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
TIPE-TIPE AGEN
. Goal-based
. Utiity-based
. Learning
Tipe agent 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 sequeance of states) dengan angka real.
· Meningkatkan tujuan-tujuan
· Memilih tujuan dari tujuan-tujuan yang berbenturan
· Memilih dengan tepat beberapa tujuan memiliki kemungkinan berhasil
Tipe agent utility-based
· Agent membutuhkan tujuan untuk mengetahui situasi mana yang diharapan,
akan menjadi sulit ketika urutan yang yang panjang dari tindakan-tindakan actions dibutuhkan untuk mencari tujuan.
· Biasanya diselidiki dalam pencarian perencanaan penelitian.
· Pengetahuan diwakili lebih explisit dan dapat dimanispulasi.
Tipe agent learning
· Semua program agent tedahulu mendeskripsikan metode unutk memilih tindakan-tindakan (actions)
· Mekanisme pembelajaran dapat digunakan untuk melakukan tugas ini
· Ajarkan mereka dalam pembelajaran bukan memerintahkan mereka
· Keutunganya adalah agar mereka menjadi kuat jika berada dilingkungan yang tidak diketahui atau baru.
TIPE-TIPE LINGKUNGAN AGEN
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 lingkugannya adalah strategic)
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.
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, sequentil, dynamic, continuous, multi-agentGUSTI MAULANA 1D114120
Tidak ada komentar:
Posting Komentar