Tugas Softskill
Nama : Fakhri Pratama
Npm : 1C114795
Kelas : 3KA34
UNIVERSITAS GUNADARMA
PTA 2016/2017
TUGAS 1
⦁ Pengertian Artificial Intelligence (AI) / Kecerdasan Buatan
AI (Artificial Intelligence) atau Kecerdasan Buatan merupakan salah satu cabang ilmu computer yang mempelajari bagaimana cara membuat sebuah mesin cerdas, yaitu mesin yang mempunyai kemampuan untuk belajar dan beradaptasi terhadap sesuatu.
Jika diartikan tiap kata, artificial artinya buatan, sedangkan intelligence adalah kata sifat yang berarti cerdas. Jadi artificial intelligence maksudnya adalah sesuatu buatan atau suatu tiruan yang cerdas. Cerdas di sini kemungkinan maksudnya adalah kepandaian atau ketajaman dalam berpikir, seperti halnya otak manusia dalam menyelesaikan suatu masalah.
Tujuan dari riset-riset Artificial Intelligence (AI) / Kecerdasan Buatan adalah bagaimana membuat sebuah mesin bisa berfikir sama halnya dengan manusia yang bisa berfikir. AI digunakan untuk menjawab problem yang tidak dapat diprediksi dan tidak bersifat algoritmik atau prosedural. Sampai saat ini, para peneliti di bidang AI masih banyak menyimpan pekerjaan rumah mereka disebabkan kompleksitas penelitian di bidang Artificial Intelligence (AI) / Kecerdasan Buatan serta faktor dukungan teknologi untuk merealisasikannya. Karena area cakupan yang luas, Artificial Intelligence (AI) / Kecerdasan Buatan dibagi lagi menjadi subsub bagian di mana sub-sub bagian tersebut dapat berdiri sendiri dan juga dapat saling melengkapi satu dengan lainnya.
http://irpantips4u.blogspot.co.id/2012/12/konsep-dasar-artificial-intelligence-ai.html
⦁ Perbedaan antara Kecerdasan Buatan (Komputer) dengan Kecerdasan Alami (Manusia)
Kecerdasan Buatan:
⦁ Bersifat permanen
⦁ Mudah diduplikasi dan disebarluaskan
⦁ Dapat lebih murah daripada manusia cerdas
⦁ Konsisten dan menyeluruh
⦁ Dapat didokumentasikan
Kecerdasan Alami:
⦁ Bersifat kreatif
⦁ Menggunakan pengalaman panca indra secara langsung
⦁ Menalar berdasarkan pemahaman yang luas dari pengalaman
⦁ Memiliki tingkat ketrampilan yang luas mulai dari pemula, pemula lanjut, kompeten,
⦁ profisien, dan ahli (expert)
http://irpantips4u.blogspot.co.id/2012/12/konsep-dasar-artificial-intelligence-ai.html
⦁ Sejarah Kecerdasan Buatan
Teori-teori yang mengarah ke KB sudah muncul sejak tahun 1941. Berikut ini tahap-tahap sejarah perkembangan KB :
A. Era Komputer Elektronik (1941)
Ditemukannya pertama kali alat penyim-panan dan pemprosesan informasi yang disebut komputer elektronik. Penemuan ini menjadi dasar pengembangan program yang mengarah ke KB.
B. Masa Persiapan KB (1943 – 1956)
Tahun 1943, Warren McCulloch dan Walter Pitts
mengemukakan tiga hal, yaitu :
a. pengetahuan fisiologi dasar dan fungsi sel syaraf
dalam otak
b. analisis formal tentang logika proposisi (propositional logic)
c.teori komputasi Turing
Tahun 1950, Norbert Wiener membuat penelitian mengenai prinsip-prinsip teori feedback. Contoh yang terkenal adalah thermostat. Penemuan ini juga merupakan awal dari perkembangan KB.
Tahun 1956, John McCarthy meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester untuk membantunya melakukan penelitian dalam bidang Automata, Jaringan Syaraf dan pembelajaran intelijensia.
Mereka kerjakan projek ini selama dua tahun di Dartmouth. Hasilnya adalah program yang mampu berpikir non-numerik dan menyelesaikan masalah pemikiran yang dinamakan Principia Mathematica. Hal ini menjadikan McCarthy disebut sebagai ”Bapak Kecerdasan Buatan”.
C. Awal Perkembangan Kecerdasan Buatan (1956 – 1969)
diawali dengan kesuksesan Newell dan Simon dengan sebuah program yang disebut ”General Prbolem Solver”. Program ini dirancang untuk memulai penyelesaian masalah secara manusiawi.
tahun 1958, McCarthy mendefenisikan bahasa pemrograman tingkat tinggi, yaitu LISP, yang sekarang mendominasi pembuatan program-program kecerdasan buatan.
Tahun 1968, program analogi buatan Tom Evan menyelesaikan masalah analogi geometris yang ada pada tes IQ.
D. Sistem Berbasis Pengetahuan (1969 – 1979)
Pengetahuan adalah kekuatan pendukung KB. Hal ini dibuktikan dengan program yang dibuat oleh Ed Feigenbaum, Bruce Buchanan dan Joshua Lederberg yang membuat program untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari spectometer massa..
E. KB menjadi sebuah industri (1980 – 1988)
Industrialisasi KB diawali dengan ditemukannya ”sistem pakar” (expert system) yang dinamakan R1 yang mampu mengonfigurasi sistem-sistem komputer baru. Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermot tahun 1982.
Tahun 1986, program tersebut mampu menghemat biaya US$ 40 juta /tahun.
Tahun 1988, Kelompok KB di DEC menjalankan 40 sistem pakar.
F. Era Kembalinya Jaringan Syaraf Tiruan (1986 – Sekarang)
Para ahli fisika seperti Hopfield (1982) menggunakan teknik-teknik mekanika statistika untuk menganalisa sifat-sifat penyimpanan dan optimasi pada jaringan syaraf.
Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf pada memori.
Pada tahun 1985-an, sedikitnya empat kelompok riset menemukan kembali algoritma belajar propagasi balik (Back-Propagation learning). Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi.
http://sigitprabowoo.blogspot.co.id/2013/01/kecerdasan-buatan-sejarah-kecerdasan.html
D. Dasar Kategori di Konsep dasar Ai(Kecerdasan Buatan)
1. Acting Humanly
Acting humanly ialah system yang melakukan pendekatan dengan menirukan tingkah laku seperti manusia yang dikenalkan pada tahun 1950 degan cara kerja pengujian melalui teletype yaitu jika penguji (integrator) tidak dapat membedakan yang mengintrogasai antara manusia dan computer maka computer tersebut dikatakan lolos(menjadi kecerdasan buatan).
2. Thinking Humanly
Yaitu system yang dilakukan dengan cara intropeksi yaitu penangkapan pemikiran psikologis
Manusia pada computer,hal ini sering diujikan dengan neuron ke neuron lainnya atau sel otak dengan sel otak lainnya cara pembelajarannya yaitu melalui experiment-experimen.
3. Thinking Rationaly
Ini merupakn system yang sangat sulit ,karena sering terjadi kesalah dala, prinsip dan prakteknya,system ini dikenal dengan penalaran komputasi.
4. Actng Rationaly
Yaitu system yang melakukan aksi dengan cara menciptakan suatu robotika cerdas yang menggantikan tugas manusia.
http://irpantips4u.blogspot.co.id/2012/12/konsep-dasar-artificial-intelligence-ai.html
⦁ Disiplin Ilmu AI
Seperti yang telah disebutkan di atas bahwa AI merupakan salah satu cabang Ilmu Komputer. Tapi karena kompleksitas area AI maka dibuat sub-sub bagian yang dapat berdiri sendiri dan dapat saling bekerja sama dengan sub bagian lain atau dengan disiplin ilmu lain. Berikut ini beberapa cabang ilmu sub bagian dari AI :
1. Natural Languange Processing (NLP)
Natural Languange Processing (NLP) atau Pemrosesan Bahasa Alami, merupakan salah satu cabang AI yang mempelajari pembuatan sistem untuk menerima masukan bahasa alami manusia. Dalam perkembangannya, NLP berusaha untuk mengubah bahasa alami komputer (bit dan byte) menjadi bahasa alami manusia yang dapat kita mengerti. NLP merupakan ilmu dasar yang dapat dijadikan jembatan untuk membuat komunikasi antara mesin dengan manusia.
2. Expert System (ES)
Expert System (ES) atau Sistem Pakar, merupakan salah satu cabang AI yang mempelajari pembuatan sebuah sistem yang dapat bekerja layaknya seorang pakar. ES dapat menyimpan pengetahuan seorang pakar dan memberikan solusi berdasarkan pengetahuan yang dimilikinya tadi. ES juga merupakan salah satu cabang AI yang sering melakukan kerja sama dengan disiplin ilmu lain karena sifatnya yang dapat menyimpan pengetahuan.
3. Pattern Recognition (PR)
Pattern Recognition (PR) atau Pengenalan Pola, merupakan salah satu cabang AI yang mempelajari pembuatan sebuah sistem untuk dapat mengenali suatu pola tertentu. Misalnya sistem PR untuk mengenali huruf dari tulisan tangan, walaupun terdapat perbedaan penulisan huruf A dari masing-masing orang tetapi PR dapat mengenali bahwa huruf tersebut adalah huruf A. Beberapa aplikasi dari PR antara lain : voice recognition, Fingerprint Identification, Face Identification, Handwriting Identification, Optical Character Recognition, Biological Slide Analysis, Robot Vision dan lainnya.
4. Robotic
Robotic atau Robotika, merupakan salah satu cabang AI yang menggabungkan cabangcabang AI yang lain termasuk ketiga cabang di atas untuk membentuk sebuah sistem robotik. Keempat cabang AI di atas merupakan cabang umum yang banyak dipelajari, masih banyak cabang-cabang AI yang lainnya. Seiring perkembangan riset dalam AI, dapat dimungkinkan akan muncul cabang-cabang baru yang melengkapi unsur AI sehingga AI menjadi sebuah sistem lengkap dan akan mencapai goal-nya yang sampai sekarang masih belum sempurna.
http://irpantips4u.blogspot.co.id/2012/12/konsep-dasar-artificial-intelligence-ai.html
TUGAS 3
2 INTELLIGENT AGENTS
Di mana kita membahas sifat agen, sempurna atau sebaliknya, Keragaman dari lingkungan dan manajerial yang dihasilkan dari jenis agen.
AGEN DAN LINGKUNGAN
Agen adalah segala sesuatu yang dapat dilihat sebagai mempersepsi lingkungan melalui sensor dan bekerja atas lingkungan yang melaui penggerak.ide sederhanaini diilustrasikan pada gambar 2.1.Seorang adgen manusia meemiliki mata,telinga,dan organ lainnya untuk senor dan tangan ,kaki,saluran vokal,dan seterusnya untuk penggerak.Seorang agen robot mungkin memiliki kamera dan infra merah untuk sensor penggerak.Seorang agen software menerima keystrokes,isi file dan paket jaringan sebagai masukan sensorik dan bertindak sebagai lingkungan dengan menampilkannya pada layar,menuliskan file dan mengirim paket jaringan
Untuk mengtakan ada tentang agen.berbicara matematis,kita katakan bahwa perilaku agen digambarkan oleh fungsi agen yang memetakan setiap urutn diberikan persepsi kepada suatu tindakan.Kita bisa membayangkan tabulasi fungsi agen yang menggambarkan pemberian agen;untuk sebagian besar agen,ini akan menjadi sangat besar daftar-tak terbatas,pada kenyataanya,kecuali kita menempatkan terikat pada panjang urutan persepsi kita ingin mempertimbangkan.,karakterisasi eksternal dari agen.Internal,fungsi agen agen buatan akan dilaksankan oleh agen program.Hal ini penting untuk mejaga kedua ide yang berbeda.Fungsi agen adalah deksripsi matematis abstrak;program agen adalah implementasi konkret,berjalan dalam beberapa system fisik.
PERILAKU BAIK: KONSEP RASIONAL
Seorang agen rasional adalah salah satu yang melakukan hal yang benar-konseptual berbicara, setiap entri dalam tabel untuk fungsi agen diisi dengan benar.
Kita menjawab pertanyaan kuno ini dengan cara yang kuno dengan mempertimbangkan konsekuensi dari perilaku agen.Ketika agen mengempaskan bahwa dalam lingkungan itu menghasilkan urutan tindakan yang menurut persepsi yang diterima.Urutan ini menyebabkan lingkungan untuk pergi melalui urutan serikat. Jika urutan diinginkan, maka agen telah melakukan dengan baik.Gagasan tentang keinginan ditangkap oleh kinerja yang mengevaluasi setiap urutan yang diberikan oleh lingkungan negara).
Rasionalitas
Apakah rasional pada waktu tertentu tergantung pada 4 hal
⦁ Ukuran kinerja yang mendefinisikan kriteria keberhasilan
⦁ Agen sebelumnya dari pengetahuan lingkungan.
⦁ Tindakan yang dapat dilakukan oleh agen
⦁ Agen persepsi urutan to-date.
Ini mengarah ke sebuah definisi dari agen rasional;
Untuk setiap urutan mungkin persepsi, agen rasional harus memilih tindakan yang dilakukan telah melakukan tindakan untuk memaksimalkan yang mengukur kinerja, memberikan bukti yang diberikan oleh urutan persepsi dan apapun pengetahuan built-in yang dimiliki agen.
Kemahatahuan , belajar dan otonomi
Kita harus berhati-hati untuk membedakan antara rasionalitas dan kemahatahuan. Seorang agen mahatahu tahu hasil yang sebenarnya dari tindakan dan dapat bertindak sesuai; tapi kemahatahuan tidak mungkin dalam kenyataan. Perhatikan contoh berikut: Saya berjalan di sepanjang Champs Elys'ees satu hari dan saya melihat seorang teman lama di seberang jalan. Tidak ada lalu lintas di dekatnya dan aku tidak dinyatakan terlibat, sehingga, menjadi rasional, saya mulai menyeberang jalan. Sementara itu, di 33.000 kaki, pintu kargo jatuh sebuah pesawat yang lewat, 2 dan sebelum saya membuat ke sisi lain dari jalan saya diratakan. Apakah aku tidak rasional untuk menyeberang jalan? Hal ini tidak mungkin bahwa obituari saya akan membaca "upaya Idiot menyeberang jalan."
Contoh ini menunjukkan bahwa rasionalitas adalah tidak sama dengan kesempurnaan. Rasionalitas max-imizes diharapkan kinerja, sedangkan kesempurnaan memaksimalkan kinerja aktual. Mundur dari persyaratan kesempurnaan bukan hanya masalah adil untuk agen. Intinya adalah bahwa jika kita mengharapkan agen untuk melakukan apa yang ternyata menjadi aksi terbaik setelah fakta, akan mustahil untuk merancang agen untuk memenuhi ini spesifikasi-kecuali kita meningkatkan kinerja bola kristal atau mesin waktu.
definisi kita membutuhkan agen yang rasional tidak hanya untuk mengumpulkan informasi tetapi juga untuk belajar sebanyak mungkin dari apa yang memandang. konfigurasi awal agen bisa mencerminkan beberapa pengetahuan tentang lingkungan, tetapi sebagai pengalaman keuntungan agen ini dapat dimodifikasi dan ditambah.
Menentukan lingkungan tugas
Ukuran kinerja ,Lingkungan, Aktuator ,Sensors
Sifat lingkungan tugas
Kisaran lingkungan tugas yang mungkin timbul di AI jelas luas. Kami bisa, bagaimanapun,mengidentifikasi jumlah yang cukup kecil dimensi sepanjang yang lingkungan tugas dapat dikategorikan. Dimensi ini menentukan, untuk sebagian besar, desain agen yang tepat danpenerapan dari masing-masing keluarga utama teknik untuk implementasi agen.
Sepenuhnya diamati vs sebagian diamati: Jika sensor agen ini memberikan akses ke negara lengkap lingkungan pada setiap titik waktu, maka kita mengatakan bahwa lingkungan tugas sepenuhnya diamati. Sebuah lingkungan tugas secara efektif sepenuhnya diamati jika sensor mendeteksi semua aspek yang relevan dengan pilihan tindakan; relevansi, pada gilirannya, tergantung pada mengukur kinerja. Sepenuhnya lingkungan diamati nyaman karena agen butuh tidak memelihara keadaan internal untuk melacak dunia. Lingkungan mungkin sebagian diamati karena sensor berisik dan tidak akurat atau karena bagian dari negara yang hanya hilang dari data-sensor. Jika agen tidak memiliki sensor sama sekali maka lingkungan teramati.
Deterministik vs stochastic. Jika negara berikutnya lingkungan benar-benar yang penentuan-ditambang oleh negara saat ini dan tindakan yang dilakukan oleh agen, maka kita mengatakan lingkungan adalah deterministik; jika tidak, itu adalah stochastic. Pada prinsipnya, agen tidak perlu khawatir tentang uncer-ketidakmenentuan dalam lingkungan deterministik sepenuhnya diamati. (Dalam definisi kita, kita mengabaikan uncer-ketidak menentuan yang timbul murni dari tindakan agen lain di lingkungan multi agen, dengan demikian, game bisa menjadi deterministik meskipun masing-masing agen mungkin tidak dapat memprediksi tindakan orang lain.) Jika lingkungan sebagian diamati, bagaimanapun, maka bisa tampak stochastic. Kebanyakan situasi nyata begitu kompleks sehingga tidak mungkin untuk melacak semua aspek yang tidak teramati; untuk tujuan praktis, mereka harus diperlakukan sebagai stochastic
Episodik vs berurutan: Dalam lingkungan tugas episodik, pengalaman agen dibagi menjadi episode atom. Dalam setiap episode agen menerima persepsi dan kemudian melakukan satu tindakan. Krusial, episode berikutnya tidak tergantung pada tindakan yang diambil dalam episode sebelumnya. Banyak tugas klasifikasi yang episodik. Sebagai contoh, seorang agen yang memiliki spot bagian yang cacat pada basis perakitan setiap keputusan pada bagian saat ini, terlepas dari keputusan sebelumnya; Selain itu, keputusan saat ini tidak mempengaruhi apakah bagian berikutnya adalah cacat. Dalam lingkungan berurutan, di sisi lain, keputusan saat ini bisa mempengaruhi semua decisions.
Static vs dinamis: Jika lingkungan dapat mengubah sementara agen berunding, maka kita katakan lingkungan yang dinamis untuk agen yang; jika tidak, itu adalah statis. lingkungan statismudah untuk menangani karena agen tidak perlu terus melihat dunia ketika sedang memutuskan pada tindakan, atau membutuhkannya khawatir tentang perjalanan waktu. lingkungan yang dinamis,pada Sebaliknya, terus meminta agen apa yang ingin lakukan; jika belum memutuskan, yang penting sebagai memutuskan untuk melakukan apa-apa. Jika lingkungan itu sendiri tidakberubahdengan berlalunya waktu tetapi skor kinerja agen tidak, maka kita mengatakan lingkungan semidynamic.
Diskrit vs kontinu: The diskrit / perbedaan terus menerus berlaku untuk keadaan
lingkungan, dengan cara waktu ditangani, dan dengan persepsi dan tindakan agen. Untuk
Misalnya, lingkungan catur memiliki jumlah terbatas negara yang berbeda (tidak termasuk jam).
Dikenal vs diketahui: Sebenarnya, perbedaan ini tidak merujuk kepada lingkungan sendiri tetapi untuk negara agen (atau desainer) pengetahuan tentang "hukum fisika" dari lingkungan. Dalam lingkungan yang diketahui, hasil (atau probabilitas hasil jika lingkungan adalah stokastik) untuk semua tindakan yang diberikan. Jelas, jika lingkungan tidak diketahui, agen harus mempelajari cara kerjanya dalam rangka untuk membuat keputusan yang baik. Perhatikan bahwa perbedaan antara lingkungan dikenal dan tidak dikenal tidak sama dengan salah satu di antara penuh dan sebagian lingkungan diamati
STRUKTUR AGEN
Tugas AI adalah untuk merancang sebuah program agen yang mengimplementasikan agen fungsi-pemetaan dari persepsi tindakan. Kami menganggap program ini akan berjalan pada beberapa jenis komputasi perangkat dengan sensor fisik dan aktuator-kami menyebutnya arsitektur: agen = arsitektur + program
Program Agen
Program agen yang kami desain dalam buku ini semua memiliki kerangka yang sama: mereka mengambil persepsi saat ini sebagai masukan dari sensor dan kembali tindakan Notice actuators.perbedaan antara program agen, yang mengambil persepsi saat ini sebagai masukan, dan fungsi agent, yang mengambil seluruh sejarah persepsi. Program agen mengambil hanya persepsi saat ini sebagai masukan karena tidak lebih tersedia dari lingkungan; jika tindakan agen perlu bergantung pada seluruh urutan persepsi, agen harus mengingat persepsi.
kami menguraikan empat jenis dasar program agen yang mewujudkan prinsip-prinsip yang mendasari sistem hampir semua cerdas:
⦁ Agen refleks sederhana;
⦁ Agen refleks model berbasis;
⦁ Agen berbasis tujuan;
⦁ dan Agen berbasis utilitas;
Kesimpulan
AI atau Artificial Intelligence yang diartikan ke bahasa indonesia yaitu kecerdasan buatan adalah kemampuan dari sebuah komputer untuk berfikir seperti manusia bahkan lebih baik dibandingkan manusia. biasanya sebuah sistem AI memiliki kemampuan untuk memperoleh informasi baru yang akan dikumpulkan agar sistem AI menjadi lebih cerdas lagi.
perbedaan antar kecerdasan manusia dan kecerdasan buatan.sejarah kecerdasan buatan yang dimualai dari tahun(1941) yaitu Era computer elektronik,sampai Era kembalinnya syaraf timbul yang dimulai dari tahun(1986-sekarang).Mengetahui Dasar kategori AI(kecerdasan buatan) : yang terdiri dari 1. Acting Human ly 2.Acting Rationaly 3.Thinking Humanly 4.Acting Rationality .Mempelajari Disiplin Ilmu AI(kecerdasan Buatan). dan itulah tugas pertama.tugas kedua disini membahas tentang inteligent agent. disini kita membahas sifat agent teserbeut. apakah sempurna atau sebaliknya. agent intelgensi sangat tegantung pada lingkungan. ada yang namanya rasionalitas, yaitu salah satu yang melakukan hal yang benar-konseptual berbicara, setiap entri dalam tabel untuk fungsi agen diisi dengan benar.
rasional pada waktu tertentu tergantung pada 4 hal
- Ukuran kinerja yang mendefinisikan kriteria keberhasilan
- Agen sebelumnya dari pengetahuan lingkungan.
- Tindakan yang dapat dilakukan oleh agen
- Agen persepsi urutan to-date.
setelah itu ada struktur agent. Tugas AI adalah untuk merancang sebuah program agen yang mengimplementasikan agen fungsi-pemetaan dari persepsi tindakan. Kami menganggap program ini akan berjalan pada beberapa jenis komputasi perangkat dengan sensor fisik dan aktuator-kami menyebutnya arsitektur: agen = arsitektur + program
empat jenis dasar program agen yang mewujudkan prinsip-prinsip yang mendasari sistem hampir semua cerdas:
- Agen refleks sederhana;
- Agen refleks model berbasis;
- Agen berbasis tujuan;
- dan Agen berbasis utilitas;
REFERENSI :
CATATAN bibliografi DAN SEJARAH
Peran sentral dari tindakan dalam kecerdasan-gagasan praktis penalaran-kembali setidaknya sejauh Aristoteles Nicomachean Ethics. penalaran praktis juga subjek McCarthy (1958) berpengaruh kertas "Program dengan Common Sense." Bidang robotika dan teori kontrol yang, dengan sifatnya, yang bersangkutan terutama dengan agen fisik. Konsep controller dalam teori kontrol identik dengan agen di AI. Mungkin sur-prisingly, AI telah terkonsentrasi untuk sebagian besar sejarahnya pada komponen terisolasi dari sistem agen-agen pertanyaan-menjawab, teorema-provers, sistem visi, dan sebagainya-bukan pada seluruh agen. Pembahasan agen dalam teks dengan Genesereth dan Nilsson (1987) adalah pengecualian berpengaruh. Pandangan whole-agen sekarang diterima secara luas dan merupakan tema sentral dalam teks-teks baru-baru ini (Poole et al, 1998;. Nilsson, 1998; Padgham dan Winikoff, 2004; Jones, 2007).
Bab 1 menelusuri akar konsep rasionalitas dalam filsafat dan ekonomi. Dalam AI, konsep itu menarik perifer sampai pertengahan 1980-an, ketika mulai menutupi banyak diskusi tentang dasar-dasar teknis yang tepat dari lapangan. Sebuah kertas dengan Jon Doyle (1983) memperkirakan bahwa desain agen rasional akan datang untuk dilihat sebagai misi utama dari AI, sementara topik populer lainnya akan spin off untuk membentuk disiplin baru. perhatian terhadap sifat-sifat lingkungan dan konsekuensinya terhadap desain agen ra-nasional yang paling jelas dalam teori kontrol tradisi-misalnya, sistem kontrol klasik (Dorf dan Bishop, 2004; Kirk, 2004) menangani sepenuhnya diamati, lingkungan deterministik; stokastik kontrol optimal (Kumar dan Varaiya, 1986; Bertsekas dan Shreve, 2007) menangani sebagian diamati, lingkungan stokastik; dan kontrol hybrid (Henzinger dan Sastry, 1998; Cassandras dan Lygeros, 2006) berkaitan dengan lingkungan yang mengandung unsur-unsur baik diskrit dan kontinyu. Perbedaan antara penuh dan sebagian diamati en-vironments juga sentral dalam literatur pemrograman dinamis yang dikembangkan di bidang riset operasi (Puterman, 1994), yang kita bahas dalam Bab 17. agen refleks yang model utama untuk behavioris psikologis seperti Skinner (1953), yang berusaha untuk mengurangi psikologi organisme ketat untuk input / output atau stim-ulus / pemetaan respon. The muka dari behaviorisme ke fungsionalisme dalam psikologi, yang setidaknya sebagian didorong oleh penerapan metafora komputer untuk agen (Put-nam, 1960; Lewis, 1966), memperkenalkan keadaan internal agen ke dalam gambar. Sebagian besar bekerja di AI memandang gagasan agen refleks murni dengan negara sebagai terlalu sederhana untuk memberikan banyak pengaruh, tetapi bekerja dengan Rosenschein (1985) dan Brooks (1986) mempertanyakan asumsi ini (lihat Bab 25). Dalam beberapa tahun terakhir, banyak pekerjaan telah pergi ke menemukan efisien algo-rithms untuk melacak lingkungan yang kompleks (Hamscher et al, 1992;. Simon, 2006). Program Remote Agent (dijelaskan pada halaman 28) yang mengontrol Deep Space Satu pesawat ruang angkasa adalah contoh yang sangat mengesankan (Muscettola et al, 1998;. Jonsson et al, 2000.).
agen berdasarkan gol yang diandaikan dalam segala hal dari pandangan Aristoteles praktis rea-soning ke kertas awal McCarthy pada AI logis. Shakey Robot (Fikes dan Nilsson, 1971; Nilsson, 1984) adalah perwujudan robot pertama agen logis, berdasarkan gol. Sebuah analisis logis penuh agen berbasis tujuan muncul di Genesereth dan Nilsson (1987), dan metodologi pemrograman berbasis tujuan disebut pemrograman agen-berorientasi dikembangkan oleh Shoham (1993). Pendekatan berbasis agen sekarang sangat populer di software engineer-ing (Ciancarini dan Wooldridge, 2001). Hal ini juga menyusup bidang sistem operasi, di mana komputasi otonom mengacu pada sistem komputer dan jaringan yang memantau dan con-trol diri dengan loop melihat-tindakan dan metode pembelajaran mesin (Kephart dan Catur, 2003). Memperhatikan bahwa kumpulan program agen dirancang untuk bekerja sama dengan baik dalam lingkungan multi agen yang benar tentu menunjukkan modularitas-program berbagi tidak ada keadaan internal dan berkomunikasi satu sama lain hanya melalui lingkungan-hal yang biasa dalam bidang sistem multi agen untuk merancang agen program agen tunggal sebagai kumpulan otonom sub-agen. Dalam beberapa kasus, salah satu bahkan dapat membuktikan bahwa sistem yang dihasilkan memberikan solusi optimal sama dengan desain monolitik. Pandangan berbasis tujuan agen juga mendominasi tradisi psikologi kognitif di bidang pemecahan masalah, dimulai dengan sangat berpengaruh Manusia Masalah Solv-ing (Newell dan Simon, 1972) dan berjalan melalui semua pekerjaan kemudian Newell (Newell, 1990). Tujuan, lanjut dianalisis sebagai keinginan (umum) dan niat (saat dikejar), adalah pusat untuk teori agen yang dikembangkan oleh Bratman (1987). Teori ini telah berpengaruh baik dalam pemahaman bahasa alami dan sistem multi agen
Horvitz et al. (1988) secara khusus menyarankan penggunaan rasionalitas dipahami sebagaimaxi yangmization utilitas diharapkan sebagai dasar untuk AI. Teks oleh Pearl (1988)adalah yang pertama di AI untuk menutupi probabilitas dan teori utilitas secaramendalam; eksposisi nya metode praktis untuk penalaran dan pengambilan keputusandi bawah ketidakpastian mungkin faktor terbesar tunggal dalam cepat bergeser ke arah agen berbasis utilitas pada 1990-an (lihat Bagian IV). Desain umum untuk agen pembelajaran digambarkan pada Gambar 2.15 adalah klasik dalam mesin
literatur belajar (Buchanan et al, 1978;. Mitchell, 1997). Contoh desain, seperti em-
bertubuh dalam program, kembali setidaknya sejauh Arthur Samuel (1959, 1967) program pembelajaran untuk bermain catur. agen pembelajaran dibahas secara mendalam di Bagian V.
Minat agen dan di desain agen telah meningkat pesat dalam beberapa tahun terakhir, sebagian karena pertumbuhan internet dan kebutuhan yang dirasakan untuk softbot otomatis dan mobile (Etzioni dan Weld, 1994). makalah yang relevan dikumpulkan dalam Bacaan di Agen (Huhns dan Singh, 1998) dan Yayasan Badan Rasional (Wooldridge dan Rao, 1999). Teks pada multi agen sistem biasanya menyediakan pengenalan yang baik untuk banyak aspek desain agen (Weiss, 2000a; Wooldridge, 2002). Beberapa seri konferensi yang ditujukan untuk agen dimulai pada tahun 1990-an, termasuk Workshop Internasional tentang Agen Teori, Arsitektur, dan Bahasa (Atal), yang Konferensi Internasional tentang Otonomi Agen (AGEN), dan Confer- internasional Ence di Multi-Agent Systems (ICMAS). Pada tahun 2002, ketiga bergabung untuk membentuk International Konferensi Bersama Agen Otonomi dan Multi-Agent Systems (AAMAS). Jurnal Agen otonomi dan Multi-Agent Sistem didirikan pada tahun 1998. Akhirnya, Dung Beetle Ekologi (Hanski dan Cambefort, 1991) menyediakan banyak informasi menarik tentang perilaku kumbang kotoran. YouTube memiliki rekaman video inspiratif dari kegiatan mereka.
literatur belajar (Buchanan et al, 1978;. Mitchell, 1997). Contoh desain, seperti em-
bertubuh dalam program, kembali setidaknya sejauh Arthur Samuel (1959, 1967) program pembelajaran untuk bermain catur. agen pembelajaran dibahas secara mendalam di Bagian V.
Minat agen dan di desain agen telah meningkat pesat dalam beberapa tahun terakhir, sebagian karena pertumbuhan internet dan kebutuhan yang dirasakan untuk softbot otomatis dan mobile (Etzioni dan Weld, 1994). makalah yang relevan dikumpulkan dalam Bacaan di Agen (Huhns dan Singh, 1998) dan Yayasan Badan Rasional (Wooldridge dan Rao, 1999). Teks pada multi agen sistem biasanya menyediakan pengenalan yang baik untuk banyak aspek desain agen (Weiss, 2000a; Wooldridge, 2002). Beberapa seri konferensi yang ditujukan untuk agen dimulai pada tahun 1990-an, termasuk Workshop Internasional tentang Agen Teori, Arsitektur, dan Bahasa (Atal), yang Konferensi Internasional tentang Otonomi Agen (AGEN), dan Confer- internasional Ence di Multi-Agent Systems (ICMAS). Pada tahun 2002, ketiga bergabung untuk membentuk International Konferensi Bersama Agen Otonomi dan Multi-Agent Systems (AAMAS). Jurnal Agen otonomi dan Multi-Agent Sistem didirikan pada tahun 1998. Akhirnya, Dung Beetle Ekologi (Hanski dan Cambefort, 1991) menyediakan banyak informasi menarik tentang perilaku kumbang kotoran. YouTube memiliki rekaman video inspiratif dari kegiatan mereka.
