Intelijensia Buatan - Materi pengenalan mengenai agen cerdas

1. Kuliah: Inteligensi Buatan
http://kuliahkita.com/kelas/intelijensia-buatan/
Nur Ulfa Maulidevi

2. Ikhtisar
 Kuliah minggu lalu
 Agen dan Lingkungan
 Rasionalitas
 PEAS (Performance Measures, Environment,
Actuators, Sensors)
 Jenis Lingkungan
 Tipe Agen
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 2

3. Kuliah Minggu Lalu
 Empat pendekatan dalam Inteligensi Buatan:
 Berperilaku seperti manusia
 Berpikir seperti manusia
 Berperilaku secara rasional
 Berpikir secara rasional
 Pada kuliah ini, bagian awal lebih banyak membahas
pendekatan IB dari aspek berperilaku secara rasional
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 3

4. Agen dan Lingkungan
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 4
Lingkungan
Agen
Informasi dari Lingkungan
(Persepsi)
Aksi
sensors
actuators
?

5. Agen
Agen adalah segala sesuatu yang dapat dipandang sebagai
sesuatu yang melihat/ menangkap informasi
lingkungannya (persepsi) melalui sensor, dan beraksi
pada lingkungan melalui efektor/ aktuator(Stuart Russel,
pustaka utama)
 Agen komputasi yang berperilaku secara otonomi
(mampu mengatur sendiri)
Contoh perbandingan
 Agen manusia: mata, telinga, dan organ lain untuk sensor;
tangan, kaki, mulut, dan organ lain untuk aktuator
 Agen robotika: kamera dan alat untuk mencari jangkauan
infrared sebagai sensor; berbagai jenis motor untuk
aktuator
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 5

6. Contoh “Dunia Penyedot Debu”
 Persepsi: lokasi dan apa yang tertangkap berada di
lokasi tersebut, contoh kotoran yang akan
diberisihkan
 Aksi: Kiri, Kanan, Sedot, Tidak_ada_Operasi
Harus jelas pemisahan antara agen dengan lingkungan
agen
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 6

7. Model Dunia Agen
 A – ruang aksi
 P – ruang persepsi
 Definisikan:
 S – status internal [mungkin tidak terlihat oleh agen]
 Fungsi Persepsi: S  P
 Dinamika Dunia Agen: S x A  S
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 7
Fungsi
Persepsi
Dinamika
Dunia
ap
s

8. Desain Agen
 U – Fungsi Utilitas: S  real (atau S*  real)
 Persoalan dari Desain Agen: Temukan pemetaan P*  A
 Memetakan urutan persepsi yang diterima ke aksi
 Memaksimalkan utilitas yang dihasilkan oleh urutan
status (kondisi)
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 8

9. Agen Rasional
 Agen harus berusaha keras untuk “melakukan aksi yang
benar”, berdasarkan persepsi yang berhasil ditangkap dari
lingkungan dan aksi yang bisa dilakukannya. Aksi yang
paling baik adalah aksi yang menyebabkan agen paling
sukses dalam persoalan yang diselesaikannya
 Ukuran kinerja (Performance measure): Kriteria objektif
untuk tingkat kesuksesan dar i perilaku agen
 Sebagai contoh, ukuran kinerja dari agen penyedot debu
adalah banyaknya kotoran yang dibersihkan, jumlah waktu
yang diperlukan, banyaknya listrik yang digunakan, tingkat
kebisingan yang ditimbulkan, dan lain sebagainya
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 9

10. Agen Rasional (2)
 Jadi yang disebut dengan agen rasional:
Untuk setiap kemungkinan urutan persepsi, agen
rasional harus memilih aksi yang diharapkan
memaksimalkan ukuran kinerja, berdasarkan
urutan persepsi yang didapatkan agen dan
pengetahun yang diberikan kepada agen
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 10

11. Rasionalitas
 Agen rasional melakukan aksi yang dipercayainya akan mencapai
tujuannya
 Asumsi saya tidak suka baju basah, jadi saya membawa payung. Apakah hal
tersebut rasional?
 Tergantung pada prediksi cuaca dan apakah saya mendengar prediksi tersebut.
Jika saya telah mendengar prediksi bahwa cuaca akan hujan dan saya
mempercayainya, maka aksi membawa payung adalah hal yang rasional
 Rasionalitas ≠ maha tahu
 Asumsinya, prediksi cuaca akan hujan, tapi saya tidak mendengar prediksi
tersebut dan tidak membawa payung, apakah hal tersebut rasional?
 Ya, karena saya tidak tahu (tidak memiliki pengetahuan atau persepsi) mengeai
prediksi cuaca
 Rasionalitas ≠ sukses
 Seandaianya prediksi cuaca tidak hujan, tapi saya tetap membawa payung dan
saya gunakan untuk melindungi diri dari suatu serangan, apakah hal tersebut
rasional?
 Tidak, karena walaupun sukses menghindari serangan, payung itu saya
gunakan untuk tujuan yang berbeda dengan tujuan awal, yaitu menghindari
baju basah.
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 11

12. Rasionalitas Terbatas
 Jika definisi agen rasional tidak memiliki batasan,
maka akan sulit untuk mendesain agen dengan
kemampuan tersebut
 Kenapa sulit? Karena agen dalam bahasan ini sangat
bergantung pada kemampuan komputasi di mana
agen tersebut dibangun, sehingga kemungkinan agen
tidak bisa melakukan kompuptasi untuk menentukan
aksi terbaik
 Oleh karena itu, kita menggunakan rasionalitas
terbatas: “melakukan aksi terbaik yang bisa dilakukan
pada batasan komputasi yang ada”
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 12

13. Rasionalitas Terbatas(2)
 Jadi desain agen dengan rasionalitas terbatas:
Temukan P*  A
 Pemetaan dari urutan persepsi ke aksi
 Memaksimalkan nilai utilitas dari urutan status yang
didapat dari aksi yang dipilih
 Bergantung pada batasan komputasi di mana agen
berada
 Untuk mendesain agen cerdas  menentukan
PEAS
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 13

14. PEAS
 P: Performance measure (ukuran kinerja)
 E: Environment (lingkungan)
 A: Actuators (yang bisa melakukan aksi)
 S: Sensors (sensor untuk mendapatkan persepsi
dari lingkungan)
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 14

15. PEAS (2)
 Saat mendesain agen cerdas, penentuan dan
pengaturan PEAS adalah hal pertama yang harus
dilakukan
 Contoh, desain agen cerdas untuk pengemudi
taksi otomatis
 Performance measure (P): selamat, cepat, taat peraturan
lalu lintas, perjalanan yang menyenangkan,
memaksimalkan keuntungan
 Environment (E): jalan, pengguna jalan yang lain,
pejalan kaki, pelanggan yang naik taksi
 Actuators (A): setir, pedal gas, pedal rem, klakson
 Sensors (S): kamera, sonar, meteran kecepatan
(speedometer), GPS, sensor mesin, papan ketik
(keyboard)
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 15

16. Contoh PEAS yang lain
Agen sistem diagnosis medis
 Performance measure (P): pasien sehat, biaya yang
minimal, minimal tuntutan hukum karena
malpraktek
 Environment (E): pasien, rumah sakit, staf rumah
sakit
 Actuators (A): Layar tampilan (pertanyaan, tes
kesehatan, diagnosis, perlakuan, dan rujukan)
 Sensors (S): Keyboard (input gejala-gejala, hasil
test, jawaban pasien)
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 16

17. Jenis Lingkungan
 Teramati sepenuhnya(vs. Teramati sebagian): Sensor agen
memberikankondisi lingkungan yang utuh pada setiap
saat.
 Deterministik (vs. Tidak Pasti): Kondisi/ Status lingkungan
berikutnya hanya ditentukan oleh kondisi saat ini dan aksi
yag dilakukan oleh agen. Jika terdapat agen lain yang
berperan dalam perubahan kondisi lingkungan, maka
disebut dengan lingkungan stratejik.
 Episodik (vs. sekuensial): Pengalaman agen sebelumnya
terbagi atas beberapa episode (setiap episode berisi
kegiatan agen menerima persepsi dari lingkungan dan
melakukan sebuah aksi), dan pemilihan aksi untuk setiap
episode hanya bergantung pada episode itu sendiri, tidak
terpengaruh oleh episode sebelumnya.
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 17

18. Jenis Lingkungan (2)
 Statik (vs. dinamis): Lingkungan tidak berubah ketika agen
sedang berpikir untuk menentukan aksi yang tepat
berdasarkan persepsi yang ditangkap. Lingkungan bersifat
semidinamis jika lingkungan tidak berubah seiring waktu,
tapi ukuran kinerja agen bergantung pada banyaknya
waktu yang diperlukan untuk melakukan aksi.
 Diskret (vs. kontinyu): Lingkungan terbatas pada sejumlah
pasangan persepsi yang terdefinisi dengan jelas dengan
aksinya.
 Agen tunggal (vs. multiagen): Sebuah agen beroperasi
terhadap lingkungan, dan perubahan lingkungan hanya
bergantung pada aksi agen itu saja.
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 18

19. Jenis Lingkungan
Catur dengan Catur tanpa Mengemudi
pewaktuan pewaktuan Taksi
Teramati sepenuhnya Ya Ya Tidak
Deterministik Stratejik Stratejik Tidak
Episodik Tidak Tidak Tidak
Statik Semi Ya Tidak
Diskret Ya Ya Tidak
Agen Tunggal Tidak Tidak Tidak
 Kenapa mengetahui jenis lingkungan sangat penting? Karena jenis
lngkunga akan menentukan bagaimana desain agen untuk lingkungan
tersebut
 Lingkungan pada “dunia nyata” umumnya bersifat Teramati sebagian,
Tidak pasti, Sekuensial, Dinamis, Kontinyu, multi-agen
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 19

20. Fungsi dan Program Agen
 Spesifikasi suatu agen secara lengkap berupa
fungsi yang memetakan urutan persepsi ke suatu
aksi
 Sebuah fungsi agen harus bersifat rasional (ingat
kembali definisi rasionalitas terbatas)
 Tujuan: menemukan cara untuk implementasi
fungsi agen rasional, dan fungsi tersebut dapat
dieksekusi dalam waktu sesingkat mungkin
 Kita bisa menggunakan tabel lookup yang
memetakan urutan persepsi ke suatu aksi
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 20

21. Agen yang menggunakan tabel Lookup
 Kekurangan:
 Tabel harus besar
 Membutuhkan waktu untuk membentuk tabel
 Tidak ada sifat otonomi pada agen
 Walaupun menggunakan pembelajaran mesin, akan membutuhkan
waktu yang cukup lama untuk mempelajari tabel yang cukup besar
 Alternatifnya  agen refleks: agen merespon secara
fleksibel terhadap stimuli yang jangkauannya sangat luas
 kekurangan: tidak bisa menyimpan respon
 Jadi setiap jenis agen memiliki kelebihan dan kekurangan
 Berikutnya: Berbagai jenis agen
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 21

22. Jenis agen
Terdapat empat jenis agen dasar:
 Agen refleks yang sederhana (Simple reflex agents)
 Agen refleks yang memanfaatkan model (Model-based
reflex agents)
 Agen yang berlandaskan pada tujuan (Goal-based
agents)
 Agen yang berlandaskan pada kinerja (Utility-based
agents)
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 22

23. Simple reflex agents
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 23

24. Model-based reflex agents
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 24

25. Goal-based agents
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 25

26. Utility-based agents
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 26

27. Learning agents (bagian akhir perkuliahan)
06/08/2014 NUM (Hwee Tou Ng's & Kaelbling) 27