Agen AI

Dibagikan oleh pengguna Flashcards.gg · dibuat dengan AI · Laporkan set ini

Materi ini membahas konsep dasar, komponen, dan jenis-jenis agen kecerdasan buatan (AI agent) dalam bahasa Indonesia.

51 kartu Bahasa Indonesia Tingkat: Perguruan tinggi AI dan sains data Dipublikasikan
Ketuk kartu untuk membalik

Kartu · 51

AI Agent
Entitas otonom berbasis AI yang mempersepsikan lingkungan, mengambil keputusan, dan melakukan tindakan untuk mencapai tujuan tertentu.
Percept
Masukan sensorik lengkap yang diterima oleh agen AI dari lingkungannya pada waktu tertentu.
Sensor
Komponen atau mekanisme yang digunakan agen untuk mengamati dan mengumpulkan data dari lingkungan.
Aktuator (Actuator)
Komponen atau alat yang memungkinkan agen mengambil tindakan fisik atau digital untuk memengaruhi lingkungan.
Tindakan (Action)
Langkah atau keluaran yang dilakukan oleh agen sebagai respons terhadap persepsi dan tujuannya.
Lingkungan (Environment)
Dunia atau konteks tempat agen beroperasi dan berinteraksi secara dinamis.
Otonomi (Autonomy)
Kemampuan agen untuk beroperasi dan membuat keputusan secara mandiri tanpa campur tangan langsung manusia.
Rasionalitas Agen
Prinsip bahwa agen selalu memilih tindakan terbaik untuk memaksimalkan keberhasilan berdasarkan informasi yang dimiliki.
Fungsi Agen (Agent Function)
Pemetaan matematis dari urutan persepsi yang diterima ke dalam tindakan yang akan diambil.
Program Agen (Agent Program)
Implementasi nyata atau kode perangkat lunak yang menjalankan fungsi agen pada arsitektur tertentu.
Kerangka Kerja PEAS
Metode formal untuk mendefinisikan agen: Performance measure, Environment, Actuators, dan Sensors.
Performance Measure (PEAS)
Kriteria objektif untuk menilai seberapa sukses agen mencapai tujuannya dalam lingkungan tertentu.
Simple Reflex Agent
Agen yang memilih tindakan hanya berdasarkan persepsi saat ini menggunakan aturan kondisi-tindakan (if-then).
Model-Based Reflex Agent
Agen refleks yang mempertahankan kondisi internal untuk melacak aspek lingkungan yang tidak dapat diamati langsung.
Goal-Based Agent
Agen yang menggabungkan informasi keadaan dengan tujuan eksplisit untuk memilih tindakan yang tepat.
Utility-Based Agent
Agen yang menggunakan fungsi utilitas untuk mengukur tingkat kepuasan atau kualitas dari setiap kemungkinan hasil.
Learning Agent
Agen yang mampu belajar dari pengalaman masa lalu untuk meningkatkan kinerjanya seiring berjalannya waktu.
Elemen Pembelajar (Learning Element)
Komponen dalam learning agent yang bertanggung jawab membuat perbaikan dan mempelajari strategi baru.
Elemen Kinerja (Performance Element)
Komponen dalam learning agent yang bertanggung jawab memilih tindakan eksternal berdasarkan persepsi.
Kritikus (Critic)
Komponen yang mengevaluasi perilaku agen terhadap standar kinerja eksternal dan memberikan umpan balik.
Generator Masalah (Problem Generator)
Komponen yang menyarankan tindakan baru atau eksplorasi eksperimental yang dapat mengarah pada pengalaman baru.
Lingkungan Deterministik
Lingkungan di mana keadaan berikutnya ditentukan sepenuhnya oleh keadaan saat ini dan tindakan yang diambil.
Lingkungan Stokastik
Lingkungan yang mengandung ketidakpastian atau unsur acak sehingga hasil tindakan tidak dapat dipastikan.
Fully Observable
Kondisi lingkungan di mana sensor agen dapat mendeteksi seluruh aspek yang relevan setiap saat.
Partially Observable
Kondisi lingkungan di mana sensor agen memiliki informasi terbatas atau terdapat data yang tersembunyi.
Lingkungan Statis
Lingkungan yang tidak berubah saat agen sedang mempertimbangkan atau menghitung tindakannya.
Lingkungan Dinamis
Lingkungan yang terus berubah seiring berjalannya waktu meskipun agen tidak melakukan tindakan apapun.
Lingkungan Diskrit
Lingkungan dengan jumlah keadaan, waktu, persepsi, dan tindakan yang terbatas dan terpisah jelas.
Lingkungan Kontinu
Lingkungan dengan parameter mulus dan tak terhingga seperti kecepatan, suhu, atau waktu nyata.
Single-Agent vs Multi-Agent
Pembeda apakah agen beroperasi sendirian atau berinteraksi dan bersaing dengan agen cerdas lainnya.
Episodic vs Sequential
Pembeda apakah tindakan saat ini memengaruhi keputusan masa depan (sekuensial) atau terbagi dalam episode independen.
LLM-based Agent
Sistem agen modern yang menggunakan Large Language Model sebagai inti penalaran dan pembuat keputusannya.
Tool Use / Function Calling
Kemampuan agen LLM memanggil API, kalkulator, atau fungsi eksternal untuk memperluas kapabilitasnya.
Reasoning (Penalaran Agen)
Proses berpikir terstruktur agen untuk memecah masalah besar menjadi serangkaian langkah logis.
Chain of Thought (CoT)
Teknik prompting yang membimbing model berpikir langkah demi langkah sebelum menghasilkan kesimpulan akhir.
ReAct Framework
Paradigma yang menggabungkan Reasoning (penalaran) dan Action (eksekusi tindakan) secara berulang bergantian.
Perencanaan (Planning)
Proses menyusun urutan tindakan sebelum mulai mengeksekusinya demi mencapai tujuan akhir secara efisien.
Short-Term Memory (AI Agent)
Penyimpanan konteks percakapan terkini yang berada dalam batas jendela konteks model.
Long-Term Memory (AI Agent)
Penyimpanan eksternal persisten seperti basis data vektor untuk mengingat informasi lintas sesi percakapan.
RAG (Retrieval-Augmented Generation)
Mekanisme pengambilan data relevan dari sumber eksternal sebelum agen menghasilkan respons berbasis konteks.
Sistem Multi-Agent
Arsitektur di mana banyak agen AI dengan peran berbeda bekerja sama atau bernegosiasi menyelesaikan proyek kompleks.
Orchestrator Agent
Agen koordinator utama yang mendelegasikan subtugas ke beberapa agen spesialis lain.
Role-Playing Agent
Pendekatan konfigurasi di mana agen diberi persona khusus seperti analis, pemrogram, atau desainer.
Self-Reflection (Refleksi Diri)
Kemampuan agen mengevaluasi hasil kinerjanya sendiri dan memperbaiki kesalahan tanpa instruksi luar.
Human-in-the-Loop (HITL)
Prinsip desain di mana tindakan kritis agen membutuhkan persetujuan atau konfirmasi manual dari manusia.
Loop Tindakan Agen (Agent Loop)
Siklus berulang dari agen yang mencakup persepsi, analisis, perencanaan, tindakan, dan penerimaan umpan balik.
LangChain
Framework open-source populer untuk merancang dan membangun alur aplikasi berbasis LLM dan agen.
LangGraph
Pustaka untuk membangun aplikasi agen multi-langkah yang kompleks dan memiliki siklus kerja dengan state.
AutoGPT
Contoh awal implementasi agen otonom open-source yang berusaha mencapai tujuan umum secara mandiri.
Halusinasi pada Agen AI
Kondisi kegagalan ketika agen menghasilkan fakta keliru atau mengeksekusi parameter alat yang tidak valid.
Safety & Guardrails Agen
Mekanisme pengaman terprogram untuk mencegah agen melakukan tindakan destruktif atau melanggar aturan etika.