I. Knowledge Base Agent
Secara definisi harfiah knowledge base merupakan sekumpulan kalimat pada sebuah bahasa formal. Setiap kalimat dinyatakan dalam sebuah bahasa yang disebut bahasa representasi pengetahuan (knowledge representation language), yang merepresentasikan pernyataan-pernyataan terkait lingkungan.
Pengetahuan dasar yang dimiliki knowledge based agents dikenal dengan background knowledge Knowledge Based Agents.
Diagram di atas mewakili arsitektur umum untuk agen berbasis pengetahuan. Knowledge Based Agent mengambil masukan dari lingkungan dengan mengamati lingkungan. Masukan diambil oleh mesin inferensi agen dan yang juga berkomunikasi dengan Knowledge Based untuk memutuskan sesuai penyimpanan pengetahuan di Knowledge Base. Unsur pembelajaran Knowledge Based Agent memperbarui Knowledge Base secara rutin dengan mempelajari pengetahuan baru.
Apa yang harus dilakukan selanjutnya Knowledge Based Agents. Sebagai Knowledge Based Agent , agent harus memiliki kemampuan :
a. merepresentasikan state, action, dan lain-lain.
b. menerima informasi baru
c. mengupdate representasi
d. menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property)
e. menyimpulkan action apa yang perlu diambil.
Knowledge Base adalah komponen sentral dari agen berbasis pengetahuan, yang juga dikenal sebagai Knowledge Base. Ini adalah kumpulan kalimat (di sini 'kalimat' adalah istilah teknis dan tidak identik dengan kalimat dalam bahasa Inggris). Kalimat-kalimat ini diekspresikan dalam bahasa yang disebut bahasa representasi pengetahuan. Basis Pengetahuan Knowledge Base Agent menyimpan fakta tentang dunia.
Knowledge Base diperlukan untuk memperbarui pengetahuan agar agen dapat belajar dengan pengalaman dan mengambil tindakan sesuai pengetahuan.
Knowledge Based Agent dapat dilihat di berbagai tingkatan yang diberikan di bawah ini:
1. Tingkat pengetahuan
Level pengetahuan adalah level pertama dari agen berbasis pengetahuan, dan pada level ini, kita perlu menentukan apa yang diketahui agen, dan apa tujuan agen. Dengan spesifikasi tersebut, kita bisa memperbaiki perilakunya. Misalnya, seorang agen taksi otomatis perlu pergi dari stasiun A ke stasiun B, dan dia tahu jalan dari A ke B, jadi ini datang pada tingkat pengetahuan.
2. Tingkat logika
Pada level ini, kita memahami bahwa bagaimana representasi pengetahuan disimpan. Pada level ini, kalimat dikodekan menjadi logika yang berbeda. Pada tingkat logis, pengkodean pengetahuan menjadi kalimat logis terjadi. Pada tingkat logis, kita dapat mengharapkan agen taksi otomatis mencapai tujuan B.
3. Tingkat implementasi
Ini adalah representasi fisik dari logika dan pengetahuan. Pada level implementasi, agen melakukan tindakan sesuai level logika dan pengetahuan. Pada level ini, seorang agen taksi otomatis benar-benar mengimplementasikan ilmu dan logikanya agar dapat mencapai tujuan.
Ada dua pendekatan utama untuk membangun Knowledge Based Agent yaitu :
1. Pendekatan deklaratif
Kita dapat membuat agen berbasis pengetahuan dengan menginisialisasi dengan basis pengetahuan kosong dan memberi tahu agen semua kalimat yang ingin kita mulai. Pendekatan ini disebut pendekatan Deklaratif.
Contoh, sebuah taksi otonom bertugas mengantarkan penumpang dari Jakarta ke Tangerang, dan memiliki pengetahuan bahwa Tol Jakarta-Tangerang adalah satu-satunya jalan penghubung keduanya. Maka sudah pasti taksi tersebut akan melalui Tol Jakarta-Tangerang karena ia mengetahui bahwa hal ini menyebabkan tercapainya tujuan.
2. Pendekatan prosedural
Dalam pendekatan prosedural, kami langsung menyandikan perilaku yang diinginkan sebagai kode program. Artinya kita hanya perlu menulis program yang sudah mengkodekan perilaku atau agen yang diinginkan.
Namun, di dunia nyata, agen yang berhasil dapat dibangun dengan menggabungkan pendekatan deklaratif dan prosedural, dan pengetahuan deklaratif seringkali dapat dikompilasi menjadi kode prosedural yang lebih efisien.
Inferensi berarti mendapatkan kalimat baru dari yang lama. Sistem inferensi memungkinkan kita menambahkan kalimat baru ke dalam Knowledge Based. Kalimat adalah proposisi tentang dunia. Sistem inferensi menerapkan aturan logis pada Knowledge Based untuk menyimpulkan informasi baru. Knowledge Base Agent menggunakan inferensi dan Knowledge Base untuk menghasilkan informasi baru atau untuk mengambil keputusan.
Sistem inferensi menghasilkan fakta baru sehingga agen dapat mengupdate Knowledge Based. Sistem inferensi bekerja terutama dalam dua aturan yang diberikan sebagai:
1. Forward Chaining
2. Backward Chaining
Dan operasi dilakukan oleh Knowledge Based Agent. Berikut adalah tiga operasi yang dilakukan oleh Knowledge Based Agent untuk menunjukkan perilaku cerdas:
a. TELL : Operasi ini memberi tahu basis pengetahuan apa yang dirasakannya dari lingkungan.
b. ASK: Operasi ini menanyakan basis pengetahuan tindakan apa yang harus dilakukan.
c. PERFORMED: Ini melakukan tindakan yang dipilih.
Knowledge Base Agents mengambil persepsi sebagai masukan dan mengembalikan tindakan sebagai keluaran. Agen tersebut memelihara Knowledge Based dan awalnya memiliki beberapa latar belakang pengetahuan tentang dunia nyata. Ini juga memiliki penghitung untuk menunjukkan waktu untuk seluruh proses, dan penghitung ini diinisialisasi dengan nol.
Setiap kali fungsi dipanggil, ia melakukan tiga operasinya, dan berikut adalah garis besar program Knowledge Base Agents. Sebagaimana agen pada umumnya, program tersebut mengambil persepsi sebagai input, dan tindakan sebagai outputnya.
function KB-AGENT(percept):
persistent: KB, a knowledge base
t, a counter, initially 0, indicating time
TELL(KB, MAKE-PERCEPT-SENTENCE(percept, t))
Action = ASK(KB, MAKE-ACTION-QUERY(t))
TELL(KB, MAKE-ACTION-SENTENCE(action, t))
t = t + 1
return action
Penjelasan program di atas :
n MAKE-PERCEPT-SENTENCE :
Mengkonstruksi kalimat yang mendeskripsikan penginderaan yang diterima agen pada saat tersebut.
n MAKE-ACTION-QUERY :
Mengkonstruksi kalimat yang meminta tindakan-tindakan apa yang perlu diambil.
n MAKE-ACTION-SENTENCE:
Mengkonstruksi kalimat yang mendeskripsikan bahwa tindakan tertentu dipilih dan dieksekusi.
Pendefinisian TELL dan ASK inilah yang menyebakan Knowledge Base Agent bukanlah program biasa. Program ini dapat menerima (“mengerti”) deskripsi ada level pengetahuan yang dimilikinya, di mana kita hanya perlu mendeskripsikan hal-hal yang dimengerti agen dan tujuan yang diharapkan, demi meningkatkan kemampuannya.
Untuk dapat menyusun sebuah knowledge based agent maka harus terlebih dulu bisa menyusun knowledge basenya itu sendiri. Untuk menyusun knowledge base diperlukan menentukan bagaimana cara merepresentasikan pengetahuan (knowledge representation).
Syarat Representasi dari Knowledge Based adalah sebagai berikut :
1. Representational Adequacy;
Kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam domainnya.
2. Inferential Adequacy
Kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru dalam menampung pengetahuan baru hasil inferensi.
3. Inferential Efficiency
Kemampuan untuk manambahkan informasi untuk mempercepat pencarian alam inferensi .
4. Acquisitional Efficiency
Kemampuan untuk menambah informasi baru secara mudah .
II. Wumpus World
Wumpus World adalah contoh dunia sederhana untuk menggambarkan nilai seorang Knowledge Base Agent dan untuk mewakili representasi pengetahuan. Itu terinspirasi oleh video game Hunt the Wumpus oleh Gregory Yob pada tahun 1973.
Jadi Wumpus World adalah sebuah permainan yang menampilkan Knowledge Base Agent.
PEAS mewakili Performance Measures, Environment, Actuators, dan Sensors. Deskripsi PEAS membantu dalam mengelompokkan agen.
Deskripsi PEAS untuk masalah Wumpus World :
1. Performance Measures :
l Agen mendapatkan emas dan mengembalikannya dengan aman = +1000 poin
l Agen meninggal = -1000 poin
l Setiap gerakan agen = -1 poin
l Agen menggunakan panah = -10 poin
2. Environment :
l Gua dengan 16 kamar (4 × 4)
l Kamar yang berdekatan (tidak secara diagonal) ke Wumpus berbau busuk
l Kamar-kamar yang berdekatan (tidak secara diagonal) dengan lubang angin sejuk
l Ruangan dengan kilau emas
l Posisi awal agen - Kamar [1, 1] dan menghadap ke sisi kanan
l Lokasi Wumpus, emas dan 3 pits bisa dimana saja, kecuali di Room [1, 1].
3. Actuators : Perangkat yang memungkinkan agen melakukan tindakan berikut di Environment.
l Maju kedepan
l Belok kanan
l Belok kiri
l Menembak
l Mengambil
l Melepaskan
4. Sensors : Perangkat yang membantu agen dalam merasakan hal-hal berikut dari lingkungan.
l Angin kencang
l Bau
l Berkilau
l Scream (Saat Wumpus terbunuh)
l Bump (saat agen menabrak dinding)
Berikut adalah karakterisasi Wumpus World :
l Partially Observable: hanya mengetahui persepsi lokal
l Deterministic: hasil ditentukan dengan tepat
l Sequential: level tindakan selanjutnya yang dilakukan
l Static: Wumpus, lubang tidak bisa bergerak
l Discrete: lingkungan diskrit
l Single-agent: Knowledge Based Agent adalah satu-satunya agen sedangkan wumpus dianggap sebagai fitur Environment.
Background knowledge base- nya seperti berikut :
l Jika ada bau maka ada wumpus di petak tetangga
l Jika ada angin maka ada lubang di petak tetangga
l Jika tak ada bau maka tak ada wumpus di petak tetangga
l Jika tak ada angin maka tak ada lubang di petak tetangga
l Jika tak ada lubang dan Wumpus boleh maju
l dan seterusnya.
Contoh dalam bentuk Inferensi-nya seperti berikut :
1. Tak ada angin dan bau di (1,1) maka tak ada Wumpus dan lubang di (2,1) dan (1,2)
2. Maju ke (2,1)
3. Ada angin di (2,1) maka ada lubang di (2,2) atau (3,1)
4. Tak ada bau di (2,1) maka tak ada Wumpus di (2,2) dan (3,1)
5. Mundur ke (1,1)
6. Maju ke (1,2)
7. Ada bau di (1,2) maka ada Wumpus di (3,1) (karena tidak ada Wumpus di (2,2))
III. Logic in General Models
1. Logics Formal
Logika merupakan representasi pengetahuan menurut sintaks (tata bahasa) dari bahasa
representasi.
Bagian ini memberikan gambaran umum tentang semua konsep dasar representasi logis dan penalaran. Bahwa basis pengetahuan terdiri dari kalimat. Kalimat-kalimat ini diekspresikan sesuai dengan sintaks dari bahasa representasi, yang menentukan semua kalimat yang dibentuk dengan baik.
Sebuah knowledge Bases yang mengandung kalimat dalam bahasa umum dan bisa diambil kesimpulan .
a. Sintaks/Syntax
Kalimat yang terbentuk dengan baik
b. Sematics
Arti/inti dari sebuah kalimat mengindahkan kemungkinan yang ada
Pengertian sintaks cukup jelas dalam aritmatika biasa:
“x + y = 4” adalah kalimat yang dibentuk dengan baik, sedangkan “x2y + =” bukan.
Sintaks logika bahasa (dan aritmatika, dalam hal ini) biasanya dirancang untuk menulis makalah dan buku. Ada lusinan sintaksis yang berbeda, beberapa dengan banyak huruf Yunani dan eksotik simbol matematika, dan beberapa dengan diagram yang cukup menarik secara visual dengan panah dan gelembung. Namun, dalam semua kasus, kalimat dalam Knowledge based Agent bersifat fisik nyata konfigurasi (bagian dari) agen. Penalaran akan melibatkan menghasilkan dan memanipulasi konfigurasi tersebut.
Logika juga harus mendefinisikan semantik atau arti dari kalimat. Semantik mendefinisikan nilai kebenaran dari setiap kalimat terkait dengan lingkup yangmungkin.
Sebagai contoh, semantik untuk aritmetika menspesifikasikan bahwa kalimat “x+y=4” adalah benar di dalam lingkup di mana x=2 dan y=2, namun adalah salah di dalam lingkup di mana x=1 dan y=1. Dalam logika baku, setiap kalimat harus bernilai benar atau salah, namun tidak keduanya, dan tidak ada nilai di antara benar dan salah.
2. Entailment
Secara sederhana dijelaskan :
KB ╞ α
Knowledge based memerlukan α jika dan hanya jika α benar di seluruh dunia (realitas) di mana Knowledge Based benar.
Contoh : x + y = 4 memerlukan 4 = y + x
Dapat direpresentasikan dalam bentuk model ,sebagai contoh, jika terdapat x pria dan y wanita duduk di sekeliling sebuah meja makan, maka kalimat x+y=4 adalah benar jika jumlah mereka adalah 4 orang. Secara formal, model yang mungkin untuk contoh tersebut pada dasarnya adalah pengalokasian bilangan riil yang mungkin bagi x dan y. Setiap pengalokasian memberikan nilai kebenaran bagi kalimat tersebut. Jika sebuah kalimat α bernilai benar dalam model m, maka dikatakan bahwa m memenuhi α , atau m adalah model dari α . Notasi M (α) bermakna “himpunan dari semua model α ”.
Jika kalimat-kalimat dengan nilai benar sudah didapat, maka pertimbangan logis dapat dilakukan. Hal ini melibatkan relasi “konsekuensi logis” antar kalimat-kalimat, di mana terdapat kalimat-kalimat yang merupakan konsekuensi logis dari kalimat lainnya. Secara matematis dinotasikan: α = β , yang berarti bahwa kalimat α menyebabkan konsekuensi kalimat β . Atau dapat dinyatakan: α = β jika dan hanya jika M (α) ⊆ M (β ).
3. Inferensi
Dalam memahami entailment dan inferensi, mungkin membantu untuk memikirkan himpunan semua konsekuensi Knowledge Based sebagai tumpukan jerami dan α sebagai jarum. Entailment seperti jarum yang ada di tumpukan jerami; inferensi seperti menemukannya. Perbedaan ini diwujudkan dalam beberapa notasi formal:
jika algoritma inferensi saya dapat memperoleh α dari Knowledge Based, tulis kami KB ʻi α, yang diucapkan "α berasal dari KB oleh i" atau "i berasal dari α dari KB."
Algoritma inferensi yang menghasilkan hanya kalimat yang diperlukan disebut TRUTH-PRESERVING.
Adapun sifat dari metode inferensi ini adalah :
l Sound / Truth Preserving; jika semua yang diturunkan adalah kalimat benar.
l Complete; jika semua kalimat benar (sesuai Knowledge Based) dapat diturunkan juga dengan cara inferensi.
Jika proses penalaran yang kesimpulannya dijamin benar di dunia mana pun di mana premisnya benar; khususnya, jika Knowledge Benar benar di dunia nyata, maka kalimat apa pun α yang diturunkan dari Knowledge based dengan prosedur inferensi suara juga benar dalam kenyataan dunia.
Berikut adalah gambar mengenai korespondensi antara dunia dan representasi :
Kalimat adalah konfigurasi fisik agen, dan penalaran adalah suatu proses membangun konfigurasi fisik baru dari yang lama. Penalaran logis harus memastikan bahwa konfigurasi baru mewakili aspek dunia yang benar-benar mengikuti dari aspek yang diwakili oleh konfigurasi lama.
No comments:
Post a Comment