Perkuliahan
Minggu ke-2
Kecerdasan buatan atau dalam
bahasa inggrisnya Artificial Intelligence sering disingkat dengan AI yang
merupakan cabang terpenting dalam dunia komputer. Akhir-akhir ini, teknologi AI
telah begitu banyak mempengaruhi kehidupan manusia. AI kini berada disekeliling
kita, di dalam kehidupan sehari-hari kita, boleh dikatakan tidak ada satu pun
peralatan yang tidak menggunakan teknologi AI. Di rumah, radio, mesin cuci,
kulkas, ponsel, dll dilengkapi dengan Integrated Circuit komputer yang
mempunyai AI. Dengan kata lain AI ialah ilmu dan rekayasa yang membuat mesin
mempunyai intelligensi tertentu khususnya program komputer yang ‘cerdas’ (John
McCarthy, 1956).
Pengertian sebuah AGENT adalah
segala sesuatu yang 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.
2.1 Agen dan
Lingkungannya
Agen Intelligent sering
digambarkan secara skematis sebagai sistem fungsional abstrak mirip dengan
program komputer. Untuk alasan ini, agen cerdas kadang-kadang disebut agen
cerdas abstrak s (AIA) Untuk membedakan mereka dari dunia nyata implementasinya
sebagai sistem komputer, sistem biologis, atau organisasi. Beberapa definisi
dari agen cerdas mereka menekankan otonomi , sehingga lebih memilih cerdas agen
otonom jangka s. Yang lain (terutama Russell & Norvig (2003) ) perilaku
goal-directed dianggap sebagai inti dari kecerdasan dan sebagainya lebih suka
istilah yang dipinjam dari ekonomi , ” agen rasional “.
Agen Cerdas dalam kecerdasan
buatan berhubungan erat dengan agen di ekonomi , dan versi dari paradigma agen
cerdas yang dipelajari dalam ilmu kognitif , etika , filsafat alasan praktis ,
serta di banyak interdisiplinersosio-kognitif pemodelan dan sosial simulasi
komputer.
Intelligent agen juga
berhubungan erat dengan agen perangkat lunak (program perangkat lunak otonom
yang melaksanakan tugas atas nama pengguna). Dalam ilmu komputer , agen cerdas
istilah dapat digunakan untuk merujuk kepada agen perangkat lunak yang memiliki
kecerdasan tertentu, terlepas jika tidak agen rasional oleh dan Norvig Definisi
Russell. Sebagai contoh, program otonom digunakan untuk bantuan operator atau
data mining (kadang-kadang disebut sebagai bot).
Lingkungan Tugas Agen,
merupakan definisi dari pemasalahan yang akan diselesaikan oleh agen.antara
lain :
1. Performance Measure
karakteristik apa yang menjadi
tujuan dari agen ?
contoh : motor - tiba ditujuan
dengan cepat dan hemat bahan bakar
2. Environment
bagaimana karakterisitik
lingkungan yang akan dihadapi ?
contoh : motor - tipe jalan,
tingkat kemacetan
3. Actuators
perangkat apa yang dibutuhkan
agen untuk mencapai tujuan ?
contoh : motor - steering,
klakson dll
4. Sensors
perangkat apa yang dibutuhkan
agen untuk mengetahui kondisi lingkungan ?
contoh : motor – speedometer
2.2 RASIONALITAS
Rational Agent merupakan suatu
agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia
amati tentang lingkungan dan pengetahuan lain yang dimilikinya. 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
2.3 PEAS (Performance
measure, Environment, Actuators, Sensors)
Ketika merancang sebuah agent,
harus mendefinisikan lingkungan masalah (task environment), yakni:
• Performance measure : apa
saja komponen pengukur keberhasilan si agent?
• Environment : kondisi apa
saja yang ada disekitar si agent? • Actuators : apa saja yang bisa dilakukan si
agent?
• Sensors : apa saja yang
menjadi input si agent?
1. Contoh: Taksi Otomatis
• Sebuah agent taksi otomatis
yang menerima penumpang dan mengantarkannya ke tujuan :
• Performance measure: sampai
tujuan, tidak melanggar aturan lalu lintas, perjalanan nyaman,
hemat bensin
hemat bensin
• Environment: jalan, lalu
lintas, pejalan kaki, pelanggan
• Actuators: arah stir, gas,
rem, klakson, sinyal kiri atau kanan
• Sensors: video, speedometer,
GPS, keyboard
2. Contoh: Medical diagnosis
system
• Sebuah agent Medical diagnosis
system yang mendiagnosa pasien secara otomatis:
• Performance measure: pasien
sembuh, biya murah, tidak menyalahi hukum
• Environment: pasien, rumah
sakit, suster, dokter
• Actuators: layar monitor
(pertanyaan, tes, diagnosa, treatment, petunjuk)
• Sensors: keyboard (masukan
gejala penyakit, jawaban pasien)
3. Contoh: Robot pabrik penjamin mutu
• Sebuah robot yang melakukan
pemisahan komponen yang bermutu tinggi pada ban berjalan ke dalam kotak berbeda
• Performance measure:
prosentase jumlah komponen yg diletakkan pada kotak yang benar • Environment:
ban berjalan, komponen yang diuji, kotak
• Actuators: gerak lengan dan
tangan robot
• Sensors: kamera, sensor
fisik
4. Contoh: Interactive English
tutor
• Sebuah agent tutor yang
memberikan latihan english secara interaktif
• Performance measure: nilai
skor maksimal
• Environment: para siswa
• Actuators: layar monitor
(latihan, saran koreksi)
• Sensors: keyboard
2.4 TIPE-TIPE LINGKUNGAN AGEN
v Fully
observable (vs. Partially observable): sensor-sensor sebuah agen memberinya
akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.
v Deterministic
(vs. Stochastic): keadaan lingkungan berikutnya sepenuhnya ditentukan oleh
keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu
deterministik kecuali untuk tindakan agen-agen lain, maka lingkugannya adalah
strategic)
v Episodic
(vs. Sequential): pengalaman agen dibagi ke dalam “episode-episode” atomik
(setiapepisode terdiri dari si agen) memahami (perceiving) dan kemudian
melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya
tergantung pada episode itu sendiri.
v Static
(vs. Dynamic): lingkungan tidak berubah selagi agen direncanakan
(deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri
tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah)
v Discrete
(vs. Continuous): sejumlah terbatas persepsi dan tindakan yang khas dan
terdefinisi baik.
v Single
agent (vs. Multiagent): sebuah agen yang mengoperasikan dirinya sendiri dalam
sebuah lingkungan
v Jenis
lingkungan sangat menentukan rancangan agen
v Dunia
nyata (tentu saja) partially observable, stochastic, sequentil, dynamic,
continuous, multi-agent.
2.5 Tipe-tipe
Agen
v Autonomy:
Agent dapat melakukan tugas secara mandiri dan tidak dipengaruhi secara
langsung oleh user, agent lain ataupun oleh lingkungan (environment). Untuk
mencapai tujuan dalam melakukan tugasnya secara mandiri, agent harus memiliki
kemampuan kontrol terhadap setiap aksi yang mereka perbuat, baik aksi keluar
maupun kedalam [Woolridge et. al.,1995].
v Intelligence,
Reasoning, dan Learning: Setiap agent harus mempunyai standar minimum untuk
bisa disebut agent, yaitu intelegensi (intelligence). Dalam konsep
intelligence, ada tiga komponen yang harus dimiliki: internal knowledge base,
kemampuan reasoning berdasar pada knowledge base yang dimiliki, dan kemampuan
learning untuk beradaptasi dalam perubahan lingkungan.
v Mobility
dan Stationary: Khusus untuk mobile agent, dia harus memiliki kemampuan yang
merupakan karakteristik tertinggi yang dia miliki yaitu mobilitas. Berkebalikan
dari hal tersebut adalah stationary agent. Bagaimanapun juga keduanya tetap
harus memiliki kemampuan untuk mengirim pesan dan berkomunikasi dengan agent
lain.
v Delegation:
Sesuai dengan namanya dan seperti yang sudah kita bahas pada bagian definisi,
agent bergerak dalam kerangka menjalankan tugas yang diperintahkan oleh user.
Fenomena pendelegasian (delegation) ini adalah karakteristik utama suatu
program disebut agent.
v Reactivity:
Karakteristik agent yang lain adalah kemampuan untuk bisa cepat beradaptasi
dengan adanya perubahan informasi yang ada dalam suatu lingkungan
(enviornment). Lingkungan itu bisa mencakup: agent lain, user, adanya informasi
dari luar, dsb [Brenner et. al., 1998].
v Proactivity
dan Goal-Oriented: Sifat proactivity boleh dikata adalah kelanjutan dari sifat
reactivity. Agent tidak hanya dituntut bisa beradaptasi terhadap perubahan
lingkungan, tetapi juga harus mengambil inisiatif langkah penyelesaian apa yang
harus diambil [Brenner et. al., 1998]. Untuk itu agent harus didesain memiliki
tujuan (goal) yang jelas, dan selalu berorientasi kepada tujuan yang diembannya
(goal-oriented).
v Communication
and Coordination Capability: Agent harus memiliki kemampuan berkomunikasi
dengan user dan juga agent lain. Masalah komunikasi dengan user adalah masuk ke
masalah user interface dan perangkatnya,sedangkan masalah komunikasi,
koordinasi, dan kolaborasi dengan agent lain adalah masalah sentral penelitian
Multi Agent System (MAS). Bagaimanapun juga untuk bisa berkoordinasi dengan
agent lain dalam menjalankan tugas,perlu bahasa standard untuk berkomunikasi.
Tim Finin [Finin et al., 1993] [Finin et al., 1994] [Finin et al., 1995] [Finin
et al., 1997]dan Yannis Labrou [Labrou et al., 1994] [Labrou et al., 1997]
adalah peneliti software agent yang banyak berkecimpung dalam riset mengenai
bahasa dan protokol komunikasi antar agent. Salah satu produk mereka adalah
Knowledge Query and Manipulation Language (KQML). Kemudian masih berhubungan
dengan ini komunikasi antar agent adalah Knowledge Interchange Format (KIF).
Daftar Pustaka :
0 komentar:
Posting Komentar