tipe agen

Kecerdasan Buatan
Intelligent Agents
Outline





Agen dan lingkungan
Rasionalitas
PEAS (Performance measure, Environment,
Actuators, Sensors)
Jenis-jenis Lingkungan
Jenis-jenis Agen
2
Agent

Agent adalah sesuatu yang dapat mengesan
(perceiving) lingkungan (environment) nya melalui
sensors dan bertindak (acting) terhadap lingkungan
tersebut melalui actuators

Agen manusia:



Sensor: mata, telinga, dan organ tubuh lain;
Actuator: tangan, kaki, mulut, dan bagian tubuh lain
Agen robotik:


Sensor: kamera dan infrared range finders;
Actuator: berbagai macam motor
3
Agent dan lingkungan

Fungsi agen memetakan dari sejarah persepsi ke
dalam tindakan (actions):
[f: P*  A]

Program agen berjalan pada arsitektur fisik untuk
menghasilkan f
agen = arsitektur + program

4
Vacuum-cleaner world

Percepts: location and contents, e.g.,
[A,Dirty]

Actions: Left, Right, Suck, NoOp
5
A vacuum-cleaner agent
Sekuen Persepsi
Tindakan
[A, Clean]
Right
[A, Dirty]
Suck
[B, Clean]
Left
[B, Dirty]
Suck
[A, Clean], [A, Clean]
Right
[A, Clean], [A, Dirty]
Suck
…
…
[A, Clean], [A, Clean], [A, Clean]
Right
[A, Clean], [A, Clean], [A, Dirty]
Suck
…
…
6
Agen rasional



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.
7
Agen rasional

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.
8
Agen rasional

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)
9
PEAS


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
10
PEAS





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)
11
PEAS





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
12
PEAS





Agen: Tutor Bahasa Inggeris Interaktif
Performance measure: Memaksimalkan nilai
mahasisa pada waktu ujian
Environment: Sekumpulan mahasiswa
Actuators: Layar display (exercises,
suggestions, corrections)
Sensors: Keyboard
13
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.
14
Jenis-jenis Lingkungan

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.
15
Jenis-jenis Lingkungan


Lingkungan Tugas
Observable
Deterministic
Episodic
Static
Discrete
Agents
Crossword puzzle
Chess with a clock
Fully
Fully
Deterministic
Stategic
Sequential
Sequential
Static
Semi
Discrete
Discrete
Single
Multi
Poker
Backgammon
Partially
Fully
Stochastic
Stochastic
Sequential
Sequential
Static
Static
Discrete
Discrete
Multi
Multi
Taxi driving
Medical diagnosis
Partially
Partially
Stochastic
Stochastic
Sequential
Sequential
Dynamic
Dynamic
Continu
Continu
Multi
Single
Image-analysis
Part-picking robot
Fully
Partially
Deterministic
Stochastic
Episodic
Episodic
Semi
Dynamic
Continu
Continu
Single
Single
Refinery Controller
Int. English Tutor
Partially
Partially
Stochastic
Stochastic
Sequential
Sequential
Dynamic
Dynamic
Continu
Discrete
Single
Multi
Jenis lingkungan sangat menentukan rancangan agen
Dunia nyata (tentu saja) partially observable, stochastic, sequential,
dynamic, continuous, multi-agent
16
Struktur 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)


Agent = arsitektur + program
Program yang dipilih harus sesuai dengan arsitektur
tersebut.

Cth: Action: Walk  arsitekturnya hendaklah memiliki kaki
17
Program-Program Agen

Empat jenis dasar untuk menambah
generalitas:




Simple reflex agents
Model-based reflex agents
Goal-based agents
Utility-based agents
18
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
19
Table-driven agent

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: 10250,000,000,000
Memakan waktu lama untuk membangun tabel
Tidak Otonom
Bahkan dengan pembelajaran, memerlukan waktu yang
lama untuk mempelajari entri tabel
20
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
21
Simple reflex agents
22
Simple Reflex Agent
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
23
Model-based reflex agents
24
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
25
Goal-based agents
26
Utility-based agents
27
Learning agents
28