Apa itu agen refleks berbasis model?

Agen refleks berbasis model dirancang untuk beroperasi di lingkungan yang dinamis atau sebagian dapat diamati. Model referensi internal agen diperbarui sebagai hasil dari tindakan agen, memungkinkan model untuk menyimpulkan aspek lain dari lingkungannya. Selanjutnya, agen merujuk pada status internalnya untuk menentukan tindakan berikutnya.

Perbedaan antara agen refleks berbasis model dan agen refleks sederhana adalah bahwa sementara kedua jenis agen AI dapat menggunakan persepsi agen AI untuk bereaksi terhadap perubahan lingkungan secara real time, agen refleks berbasis model memiliki memori yang persisten tentang lingkungan mereka. Agen refleks sederhana adalah bentuk AI agen yang kurang kompleks yang membuat keputusan hanya berdasarkan keadaan lingkungan saat ini. 

Dengan hanya persepsi mereka saat ini yang tersedia, agen refleks sederhana terbatas dalam hal pengambilan keputusan yang tepat: mereka tidak dapat mengingat informasi sebelumnya atau mengantisipasi bagaimana lingkungan mereka akan berubah, baik sebagai akibat dari tindakan mereka sendiri atau faktor eksternal lainnya. 

Tidak seperti agen refleks sederhana, agen refleks berbasis model mempertahankan keadaan internal simbolis yang mencatat persepsi masa lalu dan fakta lingkungan yang disimpulkan. Model internal memungkinkan mereka untuk menangani lingkungan yang sebagian dapat diamati atau dinamis secara lebih efektif. Agen-agen ini dapat memprediksi bagaimana tindakan dapat menyebabkan lingkungan mereka berubah, memungkinkan proses pengambilan keputusan yang adaptif.

Agen refleks berbasis model terdiri dari empat komponen utama:

• Sensor
   

• Model internal
   

• Komponen penalaran
   

• Aktuator

Sensor memungkinkan agen untuk merasakan rangsangan dan informasi lingkungan. Input sensorik dapat mencakup informasi fisik langsung seperti umpan kamera atau pembacaan suhu, atau data virtual seperti koneksi API atau umpan simulasi. Tanpa sensor, agen tidak akan dapat memperoleh dan mempelajari data dari lingkungannya.

Model internal mewakili pemahaman agen saat ini tentang lingkungannya, termasuk pengalaman masa lalu, keadaan tak terlihat yang disimpulkan dan prediksi tentang bagaimana tindakan yang mungkin dapat mengubah lingkungan itu.

Komponen penalaran membuat keputusan berdasarkan data dalam model internal. Penalaran agen sering kali berbasis aturan, seperti dengan aturan kondisi-tindakan yang menggunakan aturan yang telah ditentukan yang memberi tahu agen cara bertindak.  

Aturan kondisi-tindakan menetapkan serangkaian pernyataan jika-maka yang memberi tahu agen apa yang harus dilakukan dalam situasi tertentu. Misalnya, pada mobil swakemudi, aturan kondisi-tindakan dapat menginstruksikan agen untuk mengerem ketika mendeteksi adanya rintangan di depan kendaraan otonom tersebut. Atau, jika agen mengendalikan smart home, agen dapat menyalakan pendingin udara ketika termostat mencatat suhu yang telah ditentukan. 

Komponen penalaran lain menggunakan model tindakan keadaan, yang menguraikan kemungkinan status sistem dan tindakan atau peristiwa apa pun yang dapat menyebabkannya pindah di antara status tersebut. Dalam bidang perawatan kesehatan, model tindakan negara dapat memprediksi bagaimana kondisi pasien mungkin membaik atau memburuk dengan kemungkinan perawatan.

Aktuator, atau elemen kinerja, adalah cara agen memengaruhi lingkungannya. Tindakan dapat berupa fisik atau virtual, seperti output perangkat lunak atau panggilan API. Dalam robotika, aktuator adalah robot fisik yang dikendalikan agen. Dalam pengaturan smart home, salah satu aktuator adalah sistem kontrol iklim rumah. Untuk asisten virtual, aktuator mungkin merupakan koneksi API ke alat yang relevan, seperti kalender.

Sebagian besar agen refleks berbasis model beroperasi berdasarkan siklus perilaku yang terdiri atas empat tahap:

1. Penginderaan
    

2. Pemodelan internal
    

3. Pengambilan keputusan
    

4. Tindakan

Setelah setiap tindakan, model memulai kembali siklus tersebut dengan mengevaluasi ulang lingkungannya, memperbarui modelnya, lalu mengambil keputusan baru. Siklus ini secara eksplisit tidak melibatkan proses pembelajaran: model internal agen diperbarui, tetapi aturan yang digunakan agen tidak berubah.

Agen menggunakan sensornya untuk memahami lingkungannya dan mengambil data yang dapat diamati. Contoh, agen yang mengoperasikan armada bot pengiriman dapat menggunakan kamera mereka untuk deteksi pejalan kaki dan lalu lintas jalan.

Dengan menggunakan data lingkungan yang dirasakan, agen membuat atau memperbarui model internal lingkungan dunia nyata. Model ini menggunakan data yang dapat diamati untuk menyimpulkan keadaan aspek lingkungan yang tidak dapat diamati. Model internal juga memberikan tindakan potensial bagi agen untuk mengambil dan memprediksi bagaimana tindakan tersebut dapat memengaruhi lingkungannya.

Agen menggunakan informasi dalam model internalnya bersama dengan logika komponen penalarannya untuk memutuskan suatu tindakan. Jika robot pengiriman mendeteksi sinyal berjalan dan tidak ada lalu lintas yang melaju, ia mungkin memutuskan untuk menyeberang jalan.

Pada fase tindakan, agen menggunakan aktuatornya untuk melaksanakan keputusan yang dibuat dalam fase pengambilan keputusan. Bot pengiriman kita akan mengaktifkan motornya untuk menyalurkan daya ke roda, menyeberangi jalan, lalu melaju menuju tujuannya.

Agen refleks berbasis model efektif dalam lingkungan yang membutuhkan penginderaan berkelanjutan dan pengambilan keputusan real-time, seperti robotika, kendaraan otonom, dan AI game real-time. 

Dengan robotika dan kendaraan otonom, agen refleks berbasis model menavigasi lingkungan yang dinamis untuk meminimalkan bahaya dan memandu robot atau kendaraan ke tujuannya. Agen pemain game dapat memprediksi tindakan pengguna dan bereaksi untuk memberikan tingkat tantangan yang dibutuhkan oleh perancang game. 

Kasus contoh penggunaan otomatisasi skala besar melihat agen refleks berbasis model memaksimalkan efisiensi, mengubah produksi dan inventaris sebagai respons terhadap perubahan kondisi.

Agen refleks bukan satu-satunya jenis agen di luar sana. Jenis agen lainnya meliputi:

• Agen berbasis tujuan
   

• Agen berbasis utilitas
   

• Agen pembelajaran
   

• Agen hierarkis

Agen berbasis tujuan dirancang untuk mencapai tujuan tertentu. Sementara agen refleks biasanya beroperasi secara reaktif di bawah serangkaian kondisi jika-maka, agen berbasis tujuan menggunakan teknik pemecahan masalah untuk mencari cara mencapai tujuan tertentu. Rencana tersebut terdiri dari serangkaian tindakan dan tugas spesifik yang kemungkinan akan mengarah pada penyelesaian tujuan. 

Agen berbasis tujuan menggunakan algoritma machine learning pencarian dan perencanaan seperti A\ * atau Stanford Research Institute Problem Solver (STRIPS) untuk menghasilkan urutan tindakan yang dimaksudkan untuk mencapai tujuan.

Agen berbasis utilitas mirip dengan agen berbasis tujuan tetapi dengan fokus pada efisiensi. Fungsi utilitas menganalisis potensi keadaan masa depan untuk efektivitas maksimum dan memberikan nilai numerik pada hasil untuk mengurangi ketidakpastian. Strategi optimal adalah strategi yang memaksimalkan utilitas yang diharapkan dari pilihan agen. Agen berbasis utilitas difokuskan untuk mendapatkan hasil jangka panjang terbaik.

Agen pembelajaran memiliki fitur yang mengoptimalkan perilaku agen dan proses pengambilan keputusan berdasarkan hasil dari pilihan sebelumnya. Komponen generator masalah mengusulkan strategi eksplorasi baru, membantu agen menemukan perilaku yang lebih baik dibanding mengulangi yang lama. Agen cerdas ini meningkat seiring berjalannya waktu. 

Agen pembelajaran menggunakan metode seperti pembelajaran terawasi, pembelajaran tak terawasi , dan pembelajaran penguatan untuk menyempurnakan perilaku mereka. 

Misalnya, agen pembelajaran yang diminta untuk membuat sistem penetapan harga dinamis akan menganalisis respons konsumen dan permintaan untuk mengubah harga di masa depan. Agen pembelajaran dapat beradaptasi dengan preferensi pengguna tunggal, menggunakan pemrosesan bahasa alami (NLP) dan antarmuka chatbot untuk memproses input dan masukan.

Agen hierarkis digunakan dalam sistem multi-agen: agen tingkat yang lebih tinggi memecah tugas kompleks menjadi subtugas, kemudian menugaskannya ke agen tingkat rendah untuk diselesaikan. Agen tingkat tinggi dapat menjadi model bahasa besar (LLM) yang lebih kompleks, sementara agen tingkat rendah menggunakan arsitektur yang lebih sederhana untuk melaksanakan tugas. Namun, sistem agen hierarkis dapat menggunakan agen dari tingkat kompleksitas apa pun. 

Kedua kelompok agen bekerja bersama, output satu kelompok memberi input yang lain dan sebaliknya. Alur kerja berbasis agen mengoordinasikan komunikasi dan kerja sama antara tingkatan agen dalam sistem AI.

Sementara agen refleks berbasis model menawarkan fleksibilitas yang cukup besar, mereka tidak cocok untuk setiap aplikasi. Batasan dari agen refleks berbasis model meliputi: 

• Persyaratan komputasi: Mempertahankan dan terus memperbarui model internal dapat menghabiskan sumber daya komputasi yang signifikan, yang dapat mengurangi kemampuan agen untuk bereaksi dengan cepat di lingkungan yang sensitif terhadap waktu.
   

• Ketergantungan model internal: Agen refleks berbasis model hanya seefektif model internalnya. Jika model tersebut menyimpang dari kondisi dunia nyata, agen dapat membuat keputusan yang kurang optimal atau bahkan salah.
   

• Kemampuan beradaptasi terbatas: Agen refleks berbasis model tidak dapat secara mandiri mempelajari dan memperbarui kumpulan aturan mereka. Jika lingkungan berubah di luar kondisi yang diprogram untuk ditangani agen, itu akan gagal beradaptasi.
   

• Tidak ada perencanaan jangka panjang: Agen refleks berbasis model bersifat reaktif. Tidak seperti agen berbasis tujuan atau pembelajaran, mereka tidak dapat mengembangkan strategi jangka panjang untuk mengejar tujuan yang lebih luas.
   

• Tujuan fokus tunggal: Agen refleks berbasis model dirancang untuk mencapai satu fungsi tertentu dan tidak dapat menyeimbangkan beberapa arahan atau bertentangan.