PEAS (Performance maesure, Environment, Actuators, Sensor)

Apa itu PEAS dalam konteks intelligent agent ?  sebelum menjelaskan PEAS akan dijelaskan terlebih dahulu apa yang dimaksud dengan Agent ? Agent merupakan sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators. Dan ketika ingin merancang sebuat agent maka kita harus menjabarkan lingkungan masalah (task environment), yaitu :

Pengertian PEAS adalah :
P (Performance Measure)          : komponen yang menjadi tolak ukur keberhasilan Agent.
E (Environment)                        : lingkungan Agent berada.
A (Actuator)                               : segala sesuatu yang dapat dilakukan Agent.
S (Sensors)                                 : segala sesuatu yang menjadi alat input Agent.

Contoh:

1    Taksi Otomatis merupakan Sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan :

·         Performance measure: sampai tujuan,tidak melanggar aturan lalul intas, perjalanan nyaman,  hemat bensin 

·         Environment: jalan, lalu lintas, pejalan kaki, pelanggan 

·         Actuators: arah stir, gas, rem, klakson, sinyal kiri atau kanan

·         Sensors: video, speedometer, GPS, keyboard

2.       Medical Diagnosis System merupakan Sebuah agent Medical diagnosis system yang mendiagnosa pasien secara otomatis

·         Performance measure: pasien sembuh, biya murah, tidak menyalahi hukum 

·          Environment: pasien, rumah sakit, suster, dokter 

·          Actuators: layar monitor (pertanyaan, tes, diagnosa, treatment, petunjuk 

·          Sensors: keyboard (masukan gejala penyakit, jawaban pasien) 

Jenis-jenis Agent :

1. Simple Reflex Agents

2. Model Based Reflex Agent

3. Goal-Based Agents

4. Utility-Based Agents

5. Learning Agent

Selanjutnya saya akan menjelaskan cara kerja dari 5 jenis agent yang sudah disebutkan diatas.

1. Simple Reflex Agent

Gambar tersebut menunjukkan bahwa struktur simple reflex agent adalah struktur yang paling sederhana dalam bentuk skema,  yang mana menunjukkan tentang  aturan condition action yang memungkinkan agent untuk membuat sambungan dari persepsi untuk mengambil keputusan. Persegi panjang untuk menunjukkan keadaan internal saat proses keputusan berjalan, dan oval untuk mewakili latar belakang informasi yang digunakan dalam proses tersebut.

2. Model-based reflex agents

Gambar tersebut menunjukkan bahwa model based reflex agent menjaga semacam internal model yang tergantung pada sejarah persepsi dan dengan itu dapat mencerminkan setidaknya dua atau lebih aspek yang tidak teramati negara saat ini. Kemudian memilih tindakan dengan cara yang sama sebagai agen refleks. Model ini dapat dikatakan lebih kuat daripada simple reflex agent.

3. Goal-based agents

Gambar tersebut menunjukkan bahwa goal based agents dapat memperluas pada kemampuan model-based agents, dengan menggunakan "goal" informasi. Tujuan informasi adalah untuk menggambarkan kondisi yang diinginkan. Hal ini memungkinkan agen dapat untuk memilih di antara beberapa kemungkinan, memilih satu yang mencapai negara tujuan.Search dan planing adalah sub bidang kecerdasan buatan yang ditujukan untuk mengurutkan tindakan dalam menemukan dan mencapai tujuan agen. Dalam beberapa kasus, sayangnyagoal-based agent kurang efisien.

4. Utility-based agents

Gambar tersebut menunjukkan bahwa “Goal” tidak cukup untuk menghasilkan perilaku yang berkualitas tinggi. Ada banyak urutan tindakan  untuk mencapai tujuan, akan tetapi beberapa ada yang lebih cepat, lebih aman, bahkan lebih dapat diandalkan, atau lebih murah daripada yang lain. Tujuannya hanyalah memberikan perbedaan antara kondisi "bahagia" dan "tidak bahagia", sedangkan ukuran kinerja yang lebih umum harus memungkinkan perbandingan beberapa urutan kondisi yang berbeda jika agent ingin mencapai tujuan. Terminologi yang digunakan adalah untuk mengatakan bahwa jika satu kondisi lebih disukai daripada kondisi yang lain, itu dapat membuat utilitas yang lebih tinggi untuk agent.

5. Learning agents

Gambar tersebut menunjukkan bahwa learning agents dapat belajar dari sebuahpengalaman, meningkatkan kinerja bertanggung jawab untuk membuat perbaikan elemen kinerja dalam bertanggung jawab dan untuk memilih tindakan eksternal kritikus gunamemberikan umpan balik tentang bagaimana agen itu saat bekerja.

                                                                                                                                                                       

http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html

http://tiindonesia.blogspot.co.id/2013/01/peas.html

http://noteinformatic.blogspot.co.id/2015/10/tugas-kecil-1-kecerdasan-buatan.html

http://oferiachacha.blogspot.co.id/2013/12/peas-lengan-robot-pengecat-ruang.html