HO-2 KTL401 Kecerdasan Buatan Intelligent Agents - PowerPoint PPT Presentation

Title: HO-2 KTL401 Kecerdasan Buatan Intelligent Agents


1
HO-2 KTL401 Kecerdasan Buatan Intelligent Agents

• Opim S Sitompul

2
Outline

• Agen dan lingkungan
• Rasionalitas
• PEAS (Performance measure, Environment,
  Actuators, Sensors)
• Jenis-jenis Lingkungan
• Jenis-jenis Agen

3
Agent

• Agent adalah sesuatu yang dapat mengesan
  (perceiving) lingkungan (environment) nya melalui
  sensors dan bertindak (acting) terhadap
  lingkungan tersebut melalui actuators
• Agen manusia
• Sensor mata, telinga, dan organ tubuh lain
• Actuator tangan, kaki, mulut, dan bagian tubuh
  lain
• Agen robotik
• Sensor kamera dan infrared range finders
• Actuator berbagai macam motor

4
Agent dan lingkungan

• Fungsi agen memetakan dari sejarah persepsi ke
  dalam tindakan (actions)
• f P ? A
• Program agen berjalan pada arsitektur fisik untuk
  menghasilkan f
• agen arsitektur program

5
Vacuum-cleaner world

• Percepts location and contents, e.g., A,Dirty
• Actions Left, Right, Suck, NoOp

6
A vacuum-cleaner agent
Sekuen Persepsi Tindakan
A, Clean Right
A, Dirty Suck
B, Clean Left
B, Dirty Suck
A, Clean, A, Clean Right
A, Clean, A, Dirty Suck

A, Clean, A, Clean, A, Clean Right
A, Clean, A, Clean, A, Dirty Suck

7
Agen rasional

• 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.

8
Agen rasional

• 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.

9
Agen rasional

• 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)
  

10
PEAS

• 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

11
PEAS

• 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)

12
PEAS

• 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

13
PEAS

• Agen Tutor Bahasa Inggeris Interaktif
• Performance measure Memaksimalkan nilai mahasisa
  pada waktu ujian
• Environment Sekumpulan mahasiswa
• Actuators Layar display (exercises, suggestions,
  corrections)
• Sensors Keyboard

14
Jenis-jenis Lingkungan

• 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
  lingkungannya adalah strategic)
• Episodic (vs. sequential) Pengalaman agen dibagi
  kedalam "episode-episode" atomik (setiap episode
  terdiri dari si agen memahami (perceiving) dan
  kemudian melaksanakan satu tindakan, dan pilihan
  tindakan dalam tiap episode hanya tergantung pada
  episode itu sendiri.

15
Jenis-jenis Lingkungan

• 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.

16
Jenis-jenis Lingkungan
Lingkungan Tugas Observable Deterministic Episodic Static Discrete Agents
Crossword puzzle Chess with a clock Fully Fully Deterministic Stategic Sequential Sequential Static Semi Discrete Discrete Single Multi
Poker Backgammon Partially Fully Stochastic Stochastic Sequential Sequential Static Static Discrete Discrete Multi Multi
Taxi driving Medical diagnosis Partially Partially Stochastic Stochastic Sequential Sequential Dynamic Dynamic Continu Continu Multi Single
Image-analysis Part-picking robot Fully Partially Deterministic Stochastic Episodic Episodic Semi Dynamic Continu Continu Single Single
Refinery Controller Int. English Tutor Partially Partially Stochastic Stochastic Sequential Sequential Dynamic Dynamic Continu Discrete Single Multi

• Jenis lingkungan sangat menentukan rancangan agen
• Dunia nyata (tentu saja) partially observable,
  stochastic, sequential, dynamic, continuous,
  multi-agent

17
Struktur Agen

• Perilaku agen tindakan yang dilakukan setelah
  diberikan sembarang sekuen persepsi.
• Tugas AI adalah merancang program agen yang
  mengimplementasikan fungsi agen yang memetakan
  persepsi ke tindakan
• Diasumsikan program ini berjalan di beberapa alat
  komputasi yang dilengkapi sensors dan actuators
  (disebut arsitektur)
• Agent arsitektur program
• Program yang dipilih harus sesuai dengan
  arsitektur tersebut.
• Cth Action Walk ? arsitekturnya hendaklah
  memiliki kaki

18
Program-Program Agen

• Empat jenis dasar untuk menambah generalitas
• Simple reflex agents
• Model-based reflex agents
• Goal-based agents
• Utility-based agents

19
Table-driven agent
function TABLE-DRIVEN-AGENT(persept) returns an action static percepts, a sequence, initially empty tables, a table of actions, indexed by percepts sequence, initially fully specified append percept to the end of percepts action lt- LOOKUP(percepts, table) return action
20
Table-driven agent

• Kekurangan
• Tabel sangat vesar
• Misalkan P himpunan percepts yang mungkin
• T lifetime agen
• Entri table lookup
• Automated taxi
• rate visual input 27MB/Sec (30 frame/sec,
  640x480 pixel dengan 24 bit color information)
• Table lookup 10250,000,000,000
• Memakan waktu lama untuk membangun tabel
• Tidak Otonom
• Bahkan dengan pembelajaran, memerlukan waktu yang
  lama untuk mempelajari entri tabel

21
Simple reflex agents

• Contoh

function REFLEX-VACUUM-AGENTS(location, status) returns an action if status Dirty then return Suck else if location A then return Right else if location B then return Left
22
Simple reflex agents
23
Simple Reflex Agent
function SIMPLE-REFLEX-AGENT(percept) returns an action static rules, a set of condition-action rules state lt- INTERPRET-INPUT(percept) rule lt- RULE-MATCH(state, rule) action lt- RULE-ACTIONrule return action
24
Model-based reflex agents
25
Model-based reflex agents
function REFLEX-AGENT-WITH-STATE(percept) returns an action static state, a description of the current world state rules, a set of condition-action rules action, the most recent action, initially none state lt- UPDATE-STATE(state, action, percept) rule lt- RULE-MATCH(state, rules) action lt- RULE-ACTIONrule return action
26
Goal-based agents

27
Utility-based agents
28
Learning agents