PENGENALAN INTELLIGENT AGENT - DEFINISI PEAS (Performance, Environment, Actuators, Sensors)



PEAS (Performance, Environment, Actuators, Sensors)
Task Environment : spesifikasi dari Performance measure (PM), lingkungan, aktuator, dan sensor.

Task Environment (PEAS) :

  • Performance measure : kualitas atau harapan yg diinginkan.
  • Environment : lingkungan yang akan dihadapi oleh agen.  
  • Actuators : alat yg akan mendukung pencapaian tujuan.  
  • Sensors : alat atau cara agen mendeteksi kondisi lingkungan.

        
Contoh PEAS  :
Tipe agen
PM
Evnironment
Actuators
Sensors
Taxi
Aman, cepat, legal, nyaman, menguntungkan
Jalan, kendaraan lain, pejalan kaki, penumpang
Stir, rem, klakson, display,
Kamera, sonar, GPS, keyboard
Sistem diagnosa medis
Kesehatan pasien, ongkos murah
Pasien rumah sakit
Pertanyaan, uji, perawatan
Gejala, jawaban pasien
Sistem analisa image satelit
Memperbaiki kategorisasi
Image dari  satelit yang mengorbit
Cetak  kategorisasi 
Pixel , intensitas warna 
Tutorial interaktif bhs. Inggris
Memaximalkan nilai siswa pd tes
Himpunan siswa
Cetak latihan, saran, perbaikan
Kata-kata yang dimasukan


Lingkungan & sifatnya 
Agen dipengaruhi juga oleh lingkungan dimana agen digunakan. Perbedaan prinsip lingkungan berdasarkan sifat :

  • Fully observable vs. partially observable,
  • Deterministic vs stochastic, 
  • Episodic vs sequential, 
  • Static vs dynamic, 
  • Discrete vs continous ,
  •  Single agent vs. multi agent.



  1. Fully observable vs. partially observable,  Fully observable jika sensor agen memberi akses untuk melengkapi status lingkungan pada tiap titik dalam satu waktu. Sensor akan mendeteksi semua aspek yang relevan untuk memilih tindakan.     Partially observable dapat disebabkan oleh noisy dan ketidakakuratan sensor atau karena sebagian kondisi hilang dari sensor data. Contoh :  taxi otomatis tidak mengetahui apa yg dipikirkan sopir mobil lain. 
  2. Deterministic vs Stochastic, Deterministic jika status lingkungan selanjutnya ditentukan dengan lengkap oleh status saat ini dan tindakan dilakukan agen. Jika sebaliknya maka stochastic. Contoh : taxi otomatis jelas stokastik karena tidak dapat memprediksi kemacetan jalan raya. 
  3. Episodic vs Sequential , Episodic jika pengalaman agen  dibagi menjadi episode yang kecil-kecil. Setiap episode berisi tentang agen memahami dan melakukan sebuah tindakan. Secara krusial episode berikutnya tidak tergantung pada tindakan yang diambil pada episode sebelumnya.  Contoh : taxi ototmatis memiliki lingkungan sequential karena sistem ini harus mengetahui apa yg ada di depan. 
  4. Static vs Dynamic , Dynamic jika lingkungan berubah selama agent melakukan penyesuaian. Lingkungan statis lebih mudah karena agen tidak perlu terus mengamati lingkungan saat memutuskan tindakan atau mengkhawatirkan perjalanan waktu.  Contoh : taxi otomatis bersifat dinamis karena kendaraan lain tetap berjalan selama algoritma taxi menentukan keputusan berikutnya.  
  5. Discrete vc Continous,  Discrete/continous dapat diterapkan pada status lingkungan, ke cara menangani waktu, dan ke persepsi dan tindakan sebuah agen.    Contoh :  status lingkungan diskrit seperti permainan catur  memiliki jumlah tertentu status yang berbeda.  Status lingkungan  Taxi otomatis kontinyu dari waktu ke waktu.    
  6. Single agent vs. multi agent, Perbedaan antara lingkungan single-agent dan multi-agent dapat terlihat lebih sederhana.  Tergantung bagaimana agent memandang lingkungannya sebagai agent lain atau bukan. Contoh : crossword puzzle adalah single-agent environment dan catur adalah two-agent environment. Prbedaannya adalah apakah tingkah laku agen B dapat menggambarkan dengan baik hal-hal yang memaksimalkan PM yang nilainya tergantung ukuran kinerja agen A. 


 REFERENSI :



Komentar

Posting Komentar