Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
1
Konsep Kecerdasan Buatan
Pertemuan 2 Konsep Kecerdasan Buatan Mata Kuliah : Pengantar Intelegensi Buatan Betha Nurina Sari, M.Kom
2
Konsep Kecerdasan Buatan
Kecerdasan Buatan vs Kecerdasan Alami Komputasi Kecerdasan Buatan vs Komputasi Konvensional Lingkup Kecerdasan Buatan Intelligent Agent (Agen Cerdas) Slide bisa diunduh melalui bethanurinasari.wordpress.com
3
Kecerdasan Buatan vs Kecerdasan Alami
Lebih bersifat permanen lebih mudah diduplikasi dan disebarkan lebih murah bersifat konsisten dapat didokumentasikan. mengerjakan pekerjaan lebih cepat dan lebih baik bekerja dengan input-input simbolik Cepat mengalami perubahan butuh proses dan waktu lama Datangkan pakar lebih mahal berubah-ubah (berkembang, menurun) sulit didokumentasikan, karena bisa lupa mengerjakan pekerjaan dengan terbatas Pengalaman secara langsung
4
Komputasi Kecerdasan Buatan vs Komputasi Konvensional
Aspek Kecerdasan Buatan Konvensional Pemrosesan Sebagian besar simbolik Algoritmik Input Tidak harus lengkap Harus lengkap Pencarian Sebagian besar heuristik Algoritma Penjelasan/keterangan tersedia Biasanya tidak tersedia Fokus Pengetahuan Data Struktur Kontrol dipisahkan dari pengetahuan Kontrol terintegrasi dengan informasi (data) Sifat Output Kuantitatif Kualitatif Pemeliharaan dan peningkatan (update) Relatif mudah Biasanya sulit Kemampuan menalar Ada Tidak ada
5
Lingkup utama kecerdasan buatan
Sistem Pakar (Expert System) Komputer digunakan sebagai saran untuk menyimpan pengetahuan para pakar. Komputer akan memiliki keahlian untuk menyelesaikan masalah dengan meniru keahlian yang dimiliki para pakar. Expert system Contoh sistem pakar : diagnosa sakit gigi Bagaimana cara mengembangkan sistem pakar ?
6
Lingkup utama kecerdasan buatan
Nature Language Processing (NLP) Pengolahan bahasa alami Dengan pengolahan bahasa alami ini diharapkan user mampu berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari. Contoh aplikasi NLP : : alice chatbox berbagai macam aplikasi chat box Chatting with Nicole
7
Lingkup utama kecerdasan buatan
Pengenalan ucapan (Voice Recognition) Melalui pengenalan ucapan diharapkan manusia mampu berkomunikasi dengan komputer dengan menggunakan suara. Contoh : Google Voice, Elevator Voice Recognition
8
Lingkup utama kecerdasan buatan
Robotika dan Sistem Sensor Sistem atau alat yang digunakan untuk menggantikan kinerja manusia secara otomatis Contoh : A Robot That Cooks Japanese Okonomiyaki Pancakes - DigInfo
9
Lingkup utama kecerdasan buatan
Computer Vision Mencoba untuk dapat mengintrepetasikan gambar atau objek-objek tampak melalui komputer Contoh : Computer Vision Applications Seene - Oe - Realtime Augmented Reality Technology
10
Lingkup utama kecerdasan buatan
Intelligent Computer aid Instruction Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar Contoh : CALL CAI software; educational software
11
Lingkup utama kecerdasan buatan
Game Playing Merancang game yang cerdas dan menarik, membuat non-player/komputer memiliki strategi cerdas untuk mengalahkan player/manusia. Board Games, Card Games, Atheletic Games Children Games,Computer Games, Game Online Contoh : Deep Learning AI Plays 2048 Crave - Super Mario with AI plays the game his own way, Ep. 188 MarI-O - Machine Learning for Video Games
12
Lingkup Kecerdasan Buatan pada Aplikasi Komersial
Bidang Komunikasi : Microsoft Voice, Microsoft Dictation Bidang Kesehatan : Diagnosis penyakit, monitoring kondisi pasien, treatment yang sesuai Bidang Lalu Lintas : Intelligence Traffic Analytics, Bidang Pertanian : pemantauan hama, Pabrik : mesin/robot yg melakukan pekerjaan yg berbahaya, memerlukan ketelitian tinggi,dst Air Traffic Controllers (ATC) pemilihan hasil panen, Robot menyiram tanaman
13
SEJENAK UJI KECERDASAN
14
LOGIC GAME Tes Game level 1 Help The Man Tes Game level 2 Missionaries Tes Game level 3 Cross the Bridge
15
Topik Bahasan Intelligent agent
16
Intelligent Agent (Agen Cerdas)
(Slide Chastine Fatichah, ITS, 2012)
17
Intelligent Agent (Agen Cerdas)
Rational : Melakukan hal yang terbaik Harus didefinisikan tujuan dari agent Goal (tujuan) : Performance Measure Rational Agent : Suatu Agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia amati tentang ligkungan dan pengetahuan lain yang dimilikinya Goal Performance Measure Lulus Kuliah IPK Kaya Gaji bulanan Juara liga sepakbola Posisi klasemen
18
PEAS : Performance Measure, Environment, Actuators, Sensors
Ketika merancang sebuah agent, harus mendefinisikan lingkungan masalah (task environment) Performance Measure : Apa saja komponen keberhasilan si agent? Environment : Kondisi apa saja yang ada di sekitar si agent Actuators : Apa saja yang bisa dilakukan si agent Sensors : Apa saja yang menjadi input si agent
19
Contoh : Taksi Otomatis
Agent taksi otomatis menerima penumpang dan mengantarkannya ke tujuan Performance Measure : sampai tujuan, tidak melanggar aturan lalu lintas, perjalanan nyaman, hemat bensin Environment : jalan, lalu lintas, pejalan kaki, penumpang Actuators : arah setir, gas, rem, klakson, sinyal kiri atau kanan, lampu taksi Sensors : video, speedometer, GPS, keyboard
20
Medical Diagnosis System
Sebuah Agent Medical diagnosis system yang mendiagnosa pasien secara otomatis. Performance Measure : pasien sembuh, biaya murah, diagnosis benar Environment : pasien, rumah sakit, perawat, dokter Actuators : layar monitor (pertanyaan, tes, diagnosa treatment, petunjuk) Sensors : keyboard (input jawaban pasien tentang gejala penyakit)
21
Interactive English Tutor
Sebuah Agen Tutor yang memberikan latihan english secara interaktif Performance Measure : Nilai skor maksimal Environment : siswa Actuators : layar monitor (latihan, saran, koreksi) Sensors : keyboard
22
Jenis Environment Fully Observable vs Partially Observable
Apakah semua info relevan diketahui? Deterministic vs Stochastic Apakah next state = current state + action? Episodic vs sequential Apakah tergantung pada pengalaman, action sebelumnya?
23
Jenis Environment Static vs Dinamic
Apakah environment tidak berubah setelah agent bertindak / proses ? Discrete vs Continuous Sifat state, percept, action : diskrit atau kontinyu Single agent vs Multi agent Apakah agent bertindak sendiri atau ada lawan?
24
Contoh : Jenis Environment
Agent Catur dengan waktu Catur tanpa waktu Taxi driving Fully Observable Ya Tidak Deterministic Ya, Strategic Episodic Static Semi Dicrete Single Agent
25
Contoh : Jenis Environment
26
Jenis Environment Jenis environment menentukan desain agent
Di dunia nyata pada umumnya Partially observable Stochastic Sequential Dynamic Continous Multi agent
27
Struktur Sebuah Agent Agent Function : Sebuah fungsi yang memetakan sejarah input (percept sequence) terhadap tindakan yang dilakukan (action) Sebuah program yang mengimplementasikan fungsi f di atas arsitektur Agent = Arsitektur + Program Agent program menerima input percept terakhir (mungkin ia menyimpan percept sequence di dalam memorinya) F : P* A
28
Contoh Agent : Vacuum Cleaner
Performance Measure : menjaga kebersihan Environment : Ruangan A dan B beserta debu Actuators : DoKeKiri, DoKeKanan,DoBersih, DoSantai Sensors : Lokasi dan Status dari sensor Contoh :[A, Kotor] sequence : {[A,Kotor], [A,Kotor],[A,Bersih],[B, Kotor],…}
29
Contoh : AgenRajin Agent function AgenRajin
f({…,[*,Kotor]}) DoBersih f({…,[A,Bersih]}) DoKeKanan f({…,[B,Bersih]}) DoKeKiri Agent program AgenRajin Function AgenRajin (lokasi,status) returns action if status = kotor then return DoBersih else if lokasi = A then return DoKeKanan else return DoKeKiri
30
Jenis-jenis Agent Program
Simple Reflex Agent Model-based reflex agents Goal-based agents Utility-based agents Learning agents
31
Simple Reflex Agent Bertindak berdasarkan percept/ input sensor terakhir saja.
32
Simple Reflex Agent
33
Model-based reflex agents
-Bertindak berdasarkan input saat ini dan menggunakan histori input sebelumnya sebagai informasi pelengkap. -Merekam histori kondisi lingkungan, tindakan yang diambil oleh agen serta dampak dari tindakan tersebut. -Rekaman histori kondisi lingkungan tersebut disebut model
34
Model-based reflex agents
35
Model-based reflex agents
36
Goal-based agents Memiliki informasi mengenai tujuan, memilih tindakan yang mencapai tujuan
37
Goal-based agents
38
Utility-based agents - Melakukan penilaian kuantitatif terhadap suatu keadaan lingkungan –> utility function. -Agen melakukan perhitungan terhadap kinerja/kualitas tindakan yang diambil untuk mencapai tujuan
39
Utility-based agents
40
Learning agents Belajar dari pengalaman, bisa meningkatkan kinerja agen
41
Perhatikan Robot / Intelligent Agent berikut termasuk jenis agen yang mana ? Robot-robot di dunia
42
Mendefinisikan Masalah Dalam Ruang Keadaan
NEXT >>> Mendefinisikan Masalah Dalam Ruang Keadaan
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.