More Related Content
Similar to 2 - INTELLIGENT AGENT (ori).pdf
Similar to 2 - INTELLIGENT AGENT (ori).pdf (10)
2 - INTELLIGENT AGENT (ori).pdf
- 1. AGEN CERDAS Dipresentasikan oleh Galih Hermawan, S.Kom., M.T. Disusun oleh Nelly Indriani Widiastuti S.Si., M.T. Prodi Teknik Informatika. UNIKOM
- 3. “ DEFINISI
- 4. INTELLIGENT AGENT IS… RUSSEL&NORVIG, 1955 Sesuatu yang memiliki kemampuan merasakan pengaruh lingkungan melalui sensor dan mampu melakukan respon balik kepada lingkungan tsb melalui effector OKAMOTO & TAKAOKA, 1997 Mempunyai tujuan Memberdayakan resource Memecahkan masalah HUMAN AGENT (agen yang menyerupai manusia) Sensor : mata, telinga. Effector : tangan, kaki, mulut dan lain-lain. . Environment Action Perceipt Sensors Actuator
- 5. “ The process by which intelligent agents sense, perceive, and interpret their external worlds, called domains. Agents use built-in sensors in order to obtain sensory data Intelligent Agent Perceptions
- 6. Cara sensor menginterpretasi data Probabilitas Bayes Theorem Akibat keterbatasan sensor, kebisingan, dan dinamisme lingkungan dan ketidakpastian, masukan menjadi tidak pasti. Algoritma probabilistic menggunakan data sensor dengan cara yang menghitung distribusi probabilitas mengenai apa yang mungkin terjadi di lingkungan agen secara keseluruhan, versus menghasilkan satu tebakan terbaik Neural Network Backpropagation Teknik pengolahan informasi terinspirasi sistem saraf manusia. JST terdiri dari tiga lapisan: lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Setiap masukan sensorik masuk dalam simpul masukan. Masukan ini kemudian diberikan ke setiap simpul di lapisan tersembunyi. Nilai output dari setiap simpul tersembunyi kemudian diberikan ke node output, dan output sebagai persepsi
- 8. “ Agent yg rasional : sesuatu yang melakukan dengan benar
- 11. PERFORMANCE MEASURES (PM) Dalam setiap rangkaian persepsi yang memungkinkan, Agen rasional seharusnya memilih aksi yang diharapkan memaksimalkan PM, dengan memiliki bukti persepsi dan pengetahuan apapun yang ada dalam agen.
- 12. PRIOR KNOWLEDGE OF ENVIRONMENT ◦Pengetahuan yang diperlukan oleh agen untuk melakukan aksinya. ◦Contoh: ◦Agen dapat mengenali debu atau bentuk-bentuk yang harus dihindari
- 13. ACTIONS & SENSOR ◦Tindakan yang perlu dapat dilakukan oleh agen untuk mencapai kinerja yang baik Contoh: ◦Penyedot debu otomatis dapat bergerak ke kiri, kanan, dan menyedot ◦Alat yang digunakan untuk menangkap persepsi dari lingkungan Contoh: ◦Sensor debu, camera(untuk mempersepsikan lingkungan)
- 15. TIPE-TIPE AGEN
- 16. STRUKTUR AGEN AI Arsitektur Program merancang program agen yang mengimplementasikan pemetaan fungsi agen dari persepsi ke aksi
- 17. SIMPLE REFLEX AGENT ◦Memilih aksi berdasarkan persepsi saat ini, dan mengabaikan persepsi yang lalu ◦Contoh : agen penyedot debu hanya memutuskan menyalakan alat sedot saat terindikasi ada kotoran.
- 18. MODEL BASE REFLEX AGENT ◦Menggunakan model lingkungan. ◦Model lingkungan : pengetahuan bagaimana lingkungan bekerja. ◦Contoh : taxi akan semakin mendekati tujuan setelah lima menit melaju. Function Reflex_Agent_State(percept) StateUpdate_state(state, action,percept) RuleRule_match(state,rule) ActionRule_action(rule)
- 19. GOAL BASE AGENT Agent membutuhkan gambaran/informasi tujuan yg menggambarkan situasi yang diharapkan untuk menentukan aksi. Pencarian dan perencanaan Contoh : agen taxi harus mengetahui tujuan penumpang untuk memutuskan belok kiri, kanan, atau lurus pada suatu persimpangan
- 20. UTILITY BASE AGENT ◦Tujuan bukan satu-satunya ukuran tercapainya perilaku yang berkualitas tinggi ◦Banyaknya aksi yang dilakukan agen untuk mencapai tujuan→dapat menjadi ukuran. ◦Contoh : kepuasan penumpang dapat diukur juga dari kecepatan, keamanan, atau biaya yang dikeluarkan.
- 21. LEARNING AGENT Memungkinkan agen untuk beraksi dalam lingkungan yg tidak dikenal, dan menjadi semakin kompeten dari sebelumnya. • memilih aksi • menyarankan aksi yang mengarah pada pengalaman baru • Monev kinerja elemen menentukan strategi agar lebih baik dilain waktu. • untuk peningkatan. Learning element Critics Performance element Problem generators
- 22. “ LINGKUNGAN
- 23. Environment lingkungan yang akan dihadapi oleh agen Sensors alat atau cara agen mendeteksi kondisi lingkungan Actuators alat yang akan mendukung pencapaian tujuan Performance : kualitas atau harapan yang diinginkan Task Environment (PEAS)
- 24. Tipe agen PM Environment Actuators Sensors Taxi Aman, cepat, legal, nyaman, menguntungkan Jalan, kendaraan lain, pejalan kaki, penumpang Stir, rem, klakson, display, Kamera, sonar, GPS, keyboard Sistem diagnosa medis Kesehatan pasien, ongkos murah Pasien rumah sakit Pertanyaan, uji, perawatan Gejala, jawaban pasien Sistem analisa image satelit Memperbaiki kategorisasi Citra dari satelit yang mengorbit Cetak kategorisasi Pixel , intensitas warna Tutorial interaktif bhs. Inggris Memaksimalkan nilai siswa pada tes Himpunan siswa Cetak latihan, saran, perbaikan Kata-kata yang dimasukkan Contoh PEAS
- 25. Lingkungan & sifatnya Agen dipengaruhi juga oleh lingkungan dimana agen digunakan.
- 26. PERBEDAAN PRINSIP LINGKUNGAN BERDASARKAN SIFAT : Deterministic Episodic Static Discrete Stochastic Sequential Dynamic Continous Fully observable partially observable
- 27. Fully observable vs. partially observable Fully observable jika sensor agen memberi akses untuk melengkapi status lingkungan pada tiap titik dalam satu waktu. Sensor akan mendeteksi semua aspek yang relevan untuk memilih tindakan. Partially observable Dapat disebabkan oleh noisy dan ketidakakuratan sensor atau karena sebagian kondisi hilang dari sensor data. Contoh : taxi otomatis tidak mengetahui apa yg dipikirkan sopir mobil lain.
- 28. Deterministic vs Stochastic Deterministic jika status lingkungan selanjutnya ditentukan dengan lengkap oleh status saat ini. Stochastic Jika sebaliknya dari Deterministic Contoh : taxi otomatis tidak dapat memprediksi kemacetan jalan raya.
- 29. Episodic vs Sequential Episodic jika pengalaman agen dibagi menjadi episode yang kecil- kecil. Setiap episode berisi tentang agen memahami dan melakukan sebuah tindakan. Secara krusial episode berikutnya tidak tergantung pada tindakan yang diambil pada episode sebelumnya. Sequential Tindakan agen sangat tergantung pada kondisi sebelumnya Contoh : taxi otomatis adalah sistem yang harus mengetahui apa yg ada di depan.
- 30. Static vs Dynamic Dynamic jika lingkungan berubah selama agen melakukan penyesuaian. Static Lingkungan statis lebih mudah karena agen tidak perlu terus mengamati lingkungan saat memutuskan tindakan atau mengkhawatirkan perjalanan waktu. Contoh : taxi otomatis karena kendaraan lain tetap berjalan selama algoritma taxi menentukan keputusan berikutnya.
- 31. Discrete vs Continous Discrete /continuous dapat diterapkan pada status lingkungan, ke cara menangani waktu, dan ke persepsi dan tindakan sebuah agen. Contoh : status lingkungan diskrit seperti permainan catur memiliki jumlah tertentu status yang berbeda. Status lingkungan Taxi otomatis kontinyu dari waktu ke waktu.
- 32. Single agent vs. multi agent Tergantung bagaimana agent memandang lingkungannya sebagai agent lain atau bukan. Kunci perbedaannya adalah apakah tingkah laku agen B dapat menggambarkan dengan baik hal-hal yang memaksimalkan PM yang nilainya tergantung ukuran kinerja agen A. Contoh : crossword puzzle adalah single-agent environment catur adalah two-agent environment.
- 35. TUGAS KECIL 1 Cari beberapa artikel yang mengulas teknologi yang memiliki AI. Buat ulasan tentang agent tersebut dengan mengisi tabel berikut sehingga semua kolom terisi TABEL 1. TABEL 2. Unggah ke kuliah online di kelas masing-masing dalam waktu kurang dari 1 minggu dari pemberian tugas ini Tipe agen observable Single / multi agent deterministic episodic static discrete Tipe agen PM environment actuator sensor