Pengenalan Intelligent Agent

Agent dan Lingkungannya

Agent adalah segala sesuatu yang dapat melihat/mengartikan/mengetahui lingkungannya melalui alat sensor dan bertindak melalui alat aktuator. Manusia sebagai agent : mata, telinga, dan organ lainnya sebagai sensors; tangan, kaki, mulut dan bagian tubuh lainnya sebagai actuators. Robot sebagai agent : kamera dan pejejak inframerah sebagai sensors; berbagai motor penggerak sebagai actuators. Software sebagai agent : tekanan pada keyboard, isi file dan paket-paket pada jaringan sebagai masukan sensors; tampilan pada layar, penulisan file dan pengiriman paket jaringan sebagai keluaran actuators. Fungsi agent(f) adalah pemetaan dari urutan persepsi menjadi tindakan.

Konsep Rasionalitas

Rational agent adalah agent yang melakukan sesuatu yang benar. Setiap kolom pada tabel (Vacuum-cleaner world) diselesaikan/dikerjakan dengan benar.

Rasional tergantung pada 4 hal :

• Kemampuan yang terukur
• Pengetahuan lingkungan sebelumnya/terdahulu
• Tindakan
• Urutan persepsi

DEF : untuk setiap urutan persepsi yang mungkin, rational agent harus memilih tindakan yang diharapkan dapat memaksimalkan kemampuan dengan memberikan bukti yang dihasilkan dari urutan persepsi dan pengetahuan yang dimiliki oleh agent.

Agent dapat bertindak sesuai dengan yang diharapkan untuk memodifikasi persepsi akan datang dengan mendapatkan informasi yang berguna (pengumpulan informasi dan eksplorasi). Agent dikatakan autonomous, jika perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan untuk belajar dan beradaptasi)

Task Environtment (PEAS)

To design a rational agent we must specify its task environment. PEAS description of the environtment :

• Performance
• Environment
• Actuators
• Sensors

Contoh-contoh.

Agent : Sistem Diagnosis Medis

   - Perfomance measure: kesembuhan pasien, biaya minim, sengketa

   - Environment: pasien, pegawai rumah sakit

   - Actuators: layar monitor (pertanyaan, test, perawatan)

   - Sensors: keyboard (gejala, temuan, pertanyaan pasien)

Agent : Part-picking robot

   - Performance measure: % komponen pada tempat penampungan yang sesuai

   - Environment: Conveyor belt with parts, bins

   - Actuators: Joined arm and hand

   - Sensors: Kamera, joint angle sensors

Agent : Interactive English tutor

   - Performance measure: Maximize student's score on test

   - Environment: Set of students

   - Actuators: Screen display (exercises, suggestions, corrections)

   - Sensors: Keyboard

Tipe-Tipe Lingkungan Agents

1. Fully vs. partially observable : Lingkungan sepenuhnya dapat diamati ketika sensor-sensor dapat mendeteksi semua aspek yang relevan dalam memilih tindakan.
2. Deterministic vs. stochastic : Ketika tahap lingkungan berikutnya sepenuhnya ditentukan oleh tindakan yang sudah dilakukan.
3. Episodic vs. sequential : Pengalaman agent dapat dibagi menjadi tahapan-tahapan yang kecil dimana agent akan menerima dan melakukan satu tindakan. Pilihan tindakan tergantung hanya pada episode itu sendiri.
4. Static vs. dynamic : Jika lingkungan dapat berubah ketika agent sedang memilih tindakan, lingkungan dikatakan dynamic. Semi-dynamic, jika perfoma agent berubah ketika lingkungan tetap sama.
5. Discrete vs. continuous : This distinction can be applied to the state of the environment, the way time is handled and to the percepts/actions of the agent.
6. Single vs. multi-agent : Does the environment contain other agents who are also maximizing some performance measure that depends on the current agent’s actions?

Agent types

1. Goal-based
2. Utility-based
3. Learning

1. Goal-based

Tujuan-tujuan tertentu dapat dicapai dengan cara-cara berbeda. Beberapa lebih baik, memiliki manfaat yang lebih tinggi. Fungsi utililas memetakan urutan kedudukan (a sequence of states) dengan

angka real.

Meningkatkan tujuan-tujuan :

   - Memilih tujuan dari tujuan-tujuan yang berbenturan

   - Memilih dengan tepat beberapa tujuan memiliki kemungkinan berhasil.

2. Utility-based

Agent membutuhkan tujuan untuk mengetahui situasi mana yang diharapkan. Akan menjadi sulit ketika urutan yang panjang dari tindakan-tindakan (actions) dibutuhkan untuk mencari tujuan. Typically investigated in search and planning research. Major difference: future is taken into account. Is more flexible since knowledge is represented explicitly and can be manipulated.

3. Learning

Semua program-program agent terdahulu mendeskripsikan metode untuk memilih tindakan-tindakan (actions).

   – Yet it does not explain the origin of these programs.

   – Learning mechanisms can be used to perform this task.

   – Teach them instead of instructing them.

   – Advantage is the robustness of the program toward initially unknown environments.

Sumber : 

http://alfiyani18.blogspot.co.id/2016/10/blog-post_94.html