11.1 Apa itu Kecerdasan Buatan?

Bidang kecerdasan buatan (AI) berkaitan dengan metode pengembangan sistem yang menampilkan aspek perilaku cerdas. Sistem ini dirancang untuk meniru kemampuan berpikir dan merasakan manusia.

Karakteristik Sistem AI

Karakteristik sistem AI meliputi:

1. Pengolahan Simbolik

Dalam aplikasi AI, komputer memproses simbol daripada angka atau huruf. Aplikasi AI memproses rangkaian karakter yang mewakili entitas atau konsep dunia nyata. Simbol dapat diatur dalam struktur seperti daftar, hierarki, atau jaringan. Struktur ini menunjukkan bagaimana simbol berhubungan satu sama lain.

2. Pemrosesan Non Algoritma

Program komputer di luar domain AI adalah algoritma yang diprogram; yaitu, prosedur langkah demi langkah yang ditentukan sepenuhnya yang menentukan solusi untuk masalah tersebut. Tindakan sistem AI berbasis pengetahuan jauh lebih bergantung pada situasi di mana ia digunakan.

Bidang AI

Kecerdasan buatan adalah sains dan teknologi yang didasarkan pada disiplin ilmu seperti ilmu komputer, biologi, psikologi, linguistik, matematika, dan teknik. Tujuan AI adalah mengembangkan komputer yang dapat berpikir, melihat, mendengar, berjalan, berbicara, dan merasakan. Dorongan utama AI adalah pengembangan fungsi komputer yang biasanya terkait dengan kecerdasan manusia, seperti penalaran, pembelajaran, dan pemecahan masalah.

Bagaimana AI Field Berkembang [Gambar 11.2]

1950 Turing Test - sebuah mesin bekerja dengan cerdas jika seorang interogator yang menggunakan terminal jarak jauh tidak dapat membedakan tanggapannya dari tanggapan manusia.

Hasil: Metode pemecahan masalah secara umum

1960 AI didirikan sebagai bidang penelitian.

Hasil: Sistem pakar berbasis pengetahuan

1970 komersialisasi AI dimulai

Hasil: Pemrosesan transaksi dan sistem pendukung keputusan menggunakan AI.

1980 Jaringan syaraf tiruan

Hasil: Menyerupai struktur saraf yang saling berhubungan pada otak manusia

1990 Agen cerdas

Hasil: Perangkat lunak yang melakukan tugas yang diberikan atas nama pengguna

11.2 Kemampuan Sistem Pakar: Tampilan Umum

Bidang penerapan AI yang paling penting adalah bidang sistem pakar. Sistem pakar (ES) adalah sistem berbasis pengetahuan yang mempekerjakan pengetahuan tentang domain aplikasinya dan menggunakan prosedur inferensi (alasan) untuk memecahkan masalah yang jika tidak membutuhkan kompetensi atau keahlian manusia. Kekuatan sistem pakar terutama berasal dari pengetahuan khusus tentang domain sempit yang disimpan dalam basis pengetahuan sistem pakar .

Penting untuk ditekankan kepada siswa bahwa sistem pakar adalah asisten pembuat keputusan dan bukan pengganti mereka. Sistem pakar tidak memiliki kemampuan manusia. Mereka menggunakan basis pengetahuan dari domain tertentu dan membawa pengetahuan itu untuk mendukung fakta dari situasi tertentu yang ada. Basis pengetahuan ES juga berisi pengetahuan heuristik - aturan praktis yang digunakan oleh pakar manusia yang bekerja di domain tersebut.

11.3 Aplikasi Sistem Pakar

Tes ini menguraikan beberapa kasus mini ilustratif dari aplikasi sistem pakar. Ini termasuk bidang-bidang seperti keputusan kredit berisiko tinggi, pengambilan keputusan periklanan, dan keputusan manufaktur.

Kategori Generik Aplikasi Sistem Pakar

Tabel 11.1 menguraikan area umum aplikasi ES di mana ES dapat diterapkan. Area aplikasi meliputi klasifikasi, diagnosis, pemantauan, kontrol proses, desain, penjadwalan dan perencanaan, dan pembuatan opsi.

Klasifikasi - mengidentifikasi objek berdasarkan karakteristik yang dinyatakan

Sistem Diagnosis - menyimpulkan kerusakan atau penyakit dari data yang dapat diamati

Pemantauan - bandingkan data dari sistem yang terus diamati untuk menentukan perilaku

Kontrol Proses - mengontrol proses fisik berdasarkan pemantauan

Desain - konfigurasikan sistem sesuai dengan spesifikasi

Penjadwalan & Perencanaan - mengembangkan atau memodifikasi rencana tindakan

Generasi Pilihan - menghasilkan solusi alternatif untuk suatu masalah

11.4 Cara Kerja Sistem Pakar

Kekuatan ES berasal dari basis pengetahuannya - kumpulan fakta dan heuristik yang terorganisir tentang domain sistem. ES dibangun dalam proses yang dikenal sebagai rekayasa pengetahuan , di mana pengetahuan tentang domain diperoleh dari pakar manusia dan sumber lain oleh insinyur pengetahuan.

Akumulasi pengetahuan dalam basis pengetahuan, dari mana kesimpulan ditarik oleh mesin inferensi, adalah ciri khas sistem pakar.

Representasi Pengetahuan dan Basis Pengetahuan

Basis pengetahuan ES berisi pengetahuan faktual dan heuristik. Representasi pengetahuan adalah metode yang digunakan untuk mengatur pengetahuan dalam basis pengetahuan. Basis pengetahuan harus mewakili gagasan sebagai tindakan yang harus diambil dalam keadaan, kausalitas, waktu, ketergantungan, tujuan, dan konsep tingkat tinggi lainnya.

Beberapa metode representasi pengetahuan dapat ditarik atas. Dua dari metode ini meliputi:

1. Sistem berbasis bingkai

- digunakan untuk membangun ES yang sangat kuat. Frame menentukan atribut objek yang kompleks dan frame untuk berbagai tipe objek memiliki hubungan yang ditentukan.

2. Aturan produksi

- adalah metode representasi pengetahuan yang paling umum digunakan dalam bisnis. Sistem pakar berbasis aturan adalah sistem pakar di mana pengetahuan diwakili oleh aturan produksi.

Aturan produksi, atau hanya aturan, terdiri dari bagian IF (kondisi atau premis) dan bagian THEN (tindakan atau kesimpulan). IF kondisi THEN tindakan (kesimpulan).

Fasilitas penjelasan menjelaskan bagaimana sistem sampai pada rekomendasi. Bergantung pada alat yang digunakan untuk mengimplementasikan sistem pakar, penjelasannya mungkin dalam bahasa alami atau hanya berupa daftar nomor aturan.

Mesin Inferensi [Gambar 11.4]

Mesin inferensi:

1. Menggabungkan fakta kasus tertentu dengan pengetahuan yang terkandung dalam basis pengetahuan untuk menghasilkan rekomendasi. Dalam sistem pakar berbasis aturan, mesin inferensi mengontrol urutan di mana aturan produksi diterapkan ( A dipecat @ ) dan menyelesaikan konflik jika lebih dari satu aturan berlaku pada waktu tertentu. Inilah yang dimaksud dengan alasan @ dalam sistem berbasis aturan.

2. Mengarahkan antarmuka pengguna untuk menanyakan informasi apa pun yang dibutuhkan pengguna untuk inferensi lebih lanjut.

Fakta dari kasus yang diberikan dimasukkan ke dalam memori kerja , yang bertindak sebagai papan tulis, mengumpulkan pengetahuan tentang kasus yang ada. Mesin inferensi berulang kali menerapkan aturan ke memori kerja, menambahkan informasi baru (diperoleh dari kesimpulan aturan) ke dalamnya, hingga status tujuan dihasilkan atau dikonfirmasi.

Gambar 11.5 Salah satu dari beberapa strategi dapat digunakan oleh mesin inferensi untuk mencapai suatu kesimpulan. Mesin inferensi untuk sistem berbasis aturan umumnya bekerja dengan rangkaian aturan maju atau mundur. Dua strategi adalah:

1. Forward chaining

- adalah strategi berbasis data. Proses inferensi bergerak dari fakta kasus ke tujuan (kesimpulan). Dengan demikian, strategi didorong oleh fakta-fakta yang tersedia dalam memori kerja dan oleh premis-premis yang dapat dipenuhi. Mesin inferensi mencoba mencocokkan bagian kondisi (IF) dari setiap aturan di basis pengetahuan dengan fakta yang saat ini tersedia di memori kerja. Jika beberapa aturan cocok, prosedur resolusi konflik dijalankan; misalnya, aturan bernomor terendah yang menambahkan informasi baru ke memori kerja akan diaktifkan. Kesimpulan dari aturan penembakan ditambahkan ke memori kerja.

Sistem rantai maju biasanya digunakan untuk memecahkan masalah yang lebih terbuka dari desain atau perencanaan, seperti, misalnya, menetapkan konfigurasi produk yang kompleks.

2. Rangkaian mundur

- mesin inferensi mencoba mencocokkan kesimpulan yang diasumsikan (dihipotesiskan) - keadaan tujuan atau subtujuan - dengan bagian kesimpulan (MAKA) dari aturan. Jika aturan tersebut ditemukan, premisnya menjadi subgoal baru. Dalam ES dengan sedikit kemungkinan status tujuan, ini adalah strategi yang bagus untuk dikejar.

Jika keadaan tujuan yang dihipotesiskan tidak dapat didukung oleh premis, sistem akan berusaha membuktikan keadaan tujuan yang lain. Dengan demikian, kesimpulan yang mungkin ditinjau sampai keadaan tujuan yang dapat didukung oleh premis ditemukan.

Backward chaining paling cocok untuk aplikasi di mana kesimpulan yang mungkin terbatas jumlahnya dan terdefinisi dengan baik. Sistem jenis klasifikasi atau diagnosis, di mana masing-masing dari beberapa kemungkinan kesimpulan dapat diperiksa untuk melihat apakah didukung oleh data, adalah aplikasi tipikal.

Ketidakpastian dan Logika Fuzzy

Logika fuzzy adalah metode penalaran yang menyerupai penalaran manusia karena memungkinkan nilai perkiraan dan kesimpulan dan data yang tidak lengkap atau ambigu (data fuzzy). Logika fuzzy adalah metode pilihan untuk menangani ketidakpastian dalam beberapa sistem pakar.

Sistem pakar dengan kemampuan logika fuzzy memungkinkan penanganan masalah yang lebih fleksibel dan kreatif. Sistem ini digunakan, misalnya, untuk mengontrol proses produksi.

11.5 Teknologi Sistem Pakar [Gambar 11.6]

Ada beberapa tingkatan teknologi ES yang tersedia. Dua hal penting yang perlu diingat saat memilih alat ES meliputi:

1. Alat yang dipilih untuk proyek harus sesuai dengan kemampuan dan kecanggihan ES yang diproyeksikan, khususnya kebutuhan untuk mengintegrasikannya dengan subsistem lain seperti database dan komponen lain dari sistem informasi yang lebih besar.

2. Alat tersebut juga harus sesuai dengan kualifikasi tim proyek.

Teknologi sistem pakar meliputi:

1. Sistem pakar khusus

- Sistem pakar ini benar-benar memberikan rekomendasi dalam domain tugas tertentu.

2. Kerang sistem pakar

- adalah kendaraan paling umum untuk pengembangan ES tertentu. Shell adalah sistem pakar tanpa basis pengetahuan. Shell melengkapi pengembang ES dengan mesin inferensi, antarmuka pengguna, dan fasilitas penjelasan dan akuisisi pengetahuan.

Cangkang khusus domain sebenarnya adalah sistem pakar khusus yang tidak lengkap, yang membutuhkan lebih sedikit usaha untuk memasukkan sistem yang sebenarnya.

3. Lingkungan pengembangan sistem pakar

- sistem ini memperluas kemampuan cangkang ke berbagai arah. Mereka berjalan di stasiun kerja teknik, komputer mini, atau mainframe; menawarkan integrasi yang erat dengan database besar; dan mendukung pembangunan sistem pakar yang besar.

4. Bahasa pemrograman tingkat tinggi

Beberapa lingkungan pengembangan ES telah ditulis ulang dari LISP menjadi bahasa prosedural yang lebih umum ditemukan di lingkungan komersial, seperti C atau C++. ES sekarang jarang dikembangkan dalam bahasa pemrograman.

11.6 Peran Dalam Pengembangan Sistem Pakar

Tiga peran mendasar dalam membangun sistem pakar adalah:

1. Pakar - Sistem ES yang sukses bergantung pada pengalaman dan penerapan pengetahuan yang dapat dibawa orang selama pengembangannya. Sistem besar umumnya membutuhkan banyak ahli.

2. Insinyur pengetahuan - Insinyur pengetahuan memiliki tugas ganda. Orang ini harus dapat memperoleh pengetahuan dari ahlinya, secara bertahap mendapatkan pemahaman tentang suatu bidang keahlian. Kecerdasan, kebijaksanaan, empati, dan kemahiran dalam teknik akuisisi pengetahuan tertentu semuanya dibutuhkan oleh seorang insinyur pengetahuan. Teknik akuisisi pengetahuan termasuk melakukan wawancara dengan berbagai tingkat struktur, analisis protokol, observasi para ahli di tempat kerja, dan analisis kasus.

Di sisi lain, knowledge engineer juga harus memilih alat yang sesuai untuk proyek dan menggunakannya untuk merepresentasikan pengetahuan dengan penerapan fasilitas akuisisi pengetahuan .

3. Pengguna - Sebuah sistem yang dikembangkan oleh pengguna akhir dengan shell sederhana, dibangun agak cepat dan tidak mahal. Sistem yang lebih besar dibangun dalam upaya pengembangan yang terorganisir. Strategi pengembangan iteratif berorientasi prototipe umumnya digunakan. ES sangat cocok untuk pembuatan prototipe.

11.7 Pengembangan dan Pemeliharaan Sistem Pakar [Gambar 11.7]

Langkah-langkah dalam metodologi untuk proses iteratif pengembangan dan pemeliharaan ES meliputi:

1. Identifikasi Masalah dan Analisis Kelayakan:

- masalah harus cocok untuk sistem pakar untuk menyelesaikannya.

- harus mencari ahli untuk proyek tersebut

- efektivitas biaya sistem harus ditetapkan (kelayakan)

2. Desain Sistem dan Identifikasi Teknologi ES:

- sistem sedang dirancang. Tingkat integrasi yang diperlukan dengan subsistem dan basis data lain ditetapkan

- konsep yang paling mewakili pengetahuan domain berhasil

- cara terbaik untuk merepresentasikan pengetahuan dan melakukan inferensi harus ditentukan dengan contoh kasus

3. Pengembangan Prototipe:

- Insinyur pengetahuan bekerja dengan pakar untuk menempatkan kernel awal pengetahuan di basis pengetahuan.

- pengetahuan perlu diungkapkan dalam bahasa alat khusus yang dipilih untuk proyek tersebut

4. Pengujian dan Penyempurnaan Prototipe:

- menggunakan contoh kasus, prototipe diuji, dan kekurangan kinerja dicatat. Pengguna akhir menguji prototipe ES.

5. Lengkapi dan Isi ES:

- interaksi ES dengan semua elemen lingkungannya, termasuk pengguna dan sistem informasi lainnya, dipastikan dan diuji.

- ES didokumentasikan dan pelatihan pengguna dilakukan

6. Pertahankan Sistem:

- sistem tetap terkini terutama dengan memperbarui basis pengetahuannya.

- antarmuka dengan sistem informasi lain juga harus dipertahankan, karena sistem tersebut berkembang.

11-8 Sistem Pakar dalam Organisasi: Manfaat dan Keterbatasan

Sistem pakar menawarkan manfaat berwujud dan tidak berwujud yang penting bagi pemilik perusahaan. Manfaat ini harus dibandingkan dengan biaya pengembangan dan eksploitasi ES, yang tinggi untuk ES yang besar dan penting secara organisasional.

Manfaat Sistem Pakar

ES bukanlah pengganti kinerja keseluruhan pekerja pengetahuan dari tugas pemecahan masalah. Tetapi sistem ini dapat secara dramatis mengurangi jumlah pekerjaan yang harus dilakukan individu untuk memecahkan masalah, dan mereka meninggalkan orang dengan aspek pemecahan masalah yang kreatif dan inovatif.

Beberapa manfaat organisasi yang mungkin dari sistem pakar adalah:

1. Seorang Es dapat menyelesaikan tugasnya jauh lebih cepat daripada ahli manusia.

2. Tingkat kesalahan sistem yang berhasil rendah, terkadang jauh lebih rendah daripada tingkat kesalahan manusia untuk tugas yang sama.

3. ES membuat rekomendasi yang konsisten

4. ES adalah kendaraan yang nyaman untuk membawa ke titik penerapan sumber pengetahuan yang sulit digunakan.

5. ES dapat menangkap keahlian langka dari seorang pakar yang berkualifikasi unik.

6. ES dapat menjadi sarana untuk membangun pengetahuan organisasi, berlawanan dengan pengetahuan individu dalam organisasi.

7. Saat digunakan sebagai kendaraan pelatihan, ES menghasilkan kurva pembelajaran yang lebih cepat untuk pemula.

8. Perusahaan dapat mengoperasikan ES di lingkungan yang berbahaya bagi manusia.

Keterbatasan Sistem Pakar

Tidak ada teknologi yang menawarkan solusi yang mudah dan total. Sistem besar mahal dan membutuhkan waktu pengembangan dan sumber daya komputer yang signifikan. ES juga memiliki keterbatasan yang meliputi:

1. Keterbatasan teknologi

2. Masalah dengan akuisisi pengetahuan

3. Domain operasional sebagai area utama aplikasi ES

4. Mempertahankan keahlian manusia dalam organisasi

11-9 Ikhtisar Kecerdasan Buatan Terapan

Sistem pakar hanyalah salah satu bidang AI. Area lain termasuk:

1. Pemrosesan bahasa alami

2. Robotika

3. Visi komputer

4. Pengenalan suara terkomputerisasi

5. Pembelajaran mesin

Pemrosesan Bahasa Alami

Mampu berbicara dengan komputer dalam percakapan bahasa manusia dan membuat mereka memahami @ kami adalah tujuan dari peneliti AI. Sistem pemrosesan bahasa alami menjadi umum. Aplikasi utama natural language system saat ini adalah sebagai user interface untuk sistem pakar dan basis data.

Robotika

AI, teknik, dan fisiologi adalah disiplin dasar robotika. Teknologi ini menghasilkan mesin robot dengan kecerdasan komputer dan dikendalikan komputer, kemampuan fisik seperti manusia, aplikasi robotika

Visi Komputer

Simulasi indra manusia adalah tujuan utama bidang AI. Sistem sensor AI tercanggih adalah compute vision, atau pengenalan pemandangan visual. Tugas sistem penglihatan adalah menginterpretasikan gambar yang diperoleh. Sistem ini digunakan dalam robot atau sistem satelit. Sistem penglihatan yang lebih sederhana digunakan untuk kontrol kualitas di bidang manufaktur.

Pengenalan suara

Tujuan akhir dari area AI yang sesuai adalah pengenalan ucapan terkomputerisasi, atau pemahaman ucapan yang terhubung oleh pembicara yang tidak dikenal, berlawanan dengan sistem yang mengenali kata atau frasa pendek yang diucapkan satu per satu atau sistem dilatih oleh pembicara tertentu sebelum digunakan.

Pembelajaran mesin

Suatu sistem dengan kemampuan pembelajaran - pembelajaran mesin - dapat secara otomatis mengubah dirinya sendiri untuk melakukan tugas yang sama dengan lebih efisien dan lebih efektif di lain waktu.

Sejumlah pendekatan untuk belajar sedang diselidiki. Pendekatan meliputi:

1. Pembelajaran Pemecahan Masalah - mengumpulkan pengalaman @ tentang aturannya dalam hal kontribusi mereka untuk nasihat yang benar . Aturan yang tidak memberikan kontribusi atau yang ditemukan memberikan kontribusi yang meragukan dapat secara otomatis dibuang atau diberikan faktor kepastian yang rendah.

2. Pembelajaran Berbasis Kasus - mengumpulkan kasus dalam basis pengetahuan dan memecahkan masalah dengan mencari kasus yang mirip dengan yang akan dipecahkan.

3. Pembelajaran Induktif - belajar dari contoh. Dalam hal ini, suatu sistem dapat menghasilkan pengetahuannya, yang direpresentasikan sebagai aturan.

11-10 Jaringan Neural

Neural network adalah sistem komputasi yang dimodelkan pada jaringan otak manusia yang mirip jala dari elemen pemrosesan yang saling berhubungan, yang disebut neuron. Tentu saja, jaringan saraf jauh lebih sederhana daripada otak manusia (diperkirakan memiliki lebih dari 100 miliar sel otak neuron). Namun, seperti otak, jaringan semacam itu dapat memproses banyak potongan informasi secara bersamaan dan dapat belajar mengenali pola dan memprogram sendiri untuk memecahkan masalah terkait sendiri.

Jaringan saraf adalah susunan elemen pemrosesan yang saling berhubungan, yang masing-masing dapat menerima input, memprosesnya, dan menghasilkan output tunggal dengan tujuan meniru operasi otak manusia. Pengetahuan direpresentasikan dalam jaringan saraf dengan pola koneksi di antara elemen pemrosesan dan dengan menyesuaikan bobot koneksi ini.

Kekuatan jaringan saraf ada pada aplikasi yang membutuhkan pengenalan pola yang canggih. Kelemahan terbesar dari jaringan saraf adalah bahwa mereka tidak memberikan penjelasan atas kesimpulan yang mereka buat.

Singkatnya, jaringan saraf dapat dilatih untuk mengenali pola tertentu dan kemudian menerapkan apa yang dipelajarinya ke kasus baru di mana ia dapat membedakan pola tersebut.

sumber: https://www.umsl.edu/~joshik/msis480/chapt11.htm