Apa itu agen berbasis utilitas?

Tujuan agen berbasis utilitas adalah memaksimalkan fungsi utilitas dengan setiap tindakan. Untuk memajukan tujuannya, agen AI menggunakan hasil fungsi utilitas untuk memilih tindakan berikutnya yang paling menguntungkan.

Komponen utama dari agen berbasis utilitas adalah:

• Fungsi utilitas
   

• Sensor
   

• Model internal
   

• Mekanisme pemilihan tindakan
   

• Aktuator

Fungsi utilitas adalah persamaan matematis yang mewakili bagaimana agen harus menilai manfaat dari tindakan yang mungkin diambil. Fungsi ini pada dasarnya merupakan sistem nilai agen dan mewakili bagaimana agen memprioritaskan berbagai faktor yang relevan ketika membuat pilihan. 

Fungsi utilitas menetapkan nilai numerik untuk setiap hasil dari tindakan potensial, mengukur preferensi yang harus dipertahankan agen. Agen berbasis utilitas menggunakan fungsi utilitas untuk menavigasi lingkungan yang kompleks, menimbang trade-off, dan memaksimalkan utilitas pilihan mereka. 

Fungsi utilitas yang baik memperhitungkan berbagai pertimbangan, seperti keselamatan, efisiensi, alokasi sumber daya, dan biaya peluang multi-tujuan. Fungsi utilitas adalah landasan utama agen berbasis utilitas dan hal yang membedakan mereka dari berbagai jenis agen AI.

Agen berbasis utilitas menggunakan sensor untuk memahami lingkungan dunia nyata mereka. Sensor dapat berupa fisik, seperti kamera dan termometer, atau digital, seperti koneksi API dan simulasi. Persepsi AI agen menggunakan algoritma kompleks untuk menyaring data lingkungan dan mengisolasi titik data yang paling penting dan relevan untuk pengambilan keputusan yang tepat.

Agen berbasis utilitas mempertahankan model internal yang disederhanakan dari lingkungan dunia nyata mereka. Model dibuat dan diperbarui berdasarkan data yang dirasakan oleh sensor agen. Dengan melacak data lingkungan dari waktu ke waktu, model internal juga dapat menyimpulkan data yang tidak dapat diamati tentang lingkungan agen.

Banyak agen berbasis utilitas menggunakan model transisi keadaan dunia, yang menetapkan kemungkinan keadaan lingkungan serta kriteria kapan dan bagaimana perubahan dari satu keadaan ke keadaan lainnya terjadi. Model transisi keadaan menunjukkan bagaimana sistem atau lingkungan dinamis dapat berubah dari waktu ke waktu. Model transisi status tingkat lanjut mampu menghitung peluang terjadinya perubahan pada kondisi lingkungan setiap saat.

Fungsi utilitas memberikan nilai untuk setiap status, dan agen bertujuan memindahkan lingkungan ke keadaan masa depan dengan utilitas tertinggi. Model transisi keadaan sangat berguna dalam lingkungan stokastik atau dinamis, di mana agen harus bernalar tentang probabilitas, bukan kepastian.

Mekanisme pemilihan tindakan adalah komponen pengambilan keputusan AI dari agen. Berdasarkan keadaan model internal saat ini, agen menghasilkan daftar semua tindakan potensial yang dapat diambil. Algoritma pemilihan tindakan menggunakan fungsi utilitas untuk mengevaluasi berbagai tindakan tersebut dan mengoptimalkan pilihan agen demi manfaat keseluruhan maksimum.

Dalam beberapa implementasi modern, model bahasa besar (LLM) digunakan untuk bernalar tentang tujuan tingkat tinggi yang kompleks atau menafsirkan input yang ambigu sebelum mengubahnya menjadi perhitungan utilitas terstruktur.

Aktuator, atau elemen kinerja, memungkinkan agen untuk bertindak terhadap lingkungannya. Aktuator fisik dapat berupa lengan robot pada jalur manufaktur, termostat yang mengontrol suhu rumah pintar, atau seluruh kendaraan otonom. Aktuator virtual atau digital dapat berupa koneksi API, antarmuka chatbot, atau output perangkat lunak.

Agen berbasis utilitas berbagi alur kerja internal standar yang memandu perilaku mereka:

1. Persepsi
    

2. Pemodelan internal
    

3. Generasi tindakan
    

4. Prediksi hasil
    

5. Penilaian utilitas
    

6. Pemilihan tindakan
   
   

7. Tindakan

Agen menggunakan sensornya untuk melihat lingkungannya dan mengumpulkan data. Data ini digunakan untuk menginformasikan kepada agen tentang keadaan dirinya sendiri dan keadaan lingkungannya saat ini.

Dengan menggunakan persepsi saat ini dari sensornya, agen memperbarui model internal lingkungannya secara real-time. Ini memberi agen pemahaman tentang lingkungannya dan faktor-faktor relevan yang memengaruhi proses pengambilan keputusan.

Agen menggunakan algoritma pencarian dan pengoptimalan untuk menghasilkan daftar tindakan potensial yang dapat diambil, berdasarkan keadaan model internalnya. Pembuatan tindakan dan teknik seleksi mendorong agen untuk mempertimbangkan ide-ide baru serta merujuk pada pengalaman masa lalu dengan hasil yang terbukti untuk mempertahankan kinerja yang andal. 
 
Dalam praktiknya, banyak agen tidak secara eksplisit menghasilkan daftar lengkap tindakan yang mungkin terjadi. Sebaliknya, mereka menggunakan metode pengoptimalan atau penguatan untuk mengevaluasi kemungkinan tindakan terbaik dalam ruang tindakan berkelanjutan.

Untuk setiap tindakan yang dihasilkan pada langkah sebelumnya, agen menggunakan model transisi statusnya untuk memprediksi hasil yang diharapkan. Model menghitung probabilitas tercapainya keadaan tertentu ketika agen mengambil tindakan tertentu.

Mekanisme pemilihan tindakan agen menerapkan fungsi utilitas pada setiap tindakan yang dihasilkan dan kemungkinan hasil terkait. Fungsi tersebut mengembalikan skor utilitas numerik untuk setiap pilihan yang mungkin. Skor yang lebih tinggi merepresentasikan utilitas keseluruhan yang lebih besar.

Agen memilih tindakan yang mengarah pada hasil dengan manfaat keseluruhan terbesar, sebagaimana ditentukan oleh preferensi fungsi utilitas. Karena tujuan agen adalah memaksimalkan Utilitas, proses pemilihan tindakan ini mengarahkan agen untuk bertindak dengan cara yang memajukan tujuan sistem AI tempat agen tersebut digunakan.

Agen memilih tindakan yang mengarah pada hasil dengan manfaat keseluruhan terbesar, sebagaimana ditentukan oleh preferensi fungsi utilitas. Karena tujuan agen adalah memaksimalkan utilitas, agen bertindak dengan cara yang memajukan tujuan AI tempat agen tersebut digunakan.

Agen berbasis utilitas ideal untuk tugas-tugas kompleks dengan beberapa arahan yang saling bersaing. Hal ini dapat mencakup: 

• Rumah pintar: Agen berbasis utilitas dapat memberi Power pada sistem cerdas di rumah pintar, dengan mempertimbangkan prioritas seperti kenyamanan, biaya energi, dan keberlanjutan. 

• Mobil tanpa pengemudi: Kendaraan otonom menghadirkan berbagai masalah kompleks bagi para insinyur machine learning. Mobil yang dikendalikan agen harus berurusan dengan pengemudi manusia, pejalan kaki, rintangan, cuaca, penutupan jalan, dan banyak kondisi lainnya dalam lingkungan yang dinamis. Pemecahan masalah dalam pengaturan ini membutuhkan fungsi utilitas yang dirancang dengan baik. 

• Layanan kesehatan: Karena dapat menangani berbagai pertimbangan dalam mengejar manfaat maksimal, agen berbasis utilitas mungkin dapat membantu merumuskan rencana perawatan dan mengelola biaya. 

• Robotika: Robot juga perlu mempertimbangkan berbagai faktor dalam mengejar manfaat maksimal. Bot pengiriman memiliki banyak pertimbangan yang sama dengan kendaraan otonom. 

• Sistem rekomendasi dan penetapan harga: Fungsi utilitas memungkinkan agen mempertimbangkan faktor-faktor seperti preferensi pengguna, waktu dalam hari dan tahun, serta tren yang lebih besar untuk membuat pengguna tetap terhibur. Dalam sistem AI generatif, pendekatan berbasis utilitas dapat memandu pembuatan konten yang paling sesuai dengan maksud pengguna, konteks, dan tujuan keterlibatan jangka panjang. 

• Sistem penetapan harga: Demikian pula, agen berbasis utilitas dapat mengelola sistem penetapan harga dinamis untuk memaksimalkan pembelian dan pendapatan bagi bisnis. 

• Otomatisasilogistik dan rantai pasokan: Rantai pasokan yang kompleks harus menyeimbangkan faktor-faktor seperti efisiensi, biaya, risiko, kualitas, dan lainnya. Perusahaan dapat menyesuaikan fungsi utilitas agen logistik untuk memprioritaskan faktor-faktor yang paling penting bagi bisnis mereka dan menciptakan sistem yang dapat diskalakan.

Agen berbasis utilitas dan agen berbasis tujuan sama-sama berguna dalam situasi ketika agen harus bekerja untuk mencapai hasil jangka panjang. Namun, perbedaannya adalah bahwa sementara agen berbasis utilitas berusaha memaksimalkan utilitas pilihannya, agen berbasis tujuan mengejar tujuan tertentu. Mereka termotivasi oleh pencapaian tujuan. 

Sementara agen berbasis tujuan memperlakukan semua keadaan pencapaian tujuan sebagai sama-sama diinginkan, agen berbasis utilitas dapat membedakannya berdasarkan derajat, sehingga memungkinkan pengambilan keputusan yang lebih bernuansa. Agen berbasis utilitas dapat mengelola beberapa tujuan yang saling bertentangan dan mempertahankan kinerja bahkan saat menghadapi hasil yang tidak pasti.

Agen berbasis utilitas tangguh, mampu menavigasi masalah yang kompleks dan lingkungan yang berubah sambil memberikan hasil yang konsisten. Manfaat agen berbasis utilitas meliputi: 

• Adaptasi: Agen berbasis utilitas menggunakan fungsi utilitas yang dinamis, bukan sistem berbasis aturan tetap seperti aturan kondisi-tindakan. Mereka dapat beradaptasi dengan kondisi yang berubah d an tugas-tugas baru, di mana agen refleks sederhana dan agen refleks berbasis model tingkat yang lebih rendah mungkin akan kesulitan melawan pemrograman berbasis aturan yang kaku.
   

• Fleksibilitas: Agen berbasis utilitas dapat berhasil menyeimbangkan prioritas yang saling bersaing untuk membuat keputusan yang tetap mengarah pada hasil yang baik. Agen berbasis tujuan berfokus secara tunggal pada satu tujuan tertentu dan mungkin kesulitan mempertimbangkan arahan lain.
   

• Keandalan: Fungsi utilitas mengarahkan agen berbasis utilitas untuk membuat keputusan rasional bahkan ketika hasilnya tidak pasti. Keputusan yang dibuat agen ini cenderung mengarah pada hasil jangka panjang yang lebih menguntungkan.

Meskipun agen berbasis utilitas mampu bekerja dalam banyak pengaturan, mereka tidak selalu merupakan pilihan terbaik. Keterbatasannya meliputi: 

• Kekakuan: Tanpa elemen pembelajaran, agen berbasis utilitas tidak dapat belajar dari tindakan mereka maupun memperbarui fungsi utilitas dan model transisi keadaan mereka secara mandiri. Menambahkan elemen pembelajaran memungkinkan mereka berkembang melalui pembelajaran penguatan, tetapi secara lebih formal hal itu mendefinisikan mereka sebagai agen hybrid atau bahkan agen pembelajaran.
   

• Tuntutan komputasi: Fungsi utilitas merupakan algoritma yang kompleks, dan menjalankannya secara terus-menerus membutuhkan komputasi serta energi yang signifikan. Tanpa komputasi yang memadai, agen berbasis utilitas mungkin terlalu lambat untuk digunakan secara real-time dalam situasi yang sensitif terhadap waktu.
   

• Kompleksitas: Fungsi utilitas yang efektif sulit dirancang, dan agen berbasis utilitas hanya seefektif fungsi utilitasnya. Insinyur machine learning harus berhasil mengubah sistem nilai mereka menjadi persamaan numerik yang memaksa agen untuk membuat pilihan yang tepat.
   

• Pertimbangan etis: Keputusan berbasis utilitas menimbulkan masalah etis. Siapa yang menentukan sistem nilai untuk agen—terutama, seperti halnya mobil self-driving, jika agen tersebut memiliki kemampuan untuk berpotensi membahayakan manusia? Ketika agen cerdas menjadi lebih otonom dan meresap, sangat penting untuk menentukan siapa yang menetapkan sistem nilai yang mendasarinya, dan bagaimana nilai-nilai tersebut selaras dengan etika masyarakat. 
   

Untuk mengatasi beberapa tantangan ini, agen berbasis utilitas sering kali diintegrasikan ke dalam sistem multi-agen di mana beberapa agen khusus berkolaborasi, berbagi informasi, dan menyeimbangkan tujuan yang saling bersaing. Dalam arsitektur seperti itu, fungsi utilitas masing-masing agen berkontribusi pada strategi pengoptimalan kolektif sistem.