Intelegensia Semu Organisasi menggunakan teknologi intelegensia semu untuk menangkap pengetahuan individu maupun kelompok dan untuk mengatur dan mengembangkan dasar pengetahuannya. Intelegensia Semu
Usaha untuk mengembangkan sistem berbasis komputer yang dapat mengadopsi prilaku seperti manusia, dengan kemampuan belajar bahasa, menyelesaikan tugas-tugas fisik, menggunakan alat-alat yang bisa melibatkan persepsi dan mengemulasikan keahlihan manusia dan pengambilan keputusan. Keluarga dari Integensia Semu Artificial Intelligence
Natural Language
Robotics
Perceptive System
Expert System
Intelligent Machines
Alasan organisasi tertarik dengan Intelegensia Semu
1. Menjaga adanya kemungkinan kehilangan orang-orang ahli dari organisasi akibat pensiun, pengunduran diri, atau meninggalnya seseorang ahli. 2. Menyimpan informasi dalam bentuk yang aktif 3. Menciptakan mekanisme kerja yang tidak terpengaruh terhadap beberapa kelemahan mahasiswa seperti lelah dan khawatir, juga dapat untuk menggantikan pekerjaan yang berbahaya. 4. Menghilangkan pekerjaan rutin dan tidak memuaskan yang biasa dilakukan orang 5. menambah basis pengetahuan organisasi dengan usulan solusi untuk masalah tertentu yang terlalu berat dan komplek untuk dianalisa oleh manusia dalam waktu yang singkat Capturing knowledge : Sistem Pakar Sistem Pakar
Sistem informasi yang memecahkan masalah dengan menangkap pengetahuan untuk suatu masalah tertentu dan sumber yang terbatas dari keahlian seorang manusia. Expert system dapat membantu pengambilan keputusan dengan menanyakan pertanyaan yang relevan dan menjelaskan alasan pengambilan tindakan tertentu.
Cara kerja Sistem Pakar
1. Sistem Pakar mempunyai model dari pengetahuan manusia yang digunakannya yang mana dimodel dan ditampilkan dalam bentuk yang dapat diproses oleh komputer, biasa disebut knowledge base. Dua cara untuk memodelkan keahlian dan pengetahuan seseorang yaitu dengan : Dasar aturan (rule base) : sebuah program intelegensia semua yang mempunyai pernyataan berbentuk if-then atau aturan yang terhubung dan berulang dalam jumlah yang besar sebagai dasar pengetahuan dalam sistem Knowledge frames : sebuah metode untuk mengorganisasikan pengetahuan dari sistem pakar kedalam potongan besar, hubungannya berdasarkan karakteristik yang diberikan yang ditentukan oleh pengguna 2. Sistem Pakar juga mempunyai lingkup pemrograman yang disebut AI Shell. 3. Sistem pakar juga mempunyai strategi untuk mencari data ke dalam rule base yang ada biasa disebut Inference engine. Dua strategi yang umum dipakai yaitu : Forward Chaining : strategi pencarian yang dimulai dari informasi yang dimasukkan oleh pengguna dan dicari dalam rule base yang ada hingga sampai pada kesimpulan Backward Chaining : Strategi pencarian yang bertindak seperti pemecah masalah yang dimulai dengan hipotesa, pencarian informasi hingga hipotesa tersebut terbukti maupun tidak. Gambaran Knowledge base dengan rule A => B If INC > 50,000 Ask about car payment Else EXIT B => C If car payment < 10% of income Ask about mortgage payment Else EXIT
C => D If mortgage payment < 20% of income Grant credit Else EXIT
D => E If D ask about years employed
G => H If years < 4 Ask about other debt
E => F If years > 4 Grant 10,000 line Else Do G
H => F If other debt < 5% of income Do F Else Do I
D Grant credit line
F Limit 10,000
I Limit 3,000
Gambaran Knowledge base dengan frame Car Frame Is-a
Vehicle
Wheels
4
Motor
Gas / Diesel
Action
Rolls, Moves
Tank Frame Is-a Treads
Vehicle 4
Motor
Diesel / Turbine
Action
Rolls, Moves
Motor Frame Is-a
Machine
Fuel
Gas/Diesel, Electric
Power
BTU, Horsepower
Use
Vehicle, or Stationary power
Gambaran Inference Engines dalam Sistem Pakar Income Rules If Inc > $100,000 then life ins.
If life ins. send sales rep
If Inc > $50,000 then term ins.
If term ins. send brochure
If sales rep or term ins. or FinAdv then search dbase Other Accounts If not on dbase, then add prospect file
Real Estate Rules If REstate then further contact
If REstate > $1,000,000 then send FinAdv
If FinAdv then prepare sales kit
Membangun sebuah sistem pakar
Beberapa prinsip pembanguan sebuah sistem pakar Membangun sistem pakar harus melalui proses yang iteratif pada setiap fase sampai selesai, terutama untuk sistem pakar dimana lingkungannya sering berubah. Team pengembangan sistem pakar harus mempunyai minimal 1 orang ahli sebagai dasar pengetahuan Harus mempunyai Knowledge engineer yaitu spesialis yang bisa mengubah informasi dari ahli atau seorang professional kedalam rule base atau frame
Sistem atau masalah yang dibangun dengan sistem pakar harus layak atau sesuai dengan kebutuhan misalnya dari segi biaya Kalau memungkinkan membangun sebuah prototype kecil sebelum membangun sebuah sistem pakar yang lengkap Sistem pakar sebaiknya diuji atau dites oleh ahli yang sesuai dengan bidang sistem pakar tersebut Kelemahan sistem pakar Hanya kelompok masalah tertentu saja yang dapat diselesaikan menggunakan sistem pakar Kebanyakan sistem pakar membutuhkan usaha pengembangan yang besar, luas dan mahal Knowledge base dari sebuah sistem pakar biasanya rapuh dan sulit mengikuti perkembangan Sistem pakar hanya bisa menampilkan bentuk yang terbatas dari sebuah pengetahuan Alternatif yang kurang dari sistem pakar menyebabkan ketidakcocokan dengan masalah managerial yang dihadapi Organizational Intelligence : Case Based Reasoning Teknologi intelegensia semu yang menampilkan pengetahuan berupa sebuah basis data yang terdiri dari kasus-kasus dan pemecahannya. Case based reasoning akan terus bertambah dengan bertambahnya kasus yang ditangani sehingga semakin lama akan semakin baik dan semakin berkembang Sistem kerja Case Based Reasoning
User menggambarkan masalah
Sistem mencari ke database untuk kasus yang sama
Database Kasus
Sistem bertanya ke user pertanyaan tambahan untuk memperkecil cakupan pencarian
Sistem mencari dan memberikan solusi penyelesaian yang paling mendekati
Sistem menyimpan masalah dan penyelesaian yang
Sistem memperbaiki solusi untuk penyelesaian lebih baik untuk
NO
Berhasil ?
YES
Model case based reasoning untuk web-based customer-service system
Neural Network Neural network terdiri dari hardware atau software yang dibuat dengan mengemulasikan bentuk proses dari otak secara biologi. Gambar neuron secara biologi
Jaringan intelegensia neural dengan dua neurons
Pattern sebuah neural network
Neural Network Input Layer
Hidden Layer
Output Layer
Pendapatan
Hutang
Umur
Resiko Kredit Baik
Resiko Kredit Jelek
Record Pembayaran
Perbedaan Neural Networks dan sistem pakar
Neural tidak memodel kepintaran manusia, tidak memprogram solusi, tidak membantu memecahkan masalah tertentu melainkan meletakkan kepintaran tersebut kedalam komputer dalam pembentukan secara umum dimana komputer dapat belajar sendiri. Nerural tidak dapat memberikan penjelasan kenapa sampai pada suatu kesimpulan sedangkan sistem pakar selalu ada penjelasan untuk solusinya Neural tidak memberikan solusi lengkap dari suatu masalah tertentu Neural lebih baik digunakan hanya sebagai pembantu bagi manusia dalam mengambil keputusan dan bukan untuk menggantikan Fuzzy Logic
Rule-based AI that tolerates imprecision by using non-specific terms called membership function to solve problem Manfaat fuzzy
Reduce costs Shorten development time Beberapa contoh penggunaan fuzzy logic
Sanyo Fisher USA menggunakannya untuk kendali camcorder Sendai’s subway menggunakannya untuk mengontrol kehalusan kecepatan Mitsubishi menggunakannya untuk kendali AC Williams-Sonoma menggunakan untuk pembuatan steamer Wall Street menggunakannya untuk potential aquisition
Genetic Algorithms
Metode pemecahan masalah yang mengangkat evolusi pemecahan kearah suatu masalah tertentu menggunakan model hidup dari organisme yang diadaptasi dari lingkungan Contoh penggunaan Genetic Algorithms
General Electric menggunakannya untuk merancang Turbin jet pesawat Coors Brewing Company menggunakannya untuk penjadwalan pemenuhan dan pengiriman pesanan Angkatan Laut Amerika menggunakannya untuk penjadwalan ujicoba F-16 Hybrid AI System
Integrasi dari berbagai teknologi AI kedalam sebuah aplikasi tunggal untuk mendapatkan keuntungan dengan fitur-fitur terbaik dari teknologi-teknologi yang ada. Bidang Hybrid AI System
Biasa difokuskan untuk menghasilkan produk jadi yang siap dipakai pada bidang : Peralatan rumah tangga Mesin-mesin pabrikasi Perlengkapan kantor Contoh Hybrid AI System
Matsushita mengembangkan mesin cuci dengan teknologi “neurofuzzy” Bursa saham Nikko mengembangkan sistem ramalan saham dengan teknologi “neurofuzzy” Intelligent Agents
Program piranti lunak yang mengunakan dasar pengetahuan yang telah dipelajari atau dibangun untuk mengerjakan tugas-tugas yang khusus, berulang atau dapat diprediksi untuk individu pengguna, proses bisnis atau software aplikasi. Prinsip intelligent agents
Diprogram agar dapat mengerjakan tugas atau membuat keputusan sesuai kehendak pengguna, seperti o Menghapus junk mail o Menjadwalkan pertemuan o Mencari harga tiket termurah diinternet Biasa dibuat seperti asisten pribadi digital seperti : o Mengatur tugas-tugas o Membantu dalam berhubungan dengan orang lain o Membantu melatih atau mengajar pengguna o Menghilangkan kesan kerumitan suatu masalah o Mengawasi kegiatan dan prosedur Bidang dari Intelligent agent
Sistem operasi Piranti lunak aplikasi Sistem e-mail
Mobile computing software Network tools Contoh Intelligent agents
Produk Firefly BargainFinder dan LifestyleFinder Jango Smart NewsReader AuctionBot
Deskripsi Membantu pengguna mencari interes dibidang musik dan film BargainFinder membandingkan harga secara real-time diantara beberapa toko CD musik yang diinginkan dan memberikan vendor dengan harga termurahsedangkan lifestyleFinder merekomendasikan site untuk pengguna berdasarkan informasi yang diberikan tentang gaya hidupnya Konsultasi web sites dan memberikan laporan tentang harga maupun fitur untuk produk seperti buku, pakaian, anggur maupun komputer Menyajikan newsgroup berdasarkan interes masing-masing
Vendor Agents Inc. Andersen Consulting
Excite Intel
Memungkinkan pembeli dan penjual melakukan transaksi University berdasarkan keinginan (mirip lelang) Michigan
of
