Intelijensia buatan - 02 Agen Cerdas

Kuliah: Inteligensi Buatan http://kuliahkita.com/kelas/intelijensia-buatan/

Nur Ulfa Maulidevi

Ikhtisar Kuliah minggu lalu

Agen dan Lingkungan

Rasionalitas

PEAS (Performance Measures, Environment,

Actuators, Sensors)

Jenis Lingkungan

Tipe Agen

06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 2

Kuliah Minggu Lalu Empat pendekatan dalam Inteligensi Buatan:

Berperilaku seperti manusia

Berpikir seperti manusia

Berperilaku secara rasional

Berpikir secara rasional

Pada kuliah ini, bagian awal lebih banyak membahas pendekatan IB dari aspek berperilaku secara rasional


Agen dan Lingkungan


Lingkungan Agen

Informasi dari Lingkungan (Persepsi)

Aksi

sensors

actuators

?

Agen Agen adalah segala sesuatu yang dapat dipandang sebagai

sesuatu yang melihat/ menangkap informasi lingkungannya (persepsi) melalui sensor, dan beraksi pada lingkungan melalui efektor/ aktuator(Stuart Russel, pustaka utama) Agen komputasi yang berperilaku secara otonomi

(mampu mengatur sendiri)

Contoh perbandingan Agen manusia: mata, telinga, dan organ lain untuk sensor;

tangan, kaki, mulut, dan organ lain untuk aktuator Agen robotika: kamera dan alat untuk mencari jangkauan

infrared sebagai sensor; berbagai jenis motor untuk aktuator


Contoh “Dunia Penyedot Debu”

Persepsi: lokasi dan apa yang tertangkap berada di lokasi tersebut, contoh kotoran yang akan diberisihkan

Aksi: Kiri, Kanan, Sedot, Tidak_ada_Operasi

Harus jelas pemisahan antara agen dengan lingkungan agen


Model Dunia Agen

A – ruang aksi

P – ruang persepsi

Definisikan:

S – status internal [mungkin tidak terlihat oleh agen]

Fungsi Persepsi: S P

Dinamika Dunia Agen: S x A S


Fungsi Persepsi

Dinamika Dunia

a p

s

Desain Agen

U – Fungsi Utilitas: S real (atau S* real)

Persoalan dari Desain Agen: Temukan pemetaan P* A

Memetakan urutan persepsi yang diterima ke aksi

Memaksimalkan utilitas yang dihasilkan oleh urutan status (kondisi)


Agen Rasional Agen harus berusaha keras untuk “melakukan aksi yang

benar”, berdasarkan persepsi yang berhasil ditangkap dari lingkungan dan aksi yang bisa dilakukannya. Aksi yang paling baik adalah aksi yang menyebabkan agen paling sukses dalam persoalan yang diselesaikannya

Ukuran kinerja (Performance measure): Kriteria objektif untuk tingkat kesuksesan dar i perilaku agen

Sebagai contoh, ukuran kinerja dari agen penyedot debu adalah banyaknya kotoran yang dibersihkan, jumlah waktu yang diperlukan, banyaknya listrik yang digunakan, tingkat kebisingan yang ditimbulkan, dan lain sebagainya


Agen Rasional (2) Jadi yang disebut dengan agen rasional:

Untuk setiap kemungkinan urutan persepsi, agen rasional harus memilih aksi yang diharapkan memaksimalkan ukuran kinerja, berdasarkan urutan persepsi yang didapatkan agen dan pengetahun yang diberikan kepada agen


Rasionalitas

Agen rasional melakukan aksi yang dipercayainya akan mencapai tujuannya Asumsi saya tidak suka baju basah, jadi saya membawa payung. Apakah hal

tersebut rasional? Tergantung pada prediksi cuaca dan apakah saya mendengar prediksi tersebut.

Jika saya telah mendengar prediksi bahwa cuaca akan hujan dan saya mempercayainya, maka aksi membawa payung adalah hal yang rasional

Rasionalitas ≠ maha tahu Asumsinya, prediksi cuaca akan hujan, tapi saya tidak mendengar prediksi

tersebut dan tidak membawa payung, apakah hal tersebut rasional? Ya, karena saya tidak tahu (tidak memiliki pengetahuan atau persepsi) mengeai

prediksi cuaca

Rasionalitas ≠ sukses Seandaianya prediksi cuaca tidak hujan, tapi saya tetap membawa payung dan

saya gunakan untuk melindungi diri dari suatu serangan, apakah hal tersebut rasional?

Tidak, karena walaupun sukses menghindari serangan, payung itu saya gunakan untuk tujuan yang berbeda dengan tujuan awal, yaitu menghindari baju basah.


Rasionalitas Terbatas Jika definisi agen rasional tidak memiliki batasan,

maka akan sulit untuk mendesain agen dengan kemampuan tersebut

Kenapa sulit? Karena agen dalam bahasan ini sangat bergantung pada kemampuan komputasi di mana agen tersebut dibangun, sehingga kemungkinan agen tidak bisa melakukan kompuptasi untuk menentukan aksi terbaik

Oleh karena itu, kita menggunakan rasionalitas terbatas: “melakukan aksi terbaik yang bisa dilakukan pada batasan komputasi yang ada”


Rasionalitas Terbatas(2)

Jadi desain agen dengan rasionalitas terbatas:

Temukan P* A

Pemetaan dari urutan persepsi ke aksi

Memaksimalkan nilai utilitas dari urutan status yang didapat dari aksi yang dipilih

Bergantung pada batasan komputasi di mana agen berada

Untuk mendesain agen cerdas menentukan PEAS


PEAS P: Performance measure (ukuran kinerja)

E: Environment (lingkungan)

A: Actuators (yang bisa melakukan aksi)

S: Sensors (sensor untuk mendapatkan persepsi dari lingkungan)


PEAS (2) Saat mendesain agen cerdas, penentuan dan

pengaturan PEAS adalah hal pertama yang harus dilakukan

Contoh, desain agen cerdas untuk pengemudi taksi otomatis Performance measure (P): selamat, cepat, taat peraturan

lalu lintas, perjalanan yang menyenangkan, memaksimalkan keuntungan

Environment (E): jalan, pengguna jalan yang lain, pejalan kaki, pelanggan yang naik taksi

Actuators (A): setir, pedal gas, pedal rem, klakson Sensors (S): kamera, sonar, meteran kecepatan

(speedometer), GPS, sensor mesin, papan ketik (keyboard)


Contoh PEAS yang lain Agen sistem diagnosis medis

Performance measure (P): pasien sehat, biaya yang minimal, minimal tuntutan hukum karena malpraktek

Environment (E): pasien, rumah sakit, staf rumah sakit

Actuators (A): Layar tampilan (pertanyaan, tes kesehatan, diagnosis, perlakuan, dan rujukan)

Sensors (S): Keyboard (input gejala-gejala, hasil test, jawaban pasien)


Jenis Lingkungan Teramati sepenuhnya(vs. Teramati sebagian): Sensor agen

memberikankondisi lingkungan yang utuh pada setiap saat.

Deterministik (vs. Tidak Pasti): Kondisi/ Status lingkungan berikutnya hanya ditentukan oleh kondisi saat ini dan aksi yag dilakukan oleh agen. Jika terdapat agen lain yang berperan dalam perubahan kondisi lingkungan, maka disebut dengan lingkungan stratejik.

Episodik (vs. sekuensial): Pengalaman agen sebelumnya terbagi atas beberapa episode (setiap episode berisi kegiatan agen menerima persepsi dari lingkungan dan melakukan sebuah aksi), dan pemilihan aksi untuk setiap episode hanya bergantung pada episode itu sendiri, tidak terpengaruh oleh episode sebelumnya.


Jenis Lingkungan (2)

Statik (vs. dinamis): Lingkungan tidak berubah ketika agen sedang berpikir untuk menentukan aksi yang tepat berdasarkan persepsi yang ditangkap. Lingkungan bersifat semidinamis jika lingkungan tidak berubah seiring waktu, tapi ukuran kinerja agen bergantung pada banyaknya waktu yang diperlukan untuk melakukan aksi.

Diskret (vs. kontinyu): Lingkungan terbatas pada sejumlah pasangan persepsi yang terdefinisi dengan jelas dengan aksinya.

Agen tunggal (vs. multiagen): Sebuah agen beroperasi terhadap lingkungan, dan perubahan lingkungan hanya bergantung pada aksi agen itu saja.


Jenis Lingkungan

Catur dengan Catur tanpa Mengemudi pewaktuan pewaktuan Taksi Teramati sepenuhnya Ya Ya Tidak Deterministik Stratejik Stratejik Tidak Episodik Tidak Tidak Tidak Statik Semi Ya Tidak Diskret Ya Ya Tidak Agen Tunggal Tidak Tidak Tidak

Kenapa mengetahui jenis lingkungan sangat penting? Karena jenis

lngkunga akan menentukan bagaimana desain agen untuk lingkungan tersebut

Lingkungan pada “dunia nyata” umumnya bersifat Teramati sebagian, Tidak pasti, Sekuensial, Dinamis, Kontinyu, multi-agen


Fungsi dan Program Agen Spesifikasi suatu agen secara lengkap berupa

fungsi yang memetakan urutan persepsi ke suatu aksi

Sebuah fungsi agen harus bersifat rasional (ingat kembali definisi rasionalitas terbatas)

Tujuan: menemukan cara untuk implementasi fungsi agen rasional, dan fungsi tersebut dapat dieksekusi dalam waktu sesingkat mungkin

Kita bisa menggunakan tabel lookup yang memetakan urutan persepsi ke suatu aksi


Agen yang menggunakan tabel Lookup Kekurangan:

Tabel harus besar

Membutuhkan waktu untuk membentuk tabel

Tidak ada sifat otonomi pada agen

Walaupun menggunakan pembelajaran mesin, akan membutuhkan waktu yang cukup lama untuk mempelajari tabel yang cukup besar

Alternatifnya agen refleks: agen merespon secara fleksibel terhadap stimuli yang jangkauannya sangat luas kekurangan: tidak bisa menyimpan respon

Jadi setiap jenis agen memiliki kelebihan dan kekurangan

Berikutnya: Berbagai jenis agen


Jenis agen Terdapat empat jenis agen dasar:

Agen refleks yang sederhana (Simple reflex agents)

Agen refleks yang memanfaatkan model (Model-based reflex agents)

Agen yang berlandaskan pada tujuan (Goal-based agents)

Agen yang berlandaskan pada kinerja (Utility-based agents)


Simple reflex agents


Model-based reflex agents


Goal-based agents


Utility-based agents


Learning agents (bagian akhir perkuliahan)


Intelijensia buatan - 02 Agen Cerdas

Engineering