Intelligent Agent

Pada kesempatan kali ini, dan untuk menuaikan tugas yang diberikan saya akan membahas sedikit mengenai Intelligent agent, topik yang dibahas kali mengenai, apasih sebenernya agent itu? Serta apa sih PEAS itu? dan ada apa aja sih  tipe-tipe agent itu. Semoga pada bahasan kali ini bisa bermanfaat bagi kita semua.........Selamat membaca......^_^

Apa itu Agent?

    Agent merupakan robot ataupun program komputer yang menerima input dari lingkungannya (persepsi) dan bertindak (aksi) sesuai dengan pengetahuan yang telah diberikan. Agent harus dijalankan pada suatu lingkungan fisik untuk memproduksi tujuan tertentu sesuai dengan yang ditugaskan padanya. Agent disini bersifat Autonomous, yaitu dapat mengembangkan dirinya sesuai dengan pengalaman yang telah diberikan penciptanya. Perlu Anda ketahui bahwa Agent yang dibuat tidak bisa lebih baik dari penciptanya, hanya bisa sama baik atau hampir sama baik.

Agent disini memiliki anatomi seperti dibawah ini :

• Sensors : merupakan panca indera untuk Agent itu sendiri layaknya manusia. Sebagai contoh untuk mendengar robot membutuhkan microphone dan speech recognition layaknya telinga pada manusia.
• Effector : merupakan anggota atau bagian dari tubuh yang bisa memberikan efek kepada lingkungan (environment). Disini digambarkan sebagai tangan atau kaki.
• Percepts : seringkali percept dikatakan sebagai sensor karena dilihat dari fungsi yang hampir sama. Percept disini memiliki fungsi yang sama, hanya untuk percept tidak harus selalu menjadi panca indera. Percept menerima tindakan dari lingkungan, sebagai contoh keyboard, keyboard menerima inputan sesuai dengan yang user ketik.
• Action : merupakan aksi atau tindakan terhadap lingkungan berdasarkan dengan kemampuan yang telah diberikan.

        Setelah mengetahui Agent itu apa, selanjutnya apa yang harus diperhatikan dalam merancang agent itu. Bagi Anda yang masih bingung mengenai hal tersebut mari kita bahas sedikit dibawah.

PEAS

         Ketika merancang sebuah agent, kita harus mendefinisikan lingkungan masalah (task environment), yakni : PEAS. PEAS adalah singkatan dari Performance Measure, Environment, Actuators, dan Sensor. Dimana harus dispesifikasikan terlebih dahulu mengenai rancangan intelligent agent.

• Performance measure: apa saja yang menjadi ukuran kinerja agent?
• Environment: di manakah agent berperan?
• Actuators: apa saja yang bisa dilakukan si agent?
• Sensors: apa saja yang menjadi perantara input untuk agent?

Misalkan untuk task yang didesain untuk agent pengemudi taksi otomatis:

Performance Measure: Aman, Cepat, Legal, Perjalanan yang nyaman, Keuntungan Maksimal

Environment : Jalan, Lalu lintas kendaraan lain, Pejalan kaki, Pelanggan

Actuators: Setir, Akselerator, Rem, Lampu Sinyal, Klakson

Sensors: Kamera, Sonar, Spedometer, GPS, odometer, sensor mesin, keyboard

Misalkan untuk task yang disusun untuk agent sistem diagnosis medis:

Performance Measure : Kesehatan Pasien, Biaya minimal, Hukum

Environment: Pasien, Rumah Sakit, Staf

Actuator : Tampilan Layar (Pertanyaan, Tes, Diagnosa, Perawatan, Rujukan)

Sensors : Keyboars(Entri gejala, pencarian penyakit, jawaban untuk pasien)

Tipe-tipe Agent

Simple Reflex Agents

       Simple reflex agent hanya beraksi pada percept yang saat ini berlangsung, fungsi agent ini  didasarkan pada aturan kondisi-aksi : jika ada kondisi maka ada tindakan. Fungsi agent ini hanya berhasil bila lingkungan (Environment) sepenuhnya diamati. Beberapa reflex agent juga dapat berisi informasi tentang keadaan saat ini berlangsung yang memungkinkan untuk mengabaikan kondisi yang actuators yang sudah dipicu. Pada agent ini juga sering terjadi loop yang tidak terbatas dikarenakan beroperasi di lingkungan (Environment) yang baru sebagian diamati.

Model Based Reflex Agent

     Model agent ini dapat menangani lingkungan (Environment) yang baru sebagian diamati dikarenakan agent ini dapat menyimpan keadaan dan beberapa jenis struktur yang menggambarkan bagian dari perubahan dunia. Agent ini menjaga semacam model internal yang tergantung pada percepts history dan dengan demikian mencerminkan setidaknya beberapa aspek yang tidak diamati dari keadaan yang saat ini berlangsung, percepts history dan dampak lingkungan (Environment) dapat ditentukan dengan menggunakan model internal. Kemudian memilih tindakan dengan cara yang sama dengan Simple reflex agent.

Goal-Based Agents

   Goal-Based Agent memperluas pada kemampuan dari model-based agent menggunakan informasi tujuan. Informasi tujuan menggambarkan situasi yang diinginkan. Agent ini menyimpan keadaan dan beberapa jenis struktur yang menggambarkan bagian dari perubahan yang terjadi pada dunia, dan melakukan beberapa tindakan dengan melihat apakah tindakan itu sesuai dan bisa mencapai “Goal” atau tidak dan memilih tidakan lain jika tindakan yang dilakukan tidak berhasil mencapai tujuan agent tersebut. Dalam beberapa kasus goal-based agent kurang efektif dalam prosesnya, dikarenakan pengetahuan yang ada harus mendukung keputusan yang tidak terbelit-belit dan bisa dimodifikasi.

Utility-Based Agents

      Utility-Based Agent hanya membedakan antara keputusan-keputusan tujuan dan keputusan-keputusan bukan tujuan. Hal ini dimungkinkan untuk menentukan seberapa diinginkannya keputusan tersebut. Penentuan ini dapat diperoleh dengan menggunakan fungsi Utility yang memetakan ukuran kinerja keputusan tersebut. Ukuran kinerja yang didapat memungkinkan perbandingan antara keputusan yg diambil dari penggambaran perubahan dunia dengan apakah keputusan ini berdampak bahagia atau tidak bahagia bagi tujuan Agent ini.

Learning Agent

        Learning memiliki keuntungan yang memungkinkan agent ini untuk memulai beroperasi di lingkungan (Environment) yang tidak di ketahui dan menjadi lebih kompeten daripada pengetahuan yang didapat pada saat awal. Perbedaan paling penting adalah antara “learning element dan “performance element”, yang keduanya bertanggung jawab memilih tindakan eksternal. Learning element menggunaka umpan balik dari “Critic” tentang bagaimana cara agrnt ini melakukan dan menentukan bagaimana unsur kinerja harus diubah kearah yang lebih baik di masa depan. Komponen terakhir dari Learning agent adalah “Problem generator” komponen ini bertanggung jawab utuk menunjukan tindakan yang akan menyebabkan pengalaman baru dan informatif dalam pembelajari tujuan yang akan dicapai.

Referensi :

Artificial Intelligence A Modern Approach (3rd Edition).pdf

http://tiindonesia.blogspot.co.id/2013/01/peas.html

http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html

https://en.m.wikipedia.org/wiki/intelligent_agent