Jenis agen AI

Kecerdasan buatan (AI) telah mengubah cara mesin berinteraksi dengan dunia, dengan memungkinkan mesin memahami, bernalar, dan bertindak secara cerdas. Inti dari banyak sistem kecerdasan buatan (AI) adalah agen cerdas, entitas otonom yang mengambil keputusan dan melaksanakan tugas berdasarkan lingkungannya.

Agen ini dapat berupa sistem berbasis aturan sederhana hingga sistem pembelajaran tingkat lanjut yang didukung oleh model bahasa besar (LLM) yang beradaptasi dan meningkat seiring waktu.

Agen AI diklasifikasikan berdasarkan tingkat kecerdasan, proses pengambilan keputusan, dan caranya berinteraksi dengan lingkungan untuk mencapai hasil yang diinginkan. Beberapa agen beroperasi murni berdasarkan aturan yang telah ditentukan, sementara yang lain menggunakan algoritma pembelajaran untuk memperbaiki perilaku.

Ada 5 jenis utama agen AI: agen refleks sederhana, agen refleks berbasis model, agen berbasis tujuan, agen berbasis utilitas, dan agen pembelajaran. Setiap jenis memiliki keunggulan dan aplikasi yang berbeda, mulai dari sistem otomatis dasar hingga model AI yang sangat adaptif.

Kelima jenis ini dapat diterapkan bersama sebagai bagian dari sistem multiagen. Masing-masing agen khusus menangani bagian tugas yang paling cocok dengan fungsinya.

Agen refleks sederhana adalah jenis agen AI paling dasar, dirancang untuk beroperasi berdasarkan respons langsung terhadap kondisi lingkungan. Agen-agen ini mengikuti aturan yang telah ditentukan sebelumnya, yang dikenal sebagai aturan kondisi-tindakan, untuk mengambil keputusan tanpa mempertimbangkan pengalaman masa lalu atau konsekuensi di masa depan.

Agen refleks menerapkan persepsi lingkungan saat ini melalui sensor dan mengambil tindakan berdasarkan seperangkat aturan tetap.

Sebagai contoh, termostat adalah agen refleks sederhana yang menyalakan pemanas jika suhu turun di bawah ambang batas tertentu, dan mematikannya ketika suhu yang diinginkan tercapai. Demikian pula, sistem lampu lalu lintas otomatis mengubah sinyal berdasarkan input sensor lalu lintas, tanpa mengingat keadaan di masa lalu.

Agen refleks sederhana efektif dalam lingkungan terstruktur dan dapat diprediksi, dengan aturan yang ditetapkan dengan baik. Namun, agen jenis ini akan mengalami kesulitan dalam situasi dinamis atau kompleks yang memerlukan ingatan, pembelajaran, atau perencanaan jangka panjang.

Karena tidak menyimpan informasi dari masa lalu, agen jenis ini dapat berulang kali membuat kesalahan yang sama jika aturan yang telah ditetapkan tidak mencukupi untuk menangani situasi baru.

Agen refleks berbasis model adalah versi yang lebih canggih dari agen refleks sederhana. Meskipun masih bergantung pada aturan kondisi-tindakan untuk mengambil keputusan, agen ini juga menggabungkan model internal dunia. Model ini membantu agen melacak keadaan lingkungan saat ini dan memahami bagaimana interaksi di masa lalu dapat memengaruhi lingkungan tersebut, sehingga memungkinkan agen mengambil keputusan yang lebih tepat.

Berbeda dengan agen refleks sederhana yang hanya merespons input sensoris saat ini, agen refleks berbasis model menggunakan model internalnya untuk melakukan penalaran tentang dinamika lingkungan dan mengambil keputusan yang sesuai.

Misalnya, sebuah robot yang sedang menavigasi suatu ruangan mungkin tidak hanya akan bereaksi terhadap rintangan yang ada di jalannya, tetapi juga akan mempertimbangkan gerakan sebelumnya dan lokasi rintangan yang telah dilewati.

Kemampuan untuk melacak keadaan masa lalu memungkinkan agen refleks berbasis model berfungsi lebih efektif dalam lingkungan yang sebagian tidak dapat diamati. Agen jenis ini mampu menangani situasi di mana konteks perlu diingat dan digunakan untuk pengambilan keputusan di masa depan, sehingga membuatnya lebih adaptif dibandingkan agen yang lebih sederhana.

Namun, agen berbasis model memiliki fleksibilitas yang lebih baik, tetapi masih tidak memiliki kemampuan analisis yang canggih atau pembelajaran yang diperlukan untuk masalah yang benar-benar kompleks di lingkungan yang dinamis.

Agen refleks berbasis tujuan memperluas kemampuan agen refleks sederhana dengan menambahkan pendekatan pemecahan masalah yang proaktif dan berorientasi pada tujuan.

Tidak seperti agen refleks yang hanya bereaksi terhadap stimulus lingkungan dengan aturan yang ditetapkan, agen berbasis tujuan akan mempertimbangkan tujuan akhir serta menggunakan perencanaan dan pemikiran untuk memilih tindakan yang membawanya lebih dekat dengan pencapaian tujuan tersebut.

Agen-agen ini beroperasi dengan menetapkan tujuan tertentu, yang memandu tindakan mereka. Mereka mengevaluasi berbagai tindakan yang mungkin dilakukan dan memilih yang paling mungkin membantu mereka mencapai tujuan tersebut.

Misalnya, robot yang dirancang untuk menjelajahi bangunan mungkin memiliki tujuan untuk mencapai ruangan tertentu. Alih-alih hanya bereaksi terhadap rintangan yang ada di depannya, robot akan merencanakan jalur yang meminimalkan jalan memutar dan menghindari rintangan yang diketahui, berdasarkan penilaian logis dari pilihan yang tersedia.

Kemampuan agen berbasis tujuan untuk bernalar memungkinkannya bertindak dengan kemampuan prediksi yang lebih baik dibandingkan dengan agen refleks yang lebih sederhana. Agen ini mempertimbangkan kondisi masa depan dan potensi dampaknya terhadap pencapaian tujuan.

Namun, agen berbasis tujuan masih relatif terbatas dalam mengelola kompleksitas dibandingkan dengan jenis agen yang lebih maju. Hal ini karena agen berbasis tujuan seringkali bergantung pada strategi atau decision trees yang telah diprogram sebelumnya untuk mengungkapkan tujuan.

Agen refleks berbasis tujuan banyak digunakan dalam robotika, kendaraan otonom, dan sistem simulasi yang kompleks di mana mencapai tujuan yang jelas sangat penting, tetapi juga memerlukan adaptasi dan pengambilan keputusan secara real-time.

Agen refleks berbasis utilitas lebih dari sekadar mencapai tujuan sederhana dengan menggunakan fungsi utilitas untuk mengevaluasi dan memilih tindakan yang memaksimalkan manfaat secara keseluruhan.

Sementara agen berbasis tujuan memilih tindakan berdasarkan kegunaannya untuk memenuhi tujuan tertentu, agen berbasis utilitas mempertimbangkan berbagai kemungkinan hasil dan memberikan nilai utilitas untuk setiap tindakan, guna membantu menentukan tindakan yang paling optimal. Hal ini memungkinkan pengambilan keputusan yang lebih kompleks, terutama dalam situasi yang melibatkan banyak tujuan atau pertimbangan.

Sebagai contoh, mobil otonom mungkin dihadapkan pada keputusan untuk memilih antara kecepatan, efisiensi bahan bakar, dan keselamatan saat menavigasi suatu rute. Alih-alih hanya bertujuan mencapai tujuan, mobil ini mengevaluasi setiap opsi berdasarkan fungsi utilitas, seperti meminimalkan waktu perjalanan, memaksimalkan penghematan bahan bakar, atau memastikan keselamatan penumpang. Agen memilih tindakan dengan skor utilitas tertinggi secara keseluruhan.

Perusahaan e-commerce dapat menggunakan agen berbasis utilitas untuk mengoptimalkan penetapan harga dan merekomendasikan produk. Agen tersebut mengevaluasi berbagai opsi, seperti riwayat penjualan, preferensi pelanggan, dan tingkat inventaris untuk mengambil keputusan yang tepat tentang cara menentukan harga barang secara dinamis.

Agen refleks berbasis utilitas lebih efektif di lingkungan yang dinamis dan kompleks, di mana keputusan berbasis tujuan biner yang sederhana mungkin tidak memadai. Agen ini membantu menyeimbangkan tujuan yang saling bertentangan dan beradaptasi dengan kondisi yang berubah, memastikan perilaku yang lebih cerdas dan fleksibel.

Namun, membuat fungsi utilitas yang akurat dan andal bisa menjadi tantangan tersendiri, karena memerlukan pertimbangan cermat atas berbagai faktor sekaligus dampaknya terhadap hasil keputusan.

Agen pembelajaran meningkatkan kinerjanya dari waktu ke waktu dengan beradaptasi dengan pengalaman dan data baru. Tidak seperti agen AI lainnya, yang mengandalkan aturan atau model yang telah ditentukan sebelumnya, agen pembelajaran terus memperbarui perilakunya berdasarkan masukan dari lingkungan. Hal ini memungkinkan agen meningkatkan kemampuan pengambilan keputusan dan berkinerja lebih baik dalam situasi yang dinamis dan tidak pasti.

Agen pembelajaran umumnya terdiri dari 4 komponen utama:

1. Elemen kinerja: Mengambil keputusan berdasarkan basis pengetahuan.

2. Elemen pembelajaran: Menyesuaikan dan meningkatkan pengetahuan agen berdasarkan masukan dan pengalaman.

3. Kritik: Mengevaluasi tindakan agen dan memberikan masukan, sering kali dalam bentuk imbalan atau penalti.

4. Pembuat masalah: Menyarankan tindakan eksplorasi untuk membantu agen menemukan strategi baru dan meningkatkan pembelajarannya.

Misalnya, dalam pembelajaran penguatan, agen dapat mempelajari berbagai strategi, menerima imbalan untuk tindakan yang benar dan penalti untuk tindakan yang salah. Seiring waktu, agen mempelajari tindakan mana yang memaksimalkan imbalannya dan menyempurnakan pendekatannya.

Agen pembelajaran sangat fleksibel dan mampu menangani lingkungan yang kompleks dan selalu berubah. Agen ini berguna dalam aplikasi seperti sistem swakemudi, robotika, dan asisten virtual yang membantu agen manusia dalam menyediakan dukungan pelanggan.

Kemampuan untuk belajar dari interaksi membuat agen pembelajaran sesuai untuk aplikasi di berbagai bidang seperti chatbot persisten dan media sosial, di mana pemrosesan bahasa alami (NLP) menganalisis perilaku pengguna untuk memprediksi dan mengoptimalkan rekomendasi konten.

Sistem AI yang kian rumit menghadirkan kebutuhan akan agen hierarkis. Agen ini dirancang untuk memecah masalah yang kompleks menjadi beberapa subtugas yang lebih kecil dan mudah dikelola. Langkah ini memudahkan penanganan masalah yang kompleks dalam skenario dunia nyata. Agen dengan tingkatan yang lebih tinggi berfokus pada tujuan menyeluruh, sementara agen dengan tingkatan yang lebih rendah menangani tugas yang lebih spesifik.

Orkestrasi AI yang mengintegrasikan berbagai jenis agen AI dapat menghasilkan sistem multiagen yang sangat cerdas dan adaptif, serta mampu mengelola tugas-tugas kompleks di berbagai domain.

Sistem seperti ini dapat beroperasi secara real time, menanggapi lingkungan yang dinamis dan terus meningkatkan kinerjanya berdasarkan pengalaman di masa lalu.

Misalnya, di pabrik cerdas, sistem manajemen cerdas mungkin melibatkan agen otonom refleksif yang menangani otomatisasi dasar dengan merespons input sensor dengan aturan yang telah ditentukan sebelumnya. Agen-agen ini membantu memastikan bahwa mesin merespons secara instan terhadap perubahan lingkungan, seperti menghentikan sabuk konveyor jika terdeteksi adanya bahaya keamanan.

Sementara itu, agen refleks berbasis model mempertahankan model internal lingkungannya sendiri. Agen ini melacak keadaan internal mesin dan menyesuaikan operasinya berdasarkan interaksi di masa lalu, seperti mengenali kebutuhan pemeliharaan sebelum kegagalan terjadi.

Pada tingkat yang lebih tinggi, agen berbasis tujuan membantu mendorong tujuan spesifik pabrik, seperti mengoptimalkan jadwal produksi atau mengurangi limbah. Agen-agen ini mengevaluasi tindakan yang mungkin dilakukan guna menentukan cara paling efektif dalam mencapai tujuannya.

Agents berbasis utilitas menyempurnakan proses ini lebih lanjut dengan mempertimbangkan berbagai faktor, seperti konsumsi energi, efisiensi biaya, dan kecepatan produksi, melalui pemilihan tindakan yang memaksimalkan utilitas yang diharapkan.

Akhirnya, agen pembelajaran terus meningkatkan operasi pabrik melalui pembelajaran penguatan dan teknik machine learning (ML). Mereka menganalisis pola data, mengadaptasi alur kerja, dan menyarankan strategi inovatif untuk mengoptimalkan efisiensi manufaktur.

Dengan mengintegrasikan semua 5 jenis agen AI, orkestrasi ini yang didukung AI dapat meningkatkan proses pengambilan keputusan, mempermudah alokasi sumber daya, dan mengurangi intervensi manusia, sehingga membentuk sistem industri yang lebih cerdas dan otonom.

Seiring dengan terus berkembangnya AI agen, kemajuan dalam AI generatif (gen AI) akan meningkatkan kemampuan agen AI di berbagai industri. Sistem AI menjadi makin mahir dalam menangani contoh penggunaan yang kompleks dan meningkatkan pengalaman pelanggan.

Baik dalam e-commerce, layanan kesehatan, maupun robotika, agen AI mengoptimalkan alur kerja, mengotomatiskan proses, dan memungkinkan organisasi menyelesaikan masalah dengan lebih cepat dan efisien.