Muhammad Bagir S.E., M.T.I
Pengertian Agent Secara umum, sebuah entitas yang berinteraksi
dengan lingkungannya Persepsi melalui indra Tindakan melalui effector dan actuator
Agent : Entitas dalam sebuah program atau
lingkungan yang mampu menghasilkan tindakan (aksi) Agent menggunakan persepsi mengenai lingkungan
untuk membuat keputusan akan tindakan yang harus diambil. Kemampuan persepsi biasanya disebut sensor
Beberapa Pengertian Agent 1.
2.
3.
An agent is an entity whose state is viewed as consisting of mental components such as beliefs, capabilities, choices, and commitments. [Yoav Shoham, 1993] An entity is a software agent if and only if it communicates correctly in an agent communication language. [Genesereth and Ketchpel, 1994] Intelligent agents continuously perform three functions: perception of dynamic conditions in the environment; action to affect conditions in the environment; and reasoning to interpret perceptions, solve problems, draw inferences, and determine actions. [Hayes-Roth, 1995]
Agent Agent adalah sebuah program dengan: Sensor (input) Effector (output) Lingkungan Kemampuan untuk memetakan input menjadi output
Contoh Agents Agents pada manusia Mata, Telinga, Kulit, indra perasa untuk sensor Tangan, jari2, kaki, mulut untuk actuator
Tenaga didukung oleh otot2
Robot Kamera, infra merah untuk sensor untuk sensor Roda, cahaya, speaker untuk actuator
Tenaganya mayoritas didukung oleh motor
Software Agent Berfungsi sebagai sensor
Informasi diberikan sebagai input kepada fungsi2 dalam bentuk bit string atau simbol yang diencode
Berfungsi sebagai actuator
Hasil-hasil yang mengirimkan output
Agent dan Lingkungan Suatu agent mempersepsikan lingkungannya melalui
sensor-sensor Seperangkat input lengkap pada satu waktu tertentu yang
disebut persepsi Persepsi saat ini, atau urutan persepsi dapat mempengaruhi tindakan sebuah agent
Dapat mengubah lingkungan melalui actuator Suatu operasi yang melibatkan sebuah actuator disebut tindakan (aksi). Aksi dapat dikelompokkan menjadi ututan aksi (tindakan) Tindakan dapat bergantung pada persepsi terbaru atau
seluruh sejarah (urutan persepsi).
Agent dan Aksi-aksinya Rational Agent melakukan “hal yang benar” Tindakan yang mengarah ke hasil terbaik pada situasi yang diberikan. Fungsi agent adalah memetakan urutan persepsi ke
tindakan (aksi)
Deskripsi matematis yang abstrak
Sebuah program agent adalah implementasi konkrit dari
fungsi masing-masing
Yang berjalan pada arsitektur(platform) agent yang spesifik.
Masalah: Apa yang dimaksud “hal yang benar”? Bagaimana adan mengukur “hasil yang yang terbaik” ?
Kinerja Agent Kriteria untuk mengukur hasil dan biaya agen Seringkali subjektif, namun harus objektif Task dependent Waktu merupakan hal penting
Contoh evaluasi kinerja Jumlah ubin yang dibersihkan pada periode waktu
tertentu berdasarkan laporan agen, atau divalidasi oleh otoritas
obyektif tidak mempertimbangkan biaya agen, efek samping
energi, kebisingan, hilangnya objek2 yang bermanfaat, furniture yang rusak, lantai yang lecet
mungkin menyebabkan kegiatan yang tidak diinginkan
Agent yang membersihkan kembali ubin yang bersih, mencakup hanya sebagian ruangan, tetesan kotora n pada ubin yang mengharuskan lebih banyak ubin dibersihkan.
Rational Agent memilih tindakan yang diharapkan untuk
memaksimalkan kinerjanya Didasarkan pada ukuran kinerja Bergantung pada urutan persepsi, latar belakang
pengetahuan, dan tindakan yang layak.
Rational Agent Mengukur kinerja untuk tugas yang berhasil
diselesaikan. Sejarah persepsi yang lengkap (urutan persepsi) Latar belakang pengetahuan Khususnya mengenai lingkungan
Dimensi, struktur, “hukum” dasar
Pekerjaan, Pengguna, Agent lainnya.
Tindakan yang layak Kemampuan agent
Lingkungan Menentukan besarnya tingkat interaksi “dunia luar”
dan agent “dunia luar” tidak harus berarti “dunia nyata” yang kita
persepsikan
Bisa berupa lingkungan nyata atau virtual dimana agent berlangsung
Dalam banyak kasus, lingkungan diimplementasikan
dalam komputer Yang mungkin atau tidak memiliki hubungan yang erat
dengan "dunia nyata"
Properti Lingkungan Dapat diobservasi penuh vs Dapat diobservasi sebagian Sensor yang menangkap semua informasi yang relevan dari lingkungan Deterministik vs stokastik (non-deterministik) perubahan lingkungan yang dapat diprediksi Episodik vs sekuensial (non-episodik) Episode persepsi tindakan yang independen Statis vs dinamis tidak ada perubahan ketika agen sedang "berpikir" Diskrit vs kontinu Jumlah persepsi / tindakan berbeda yang terbatas Single vs Multiple Agent Interaksi dan kolaborasi antara agen-agen kompetitif, kooperatif
Environment Programs Simulator lingkungan untuk bereksperimen dengan
agen Memberikan persepsi kepada agen Menerima tindakan Mengupdate lingkungan
Seringkali dibagi menjadi kelas-kelas lingkungan
untuk tugas atau tipe-tipe agen terkait. Lingkungan seringkali menyediakan mekanismeuntuk mengukur kinerja agen
Agent atau Program Kriteria kita sejauh ini dapat diterapkan juga pada software
agent dan program regular Autonomy
Agent yang menyelesaikan tugasnya dalam skala besar dan
independen Program yang bergantung pada pengguna atau program lainnya sebagai “guidance” Sistem Autonomy mendasarkan tindakannya pada pengalaman dan pengetahuannya sendiri Membutuhkan pengetahuan awal diiringi dengan kemampuan untuk belajar Memberikan fleksibilitas bagi tugas-tugas yang lebih kompleks
Struktur Intelligent Agent Agent = Architecture + Program Arsitektur Platform operasi agent
Sistem Komputer, Perangkat keras yang spesifik, fungsi-fungsi OS.
Program Fungsi yang mengimplementasikan pemetaan persepsi menjadi tindakan
Software Agent Juga dikenal dengan sebutan “softbots” Hidup dalam lingkungan buatan dimana komputer
dan jaringan menyediakan infrastruktur Boleh jadi sangat kompleks dengan kebutuhan agent yang kuat WWW, real-time
Lingkungan buatan dan alami yang menggabungkan Interaksi pengguna Sensor dan actuator di dunia nyata
Kamera, temperatur , lengan, roda dsbnya
Deskripsi PEAS mengenai Tugas Lingkungan Digunakan pada karakterisasi agent tingkat tinggi
Performance Measures
digunakan untuk mengevaluasi seberapa baik agen memecahkan tugas
Environment
Lingkungan di luar kendali agen
Actuators
Menentukan tindakan yang dapat dilakukan agent
Sensors
memberikan informasi tentang keadaan lingkungan saat ini
Deskripsi PAGE Percepts
Informasi yang diperoleh melalui sistem sensorik agen
Actions
operasi yang dilakukan oleh agen pada lingkungan melalui aktuator nya
Goals
hasil yang diinginkan dari kegiatan dengan kinerja yang terukur
Environment
Lingkungan di luar kendali agen
StudentBot PEAS Description Performance Measures
grade time spent studying career success
Environment
classroom, university, universe
Actuators
human actuators
Sensors
human sensors
StudentBot PAGE Description Percepts
images (text, pictures, instructor, classmates) sound (language)
Actions
comments, questions, gestures note-taking (?)
Goals
mastery of the material performance measure: grade
Environment
classroom
Agen Program Penekanan dalam program ini adalah program yang
menentukan perilaku agen melalui pemetaan dari persepsi tindakan lemah pada lingkungan dan tujuan
Agen menerima satu persepsi pada suatu waktu tertentu Yang mungkin atau mungkin tidak menjaga track urutan persepsi Evaluasi kinerja sering dilakukan oleh otoritas luar, bukan
agen lebih objektif, lebih rumit dapat diintegrasikan dengan program lingkungan
Kerangka Agen Program Framework Dasar sebuah Agen Program
function SKELETON-AGENT(percept) returns action static: memory memory action memory
:= UPDATE-MEMORY(memory, percept) := CHOOSE-BEST-ACTION(memory) := UPDATE-MEMORY(memory, action)
return action
Yang perlu diperhatikan Cara sederhana untuk menentukan pemetaan dari
persepsi tindakan tabel dapat menjadi sangat besar hampir semua pekerjaan dilakukan oleh desainer tidak ada otonomi, semua tindakan telah ditentukan
dengan tabel-tabel yang dirancang dengan baik dan cukup kompleks, agen mungkin muncul otonom untuk pengamat
Pembelajaran dapatmemakan waktu yang sangat lama
terlalu lama akan menjadi tidak praktis menjadi metode belajar yang lebih baik
Tabel Agen Program agent program berdasakan tabel lookup function TABLE-DRIVEN-AGENT(percept) returns action static: percepts // initially empty sequence* table // indexed by percept sequences // initially fully specified append percept to the end of percepts action := LOOKUP(percepts, table) return action * Note:the storage of percepts requires writeable memory