HO-2 KTL401 Kecerdasan Buatan Intelligent AgentsOpim S Sitompul

*OutlineAgen dan lingkunganRasionalitasPEAS (Performance measure, Environment, Actuators, Sensors)Jenis-jenis LingkunganJenis-jenis Agen

*AgentAgent adalah sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators

Agen manusia: Sensor: mata, telinga, dan organ tubuh lain; Actuator: tangan, kaki, mulut, dan bagian tubuh lainAgen robotik: Sensor: kamera dan infrared range finders;Actuator: berbagai macam motor

*Agent dan lingkungan

Fungsi agen memetakan dari sejarah persepsi ke dalam tindakan (actions):[f: P* A]

Program agen berjalan pada arsitektur fisik untuk menghasilkan fagen = arsitektur + program

*Vacuum-cleaner world

Percepts: location and contents, e.g., [A,Dirty]

Actions: Left, Right, Suck, NoOp

*A vacuum-cleaner agent

Sekuen PersepsiTindakan[A, Clean]Right[A, Dirty]Suck[B, Clean]Left[B, Dirty]Suck[A, Clean], [A, Clean]Right[A, Clean], [A, Dirty]Suck[A, Clean], [A, Clean], [A, Clean]Right[A, Clean], [A, Clean], [A, Dirty]Suck

*Agen rasionalSebuah agen haruslah mengarah kepada lakukan hal yang benar", berdasarkan kepada apa yang dapat dipahaminya dan tindakan yang dapat dilakukannya. Tindakan yang benar adalah tindakan yang akan menyebabkan agen tersebut paling berhasilPengukuran Performance: Sebuah kriteria objektif untuk keberhasilan sebuah perilaku agenMis., ukuran performance dari sebuah agen vacuum-cleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang dihasilkan, dll.

*Agen rasionalAgen rasional : Untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran performance-nya, dengan adanya bukti yang diberikan oleh deretan presepsi dan apapun pengetahuan terpasang yang dimiliki agen itu.

*Agen rasionalRasionalitas berbeda dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga)

Agen dapat melakukan tindakan untuk memodifikasi persepsi masa depan sedemikian hingga dapat memperoleh informasi yang berguna (pengumpulan informasi, eksplorasi)

Sebuah agen adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan belajar dan beradaptasi)

*PEASPEAS: Performance measure, Environment, Actuators, SensorsPertama-tama harus menentukan pengaturan untuk desain agen cerdas

Pertimbangkan, mis., tugas merancang supir taksi otomatis:

Performance measure: Aman, cepat, legal, perjalanan menyenangkan, maksimumkan keuntunganEnvironment: Jalan, trafik lain, pejalan kaki, pelanganActuators: Kemudi, gas, rem, lampu sign, hornSensors: Kamera, sonar, speedometer, GPS, odometer, engine sensors, keyboard

*PEASAgen: Sistem pendiagnosa medisPerformance measure: Pasien sehat, biaya minimal, sesuai aturan/hukum (lawsuits)Environment: Patient, hospital, staffActuators: Screen display (questions, tests, diagnoses, treatments, referrals)Sensors: Keyboard (entry of symptoms, findings, patient's answers)

*PEASAgent: Robot pengutip-sukucadangPerformance measure: Persentase sukucadang dalam kotak yang benarEnvironment: ban berjalan dengan sukucadang, kotakActuators: Pergelangan dan tangan tersambungSensors: Kamera, joint angle sensors

*PEASAgen: Tutor Bahasa Inggeris InteraktifPerformance measure: Memaksimalkan nilai mahasisa pada waktu ujianEnvironment: Sekumpulan mahasiswaActuators: Layar display (exercises, suggestions, corrections)Sensors: Keyboard

*Jenis-jenis LingkunganFully observable (vs. partially observable): Sensor-sensor sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu.

Deterministic (vs. stochastic): Keadaan lingkungan berikutnya sepenuhnya ditentukan oleh keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu deterministik kecuali untuk tindakan agen-agen lain, maka lingkungannya adalah strategic)

Episodic (vs. sequential): Pengalaman agen dibagi kedalam "episode-episode" atomik (setiap episode terdiri dari si agen memahami (perceiving) dan kemudian melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

*Jenis-jenis LingkunganStatic (vs. dynamic): Lingkungan tidak berubah selagi agen direncanakan (deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah)

Discrete (vs. continuous): Sejumlah terbatas persepsi dan tindakan yang khas dan terdefinisi baik.

Single agent (vs. multiagent): Sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan.

*Jenis-jenis LingkunganJenis lingkungan sangat menentukan rancangan agenDunia nyata (tentu saja) partially observable, stochastic, sequential, dynamic, continuous, multi-agent

Lingkungan TugasObservableDeterministicEpisodicStaticDiscreteAgentsCrossword puzzleChess with a clockFullyFullyDeterministicStategicSequentialSequentialStaticSemiDiscreteDiscreteSingleMultiPokerBackgammonPartiallyFullyStochasticStochasticSequentialSequentialStaticStaticDiscreteDiscreteMultiMultiTaxi drivingMedical diagnosisPartiallyPartiallyStochasticStochasticSequentialSequentialDynamicDynamicContinuContinuMultiSingleImage-analysisPart-picking robotFullyPartiallyDeterministicStochasticEpisodicEpisodicSemiDynamicContinuContinuSingleSingleRefinery ControllerInt. English TutorPartiallyPartiallyStochasticStochasticSequentialSequentialDynamicDynamicContinuDiscreteSingleMulti

*Struktur AgenPerilaku agen: tindakan yang dilakukan setelah diberikan sembarang sekuen persepsi.Tugas AI adalah merancang program agen yang mengimplementasikan fungsi agen yang memetakan persepsi ke tindakanDiasumsikan program ini berjalan di beberapa alat komputasi yang dilengkapi sensors dan actuators (disebut arsitektur)Agent = arsitektur + programProgram yang dipilih harus sesuai dengan arsitektur tersebut.Cth: Action: Walk arsitekturnya hendaklah memiliki kaki

*Program-Program AgenEmpat jenis dasar untuk menambah generalitas:Simple reflex agentsModel-based reflex agentsGoal-based agentsUtility-based agents

*Table-driven agent

function TABLE-DRIVEN-AGENT(persept) returns an action static: percepts, a sequence, initially empty tables, a table of actions, indexed by percepts sequence, initially fully specified

append percept to the end of percepts action

*Table-driven agentKekurangan:Tabel sangat vesarMisalkan P himpunan percepts yang mungkinT lifetime agenEntri table lookup: Automated taxi: rate visual input: 27MB/Sec (30 frame/sec, 640x480 pixel dengan 24 bit color information)Table lookup: 10250,000,000,000Memakan waktu lama untuk membangun tabelTidak OtonomBahkan dengan pembelajaran, memerlukan waktu yang lama untuk mempelajari entri tabel

*Simple reflex agentsContoh:

function REFLEX-VACUUM-AGENTS([location, status]) returns an action

if status = Dirty then return Suck else if location = A then return Right else if location = B then return Left

*Simple reflex agents

*Simple Reflex Agent

function SIMPLE-REFLEX-AGENT(percept) returns an action static: rules, a set of condition-action rules state

*Model-based reflex agents

*Model-based reflex agents

function REFLEX-AGENT-WITH-STATE(percept) returns an action static: state, a description of the current world state rules, a set of condition-action rules action, the most recent action, initially none state

*Goal-based agents

*Utility-based agents

*Learning agents

****************************