Kecerdasan Buatan (Intelligent Agents)

Outline

·         Agen dan lingkungan

Agent adalah sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators

Agen manusia:

l  Sensor: mata, telinga, dan organ tubuh lain;

l  Actuator: tangan, kaki, mulut, dan bagian tubuh lain.

Agen robotik:

·         Sensor: kamera dan infrared range finders;

·         Actuator: berbagai macam motor

Fungsi agen memetakan dari sejarah persepsi ke dalam tindakan (actions):

[f: P* à A]

Program agen berjalan pada arsitektur fisik untuk menghasilkan f

agen = arsitektur + program

Vacuum-cleaner world

·         Percepts: location and contents, e.g., [A,Dirty]

·         Actions: Left, Right, Suck, NoOp

·         Rasionalitas

Sebuah agen haruslah mengarah kepada “lakukan hal yang benar", berdasarkan kepada apa yang dapat dipahaminya dan tindakan yang dapat dilakukannya. Tindakan yang benar adalah tindakan yang akan menyebabkan agen tersebut paling berhasil.

Pengukuran Performance: Sebuah kriteria objektif untuk keberhasilan sebuah perilaku agen.

Mis., ukuran performance dari sebuah agen vacuum-cleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang dihasilkan, dll.

Agen rasional : Untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran performance-nya, dengan adanya bukti yang diberikan oleh deretan presepsi dan apapun pengetahuan terpasang yang dimiliki agen itu.

Rasionalitas berbeda dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga).

Agen dapat melakukan tindakan untuk memodifikasi persepsi masa depan sedemikian hingga dapat memperoleh informasi yang berguna (pengumpulan informasi, eksplorasi)

Sebuah agen adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan belajar dan beradaptasi).

·        PEAS (Performance measure, Environment, Actuators, Sensors)

PEAS: Performance measure, Environment, Actuators, Sensors

Pertama-tama harus menentukan pengaturan untuk desain agen cerdas

Pertimbangkan, mis., tugas merancang supir taksi otomatis:

Performance measure: Aman, cepat, legal, perjalanan menyenangkan, maksimumkan keuntungan

Environment: Jalan, trafik lain, pejalan kaki, pelangan

Actuators: Kemudi, gas, rem, lampu sign, horn

Sensors: Kamera, sonar, speedometer, GPS, odometer, engine sensors, keyboard

·         Agen: Sistem pendiagnosa medis

·         Performance measure: Pasien sehat, biaya minimal, sesuai aturan/hukum (lawsuits)

·         Environment: Patient, hospital, staff

·         Actuators: Screen display (questions, tests, diagnoses, treatments, referrals)

·         Sensors: Keyboard (entry of symptoms, findings, patient's answers)

·         Agent: Robot pengutip-sukucadang

·         Performance measure: Persentase sukucadang dalam kotak yang benar

·         Environment: ban berjalan dengan sukucadang, kotak

·         Actuators: Pergelangan dan tangan tersambung

·         Sensors: Kamera, joint angle sensors

Agent: Robot pengutip-sukucadang

Performance measure: Persentase sukucadang dalam kotak yang benar\

Environment: ban berjalan dengan sukucadang, kotak

Actuators: Pergelangan dan tangan tersambung

Sensors: Kamera, joint angle sensors

• Agen: Tutor Bahasa Inggeris Interaktif
• Performance measure: Memaksimalkan nilai mahasisa pada waktu ujian
• Environment: Sekumpulan mahasiswa
• Actuators: Layar display (exercises, suggestions, corrections)
• Sensors: Keyboard

·         Jenis-jenis Lingkungan

·         Fully observable (vs. partially observable): Sensor-sensor sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.

·         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 lingkungannya adalah strategic)

·         Episodic (vs. sequential): Pengalaman agen dibagi kedalam "episode-episode" atomik (setiap episode terdiri dari si agen memahami (perceiving) dan kemudian melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

·         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)

·         Discrete (vs. continuous): Sejumlah terbatas persepsi dan tindakan yang khas dan terdefinisi baik.

·         Single agent (vs. multiagent): Sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan.

Jenis lingkungan sangat menentukan rancangan agen. Dunia nyata (tentu saja) partially observable, stochastic, sequential, dynamic, continuous, multi-agent

·         Jenis-jenis Agen

·         Perilaku agen: tindakan yang dilakukan setelah diberikan sembarang sekuen persepsi.

·         Tugas AI adalah merancang program agen yang mengimplementasikan fungsi agen yang memetakan persepsi ke tindakan

·         Diasumsikan program ini berjalan di beberapa alat komputasi yang dilengkapi sensors dan actuators (disebut arsitektur)

o   Agent = arsitektur + program

·         Program yang dipilih harus sesuai dengan arsitektur tersebut.

o   Cth: Action: Walk à arsitekturnya hendaklah memiliki kaki.

• Empat jenis dasar untuk menambah generalitas:
• Simple reflex agents
• Model-based reflex agents
• Goal-based agents
• Utility-based agents

TABLE DRIVEN AGENT

function TABLE-DRIVEN-AGENT(persept) returns an action

   static: percepts, a sequence, initially empty

             tables, a table of actions, indexed by percepts sequence, initially fully specified

    append percept to the end of percepts

    action <- LOOKUP(percepts, table)

    return action

• Kekurangan:

·         Tabel sangat vesar

• Misalkan P himpunan percepts yang mungkin
• T lifetime agen
• Entri table lookup:
• Automated taxi:
• rate visual input: 27MB/Sec (30 frame/sec, 640x480 pixel dengan 24 bit color information)
• Table lookup: 10^{250,000,000,000}
• Memakan waktu lama untuk membangun tabel
• Tidak Otonom
• Bahkan dengan pembelajaran, memerlukan waktu yang lama untuk mempelajari entri table.

Simple reflex agents

Contoh :

function REFLEX-VACUUM-AGENTS([location, status]) returns an action

    if status = Dirty then return Suck

    else if location = A then return Right

    else if location = B then return Left

function SIMPLE-REFLEX-AGENT(percept) returns an action

    static: rules, a set of condition-action rules

   

   state <- INTERPRET-INPUT(percept)

    rule <- RULE-MATCH(state, rule)

    action <- RULE-ACTION[rule]

    return action

Model-based reflex agents

function REFLEX-AGENT-WITH-STATE(percept) returns 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

Goal-based agents

Utility-based agents

Learning agents