Agen Rasional [PDF]

Citation preview

HO-2 KTL401 Kecerdasan Buatan



Intelligent Agents Opim S Sitompul



Outline 



 



 



Agen dan lingkungan Rasionalitas PEAS (Performance measure, Environment, Actuators, Sensors) Jenis-jenis Lingkungan Jenis-jenis Agen



2



Agent 











Agent adalah sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators Agen manusia: mata, telinga, dan organ tubuh lain untuk sensor; tangan, kaki, mulut, dan bagian tubuh lain untuk actuators Agen robotik: kamera dan infrared range finders untuk sensors; berbagai macam motor untuk actuators



3



Agent dan lingkungan







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







Program agen berjalan pada arsitektur fisik untuk menghasilkan f agen = arsitektur + program 4



Vacuum-cleaner world







Percepts: location and contents, e.g., [A,Dirty] Actions: Left, Right, Suck 5



A vacuum-cleaner agent Sekuen Persepsi



Tindakan



[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



…



… 6



A vacuum-cleaner agent 







Pertanyaan: 



Bagaimana cara yang benar untuk mengisi tabel tersebut?







Apa yang membuat satu agen itu baik atau buruk, pintar atau bodoh?



Keadaan suatu agen dimaksudkan sebagai alat untuk menganalisis sistem, bukan karakterisasi mutlak yang membagi dunia menjadi agen dan non-agen. 7



Perilaku baik: konsep rasionalitas 



 



Agen rasional adalah sesuatu yang melakukan hal yang benar—secara konseptual, setiap entri tabel bagi fungsi agen terisi dengan benar. Apa arti melakukan hal yang benar? Jawab: dengan mempertimbangkan konsekwensi dari perilaku si agen.



8



Perilaku baik: konsep rasionalitas 















Ketika satu agen diletakkan dalam sebuah lingkungan, si agen menghasilkan satu deretan tindakan sesuai dengan persepsi yang diterimanya. Deretan tindakan ini menyebabkan lingkungan itu berubah ke sederetan keadaan. Jika deretan ini dikehendaki, maka si agen bertindak dengan baik. Hal dikehendaki ini diperoleh melalui sebuah performance measure yang mengevaluasi sederetan keadaan lingkungan tertentu. 



Bukan keadaan agen, agar tidak menjadi ―sour grapes‖.



9



Perilaku baik: konsep rasionalitas 



Agen rasional 



 



Sebuah agen rasional 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 berhasil Pengukuran Performance: Sebuah kriteria objektif untuk keberhasilan sebuah perilaku agen Mis., ukuran performance dari sebuah agen vacuumcleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang dihasilkan, dll.



10



Rasionalitas 



Rasional pada satu waktu tertentu bergantung pada empat hal:    



Performance measure yang mendefinisikan kriteria sukses pengetahuan sebelumnya dari si agen tentang lingkungan Tindakan yang dapat dilakukan si agen Deretan persepsi si agen hingga saat ini



11



Rasionalitas 



Agen 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 persepsi dan sembarang pengetahuan terpasang yang dimiliki agen itu. 12



Rasionalitas 



 



Pandang agen vacuum cleaner sederhana yang melakukan hal berikut: bersihkan ruangan jika berdebu dan pindah ke ruangan lain jika tidak. Apakah ini agen rasional? Tergantung pada apa performance measure, apa yang diketahuinya tentang lingkungan, dan sensor serta aktuator apa yang dimiliki si agen. 13



Rasionalitas 



Misalkan: 











Performance measure menghadiahkan satu point untuk tiap ruangan bersih pada setiap langkah selama ―masa hidup‖ 1000 kali langkah. ―Geography‖ lingkungan diketahui a priori tetapi distribusi debu dan lokasi awal si agen tidak diketahui. Ruangan bersih tetap bersih dan penyedotan akan memberishkan ruangan saat itu. 14



Rasionalitas 











•



Tindakan Left dan Right memindahkan agen ke kiri dan ke kanan kecuali jika si agen terpaksa keluar dari lingkungannya, dalam hal ini si agen tetap tinggal dimana dia berada Tindakan yang tersedia hanyalah Left , Right, dan Suck. Si agen menerima kesan dengan benar tentang lokasi dan apakah lokasi itu mengandung debu.



Dalam keaadan seperti ini si agen adalah rasional. 15



Rasionalitas 











Agen yang sama akan menjadi irasional dibawah keadaanyang berbeda. Contoh: setelah semua demu bersih, si agen berputar maju mundur secara tidak perlu; Jika performance measure termasuk penalti satu point untuk tiap gerakan kiri atau kanan, si agen akan kehabisan point.



16



Rasionalitas 











Agen yang lebih baik untuk hal seperti ini adalah yang tidak melakukan apa-apa setelah pasti semua ruangan bersih. Jika ruang yang bersih kembali berdebu, si agen hendaklah sesekali memeriksa dan membersihkan kembali jika perlu. Jika geography lingkungan tidak diketahui, si agen akan perlu mengeksplorasinya daripada bertahan di ruangan A dan B. 17



Omniscience, learning, dan autonomy 







 



Rasionalitas berbeda dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga) Agen omniscient mengetahui hasil aktual tindakannya dan dapat bertindak sesuai dengan itu. Akan tetapi, omniscience adalah tidak mungkin dalam realitas. Contoh: penyeberang jalan tiba-tiba ketimpa pintu pesawat cargo (―New door latches urged for Boing 747 jumbo jets‖, Washington Post, 25 Agustus 1989). 18



Omniscience, learning, dan autonomy 







Definisi rasionalitas tidak memerlukan omniscience karena pilihan rasional hanya tergantung pada deretan persepsi hingga saat ini. Tetapi si agen juga tidak boleh melakukan tindakan yang bodoh.  Contoh: jika si agen tidak melihat ke dua arah sebelum menyeberang jalan yang sibuk, maka deretan persepnya tidak akan memberitahu bahwa



ada truk besar yang datang dengan kecepatan tinggi. 19



Omniscience, learning, dan autonomy 











Pertama, adalah tidak rasional menyeberang jalan di bawah keadaan uninformative percept sequence: resiko kecelakaan dari menyeberang tanpa melihat terlalu besar. Kedua, si agen rasional hendaklah memilih tindakan ―melihat‖ sebelum menyeberangi jalan, karena melihat membantu memaksimumkan expected performance. Melakukan tindakan untuk memodifikasi persepsi mendatang—disebut information gathering— sebuah bagian penting dari rasionalitas. 20



Omniscience, learning, dan autonomy 



Rasionalitas tidak sama dengan kesempurnaan.  



Rasionalitas memaksimalkan ekspektasi kinerja. Kesempurnaan memaksimalkan kinerja aktual.







Definisi agen rasional tidak hanya menyangkut pengumpulan informasi, tetapi juga belajar sebanyak mungkin dari persep yang diterimanya.







Jika keadaan lingkungan diketahui secara lengkap a priori, si agen tidak memerlukan persep atau belajar, cukup bertindak dengan benar. 21



Omniscience, learning, dan autonomy 







Sebuah agen adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan belajar dan beradaptasi). Jika si agen melandaskan tindakannya pada pengetahuan sebelumnya dari si desainer, bukan pada persep yang diterimanya, maka agen tersebut kurang memiliki otonomi.



22



Task Environment   



PEAS: Performance measure, Environment, Actuators, Sensors Pertama-tama harus menentukan pengaturan untuk desain agen cerdas Contoh: 



Merancang supir taksi otomatis:



23



Task Environment



24



Task Environment 







 







Agen: Sistem pendiagnosa medis Performance measure: Pasien sehat, biaya minimal, sesuai hukum Environment: Patient, hospital, staff Actuators: Screen display (questions, tests, diagnoses, treatments, referrals) Sensors: Keyboard (entry of symptoms, findings, patient's answers) 25



Task Environment 



















Agent: Robot pengutip-sukucadang Performance measure: Persentase suku cadang dalam kotak yang benar Environment: ban berjalan dengan suku cadang, kotak Actuators: Pergelangan dan tangan tersambung Sensors: Kamera, joint angle sensors 26



Task Environment 







 







Agen: Tutor Bahasa Inggeris Interaktif Performance measure: Memaksimalkan nilai mahasiswa pada waktu ujian Environment: Sekumpulan mahasiswa Actuators: Layar display (exercises, suggestions, corrections) Sensors: Keyboard



27



Jenis-jenis Lingkungan 











Fully 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.



28



Jenis-jenis Lingkungan 







Static (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): berkenaan dengan



keadaan (state) dari lingkungan, pada cara menangani waktu, dan pada persep dan tindakan si agen. 29



Jenis-jenis Lingkungan 







Single agent (vs. multiagent): Sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan. Lingkungan multiagen dapat kooperatif atau kompetitif. Known (vs. unknown): Dalam lingkungan yang diketahui, hasil (atau probabilitas hasil jika dalam lingkungan stokastik) untuk semua tindakan telah diberikan. Dalam lingkungan yang tidak diketahui (unknown), si agen harus belajar bagaimana bertindak untuk memperoleh keputusan yang baik. 30



Jenis-jenis Lingkungan



 



Lingkungan Tugas



Observable



Deterministic



Episodic



Static



Discrete



Agents



Crossword puzzle Chess with a clock



Fully Fully



Deterministic Stategic



Sequential Sequential



Static Semi



Discrete Discrete



Single Multi



Poker Backgammon



Partially Fully



Stochastic Stochastic



Sequential Sequential



Static Static



Discrete Discrete



Multi Multi



Taxi driving Medical diagnosis



Partially Partially



Stochastic Stochastic



Sequential Sequential



Dynamic Dynamic



Continu Continu



Multi Single



Image-analysis Part-picking robot



Fully Partially



Deterministic Stochastic



Episodic Episodic



Semi Dynamic



Continu Continu



Single Single



Refinery Controller Int. English Tutor



Partially Partially



Stochastic Stochastic



Sequential Sequential



Dynamic Dynamic



Continu Discrete



Single Multi



Jenis lingkungan sangat menentukan rancangan agen Dunia nyata (tentu saja) partially observable, stochastic, sequential, dynamic, continuous, multi-agent. 31



Struktur Agen 



Perilaku agen: tindakan yang dilakukan setelah diberikan sembarang sekuen persepsi. 















Tugas AI adalah merancang program agen yang mengimplementasikan fungsi agen yang memetakan persepsi ke tindakan Diasumsikan program ini berjalan di beberapa alat komputasi yang dilengkapi sensors dan actuators (disebut arsitektur) Agent = arsitektur + program



Program yang dipilih harus sesuai dengan arsitektur tersebut. 



Cth: Action: Walk  arsitekturnya hendaklah memiliki kaki



32



Program-Program Agen 



Table-driven agents  Agen melihat ke deretan persep dan kemudian menggunakannya untuk indeks ke sebuah tabel tindakan untuk menentukan apa yang akan dilakukan. function TABLE-DRIVEN-AGENT(percept) 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