunakan logika, aturan, dan representasi formal untuk
mendefinisikan prosedur inferensi. Ini mencakup konsep seperti representasi pengetahuan
dan penalaran.
Cabang statistika menggunakan pendekatan berbasis data seperti machine
learning. Ini melibatkan merepresentasikan pengetahuan dalam bentuk statistik dan
probabilitas berdasarkan pengamatan data dari dunia nyata.
Keduanya saling terkait, dan kombinasi dari keduanya dapat membentuk suatu
sistem yang dapat berpikir dan membuat keputusan. Proses penghubungan logika dan
representasi formal dengan kecerdasan buatan membantu menciptakan sistem yang dapat
memproses dan memahami informasi dari berbagai sumber dengan lebih efektif.
Agent-based systems memberikan kemampuan kepada agen tanpa memberikan
informasi langsung terkait lingkungan mereka. Agen ini memiliki inference engine dan
knowledge base untuk membuat keputusan tanpa mengetahui secara langsung kondisi di
lingkungan mereka. Perbedaan dengan sistem yang cerdas adalah bahwa agen dalam
agent-based systems sebenarnya tahu tentang kondisi lingkungan, tetapi diprogram untuk
tidak memperhatikan atau mempertimbangkan informasi tersebut dalam pengambilan
keputusan. Ini mirip dengan karakter dalam game besar yang tahu di mana mereka berada
tetapi diprogram untuk tidak menggunakan pengetahuan itu.
Ada dua sistem terpisah dalam agent-based systems: environment (lingkungan)
dan agent (agen). Informasi dari lingkungan masuk ke agen, yang kemudian membuat
keputusan dan menghasilkan aksi. Ini menciptakan suatu dinamika di mana agen bertindak
berdasarkan pengetahuan dan informasi yang diprogramkan ke dalamnya.
Selanjutnya, terdapat lima tipe logika dasar dalam kecerdasan buatan, namun, untuk
pembahasan ini, kita hanya akan fokus pada dua di antaranya: propositional logic dan
first-order logic.
Logika proposisi berkaitan dengan fakta, memungkinkan agen untuk mengenali
apa yang benar, salah, atau tidak diketahui. Sementara itu, first-order logic memungkinkan
agen untuk memiliki pengetahuan tentang objek dan relasi antar objek dengan nilai yang
bersifat benar atau salah. Probability theory, sebagai tipe logika lainnya, memberikan output
berupa derajat keyakinan terhadap fakta, dengan nilai antara 0 dan 1.
Contoh penerapan kalkulus proposisi seperti yang terdapat di tahun 1970-an, ada
game komputer pertama yang disebut "Hunt the Wumpus." Game ini dikembangkan
berbasis teks dengan bahasa pemrograman BASIC. Konsepnya melibatkan pemain yang
berada dalam gua, di mana ruangannya saling terhubung. Pemain harus mencari harta
karun dalam gua tersebut sambil menghindari monster bernama Wumpus, jurang, dan
bahaya lainnya.
Permainan ini memerlukan pemikiran dan penalaran dari pemain, karena mereka
harus membuat keputusan berdasarkan informasi yang diberikan setiap kali mereka
memasuki ruangan. Misalnya, bau monster atau angin menunjukkan adanya bahaya di
sekitar. Game ini menekankan pemikiran strategis daripada refleks cepat.
Pada masa itu, peneliti menyatakan bahwa permainan ini memerlukan pemikiran dan
penalaran yang lebih kompleks daripada permainan tembak-tembakan pada zaman itu. Ini
menjadi dasar inspirasi untuk mengembangkan komputer yang bisa "berpikir" dan membuat
keputusan serupa manusia. Konsep ini memberikan sumbangan awal terhadap
pengembangan kecerdasan buatan dan simulasi lingkungan.
Kalkulus proposisi memiliki keterbatasan dalam ekspresi dan representasi makna
yang lebih kompleks dibandingkan dengan bahasa alami. Dalam propositional logic, kita
tidak dapat menyatakan urutan, konteks, atau makna yang lebih dalam seperti yang dapat
diungkapkan dalam bahasa alami. Ini mengakibatkan keterbatasan dalam
merepresentasikan fakta dan hubungan antara proposisi.
Contoh keterbatasan tersebut adalah dalam mewakili urutan kejadian atau hubungan
yang lebih kompleks antar proposisi. Sebagai contoh, kalimat "I'm sick and she went to the
doctor" memiliki makna spesifik tentang hubungan waktu dan tindakan yang sulit
diungkapkan dalam kalkulus proposisi.
Selain itu, kalkulus proposisi tidak dapat menangani konsep probabilitas atau
ketidakpastian. Dalam bahasa alami, kita sering menyampaikan informasi dengan tingkat
keyakinan atau kemungkinan, yang sulit diwakili dalam propositional logic.
Meskipun propositional logic memiliki kejelasan dan kepastian, kekurangan tersebut
membuatnya kurang sesuai untuk merepresentasikan aspek-aspek kompleks dan nuansa
dalam bahasa alami. Oleh karena itu, terdapat kebutuhan untuk model logika yang lebih
kuat seperti first-order logic atau bahasa alami untuk menangani permasalahan yang
melibatkan konteks dan kompleksitas yang lebih tinggi.