Mengenal Tipe-Tipe Artificial Intelligent : Tipe AI Agents

Agen dapat dikelompokkan menjadi lima kelas berdasarkan tingkat kecerdasan dan kemampuan yang mereka miliki. Semua agen ini dapat meningkatkan kinerja dan menghasilkan tindakan yang lebih baik dari waktu ke waktu. Berikut adalah jenis-jenis agen tersebut:

1. Simple Reflex Agent
2. Model-based reflex agent
3. Goal-based agents
4. Utility-based agent
5. Learning agent

Simple Reflex Agent

1. Agen refleks sederhana adalah jenis agen paling dasar. Agen-agen ini mengambil keputusan berdasarkan persepsi saat ini dan mengabaikan riwayat persepsi lainnya.
2. Agen-agen ini hanya berhasil di lingkungan yang sepenuhnya dapat diamati.
3. Agen refleks sederhana tidak mempertimbangkan bagian mana pun dari riwayat persepsi selama proses pengambilan keputusan dan tindakan.
4. Agen refleks sederhana bekerja berdasarkan aturan Kondisi-tindakan, yang berarti ia memetakan keadaan saat ini ke tindakan. Misalnya, agen Pembersih Kamar hanya bekerja jika ada kotoran di kamar. Masalah dengan pendekatan desain agen refleks sederhana:

• Kecerdasan yang sangat terbatas
• Tidak memiliki pengetahuan tentang bagian non-perseptual dari keadaan saat ini
• Biasanya terlalu besar untuk dihasilkan dan disimpan
• Tidak adaptif terhadap perubahan lingkungan

Model-Based Reflex Agent

• Agen berbasis model dapat bekerja di lingkungan yang sebagian dapat diamati dan melacak situasi.
• Agen berbasis model memiliki dua faktor penting:

1. Model: Merupakan pengetahuan tentang “bagaimana hal-hal terjadi di dunia,” sehingga disebut agen berbasis model.
2. Internal State : Merupakan representasi dari keadaan saat ini berdasarkan riwayat persepsi.

• Agen-agen ini memiliki model, yaitu “pengetahuan tentang dunia” dan berdasarkan model tersebut mereka melakukan tindakan.
• Memperbarui keadaan agen memerlukan informasi tentang:

1. Bagaimana dunia berkembang
2. Bagaimana tindakan agen mempengaruhi dunia

Goal-based Agents

• Pengetahuan tentang keadaan saat ini di lingkungan tidak selalu cukup untuk memutuskan apa yang harus dilakukan agen.
• Agen perlu mengetahui tujuannya yang menggambarkan situasi yang diinginkan.
• Agen berbasis tujuan memperluas kemampuan agen berbasis model dengan memiliki informasi “tujuan”.
• Mereka memilih tindakan agar dapat mencapai tujuan tersebut.
• Agen-agen ini mungkin harus mempertimbangkan serangkaian tindakan yang panjang sebelum memutuskan apakah tujuan telah tercapai atau tidak. Pertimbangan berbagai skenario ini disebut pencarian dan perencanaan, yang membuat agen menjadi proaktif.

Utility-based agents

• Agen-agen ini mirip dengan agen berbasis tujuan tetapi memiliki komponen tambahan berupa pengukuran utilitas yang membuat mereka berbeda dengan menyediakan ukuran kesuksesan pada suatu keadaan tertentu.
• Agen berbasis utilitas bertindak tidak hanya berdasarkan tujuan tetapi juga cara terbaik untuk mencapai tujuan tersebut.
• Agen berbasis utilitas berguna ketika ada beberapa alternatif yang mungkin, dan agen harus memilih untuk melakukan tindakan terbaik.
• Fungsi utilitas memetakan setiap keadaan ke angka nyata untuk memeriksa seberapa efisien setiap tindakan mencapai tujuan.

Learning Agents

• Agen pembelajar dalam AI adalah jenis agen yang dapat belajar dari pengalaman masa lalu atau memiliki kemampuan belajar.
• Agen ini mulai bertindak dengan pengetahuan dasar dan kemudian mampu bertindak dan beradaptasi secara otomatis melalui pembelajaran.
• Agen pembelajar memiliki empat komponen konseptual utama, yaitu:

1. Learning Element : Bertanggung jawab untuk melakukan perbaikan dengan belajar dari lingkungan.
2. Critic : Elemen pembelajaran menerima umpan balik dari kritikus yang menjelaskan seberapa baik agen melakukannya dengan standar kinerja yang tetap.
3. Performance Bertanggung jawab untuk memilih tindakan eksternal.
4. Generator masalah: Komponen ini bertanggung jawab untuk menyarankan tindakan yang akan menghasilkan pengalaman baru dan informatif.

referensi : [1][2]