Apa itu agen refleks sederhana?

Semua agen ini beroperasi menggunakan logika "jika-ini-lalu-itu". Tidak seperti agen yang lebih canggih, mereka tidak dapat melakukan pemrosesan bahasa alami (NLP) atau membuat pengambilan keputusan yang tepat. Namun, terlepas dari kesederhanaannya, agen ini bisa sangat berguna, terutama ketika dipasangkan dengan jenis agen lain dalam sistem dengan banyak agen.

Agen refleks telah digunakan dalam skenario dunia nyata selama beberapa dekade, dari termostat hingga robot penyedot debu, jauh sebelum "AI agen" yang kita kenal saat ini bisa digunakan. Tetapi sistem AI agen modern dapat memanfaatkan agen refleks dengan baik.

Agen refleks sederhana bekerja dengan mengikuti pemetaan langsung berbasis aturan antara apa yang dirasakannya dan tindakan yang diambilnya. Operasi ini dipandu oleh aturan kondisi-tindakan: "jika kondisi, maka tindakan." Perilaku agen ditentukan oleh persepsinya tentang keadaan sistem saat ini.

Mekanisme kunci dari agen refleks sederhana adalah elemen kinerjanya, yang memproses input dari sensor dan memulai aksi agen melalui aktuator. Contoh tindakan tersebut termasuk mengaktifkan lampu lalu lintas, membunyikan alarm keamanan, atau menayangkan iklan di situs web. Tidak seperti agen cerdas yang lebih canggih, agen ini tidak memiliki status internal, sehingga hanya dapat berfungsi di lingkungan yang dapat diamati di mana semua informasi yang diperlukan tersedia. Desain ini membuat agen refleks sederhana bekerja dengan cepat dan dapat diprediksi, karena tidak perlu menghitung banyak hasil atau menyimpan informasi.

Karena sifatnya yang berbasis aturan, agen refleks sederhana sangat cocok untuk lingkungan dengan aturan yang jelas dan tidak berubah. Agen penyedot debu adalah contoh yang umum: "Jika kotoran terdeteksi, bersihkan; jika area tersebut bersih, pindah." Meskipun semua agen ini terbatas dalam hal fleksibilitas dan kemampuan beradaptasi, mereka unggul dalam tugas berulang dan ditetapkan dengan baik di mana respons cepat lebih penting daripada proses pengambilan keputusan tingkat lanjut.

Di lingkungan pabrik, agen refleks sederhana membantu memastikan keamanan melalui sistem pemantauan. Misalnya, mesin dapat diprogram untuk mati secara otomatis jika sensor mendeteksi panas atau getaran yang berlebihan. Karena keputusan ini tidak bergantung pada memori atau prediksi, mereka dapat beroperasi dengan efektif secara real-time.

Contoh penggunaan agen AI penting lainnya adalah dalam kontrol kualitas dan inspeksi. Banyak pabrik menggunakan sensor optik atau berat untuk mendeteksi barang yang rusak pada lini produksi. Agen refleks dapat diprogram sedemikian rupa sehingga: "jika sebuah produk kurang berat, alihkan produk tersebut dari konveyor." Demikian pula, jika kamera mendeteksi bagian yang hilang, sistem dapat menolak item tersebut. Sistem semacam itu membantu menjaga konsistensi dalam produksi seraya mengurangi biaya tenaga kerja.

Agen refleks sederhana juga berguna dalam otomatisasi proses dan alokasi sumber daya. Misalnya, sabuk konveyor dapat berhenti jika terdeteksi adanya halangan, atau lengan robotik dapat diaktifkan ketika objek tiba di posisi yang ditentukan. Agen refleks sederhana dapat mengoptimalkan penggunaan daya dengan menonaktifkan sabuk konveyor yang tidak penting setiap kali penggunaan energi melebihi ambang batas yang ditetapkan, sehingga mendorong konservasi sumber daya di seluruh alur kerja. Respons refleksif ini memungkinkan koordinasi lancar berbagai mesin.

Agen refleks biasanya digunakan dalam pemantauan lingkungan di dalam pabrik, seperti mengontrol kualitas udara, suhu, atau kelembapan. Jika sensor mendeteksi partikel udara di atas ambang batas tertentu, kipas atau filter akan diaktifkan secara otomatis. Demikian juga jika tingkat kelembapan turun terlalu rendah, sistem kabut dapat diaktifkan.

Agen refleks memiliki sejumlah manfaat yang tidak dimiliki oleh agen lain yang lebih canggih.

Karena mereka bergantung pada aturan kondisi-tindakan langsung, agen refleks sederhana ringan secara komputasi. Mereka membutuhkan daya dan memori minimal, membuatnya berguna di lingkungan dengan sumber daya terbatas.

Tidak seperti agen berbasis tujuan dan agen pembelajaran, agen refleks bertindak hampir seketika, karena tidak memerlukan penalaran yang rumit. Hal ini membuat mereka berguna di lingkungan di mana responsivitas real-time adalah prioritas, seperti mobil otonom.

Agen refleks sederhana juga dapat diandalkan. Dengan input yang sama, mereka akan selalu menghasilkan output yang sama. Konsistensi ini diperlukan dalam banyak contoh penggunaan.

Penginstalan dan pemeliharaannya juga relatif hemat biaya, tanpa memerlukan algoritma machine learning canggih, sumber daya komputasi, atau kumpulan data besar untuk beroperasi.

Meskipun efektif dalam konteks yang sempit, agen refleks sederhana tidak memiliki model dunia nyata serta ingatan akan peristiwa masa lalu. Kesederhanaan ini menghasilkan keterbatasan yang membuatnya tidak dapat digunakan untuk tugas kompleks atau di lingkungan dinamis.

Tidak seperti jenis agen AI lainnya yang mampu menggunakan model bahasa besar (LLM) atau model AI generatif untuk melakukan pemecahan masalah dalam banyak langkah, agen refleks sederhana hanya dapat mempertimbangkan kondisi mereka saat ini. Ini bisa menjadi masalah di lingkungan di mana pengetahuan tentang riwayat diperlukan untuk membuat keputusan yang baik. Sebagai contoh, robot pertanian yang menavigasi ladang mungkin perlu mengingat lokasi yang dikunjungi sebelumnya, yang tidak dapat dilakukan oleh agen refleks sederhana.

Semua agen ini berasumsi bahwa persepsi lingkungan selalu akurat dan lengkap. Pada kenyataannya, sensor dapat gagal atau memberikan data yang tidak akurat. Agen refleks tidak memiliki kemampuan untuk bernalar dalam situasi yang tidak pasti.

Semua perilaku harus dikodekan secara eksplisit dalam aturan. Jika lingkungan berubah, aturan mungkin menjadi tidak efektif. Tidak adanya kemampuan beradaptasi ini membatasi skalabilitas dan generalisasi.

Agen refleks tidak dapat mengejar tujuan jangka panjang atau melakukan pertukaran di antara tujuan tertentu. Mereka hanya bertindak pada rangsangan langsung tanpa mengevaluasi kemungkinan bahwa tindakan berkontribusi pada hasil yang diinginkan. Karena tidak ada elemen pembelajaran, agen refleks tidak dapat beradaptasi melalui pembelajaran penguatan atau menghasilkan strategi baru menggunakan pembuat masalah, karena mereka tidak memiliki mekanisme untuk mengeksplorasi.

Tidak seperti sistem AI berbasis pembelajaran, agen refleks tidak dapat meningkat seiring waktu. Jika situasi baru muncul, manusia harus secara manual menambahkan aturan baru ke sistem.

Agen refleks sederhana dapat dipasangkan dengan jenis agen AI lainnya, seperti chatbot yang didukung LLM atau bot pengambilan keputusan dalam sistem dengan banyak agen . Sebagai contoh, di lantai produksi dengan mesin cetak industri, agen refleks sederhana mengikuti aturan: "jika suhu mesin melebihi 100°C, langsung matikan."

Agen refleks berbasis model yang memiliki kemampuan pemantauan yang sadar konteks berada di atas agen refleks sederhana. Berbeda dengan agen yang lebih sederhana, agen ini memiliki sistem model internal. Misalnya, ia tahu bahwa lonjakan suhu terkadang normal ketika mesin pertama kali dinyalakan, tetapi tidak normal setelah mesin berjalan selama satu jam. Model menggunakan memori ini untuk menghindari penghentian yang tidak perlu, membantu memastikan bahwa mesin cetak tidak dihentikan selama siklus pemanasan normal.

Di tingkat yang lebih tinggi, agen berbasis utilitas menimbang berbagai kemungkinan hasil yang berbeda dengan fungsi utilitas untuk memaksimalkan efisiensi dan meminimalkan biaya. Sebagai contoh, agen ini dapat menghitung apakah sedikit memperlambat operasi mesin (untuk mengurangi penumpukan panas) lebih baik daripada menghentikan produksi sama sekali. Ia memilih tindakan dengan ekspektasi utilitas tertinggi.

Agen refleks sederhana tingkat bawah adalah garis pertahanan terakhir: jika keadaan menjadi sangat panas, agen ini akan langsung mematikan mesin. Bersama-sama, arsitektur agen ini membantu memastikan keamanan dan produktivitas lini, dengan setiap agen AI melakukan fungsi terbaiknya.