Pengertian Agent
• AGENT, adalah :
Sesuatu (entity) yang menerima masukan (percept) dari lingkungannya (environment) melalui sensor-sensor, dan yang bertindak (action) melalui effector/actuator terhadap lingkungan.
environment agent ? sensors actuators (effectors) percepts actions
?
Agent
Contoh Agent
• Human agent – Sensors : mata,telinga,dan organ lainnya– Efektors : tangan, kaki, mulut, dan anggota tubuh lainnya • Robotic agent
– Sensors : kamera, infrared – Efektors : motor, roda, speaker
Agent
• Agent function memetakan dari percept sequence ke actions
:
∗→
• Agent program berjalan pada arsitektur fisik untuk menghasilkan f
.
Vacuum-cleaner world
• Percepts: lokasi dan isinya
contoh : [A,Dirty]
• Actions: kiri, kanan, sedot, tidak
melakukan apapun.
Vacuum-cleaner world
Rationality
• Rasionalitas
(rationality)
:
menurut pikiran dan pertimbangan
dengan alasan yang logis, menurut
pikiran yang sehat, cocok dengan
akal.
Rational Agent
• Rational Agent, adalah :Agen yang bertindak (tingkah laku) benar.
Jadi butuh suatu pengukuran
sukses/keberhasilan dari suatu agent !
• Performance Measure, adalah : suatu kriteria untuk
menentukan seberapa besar suatu agent “sukses”
4 Hal yang mempengaruhi
Rational Agent
• Performance measure yang
menunjukkan tingkat keberhasilannya. • Mengetahui tentang lingkungannya
(environment)
• Tindakan (action) yang dapat dilakukannya.
• Rational agent memiliki kemampuan
Omniscience Agent
• Omniscience Agent, adalah :Agent yang mengetahui kenyataan yang akan terjadi dalam kejadian dan
tindakannya, serta dapat bertindak sesuai dengan tujuannya.
Omniscience Agent
(actual performance)
Rational Agent
(expected performance)
≠
Ideal Rational Agent
• Untuk setiap kemungkinan urutanpengamatan, Rational Agent yang ideal harus dapat bertindak sesuai dengan yang diharapkan untuk memaksimumkan
performance measure.
• Berdasarkan pada bukti-bukti yang dihasilkan oleh “pengamat” dan pengetahuan yang dimiliki agent.
Pemetaan yang ideal dari urutan
pengamatan hingga tindakan
• Suatu kenyataan bahwa tingkah laku agent
sangat bergantung dari urutan pengamatan
yang dilakukannya .
– setiap bagian agentdapat diuraikan dengan
membuat tabel dari tiap respon tindakan terhadap tiap kemungkinan urutan pengamatan.
• Tabel ini disebut “mapping” (pemetaan) dari urutan pengamatan menjadi tindakan.
Ideal Mapping
Ideal mapping adalahmapping dariideal agent. Contoh : kasus akar kuadrat
Ideal Mapping (akurasi 15 digit) Program dg metode Newton
function SQRT(x) z ←1.0 / * initial guess*/ repeat until |z2-x|< 10-15 z ← z – ( z2-x )/(2z) end return z Pengamatan
(Percepts) X (Action) ZTindakan 1.0 1.000000000000000 1.1 1.048808848170152 1.2 1.095445115010332 1.3 1.140175425099138 1.4 1.183215956619923 … … … …
Agent yang Autonomy
• Agent yang autonomy, adalah :
jika setiap tindakan telah “tercatat” lengkap dalam pengetahuan (built-in knowledge) pada agent.
Tidak perlu memperhatikan pengamatannya (percept).
• Contoh :
arlogi yang dibawa keluar negeri
Struktur dari Intelligent Agent
Agent = architecture + program
• Architecture:
Mesin (hardware) untuk mengeksekusi suatu agent.
• Program :
Struktur dari Intelligent Agent
• Hubungan program agent berkaitan
erat dengan :
–P
ercepts
–A
ctions
–G
oals
–E
nvironment
A Windshield Wiper Agent
Goals menjaga kaca tetap bersih & menjaga penglihatan
Percepts hujan, kotoran
Actions off, slow, medium, fast
Line Keeping Agent (LKA)
Goals tetap pada jalur
Percepts ? Actions?
Environment jalan lalu lintas
Line Keeping Agent (LKA)
Goals tetap pada jalur
Percepts jalur/jalan,batasan jalur
Actions mengendalikan, me-rem
Medical diagnosis system
Goals kesehatan pasien,
meminimal biaya
Percepts Actions Environment
Medical diagnosis system
Goals kesehatan pasien,
meminimal biaya
Percepts keluhan, gejala, penyakit
Actions pertanyaan, tes, perawatan
Medical diagnosis system
Percepts keluhan, gejala, penyakit
Sensor keyboard (input gejala, temuan, jawaban pasien)
Actions pertanyaan, tes, perawatan
Actuator display (pertanyaan, test, diagnosis, treatment)
Vaccum World
Goals menjaga kebersihan
Percepts
Vaccum World
Goals menjaga kebersihan
Percepts lokasi dan status,mis:[a,kotor]
Contoh percept sequence:
{[A,kotor],[a,bersih],[b,kotor],[b,bersih], ...} {[a,kotor],[a,kotor],[a,kotor],[a,bersih], ...}
Actions ke kiri, ke kanan, sedot, santai
Environment kotak a & kotak b beserta debunya
Vacuum World
Percepts lokasi dan status,mis:[a,kotor]
Contoh percept sequence:
{[A,kotor],[a,bersih],[b,kotor],[b,bersih], ...} {[a,kotor],[a,kotor],[a,kotor],[a,bersih], ...}
Sensor camera
Actions ke kiri, ke kanan, sedot, santai
Vacuum World
• Lookup table
Agent Supir Taksi
Goals tujuan penumpang, mencapai setoran, hemat bensin,
tidak nabrak, tidak ditilang
Percept penumpang, lokasi, tujuan,asal
Actions menyetir, menginjak gas & rem, menekan klakson, memberikan sinyal kiri/kanan
Agent Taksi Otomatis
Percept penumpang, lokasi, tujuan,asal
Sensor camera, speedometer, GPS, engine sensor, keyboard
Actions menyetir, menginjak gas & rem, menekan klakson, memberikan sinyal kiri/kanan
Actuator stir, gas, rem, klakson, sinyal kiri/kanan, display
Robot Part-Picking
Sebuah robot yang mengamati komponen
pada ban berjalan,
Lalu memisahkan yang bermutu tinggi dari
yang jelek, cacat, dll. Ke dalam dua kotak.
Robot Part-Picking
Goals komponen masuk kotak yang
benar (persentase?) Percept gerak lengan robotik Actions gerak lengan robotik Environment ban berjalan, komponen
yang diuji,kotak-kotak • Sensor kamera, sensor fisik
Tipe Agen Tanggapan Tindakan Tujuan Environment
Sistem diagnosa Medis Gejala, pemeriksaan, jawaban pasien. Pertanyaan, test, perlakuan Pasien sehat, biaya minimal
Pasien, rumah sakit.
Sistem analisis citra satelit
Pixel dari berbagai intensitas, warna
Cetak berdasarkan kategori
Perbaiki kategori Citra dari orbit satelit
Robot part-picking
Pixel dari berbagai intensitas Mengangkat part/ komponen dan memasukkan kedalam kotak Menempatkan part pada kotak yang benar
Ban berjalan dengan komponen
Pengontrol Penyaringan
Suhu, tekanan yang terbaca
Buka, tutup katup, setel suhu Kemurnian yang tinggi, hasil, keamanan Penyaringan Tutor Bahasa
Environment
• Lingkungan dimana agent akan beroperasi
akan sangat mempengaruhi design agent
itu sendiri
• Ada beberapa jenis lingkungan
Agent Environments
• Fully Observable vs Partially Observable • Deterministic vs Stochastic
• Episodic vs Sequential • Static vs Dynamic
• Discrete vs Continuous • Single Agent vs Multi Agent
Fully observable
(vs. partially observable)
• Tingkat observasi :
Penuh/Sebagian
Tingkat observasi akan menentukan apakah lingkungan pencarian dapat sepenuhnya terlihat (fully observable) atau samar-samar (partially observable).
Deterministic (vs. stochastic)
• Sifat pencarian informasi :
Deterministik/Stokastik
Sifat pencarian akan menjelaskan apakah informasi dapat dilacak tahap demi tahap (Deterministic) atau dengan urutan yang berubah-ubah (Stochastic).
Episodic (vs. sequential)
• Solusi yang diharapkan:
Episodik/ Sekuensial
Menjelaskan apakah solusi hanya untuk sekali pakai (episodic/ tidak tergantung pada tindakan sebelumnya) atau akan digunakan dalam menentukan solusi selanjutnya (sequential).
Static (vs. dynamic)
• Lingkungan pencarian informasi:
Statik/Dinamik
Selama agent mempertimbangkan
keputusan, apakah lingkungan tersebut tidak berubah (static) atau selalu berubah (dynamic).
Discrete (vs. continuous)
• Sifat paramater pencarian:
Diskrit/ Kontinu
Lingkungan dengan jumlah terbatas
(percept & action terdefinisi dengan jelas) atau tidak terbatas.
Single agent (vs. multiagent)
• Sifat komunikasi :
Agen Tunggal/ Agen Banyak
Menjelaskan bagaimana agen berinteraksi dengan lingkungannya, apakah
dipengaruhi juga oleh informasi dari agen lainnya (multi agent) atau hanya dirinya sendiri (single agent).
Contoh Environment
Environment Fully
Observable Single
Agent Deterministic Episodic Static Discrete
Chess with a Clock Poker Taxing Driving Medical Diagnosis Interactive English Tutor
Contoh Environment
Environment ObservableFully SingleAgent Deterministic Episodic Static Discrete
Chess with a Clock Semi Poker Taxing Driving Medical Diagnosis Interactive English Tutor
Contoh Environment
Environment Fully
Observable Single
Agent Deterministic Episodic Static Discrete
Chess with a Clock Semi Poker Taxing Driving Medical Diagnosis Interactive English Tutor
Contoh Environment
Environment ObservableFully SingleAgent Deterministic Episodic Static Discrete
Chess with a Clock Semi Poker Taxing Driving Medical Diagnosis Interactive English
Tipe AGENT
• Simple reflex agents
– Pengamat dengan respon yang cepat/segera. – Tidak memiliki memory pada states sebelumnya.
• Model-based Reflex agents
– Pengamat dengan respon yang cepat/segera. – Memiliki internal memory.
• Goal-based agent (agents with goals)
– Bertindak untuk mencapai goal.
• Utility-based agents
– Memaksimalkan fungsi kegunaannya (utility).
• Learning Agents – Autonomy – Learning Condition-Action Rules What action I should do now What world is like now
Reflex-vacuum Agent
Simple Reflex Agents
• Kelebihan :
– Memilih tindakan yang terbaik hanya berdasarkan pada rule/ aturan, current state dari lingkungan – Sederhana, sangat efesien
– Terkadang robust (tidak mudah rusak)
• Kekurangan :
– Tidak memiliki/ menyimpan memory
Condition-Action Rules What action I should do now What world is like now
How world evolves What my actions do
State
Model-based Reflex Agent
Model-based Reflex Agent
• Kelebihan :
Memilih tindakan yang terbaik hanya
berdasarkan pada rule/ aturan, current state dari lingkungan
Mampu mempertimbangkan past state dari lingkungan.
Masih efisien, sedikit lebih robust
• Kekurangan :
Condition-Action Rules What action I should do now What world is like now
How world evolves What my actions do State What it will be like if I do A
Goal-based Agent
Goal-based Agent
• Kelebihan :• Dapat mempertimbangkan goal dan initial state
• Dasar : Automated Reasoning (FOL)
• Kekurangan :
• Mungkin lebih mahal : tidak dapat
menyelesaikan banyak problem/ masalah. • Tidak memberikan pilihan.
Condition-Action Rules What action I should do now What world is like now
How world evolves What my actions do State What it will be like if I do A How happy will I be Utility
Utility-based Agents
Utility-based Agents
• Kelebihan :- Dapat mempertimbangkan kondisi ketidakpastian
- Model goal : cost vs benefit
- Bermanfaat diberbagai bidang : ekonomi, bisnis, dll.
• Kekurangan :
- Bagaimana cara mendapatkan - utility tersebut ?
- Bagaimana mempertimbangkan - kondisi ketidakpastian?
