Sistem multiagen (MAS) terdiri dari beberapa agen kecerdasan buatan (AI) yang bekerja bersama-sama untuk melakukan tugas atas nama pengguna atau sistem lain.
Setiap agen dalam sebuah MAS memiliki sifatnya sendiri, namun semua agen bertindak secara kolaboratif untuk mencapai sifat global yang diinginkan.1 Sistem multiagen sangat berguna dalam menyelesaikan tugas berskala besar dan kompleks yang dapat melibatkan ratusan bahkan ribuan agen.2
Inti dari ide ini adalah agen kecerdasan buatan (AI) . Agen AI mengacu pada sistem atau program yang mampu melakukan tugas secara mandiri atas nama pengguna atau sistem lain dengan merancang alur kerjanya dan menggunakan alat yang tersedia. Inti agen AI adalah model bahasa besar (LLM). Agen cerdas ini memanfaatkan teknik pemrosesan bahasa alami yang canggih dari LLM untuk memahami dan merespons input pengguna. Agen mengatasi masalah selangkah demi selangkah dan menentukan kapan harus memanggil alat eksternal. Apa yang membedakan agen AI dari LLM tradisional adalah penggunaan alat dan kemampuan untuk merancang rencana tindakan. Alat yang tersedia bagi seorang agen dapat mencakup kumpulan data eksternal, pencarian web, dan antarmuka pemrograman aplikasi (API). Mirip dengan pengambilan keputusan manusia, agen AI juga dapat memperbarui memori mereka saat memperoleh informasi baru. Pembagian informasi, penggunaan alat, dan pembelajaran adaptif memungkinkan agen AI menjadi lebih serbaguna daripada LLM tradisional.
Untuk informasi lebih lanjut tentang sistem agen tunggal, lihat konten agen AI kami yang terperinci.
Buletin industri
Dapatkan kurasi insight tentang berita AI yang paling penting dan menarik. Berlangganan buletin Think mingguan. Lihat Pernyataan Privasi IBM.
Langganan Anda akan dikirimkan dalam bahasa Inggris. Anda akan menemukan tautan berhenti berlangganan di setiap buletin. Anda dapat mengelola langganan atau berhenti berlangganan di sini. Lihat Pernyataan Privasi IBM kami untuk informasi lebih lanjut.
Sistem cerdas agen tunggal berinteraksi dengan lingkungannya untuk merencanakan secara otonom, memanggil alat, dan menghasilkan respons. Alat yang tersedia untuk agen memberikan informasi yang tidak tersedia bagi agen. Seperti dijelaskan sebelumnya, informasi ini dapat berupa basis data yang diperoleh melalui API atau agen lain. Ada perbedaan di sini antara sistem tunggal dan multiagen. Ketika memanggil agen lain sebagai alat, agen sekunder tersebut adalah bagian dari rangsangan lingkungan agen asli. Informasi itu diperoleh dan tidak ada kerja sama lebih lanjut yang terjadi. Sedangkan sistem multiagen berbeda karena melibatkan semua agen dalam lingkungan untuk memodelkan tujuan, memori, dan rencana aksi satu sama lain.4 Komunikasi di antara agen dapat dilakukan secara langsung atau tidak langsung melalui perubahan lingkungan bersama.
Setiap entitas dalam sistem multiagen adalah agen otonom sampai batas tertentu. Otonomi ini biasanya terlihat dari perencanaan agen, pemanggilan alat, dan penalaran umum. Dalam sistem multiagen, agen tetap otonom namun juga bekerja sama dan berkoordinasi dalam struktur agen.3 Untuk memecahkan masalah yang kompleks, komunikasi agen dan pemecahan masalah terdistribusi adalah kuncinya. Jenis interaksi agen ini dapat digambarkan sebagai pembelajaran penguatan multiagen. Informasi yang dibagikan melalui bentuk pembelajaran ini dapat mencakup informasi instan yang diperoleh melalui sensor atau tindakan. Selain itu, pengalaman agen dalam bentuk informasi episodik dapat dibagikan. Episode ini dapat berupa urutan sensasi, tindakan, dan kebijakan yang dipelajari. Terakhir, agen dapat berbagi pengalaman mereka secara real-time untuk mencegah agen lain mempelajari kebijakan yang sama berulang kali.5
Tiap agen sendiri memiliki kemampuan tangguh. Mereka dapat membuat subtugas, menggunakan alat, dan belajar melalui interaksi mereka. Perilaku kolektif sistem multiagen meningkatkan potensi akurasi, kemampuan beradaptasi, dan skalabilitas. Sistem multiagen cenderung mengungguli sistem agen tunggal karena memiliki kumpulan sumber daya bersama yang lebih besar, optimasi, dan otomatisasi. Ketimbang beberapa agen mempelajari kebijakan yang sama, satu agen dapat berbagi pengalaman yang telah dipelajari untuk mengoptimalkan kompleksitas waktu dan efisiensi.5
Sistem multiagen dapat beroperasi di bawah berbagai arsitektur. Dalam jaringan terpusat, unit pusat menampung basis pengetahuan global, menghubungkan semua agen, dan mengawasi informasi mereka. Kekuatan struktur ini adalah kemudahan komunikasi di antara agen dan pengetahuan yang seragam. Kelemahan dari sentralitas adalah ketergantungan pada unit pusat; jika unit pusat gagal, seluruh sistem agen akan gagal.6
Agen dalam jaringan terdesentralisasi berbagi informasi dengan agen tetangga mereka alih-alih basis pengetahuan global. Beberapa manfaat dari jaringan terdesentralisasi adalah ketangguhan dan modularitas. Kegagalan satu agen tidak menyebabkan keseluruhan sistem gagal karena tidak ada unit pusat. Salah satu tantangan dari agen terdesentralisasi adalah mengoordinasikan perilaku mereka untuk memberikan manfaat pada agen lain yang bekerja sama.7
Terdapat banyak cara pula untuk mengatur agen dalam sistem multiagen, termasuk:
Struktur hierarkis seperti pohon dan berisi agen dengan berbagai tingkat otonomi. Dalam struktur hierarkis sederhana, satu agen dapat memiliki otoritas pengambilan keputusan. Dalam struktur hierarkis yang seragam, tanggung jawab dapat dibagikan di antara beberapa agen.8
Dalam arsitektur ini, agen dikelompokkan ke dalam holarki. Holon adalah entitas yang tidak dapat beroperasi tanpa komponennya. Misalnya, tubuh manusia adalah sebuah holon karena tidak dapat berfungsi tanpa organ-organ yang berfungsi.9 Demikian pula dalam sistem multiagen holonik, agen utama dapat memiliki beberapa subagen meskipun muncul sebagai entitas tunggal.8 Subagen ini juga dapat memainkan peran dalam holon lain. Struktur hierarkis ini menata dirinya sendiri dan dibentuk untuk mencapai tujuan melalui kolaborasi di antara subagen.
Koalisi sangat membantu jika agen tunggal berkinerja buruk dalam suatu kelompok. Dalam situasi ini, agen bersatu untuk sementara guna meningkatkan utilitas atau kinerja. Setelah kinerja yang diinginkan tercapai, koalisi disebarkan. Bisa jadi sulit untuk mempertahankan koalisi ini dalam lingkungan yang dinamis. Pengelompokan ulang sering kali diperlukan untuk meningkatkan kinerja.9
Tim memiliki struktur yang mirip dengan koalisi. Dalam tim, agen bekerja sama untuk meningkatkan kinerja kelompok. Agen dalam tim tidak bekerja secara independen, tidak seperti dalam koalisi. Agen dalam tim jauh lebih bergantung satu sama lain dan strukturnya lebih hierarkis daripada koalisi.8
Perilaku agen dalam sistem multiagen sering mencerminkan perilaku yang terjadi di alam. Perilaku agen berikut dapat berlaku pada agen dengan banyak perangkat lunak dan multirobot.
Perilaku kolektif yang terlihat dalam sistem multiagen dapat menyerupai burung, ikan, dan manusia. Dalam sistem ini, agen berbagi tujuan dan membutuhkan penataan untuk mengoordinasikan perilaku mereka. Kawanan berkaitan dengan sinkronisasi arah dan struktur kawanan ini dapat dijelaskan oleh heuristik ini:10
Dalam konteks agen perangkat lunak, koordinasi ini sangat penting untuk sistem multiagen yang mengelola jaringan transportasi seperti sistem kereta api.
Penentuan posisi spasial agen dalam sistem multiagen dapat dibandingkan dengan kerumunan yang terjadi di alam. Misalnya, burung terbang secara sinkron dengan menyesuaikan diri pada burung di sekitarnya. Dari sudut pandang teknis, berkerumun adalah proses penataan diri dan agregasi yang muncul secara spontan di kalangan agen perangkat lunak yang memiliki kontrol terdesentralisasi.11 Manfaat berkerumun adalah bahwa satu operator dapat dilatih untuk mengelola kerumunan agen. Metode ini lebih efisien secara komputasi dan lebih andal daripada melatih operator untuk setiap agen.12
Sistem multiagen dapat menyelesaikan banyak tugas kompleks di dunia nyata. Beberapa contoh domain yang relevan meliputi:
Sistem multiagen dapat digunakan untuk mengelola sistem transportasi. Karakteristik sistem multiagen yang memungkinkan koordinasi sistem transportasi kompleks meliputi komunikasi, kolaborasi, perencanaan, dan akses informasi secara real-time. Contoh sistem terdistribusi yang mungkin mendapat manfaat dari MAS adalah sistem kereta api, penugasan truk, dan kapal laut yang mengunjungi pelabuhan yang sama.13
Sistem multiagen dapat digunakan untuk berbagai tugas khusus di bidang perawatan kesehatan. Sistem berbasis agen ini dapat membantu dalam prediksi dan pencegahan penyakit melalui analisis genetik. Penelitian medis tentang kanker bisa menjadi salah satu aplikasi.14 Selain itu, sistem multiagen dapat berfungsi sebagai alat untuk mencegah dan menyimulasikan penyebaran epidemi. Perkiraan ini dimungkinkan dengan menggunakan neural networks yang diinformasikan secara epidemiologis dan teknik machine learning (ML) untuk mengelola kumpulan data besar. Temuan ini dapat memengaruhi kesehatan masyarakat dan kebijakan publik.15
Banyak faktor yang memengaruhi rantai pasokan. Semua faktor ini berkisar dari pembuatan barang hingga pembelian konsumen. Sistem multiagen dapat menggunakan sumber daya informasi yang luas, fleksibilitas, dan skalabilitas untuk menghubungkan komponen manajemen rantai pasokan. Untuk menjelajahi otomatisasi cerdas ini dengan baik, agen virtual harus bernegosiasi satu sama lain. Negosiasi ini penting bagi agen yang bekerja sama dengan agen lain yang memiliki tujuan yang bertentangan.16
Sistem multiagen dapat membantu memperkuat sistem pertahanan. Ancaman potensial dapat mencakup masalah keamanan nasional fisik dan serangan siber. Sistem multiagen dapat menggunakan alat mereka untuk menyimulasikan potensi serangan. Salah satu contohnya adalah simulasi serangan maritim. Skenario ini akan melibatkan berbagai agen yang bekerja dalam tim untuk menangkap interaksi antara kapal teroris yang mendekati dan kapal pertahanan.17 Selain itu, dengan bekerja dalam tim yang bekerja sama, agen dapat memantau berbagai area jaringan untuk mendeteksi ancaman yang masuk, seperti serangan yang membanjiri denial-of-service terdistribusi (DDoS) .18
Ada beberapa karakteristik sistem multiagen yang memberikan keuntungan, termasuk:
Sistem multiagen dapat disesuaikan dengan lingkungan yang bervariasi dengan menambahkan, menghapus, atau mengadaptasi agen.
Kerja sama beberapa agen menghasilkan kumpulan informasi bersama yang lebih besar. Kolaborasi ini memungkinkan sistem multiagen untuk memecahkan masalah dan tugas yang lebih kompleks daripada sistem agen tunggal.
Sistem agen tunggal membutuhkan satu agen untuk melakukan tugas di berbagai domain, sedangkan setiap agen dalam sistem multiagen dapat memiliki keahlian domain tertentu.
Kerangka kerja multiagen cenderung mengungguli agen tunggal.19 Ini karena semakin banyak rencana tindakan yang tersedia bagi agen, semakin banyak pembelajaran dan refleksi yang terjadi. Agen AI yang menggabungkan pengetahuan dan masukan dari agen AI lain dengan spesialisasi di bidang terkait dapat berguna untuk memadukan informasi. Kolaborasi backend agen AI dan kemampuan untuk mengisi kesenjangan informasi ini merupakan keunikan dari kerangka kerja agen, menjadikannya alat yang tangguh dan kemajuan yang berarti dalam kecerdasan buatan.
Ada beberapa tantangan dalam merancang dan menerapkan sistem multiagen, termasuk:
Sistem multiagen yang dibangun di atas model dasar yang sama dapat mengalami masalah yang sama. Kelemahan tersebut dapat menyebabkan kegagalan di seluruh sistem pada semua agen yang terlibat atau mengekspos kerentanan terhadap serangan yang merugikan.20 Hal ini menyoroti pentingnya tata kelola data dalam membangun model dasar dan kebutuhan akan proses pelatihan dan pengujian yang menyeluruh.
Salah satu tantangan terbesar dalam membangun sistem multiagen adalah mengembangkan agen yang dapat berkoordinasi dan bernegosiasi satu sama lain. Kerja sama ini sangat penting untuk sistem multiagen yang berfungsi dengan baik.
Agen yang bekerja secara mandiri dan independen dalam jaringan terdesentralisasi dapat mengalami perilaku yang bertentangan atau tidak dapat diprediksi. Mendeteksi dan mengelola masalah dalam sistem yang lebih besar mungkin sulit dalam kondisi ini.
Bantu pengembang untuk membangun, menerapkan, dan memantau agen AI dengan studio IBM watsonx.ai.
Ciptakan produktivitas inovatif dengan salah satu rangkaian kemampuan paling komprehensif di industri untuk membantu bisnis membangun, menyesuaikan, dan mengelola agen dan asisten AI.
Raih penghematan biaya lebih dari 90% dengan model Granite yang lebih kecil dan terbuka, yang dirancang untuk efisiensi pengembang. Model yang sesuai dengan kebutuhan perusahaan ini memberikan kinerja luar biasa terhadap tolok ukur keamanan dan di berbagai tugas perusahaan, mulai dari keamanan siber hingga RAG.