Tujuan
Mengetahui konsep agen cerdas dan lingkungan agen
cerdas.
Mengetahui konsep PEAS (Performance measure,
Environment, Actuators, Sensors) untuk merancang
agen cerdas.
Mengetahui jenis lingkungan dan jenis agen cerdas.
Contoh Kasus
Mis. : Agen vacuum-cleaner : bersihkan ruangan jika
berdebu dan pindah ke ruangan lain jika tidak.
Contoh Kasus
Kinerja
a. Jumlah kotoran dibersihkan,
b. Jumlah waktu yang dibutuhkan,
c. Jumlah listrik yang dikonsumsi,
d. Jumlah kebisingan yang dihasilkan, dll
Pertanyaan : Apakah Rasional?
Contoh Kasus
Jawaban : Tergantung pada apa performance measure,
apa yang diketahuinya tentang lingkungan, dan sensor
serta aktuator apa yang dimiliki si Agen.
Beberapa hal yang perlu dipertimbangkan :
a. Perlu diketahui : Geography lingkungan, distribusi
debu dan lokasi awal si agen
b. Si agen menerima kesan dengan benar tentang
lokasi dan apakah lokasi itu mengandung debu.
c. Ruangan bersih tetap bersih dan Ruangan kotor
akan dilakukan penyedotan
d. Tindakan yang tersedia hanyalah Left , Right, dan
Suck
Contoh Kasus
e. Tindakan Left dan Right memindahkan agen ke kiri
dan ke kanan, Suck untuk melakukan pengisapan
f. Dll?
Dari Gambaran di atas:
a. Apakah Rasional?
b. PEAS?
Contoh Kasus
Gambaran Rancangan
Contoh Kasus
Gambaran fungsi :
Kasus Lain
Merancang Agen : Supir Taksi Otomatis
Definisikan PEAS :
a. Performance Measure: Aman, cepat, legal,
perjalanan nyaman, memaksimalkan keuntungan
b. Environment: Jalan, lalu lintas lainnya, pejalan kaki,
pelanggan
c. Aktuator: Setir, pedal gas, rem, sinyal, klakson
d. Sensor: Kamera, sonar, speedometer, GPS,
odometer, sensor mesin, keyboard
Kasus Lain
Merancang Agen : sistem diagnosis Medis
Definisikan PEAS :
a. Performance Measure: Pasien Sehat,
meminimalkan biaya, tuntutan hukum
b. Environment: Pasien, rumah sakit, staf
c. Aktuator: Layar display (pertanyaan, tes, diagnosis,
pengobatan, rujukan)
d. Sensor: Keyboard (masuknya gejala, temuan,
jawaban pasien)
Kasus Lain
Merancang Agen : robot pengambil komponen
Definisikan PEAS :
a.
b.
c.
d.
Kasus Lain
Bagaimana dengan Agen :
a.
b.
Pemadam Kebakaran
Pendeteksi Jalur
Jenis Lingkungan
Sepenuhnya teramati vs Sebagian teramati: Lingkungan
sepenuhknya teramati jika sensor mendeteksi semua
aspek yang relevan dengan pilihan action. Sebuah
sensor agen memberikan akses ke keadaan lengkap
lingkungan pada setiap titik waktu. Lingkungan sebagian
teramati karena sensor berisik dan tidak akurat.
Deterministik vs Stokastic: Keadaan berikutnya
lingkungan sepenuhnya ditentukan oleh keadaan saat ini
dan tindakan yang dilakukan oleh agen. (Jika lingkungan
deterministik kecuali untuk tindakan agen lain, maka
disebut lingkungan strategis).
Jenis Lingkungan
Episodik vs Sekuensial: Pengalaman agen dibagi
menjadi "episode" atom (setiap episode terdiri dari: agen
mengamati (percept) dan kemudian melakukan tindakan
tunggal), dan pilihan tindakan di setiap episode hanya
bergantung pada episode itu sendiri.
- Contoh: Klasifikasi (episodik), catur dan pengemudi
taksi otonom (sekuensial).
Jenis Lingkungan
Statis vs Dinamis: Statis, lingkungan tidak berubah, agen tidak
perlu terus mencari pada lingkungan untuk memutuskan
sesuatu. Pada lingkungan dinamis terus meminta agen apa
yang ia ingin lakukan.
(Lingkungan semidinamis jika lingkungan itu sendiri tidak
berubah dengan berlalunya waktu namun skor kinerja agen
berubah)
Diskrit vs Kontinu: Jumlah state/tindakan untuk mencapai goal
terbatas (diskrit), persepsi yang jelas dan tindakan yang
terhingga. (misalnya, catur - diskrit, mengemudi taksi - kontinyu).
Agen tunggal vs agen multi: Seorang agen yang beroperasi
dengan sendirinya dalam suatu lingkungan.
Jenis Lingkungan
Jenis Lingkungan sangat menentukan desain agen
Dunia nyata (tentu saja) secara parsial diamati,
sekuensial, dinamis, terus menerus, multi-agen.
Jenis Agen
Agen refleks sederhana: Agen memilih tindakan
berdasarkan persepsi saat ini, mengabaikan sejarah
persepsi sebelumnya
Agen reflex berbasis model: Agen mempertahankan
state internal yang bergantung pada sejarah persepsi,
mencerminkan beberapa aspek teramati dari kondisi
saat ini.
Agen berbasis tujuan: Agen memiliki informasi tentang
tujuan dan memilih tindakan untuk mencapai tujuan
Jenis Agen
Agen berbasis utilitas: Agen menyatakan/menetapkan
pengukuran kuantitatif terhadap lingkungan (ranking).
Pemilihan tindakan yang rankingnya paling tinggi (paling
dekat mencapai tujuan).
Agen berbasis pembelajaran: Agen belajar dari
pengalaman, dapat beradaptasi untuk meningkatkan
kinerja.
Jenis Agen
1. Agen refleks sederhana (Simple Reflex Agent)
Jenis Agen
Aturan kondisi-tindakan: Kondisi yang memicu beberapa
tindakan
ex. Jika mobil di depan mengerem (kondisi) kemudian
memulai pengereman (tindakan)
Agen refleks Sederhana : sederhana dan sangat
terbatas kecerdasannya.
Menghubungkan percept ke tindakan.
keputusan yang benar dapat dibuat hanya dalam
lingkungan yang penuh teramati.
Jenis Agen
Fungsi
function SIMPLE-REFLEX-AGENT (percept) return an action
static: rules, a set of condition-action rules
state = INTERPRET-INPUT (percept)
rule = RULE-MATCH(state,rules)
action = RULE-ACTION[rule]
return action
Jenis Agen
INTERPRET-INPUT merupakan fungsi yang
menghasilkan deskripsi dari kondisi saat ini dari percept.
RULE-MATCH merupakan fungsi yang mengembalikan
aturan pertama dalam seperangkat aturan yang cocok
dengan deskripsi yang diberikan oleh suatu state.
Jenis Agen
Agen Berbasis Model
Jenis Agen
Cara yang paling efektif untuk menangani pengamatan parsial
adalah melacak bagian dari dunia yang bisa teramati saat ini
(current state).
Agen mempertahankan keadaan internal yang bergantung pada
sejarah persepsi dan dengan demikian mencerminkan beberapa
aspek teramati dari kondisi saat ini.
Untuk memperbarui informasi keadaan internal memerlukan dua
pengetahuan:
a. Bagaimana dunia berkembang secara independen
dari
agen
b. Bagaimana tindakan agen memengaruhi dunia
Pengetahuan tentang "bagaimana dunia bekerja" disebut model
Jenis Agen
Fungsi
function REFLEX-AGENT-WITH-STATE (percept) return an action
static: state, a description of the current world state
rules, a set of condition-action rules
action, the most recent action, initially none
state = UPDATE-STATE (state,action,percept)
rule = RULE-MATCH(state,rules)
action = RULE-ACTION[rule]
return action
Jenis Agen
Agen Berbasis Goal
Jenis Agen
Mengetahui tentang keadaan saat ini saja tidak selalu
cukup untuk memutuskan apa yang harus dilakukan.
Agen membutuhkan informasi tujuan (goal) yang
menggambarkan situasi yang diinginkan
Jenis Agen
Agen berbasis Utilitas
Jenis Agen
Mencapai tujuan saja tidak cukup untuk menghasilkan
perilaku berkualitas tinggi perilaku dalam lingkungan.
Seberapa cepat? Seberapa aman? Bagaimana murah?
Dapat diukur
Fungsi Utilitas memetakan state ke bilangan real (ukuran
kinerja)
Jenis Agen
Agen berbasis Pembelajaran
Jenis Agen
Elemen learning bertanggung jawab untuk membuat
perbaikan
Elemen Kinerja bertanggung jawab untuk memilih
tindakan eksternal
Kritik memberikan umpan balik tentang bagaimana
tindakan yang dilakukan agen