Jenis Agen AI

  • Post
    Jenis Agen AI

    Agen dapat dikelompokkan menjadi lima kelas berdasarkan tingkat kecerdasan dan kemampuan yang mereka rasakan. Semua agen ini dapat meningkatkan kinerja mereka dan menghasilkan tindakan yang lebih baik dari waktu ke waktu. Ini diberikan di bawah ini:

    • Agen Refleks Sederhana
    • Agen refleks berbasis model
    • Agen berbasis tujuan
    • Agen berbasis utilitas
    • Agen pembelajaran
    1. Agen Simple Reflex:
    • Agen refleks sederhana adalah agen yang paling sederhana. Agen ini mengambil keputusan berdasarkan persepsi saat ini dan mengabaikan sisa sejarah persepsi.
    • Agen ini hanya berhasil dalam lingkungan yang dapat diamati sepenuhnya.
    • Agen refleks sederhana tidak mempertimbangkan bagian mana pun dari sejarah persepsi selama proses keputusan dan tindakan mereka.
    • Agen refleks sederhana bekerja pada aturan Tindakan-kondisi, yang berarti memetakan keadaan saat ini ke tindakan. Seperti agen Pembersih Kamar, ini berfungsi hanya jika ada kotoran di dalam kamar.
    • Masalah untuk pendekatan desain agen refleks sederhana:
      • Mereka memiliki kecerdasan yang sangat terbatas
      • Mereka tidak memiliki pengetahuan tentang bagian non-perseptual dari keadaan saat ini
      • Sebagian besar terlalu besar untuk dibuat dan disimpan.
      • Tidak adaptif terhadap perubahan lingkungan.
    1. Agen refleks berbasis model
    • Agen berbasis Model dapat bekerja di lingkungan yang dapat diamati sebagian, dan melacak situasinya.
    • Agen berbasis model memiliki dua faktor penting:
      • Model: Ini adalah pengetahuan tentang “bagaimana sesuatu terjadi di dunia,” sehingga disebut agen berbasis Model.
      • Keadaan Internal: Merupakan representasi dari keadaan saat ini berdasarkan sejarah persepsi.
    • Agen-agen ini memiliki model, “yang merupakan pengetahuan tentang dunia” dan berdasarkan model mereka melakukan tindakan.
    • Memperbarui status agen memerlukan informasi tentang:
      1. Bagaimana dunia berkembang
      2. Bagaimana tindakan agen memengaruhi dunia.
    1. Agen berbasis tujuan
    • Pengetahuan tentang keadaan lingkungan saat ini tidak selalu cukup untuk memutuskan agen tentang apa yang harus dilakukan.
    • Agen perlu mengetahui tujuannya yang menggambarkan situasi yang diinginkan.
    • Agen berbasis tujuan memperluas kemampuan agen berbasis model dengan memiliki informasi “tujuan”.
    • Mereka memilih suatu tindakan, sehingga mereka dapat mencapai tujuannya.
    • Agen ini mungkin harus mempertimbangkan urutan panjang tindakan yang mungkin dilakukan sebelum memutuskan apakah tujuan tercapai atau tidak. Pertimbangan skenario yang berbeda seperti itu disebut pencarian dan perencanaan, yang membuat agen proaktif.
    1. Agen berbasis utilitas
    • Agen ini mirip dengan agen berbasis tujuan tetapi menyediakan komponen tambahan dari pengukuran utilitas yang membuatnya berbeda dengan memberikan ukuran keberhasilan pada keadaan tertentu.
    • Agen berbasis utilitas bertindak tidak hanya berdasarkan tujuan tetapi juga cara terbaik untuk mencapai tujuan.
    • Agen berbasis utilitas berguna ketika ada beberapa kemungkinan alternatif, dan agen harus memilih untuk melakukan tindakan terbaik.
    • Fungsi utilitas memetakan setiap status ke bilangan real untuk memeriksa seberapa efisien setiap tindakan mencapai tujuan.
    1. Agen Pembelajaran
    • Agen pembelajaran dalam AI adalah jenis agen yang dapat belajar dari pengalaman masa lalunya, atau memiliki kemampuan belajar.
    • Ia mulai bertindak dengan pengetahuan dasar dan kemudian mampu bertindak dan beradaptasi secara otomatis melalui pembelajaran.
    • Seorang agen pembelajaran terutama memiliki empat komponen konseptual, yaitu:
      1. Unsur belajar: Bertanggung jawab untuk melakukan perbaikan dengan belajar dari lingkungan
      2. Kritik: Elemen pembelajaran mengambil umpan balik dari kritik yang menjelaskan bahwa seberapa baik agen melakukan sehubungan dengan standar kinerja tetap.
      3. Elemen kinerja: Bertanggung jawab untuk memilih tindakan eksternal
      4. Penghasil masalah: Komponen ini bertanggung jawab untuk menyarankan tindakan yang akan menghasilkan pengalaman baru dan informatif.
    • Karenanya, agen pembelajaran dapat belajar, menganalisis kinerja, dan mencari cara baru untuk meningkatkan kinerja.

     

     

    credit. javatpoint

    Ampuh! Ini rahasia mengembangkan aplikasi secara instan, tinggal download dan kembangkan. Gabung sekarang juga! Premium Membership [PRIVATE] https://premium.codeorayo.com

Tagged: 

  • You must be logged in to reply to this topic.