Pengertian Agent. percepts. actions

Transkripsi

1 Pengertian Agent sensors percepts? agent actuators (effectors) actions environment AGENT, adalah : Sesuatu (entity) yang menerima masukan (percept) dari lingkungannya (environment) melalui sensorsensor, dan yang bertindak (action) melalui effector/actuator terhadap lingkungan. 1

2 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 Jadi, tujuan dari Agent apa? 2

3 Agent Agent function memetakan daripercept sequence keactions : 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. 3

4 Vacuum-cleaner world Rationality Rasionalitas (rationality) : menurut pikiran dan pertimbangan dengan alasan yang logis, menurut pikiran yang sehat, cocok dengan akal. 4

5 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 pengamatan (percept sequence) 5

6 Omniscience Agent Omniscience Agent, adalah : Agent yang mengetahui kenyataan yang akan terjadi dalam kejadian dan tindakannya, serta dapat bertindak sesuai dengan tujuannya. Rational Agent (expected performance) Omniscience Agent (actual performance) Ideal Rational Agent Untuk setiap kemungkinan urutan pengamatan, 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. 6

7 Pemetaan yang ideal dari urutan pengamatan hingga tindakan Suatu kenyataan bahwa tingkah laku agent sangat bergantung dari urutan pengamatan yang dilakukannya. setiap bagian agent dapat 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 adalah mapping dari ideal agent. Contoh : kasus akar kuadrat Pengamatan (Percepts) X Tindakan (Action) Z function SQRT(x) z 1.0 / *initial guess*/ repeat until z 2 -x < z z ( z 2 -x )/(2z) end return z Ideal Mapping (akurasi 15 digit) Program dg metode Newton 7

8 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 : suatu implementasi dari fungsi agent. 8

9 Struktur dari Intelligent Agent Hubungan program agent berkaitan erat dengan : Percepts Actions Goals Environment A Windshield Wiper Agent Goals Percepts Actions Environment menjaga kaca tetap bersih & menjaga penglihatan hujan, kotoran off, slow, medium, fast kota, cuaca 9

10 Line Keeping Agent (LKA) Goals Percepts? Actions? Environment tetap pada jalur jalan lalu lintas Line Keeping Agent (LKA) Goals Percepts Actions Environment tetap pada jalur jalur/jalan,batasan jalur mengendalikan, me-rem jalan lalu lintas 10

11 Medical diagnosis system Goals Percepts Actions Environment kesehatan pasien, meminimal biaya Medical diagnosis system Goals Percepts Actions Environment kesehatan pasien, meminimal biaya keluhan, gejala, penyakit pertanyaan, tes, perawatan pasien, rumahsakit, pegawai 11

12 Medical diagnosis system Percepts Sensor Actions Actuator keluhan, gejala, penyakit keyboard (input gejala, temuan, jawaban pasien) pertanyaan, tes, perawatan display (pertanyaan, test, diagnosis, treatment) Vaccum World Goals menjaga kebersihan Percepts Actions Environment 12

13 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 Environment ke kiri, ke kanan, sedot, santai 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 Actions Actuator camera ke kiri, ke kanan, sedot, santai roda, mesin vacuum 13

14 Vacuum World Lookup table Agent Supir Taksi Goals Percept Actions Environment tujuan penumpang, mencapai setoran, hemat bensin, tidak nabrak, tidak ditilang penumpang, lokasi, tujuan,asal menyetir, menginjak gas & rem, menekan klakson, memberikan sinyal kiri/kanan jalanan, lampu merah, Lalulintas, pejalan kaki,cuaca 14

15 Agent Taksi Otomatis Percept Sensor penumpang, lokasi, tujuan,asal camera, speedometer, GPS, engine sensor, keyboard Actions Actuator menyetir, menginjak gas & rem, menekan klakson, memberikan sinyal kiri/kanan 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. 15

16 Robot Part-Picking Goals Percept Actions Environment Sensor komponen masuk kotak yang benar (persentase?) gerak lengan robotik gerak lengan robotik ban berjalan, komponen yang diuji,kotak-kotak kamera, sensor fisik Tipe Agen Tanggapan Tindakan Tujuan Environment Sistem diagnosa Medis Sistem analisis citra satelit Gejala, pemeriksaan, jawaban pasien. Pixel dari berbagai intensitas, warna Pertanyaan, test, perlakuan Cetak berdasarkan kategori Pasien sehat, biaya minimal Pasien, rumah sakit. Perbaiki kategori Citra dari orbit satelit Robot partpicking 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 Inggris interaktive Kata yang diketikkan Cetak latihan, sugesti dan koreksi Hasil test siswa tindakan mum Sekelompok siswa. 16

17 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 17

18 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). next state = current state + action 18

19 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). 19

20 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). 20

21 Contoh Environment Environment Chess with a Clock Fully Observable Single Agent Deterministic Episodic Static Discrete 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 21

22 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 Fully Observable Single Agent Deterministic Episodic Static Discrete Chess with a Clock Semi Poker Taxing Driving Medical Diagnosis Interactive English Tutor 22

23 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 Memaksimalkanfungsi kegunaannya(utility). Learning Agents Autonomy Learning Simple Reflex Agents What world is like now Condition-Action Rules What action I should do now 23

24 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 Aplikasi penggunaan terbatas 24

25 Model-based Reflex Agent State How world evolves What my actions do What world is like now Condition-Action Rules What action I should do now 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 : Aplikasi penggunaan masih terbatas 25

26 Goal-based Agent State How world evolves What my actions do What world is like now What it will be like if I do A Condition-Action Rules What action I should do now 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. 26

27 Utility-based Agents State How world evolves What my actions do Utility Condition-Action Rules What world is like now What it will be like if I do A How happy will I be What action I should do now 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? 27

28 Learning agents Learning agents Dengan learning (belajar) memungkinkan agent untuk beroperasi dilingkungan yang sebenarnya yang tidak diketahui. Bila agent ingin memiliki otonomi, maka agent harus bisa belajar. 28