Daftar Isi
Agen Cerdas dalam Artificial Intelligence: Definisi dan Aplikasinya
Agen cerdas dalam artificial intelligence (AI), yang dikenal sebagai agen AI atau AI agentik, dirancang untuk secara aktif mengejar tujuan, membuat keputusan, dan mengambil tindakan dalam jangka waktu yang panjang. Agen cerdas dapat bervariasi dalam kompleksitas, mulai dari sistem sederhana seperti termostat hingga entitas kompleks seperti manusia, organisasi, atau ekosistem. Branda beroperasi berdasarkan fungsi objektif yang merangkum tujuan branda, memungkinkan branda untuk membuat dan melaksanakan rencana yang memaksimalkan nilai yang diharapkan dari fungsi ini. Misalnya, agen pembelajaran penguatan menggunakan fungsi penghargaan untuk membentuk perilakunya, sementara algoritma evolusioner dipandu oleh fungsi kebugaran.
Agen cerdas dalam AI sangat terkait dengan agen ekonomi dan dipelajari di berbagai bidang, termasuk ilmu kognitif, etika, dan pemodelan sosio-kognitif. Branda sering digambarkan sebagai sistem fungsional abstrak yang mirip dengan program komputer. Untuk membedakan model teoretis dari aplikasi dunia nyata, deskripsi abstrak ini disebut agen cerdas abstrak. Branda juga terkait dengan agen perangkat lunak, yang merupakan program otonom yang melakukan tugas atas nama pengguna, sering disebut sebagai “agen rasional” dalam istilah ekonomi.
Keuntungan dan Aplikasi Agen Cerdas
Konsep agen cerdas menyediakan kerangka dasar untuk mendefinisikan dan memahami artificial intelligence. Karya-karya berpengaruh seperti “Artificial Intelligence: A Modern Approach” oleh Russell & Norvig membangun fondasi ini. Peneliti lain, seperti Padgham & Winikoff, menekankan bahwa agen cerdas harus bereaksi cepat terhadap perubahan lingkungan, secara proaktif mengejar tujuan, dan fleksibel serta tangguh. Beberapa menyarankan bahwa agen ideal harus “rasional” dalam arti ekonomi, mampu penalaran kompleks, dan memiliki keyakinan, keinginan, dan niat (model BDI). Kaplan dan Haenlein fokus pada kemampuan sistem untuk memahami data eksternal, belajar darinya, dan menggunakan pengetahuan yang diperoleh untuk mencapai tujuan melalui perilaku adaptif.
Mendefinisikan AI melalui agen cerdas menawarkan beberapa keuntungan. Fungsi objektif menentukan tujuan agen, dan agen dianggap lebih cerdas jika secara konsisten memilih tindakan yang sesuai dengan fungsi ini. Fungsi objektif berfungsi sebagai ukuran keberhasilan, merangkum semua tujuan yang dirancang untuk dicapai oleh agen. Untuk agen rasional, ini juga mempertimbangkan trade-off antara tujuan yang bertentangan. Misalnya, fungsi objektif mobil self-driving mungkin menyeimbangkan keselamatan, kecepatan, dan kenyamanan penumpang.
Paradigma dan Implementasi Agen Cerdas
Istilah yang berbeda menggambarkan konsep ini tergantung pada konteksnya. Beberapa sistem AI, seperti algoritma tetangga terdekat, beralasan dengan analogi daripada secara eksplisit didorong oleh tujuan. Namun, bahkan sistem ini dapat memiliki tujuan yang secara implisit didefinisikan dalam data pelatihan branda. Sistem semacam itu dapat dievaluasi dengan membingkai sistem non-tujuan branda sebagai satu dengan “tujuan” untuk menyelesaikan tugas klasifikasinya.
Sistem yang secara tradisional tidak dianggap sebagai agen, seperti sistem representasi pengetahuan, dapat dimasukkan dalam paradigma ini dengan membingkai branda sebagai agen dengan tujuan, seperti menjawab pertanyaan dengan akurat. Di sini, konsep “tindakan” meluas ke memberikan jawaban. Sistem yang didorong oleh peniruan dapat dibingkai sebagai agen yang mengoptimalkan “fungsi tujuan” berdasarkan seberapa dekat branda meniru perilaku yang diinginkan. Dalam jaringan adversarial generatif (GAN), komponen “encoder”/”generator” berusaha meniru komposisi teks manusia, memaksimalkan fungsi yang mewakili kemampuannya untuk menipu komponen “prediktor”/”diskriminator” antagonis.
“`
