Apa itu agen berbasis tujuan?

Dalam hierarki lima tingkat kompleksitas agen, agen berbasis tujuan berada tepat di tengah. Mereka lebih kompleks daripada agen refleks sederhana (yang mengikuti aturan yang telah ditetapkan) dan agen refleks berbasis model (yang menambahkan model internal dunia). Namun, mereka kurang kompleks daripada agen berbasis utilitas (yang dapat menghitung trade-off menggunakan apa yang disebut fungsi utilitas) dan agen pembelajaran (yang dapat beradaptasi dan meningkat seiring waktu, sering kali melalui pembelajaran penguatan atau pembelajaran mendalam).

Agen berbasis tujuan melampaui agen refleks yang lebih sederhana dengan menambahkan fungsi perencanaan yang mempertimbangkan keadaan masa depan—tetapi mereka berhenti sebelum menggunakan penilaian dinamis dari agen yang lebih canggih, dan sebagai gantinya mengandalkan strategi atau struktur keputusan yang telah diprogram sebelumnya untuk mengejar tujuan mereka. 

Salah satu contoh agen berbasis tujuan berasal dari ranah robotika, khususnya otomatisasi gudang. Robot gudang yang perlu mengambil barang tertentu dari rak tertentu bisa saja hanya bereaksi terhadap rintangan langsung, seperti robot vakum yang menabrak dinding (murni “agen reaktif”). Namun, yang lebih efisien adalah merencanakan jalur yang meminimalkan jalan memutar dan menghindari rintangan yang diketahui. Misalnya, dalam lingkungan yang dinamis seperti gudang modern, modul perencanaan dapat berkonsultasi dengan basis pengetahuannya, mengamati keadaan saat ini, dan memetakan keadaan masa depan (misalnya, dengan kesadaran akan gerakan yang direncanakan bot lain), agar dapat mencapai hasil yang diinginkan secara efisien.

Agen berbasis tujuan beroperasi dalam empat tahap: 

1. Definisi tujuan
2. Perencanaan
3. Pemilihan tindakan
4. Eksekusi

Pertama, agen diberi definisi yang tepat tentang kesuksesan. Tidak seperti agen berbasis utilitas, agen berbasis tujuan beroperasi di bawah kondisi logis biner. Namun, meskipun agen berbasis tujuan dapat mendefinisikan kesuksesan sebagai pembalikan bit dari satu keadaan ke keadaan lain, tidak ada yang mencegah “tujuan” tunggal agen semacam itu menjadi seperangkat logika proposisional dan orde pertama yang cukup kompleks. Misalnya, robot mungkin menetapkan tujuan “untuk setiap paket yang saat ini ditandai mendesak, kirimkan masing-masing dari lokasi inventarisnya ke dermaga pengiriman.” Tujuannya pada dasarnya biner (seseorang dapat berhasil atau gagal pada tujuan ini), tetapi juga memiliki banyak komponen, sehingga memungkinkan kompleksitas.

Meskipun akan menyenangkan jika pengguna manusia dapat menentukan tujuan secara tepat, manusia juga mungkin memasukkan tujuan yang lebih samar (“mengoptimalkan pemenuhan liburan”), lalu LLM menjembatani kesenjangan tersebut dan mendefinisikannya menjadi tujuan atau sekumpulan tujuan yang lebih tepat (misalnya, “memperkirakan throughput harian sistem,” “menetapkan paket P sebagai prioritas tertinggi,”; “menetapkan tujuan untuk mengirimkan paket P dalam waktu 24 jam”). 

Setelah membentuk tujuannya, agen berbasis tujuan terlibat dalam sedikit perencanaan sebelum beralih ke eksekusi. Misalnya, dalam contoh gudang, agen akan meluangkan waktu untuk memodelkan kondisi saat ini dan kondisi potensial guna memilih jalur optimal untuk memenuhi pesanan prioritas tertinggi tepat waktu—memutuskan, misalnya, seberapa sering agen harus melakukan perjalanan dari rak inventaris ke ruang pengiriman.

Tentu saja, rencana hanya sebaik kenyataan yang dihadapinya. Sementara beberapa agen berbasis tujuan bersifat “konservatif” dan lebih suka tetap pada rencana sampai rencana tersebut benar-benar tidak mungkin dilakukan, pendekatan yang lebih fleksibel datang dari agen “oportunistik” yang, jika menghadapi hambatan pada rencana mereka, secara fleksibel menghitung tindakan selanjutnya yang lebih baik: seperti ketika Google Maps menghindari kemacetan lalu lintas yang tidak terduga.

Dalam kasus robot gudang, sensor pada mesin dapat membantu memantau situasi secara real-time, memberi masukan data penting ke modul perencanaan. Sebagai contoh, jika sensor mendeteksi bahwa sub-tujuan “mengambil paket” telah gagal karena suatu alasan, agen berbasis tujuan dapat mencoba mendiagnosis penyebabnya, merencanakan pendekatan alternatif, atau meminta cadangan.

Keputusan tentang jenis agen AI mana yang akan digunakan bergantung pada jenis masalah yang harus dipecahkan. Selama diberi tujuan spesifik, model AI yang mendasari agen berbasis tujuan dapat membuat keputusan berdasarkan informasi dan menangani tugas yang kompleks—tetapi kriteria keberhasilannya harus langsung (sering kali biner).

Namun, dalam situasi di mana kemampuan beradaptasi secara real-time sangat penting, atau ketika ada beberapa tujuan yang harus dioptimalkan, bisnis mungkin ingin beralih dari agen berbasis tujuan ke opsi yang lebih canggih, seperti agen berbasis utilitas. Contoh kanonik di sini adalah kendaraan otonom. Ketika seorang penumpang memanggil mobil self-driving, ada beberapa tujuan yang harus diseimbangkan: durasi, harga, penghindaran lalu lintas, dan keselamatan. Untuk memberikan pengalaman pelanggan terbaik, kendaraan yang didukung AI harus menjalani proses pengambilan keputusan yang kompleks, menghitung berbagai trade-off dari tindakan yang mungkin terjadi. Fungsi utilitas yang dihasilkan akan menentukan tindakan agen. 

Tidak ada yang mengatakan bahwa sistem agen tidak dapat “mencampur dan mencocokkan” jenis agen, dengan setiap agen disesuaikan dengan kompleksitas masalah yang dihadapi. Misalnya, orang dapat membayangkan contoh dari perawatan kesehatan: rumah sakit yang tidak hanya mempekerjakan agen berbasis tujuan untuk menjalankan alur kerja, tetapi juga agen dari empat jenis lain yang diperiksa.

Pada tingkat yang paling sederhana, agen refleks bernama Vitals Monitor mungkin hanya memantau tanda-tanda vital semua pasien. Tujuan spesifiknya adalah memicu alarm jika detak jantung pasien, misalnya, turun di bawah tingkat tertentu—agar dokter atau perawat dapat diperingatkan untuk melakukan intervensi manusia. Agen semacam itu dapat mengandalkan algoritma jika/maka yang sederhana.

Satu tingkat di atasnya, agen refleks berbasis model bernama Inventory Agent dapat mengelola inventaris obat-obatan dan persediaan untuk rumah sakit. Agen ini mempertahankan model internal inventaris saat ini, pola penggunaan historis, dan waktu respons mitra rantai pasokan, agar dapat lebih baik dalam memperlancar pesanan isi ulang.

Ketiga, agen berbasis tujuan pada tingkat yang lebih tinggi yang disebut Discharge Planner mungkin bekerja mundur dari tujuan biner sederhana berupa pemulangan pasien. Agen ini akan bergantung pada strategi dan struktur keputusan yang telah diprogram sebelumnya, sambil juga mempertimbangkan keadaan di masa depan, untuk mengoordinasikan laboratorium, obat-obatan, dan tanda tangan spesialis—termasuk semua subtugas yang diperlukan. Jika suatu langkah tertunda, modul perencanaannya dapat dijalankan kembali untuk merumuskan rencana baru. (Agen berbasis tujuan, seperti kebanyakan agen ini, kemungkinan akan disesuaikan pada model bahasa besar.)

Keempat, agen berbasis utilitas yang disebut Bed Assignment Optimizer dapat menugaskan pasien ke berbagai ruangan sambil mencoba memaksimalkan keamanan, kepuasan, dan throughput. Karena harus mengelola banyak faktor dan trade-off yang kompleks, agen ini bekerja dengan fungsi utilitas, menilai variabel seperti penularan, tingkat kepegawaian, dan tingkat keparahan penyakit.

Kelima, dan pada tingkat tertinggi, agen pembelajaran yang disebut Asisten Intake menggunakan machine learning untuk mencari pola dari pengalaman masa lalu guna meningkatkan pertanyaan triase, menandai pasien berisiko tinggi, dan mengurangi langkah-langkah yang berlebihan. Tidak seperti agen tingkat rendah, agen pembelajaran ini harus terus mengevaluasi kumpulan data yang berkembang, mencari pola mendalam yang mungkin tidak terlihat oleh manusia. 

Kelima agen tersebut bekerja sama sebagai satu rangkaian asisten virtual untuk memecahkan masalah yang kompleks. Dengan orkestrasi yang tepat, serta integrasi berbagai kemampuan mulai dari pemrosesan bahasa alami (NLP) dan AI generatif hingga visi komputer dan panggilan alat API, sistem multi-agen dapat tetap sederhana ketika perlu sederhana, dan kompleks ketika perlu kompleks.