1 / 26

Sistem Cerdas Berbasis Pengetahuan

Sistem Cerdas Berbasis Pengetahuan. KECERDASAN BUATAN (Artificial Intelligence) Materi 1. Eko Prasetyo Teknik Informatika Univ. Pembangunan Nasional Veteran Jawa Timur 2011. Mesin Cerdas.

Télécharger la présentation

Sistem Cerdas Berbasis Pengetahuan

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. SistemCerdasBerbasisPengetahuan KECERDASAN BUATAN(Artificial Intelligence) Materi 1 Eko Prasetyo TeknikInformatika Univ. Pembangunan Nasional Veteran JawaTimur 2011

  2. MesinCerdas • Lebihdari 2000 tahunparaahliberusahamenjawabpertanyaan universal: Bagaimanamanusiaberfikir, bekerja ? Apakah non-manusiabisaberfikir ? – Sampaisaatinimasihberlumterjawab. • Beberapaahlisudahmulaimembuatpendekatankomputasiilmukomputer yang diterimasebagaiidedimanakomputasitersebutbisamelakukansesuatuseperti yang dilakukanmanusia. • Para ahlidanilmuankemudianmenamakannyamesin “cerdas” • Apa yang dimaksuddengan “kecerdasan” ? [Essential English Dictionary, Collins, London, 1990]: • Kecerdasanseseorangadalahkemampuanuntukmemahamidanmempelajarisesuatu • Kecerdasanadalahkemampuanuntukmemikirkandanmemahamimaksuddalammelakukansesuatuolehinsting (atausecaraotomatis) • Definisi 1  Kecerdasandimilikiolehmanusia • Definisi 2  Memberikanperbedaanpendekatansecarajelasdanbeberapafleksibilitas, tidakmenyebutkanapakahorangataubenda yang mempunyaikemampuanuntukberpikirdanmemahami.

  3. MesinCerdas • Befikir [Essential English Dictionary, Collins, London, 1990]: • Aktifitasmenggunakanotakdalammemandangmasalahataumembuatide. • Kecerdasanadalah “Kemampuanuntukmempelajaridanmemahami, untukmenyelesaikanmasalahdanuntukmembuatkeputusan” • Sejak 1940 – Komputersudahmulaidiusahakanuntukdapatberpikir Masa “dark age” AI • Tujuan AI sebagaiilmupengetahuanadalahmembuatmesinmelakukansesuatudimanahaltersebutmembutuhkankecerdasanjikadilakukanolehmanusia [Boden, 1977]. • Pertanyaannya “Bisakahmesinberfikir ?” • Padakenyataannya : adaorang yang pandaidalammatematikatapilemahdalamhalsejarah. Ada yang pandaimencariuang….ada yang pandaidalammenghabiskanuang. • Kemampuanmanusiaberbedapadasetiap area ilmupengetahuan • Jikamesinjugadapatberfikir, tentujugapada area yang terbatas

  4. MesinCerdas • Paper paling tuadansignifikandalambidangmesincerdas “Computing machinery and intelligence”, ditulisolehahlimatematikaInggris Alan Turing, lebihdari 60 tahunlalu (Turing, 1950). • Pada 1937, mengusulkankonsepmesin universal. • PD II, menjadipemainkuncidalampemecahan Enigma, mesin encoding militerJerman • Mendesain “Automatic Computing Engine”. • Menulis program pertama yang dapatmemainkancatursecaralengkap. Diimplementasikandalamkomputer Manchester University . • Konsepteorikomputer universal danpengalamanprakteknyadalampembangunansistempemecahankodemelengkapinyauntukmendekatidasarkuncikecerdasanbuatan. • Pertanyaannya : • Adakahpemikirantanpapengalaman ? • Adakahpikirantanpakomunikasi ? • Adakahbahasatanpakehidupan ? • Adakahkecerdasantanpakehidupan ? • Pertanyaanmendasardalamkecerdasanbuatan. Bisakahmesinberpikir ?

  5. Turing imitation game Pertanyaan ‘Can machines think?’, Turing mengatakanseharusnyakitabertanya, ‘Can machines pass a behaviour test for intelligence ?’ Prediksinya, tahun 2000, komputerdapatdiprogramuntukbisamelakukanpercakapandenganmanusiaselama 5 menitdanmampunyaipeluang 30% untukmembohongiintrogatorbahwadiaadalahmanusia. Turing mendefinisikankecerdasanperilakukomputersebagaikemampuanuntukmencapaikinerja level manusiadalampekerjaankognitif (teori) Artinyakomputerdikatakan lulus tesjikaintrogatortidakdapatmembedakanmesindenganmanusiapada basis jawabanpertanyaanmereka. Padatahun 2020, diperkirakanotakmanusiadapatdimodelkanmenjadisebuah chip seukurangula

  6. Sejarah AI – dari “dark age” sampai knowledge-based systems • AI adalahbidangilmu yang dibangunmelalui 3 generasipeneliti. • Periode “Dark Age” – lahirnya AI (1943–1956) • Warren McCulloch and Walter Pitts (1943) dari Columbia University, menyampaikanhasilpenelitianmengenai AI : Pemodelan neuron dariotakmanusia. • McCulloch dan Pitts mengusulkan model jaringansyaraftiruanpadamasalahbiner. • Kenyataannya, pemecahanmasalahtidaksemua linier. • John von Neumann (1930) membuat stored program machine. Mendorongpengembangan Neural Network Computer oleh Marvin Minsky and Dean Edmonds padatahun 1951. • Claude Shannonmempublish paper permainancatur yang memungkinkan 10120pergerakan (1950)  Menggunakanteknikheuristikdalammencarisolusi • McCarthy, Minsky, dan Shannon bergabunguntukrisetmesincerdas, jaringansyaraftiruan, danteori automata. • Pelatihandanpenelitianparaahlidiatasmemulailahirnyailmubaru yang kemudiandikenaldengan “Artificial Intelligence”

  7. PeriodeBangkitnya AI – Era harapanbesar (1956-akhir 1960) • Padaperiodetersebutkomputerumunyahanyadapatmelakukanpekerjaanperhitunganmatematika. • McCarthy mendefinisikan LISP – bahasapemrogramantertua (FORTRAN 2 tahunlebihtua) • 1958, McCarthy mempresentasikan paper “Programs with Common Sense” yang kemudiandisebutAdvice Talker untukmencarisolusimasalahumumdidunia. • Bisamengenerate, misalnyabagaimanamengendarakebandaradidasarkanbeberapaaksioma. • Yang terpenting, program didesainuntukbisamenerimaaksiomabaru (pengetahuanbaru) – wilayahkeahlian (kepakaran) yang berbedatanpadiprogramulang. • Advice Taker menjadisistemberbasispengetahuan yang pertamamendampingipusatpokokrepresentasidanpenalaranpengetahuan • Minskymembangun anti-logical outlook padarepresentasidanpenalaranpengetahuan (Minsky, 1975) merupakankontribusiutamarekayasapengetahuan • Neural computing dan ANN yang dimulaioleh McCulloch dan Pitts dilanjutkanoleh Rosenblatt yang membuktikanteoremakonvergensiperceptron, mendemonstrasikanalgoritmapembelajaran yang dapatmenyesuaikankekuatanhubunganperceptron (Rosenblatt, 1962).

  8. PeriodeBangkitnya AI – Era harapanbesar (1956-akhir 1960) • General Problem Solver (GPS) (Newell and Simon, 1961, 1972). Allen Newell and Herbert Simon membangun program serbagunauntukmensimulasikanmetodepenyelesaianmasalahmanusia. • GPS berusahamemisahkanpemecahanmasalahdari data • Didasarkanpadateknik yang sekarangdikenalsebagaimeans-ends analysis • Mean-ends analysis digunakanuntukmenentukanperbedaankondisisaatitudengankondisi yang diinginkandarimasalah, menerapkanoperasitertentuuntukmencapaikondisitujuan. Jikakondisi yang ditujubelumtercapai, akandigunakantujuanterdekat, kemudianmengulangiproses yang samasampaitujuantercapai. • GPS gagalmenyelesaikanmasalah yang komplek. Penggunaanwaktudanmemori yang besardalameksekusimembuatnyadibuang. • Peneliti AI berusahauntukmensimulasikanpemikiranmasalah yang kompleksdenganmembuatmetodeumumuntukmenyelesaikankelasmasalah yang luas. • LotfiZadeh (1965) mempublish paper “Fuzzy Sets” yang dianggapsebagaidasarteoryhimpunan Fuzzy. Selama 2 dekade, peneliti fuzzy telahmembangunratusanmesinpintardansistemcerdas.

  9. Janji yang belumterpenuhi (1960-Awal 1970) • 1950, penelitimenjanjikanadanyasistemcerdasserbagunadengandasarskalapengetahuanmanusiapada 1980, danmelewatikecerdasanmanusiaditahun 2000. • 1970, mengklaimbahwahalituterlaluoptimis. • Kesulitanutamaditahun 1960 : • Peneliti AI menggunakanmetodeumumuntukmenyelesaikanmasalah yang luas. Seharusnyamasalahbesardipecahmenjadimasalahkecil. • Kebanyakanpeneliti AI berusahamenyelsaikanmasalah yang terlaluluasdansulit. Seperti : mesintranslasibahasa (Rusia Inggris) dengankamuselektronik  membutuhkanpemahamanumumtentangtatabahasadarikeduabahasa. Mesininikemudianditolak. • 1971, pemerintahInggrismenundapembiayaanpenelitian AI, karenatidakadanyahasil yang signifikan yang didapat.

  10. TeknologiSistemPakar – Kuncikesuksesan (Awal 1970 – Pertengahan 1980) • Permasalahanpengembanganpadaperiodesebelumnyaadalahpembatasanmasalah. • Para penelitiberkeyakinanbahwaalgoritmapencariandanteknikpenalaran yang lebihpintardapatdibuatuntukmengemulasikanmetodeumum, miripmanusiadalammemecahkanmasalah. • DENDRAL, contoh program teknologi yang munculditahun 1969 untukanalisiskimia. • Feigenbaumbekerjasamadengan Lederberg (ahlikimia) untukmembuat program yang dapatbekerjapada level pemikiranmanusia, kemudiandisebutsistempakar. • Feigenbaumtidakhanyamenggunakanaturankimiadalammemahamipemikiranmasalahkimiatapijugamenggunakanpengetahunheuristik-nya, yang kemudianmasalahinidisebutdengan “knowledge acquisition bottleneck”. • “knowledge acquisition bottleneck” : bagaimanamengekstrakpegetahuanmanusiapakarmenjadi program komputer • Keduabersama Buchanan membangun DENDRAL  Sistemberbasispengetahuanpertama yang sukses.

  11. DENDRAL Kemunculannyamenandai “perubahanparadigma” AI : pergeserandari“general-purpose”, sedikitpengetahuan, metode yang lemah, menjadidomain khusus, teknikpengetahuanintensif. Maksuddariproyek DENDRAL adalahmengembangkan program komputeruntukmencapai level kinerjapengalamanmanusia. DENDRAL membuktikanbahwakomputerdapatsamaahlinyadalamwilayahmasalah yang sempitdanterdefinisi. Proyek DENDRAL merupakanidedasarmetodologibaruyaitusistempakar – knowledge engineering, yang meliputiteknikpeng-capture-an, analisis, pengekpresianaturan ‘know-how’ pakar.

  12. MYCIN • MYCIN adalah rule-based expert system untuk diagnosis infectious blood diseases • Karakterumum MYCIN sebagaisistempakarawal : • MYCIN dapatbekerjapada level orangpakar, dipandanglebihbaikdaripadadoktermuda. • Pengetahuan MYCIN terdiridarisekitar 450 aturanindependenbentuk IF-THEN daripengetahuanmanusiadalam domain kecilmelaluiwawancarapakarsecaraintensif • Pengetahuandisandingkandenganbentukaturan yang secarajelasterpisahdarimekanismepenalaran. Pengembangsistemdapatdenganmudahmemanipulasipengetahuandalamsistemdenganmenyisipkanataumenghapusbeberapaaturan. • EMYCIN (Empty MYCIN) adalahversi MYCIN yang kosong (tanpapengetahuan). • Menambahkanfiturketidakpastian, yang kemudiandisebut Uncertainty Factor.

  13. PROSPECTOR Sistempakareksplorasi mineral yang dikembangkanoleh Stanford Research Institute (Duda et al., 1979). 9 pakarberkontribusipadapengetahuandankepakaran. Menggunakankombinasistruktur yang menyandingkanaturandenganjaringansemantik Menggunakanlebihdariseribuaturanuntukmerepresentasikan domain pengetahuan yang luas. Cara kerja : Ahligeologismemasukkankarakteristikgeologi, sistemmelakukanperbandingandengan model yang ada, jikamungkinakanmengquery user untukmendapatkantambahaninformasi, sistemmelakukanpenilaiandanmemberikankesimpulan. KetidakpastiandalamilmugeologiditanganidenganmenyandingkandenganaturanBayesuntukmempropagasiketidakpastianmelaluisistem.

  14. PerkembanganSistemPakar • Aplikasisistempakarbanyakbermunculandiakhir 1970  menunjukkankesuksesan AI • Bahasa AI yang banyakdigunakan: LISP, PROLOG, OPS. • Survey ditahun 1986, beragampenerapansistempakarditemukan: kimia, elektronik, teknik, geologi, manajemen, kedokteran, kontrolproses, danilmumiliter. • Waterman melaporkanada 200 SP, paling banyakdalambidangkedokteran. • 7 tahunkemudian (Durkin, 1994) melaporkanada 2500 sistempakardidunia yang sudahdikembangkan. Wilayah baru yang banyakberkembangadalahbisnisdanperusahaan. • Banyaknyasistempakar yang sudahdikembangkandiberbagaibidangternyatadiluarperkiraankemampuanteknologiini. • Teknologibaruberkembangtapisudahbanyakdiimplementasikan • Kesulitannyaadapadakompleksitasdanposisiteknisdankegiatansosial.

  15. Kesulitan yang dihadapiSistemPakargenerasiawal • Terbataspada domain pakar yang sempit. • MYCN hanyapadamasalahpenyakitdarah, jikapasienmempunyaipenyakitdalam domain yang lain, maka MYCIN tidakdapatdigunakan • Karena domain yang sempit, sistempakartidakrobustdanflexibleseperti yang diinginkan user. • Mempunyaikemampuanpenjelasan yang terbatas. • Bisamenunjukkanurutanaturan yang diterapkanuntukmencapaisolusi, tetapitidakdapatmenghubungkanakumulasidan heuristic pengetahuanuntukmemperdalampengetahuan domain masalah. • Sulitdiverifikasidandivalidasi • Sistempakar, khususnyagenerasipertama, mempunyaisedikitbahkantidakadasamasekalikemampuanuntukbelajardaripengalaman.

  16. Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) • Pertengahan 1980, peneliti, insinyur, pakarmenyadaribahwapengembangansistempakarmembutuhkanlebihbanyaktidakhanyasistempenalaranatau shell sistempakar, danmeletakkanaturan yang cukupdidalamnya. Disadariolehkebutuhansistempakaruntukdapatmemprediksimusimdinginberbasiskecerdasanbuatan, parapenelitimulaimelirikJaringanSyaraf • Cowan (1960) sebenarnyasudahmemberikankomputasisyaraf yang dibutuhkan. Barupada 1980 melakukansolusitersebut. • Alasandelaynyateknologiini: • Tidakada PC untukmemodelkandanmengeksperimenjaringansyaraftiruan. • Psikologidankeuangan • MinskydanPapert(1969): • mendemonstrasikanbatasankomputasidasarperceptron single layer. • Tidakadaalasanuntukmembutuhkanperceptron multilayer yang lebihkompleks • Initentusajamendorongpenelitiberikutnyauntukmasukkebidangjaringansyarafditahundi era 1970

  17. Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Di era 1980, karenakebutuhanpemrosesaninformasisepertiotak, seiringpeningkatanteknologikomputerdanprogresdalamilmusyaraf, bidangjaringansyarafmenjadibangkitdengansangat dramatis. Grossbergmemunculkanprinsipbarudariself-organisation (adaptive resonance theory), yang memberikan basis untukkelasbarujaringansyaraf (Grossberg, 1980). Hopfield memperkenalkanjaringansyarafdengan feedback – Hopfield networks, yang menimbulkanbanyakperhatiandi era 1980 (Hopfield, 1982). Kohonenmempublish paper self-organised maps (Kohonen, 1982). Barto, Sutton and Anderson mempublishpekerjaannyadalammemperkuatkontrolpembelajarandanaplikasinya (Barto et al.,1983).

  18. Machine learning – Rebirth of Neural Network (Pertengahan 1980 – sekarang) Terobosanbaru yang sesungguhnyadatangditahun 1986 ketikaalgoritmapembelajaran back-propagationpertamadiperkenalkanoleh Bryson and Ho pada 1969 (Bryson and Ho, 1969), ditemukankembaliolehRumelhartdan McClelland dalam Parallel Distributed Processing: Explorations in the Microstructures of Cognition (Rumelhart and McClelland, 1986). Padasaat yang sama, back-propagation learning jugadibahasoleh Parker (Parker, 1987) danLeCun (LeCun, 1988), selanjutnyamenjadimetode yang paling populeruntukpelatihanperceptron multilayer. Padatahun 1988, Broomhead and Lowe menemukanproseduruntukmendesainjaringan layer feedforwardmenggunakanradial basis function, sebuahalternatifperceptrons multilayer(Broomhead and Lowe, 1988). Jaringansyaraftiruantelahmenempuhperjalananpanjangdari model awal McCulloch dan Pitts hinggamenjadisubyekinterdisiplinilmudenganakardariilmusyaraf, psikologi, matematika, danteknik. Dan terusdikembangkandalan area teoridanaplikasipraktek.

  19. Evolutionary Computation atau Learning by doing (awal 1970 – sekarang) • Kecerdasanalamimerupakanhasildarievolusi. • Maka, denganpensimulasianevolusibiologis, kitaperlumendiskusikanbagaimanasistemkehidupandidorongmenujulevel kecerdasan yang lebihtinggi. • “Nature learns by doing” • Sistemindividumenunjukkanbagaimanasetiapindividuberadaptasipadasuatulingkungantertentu – merekabersainguntukmempertahankankelangsunganhidup. • Spesies yang lebihbaikmempunyaikesempatan yang lebihbaikuntukbereproduksi, • makamerekadapatmemberikanunsurgenetiknya (gen) padagenerasiberikutnya. • Pendekatanevolusidalam AI didasarkanpada model komputasiseleksidangenetikalami. • Bekerjadenganmensimulasikanpopulasisejumlahindividu, mengevaluasikinerja, men-generate populasibaru, danmengulangiprosesinisejumlahiterasitertentu. • Komputasievolusimengombinasikan 3 teknik: algoritmagenetika, strategievolusi, dan genetic programming. • Konsepalgoritmagenetikadiperkenalkanoleh John Holland (1975) • Membangunalgoritmauntukmemanipulasi ‘kromosom’ buatan (string digit biner) menggunakanoperasigenetikseperti: seleksi, crossover, danmutasi.

  20. Evolutionary Computation atau Learning by doing (awal 1970 – sekarang) • Strategievolusi, (terpisahdari John Holland), Ingo Rechenberg and Hans-Paul Schwefel (1965) mengusulkan metode optimisasi baru yang disebut dengan strategi evolusi. • Strategi evolusi didesain secara khusus untuk menyelesaikan optimasi parameter dalam masalah teknik. • Rechenberg danSchwefelmengusulkanperubahanacakdalam parameter sebagaikejadianmutasialami. • Genetic programming merepresentasikanaplikasi model genetikadaripembelajaranuntukpemrograman. • Tujuannyabukanuntukmeyusunkoderepresentasimasalah, melainkankodekomputeruntukmenyelesaikanmasalah. • Genetic programming men-generate program komputeruntuksolusi.

  21. Era baruRekayasaPengetahuan(akhir 1980 – sekarang) • Teknologijaringansyaraftiruan (ANN) menawarkaninteraksi yang lebihalamidengandunianyatadaripadamenjalankansistem yang didasarkanpadapenalaransimbolik. • ANN bisamempelajari, beradaptasi, mengubahlingkunganmasalah, memunculkanpoladalamsituasidimanaaturantidakdapatmemahami, danmencapainyadenganinformasi yang fuzzy atautidaklengkap. • ANN minim fasilitaspenjelasandanbiasanyabertindaksepertiblack box. • Prosespelatihan (training) ANN denganteknologisaatinilambat, danseringnya retraining bisamenyebabkankesulitas yang serius. • Dalamkasustertentudimanaadasedikitinformasi, ANN bisamenyelesaikanmasalahdenganlebihbaikdibandingsistempakar • Duateknologiinitidakbersaingsaatini, tapisalingmelengkapisatusama lain. • Neural computing dapatdigunakanuntukmengekstrakpengetahuan yang tersembunyidalam data set yang besaruntukmendapatkanaturansistempakar. • ANN dapatmengoreksiaturandalam traditional rule-based expert systems (Omlin and Giles,1996) • Dimanapengetahuan yang dibutuhkantidaklengkapmaka ANN dapatmemperbaikipengetahuan, • Dimanapengetahuantidakkonsistendengan data yang diberikan, ANN dapatmerevisiaturan.

  22. Era baruRekayasaPengetahuan(akhir 1980 – sekarang) • Teknologisangatpenting yang lain adalah yang menanganipengetahuan yang samar, tidaktepat, dantidakpastiyaitulogika fuzzy (fuzzy logic) • Metodeterbaikdalampenanganansistempakarklasik yang tidakpresisi, didasarkanpadakonsepprobabilitas. • MYCIN, memperkenalkan certainty factors. • PROSPECTOR, disandingkandenganaturanBayesuntukmempropagasiketidakpastian • Pakarbiasanyatidakmemikirkannilaiprobabilitas, tetapiistilahsepertisering, umumnya, kadang-kadang, danjarang. • Logika fuzzy didasarkanpadapenggunaannilai fuzzy yang meng-capture maknakata, penalaranmanusiadanpembuatankeputusan. • Sebagaimetode yang menyandikandanmenerapkanpengetahuanmanusiadalambentuk yang secaraakuratmerefleksikanpemahamanpakar yang sulit, masalahkompleks • Logika fuzzy memberikancarauntukmenyelesaikanmelaluikomputasi yang paling baikdarisistempakartradisional

  23. Era baruRekayasaPengetahuan(akhir 1980 – sekarang) • Dalamjantunglogika fuzzy, ditempatkankonsepvariabellinguistik. • Variabellinguistikadalahkata, bukanangka • Miripdengansistempakar, sistem fuzzy menggunakanaturan IF-THEN untukdisandingkandenganpengetahuanmanusia, tetapiaturaninikabur (fuzzy), seperti : • IF speed is high THEN stopping_distance is long • IF speed is low THEN stopping_distance is short. • Teorilogika fuzzy (fuzzy set) diperkenalkanoleh Professor LotfiZadeh (1965) – Memberikanpemahamankomputasidengankata. • Keuntunganaplikasi yang dimodelkandenganlogika fuzzy : • Meningkatkankekuatankomputasi • Fuzzy rule-based systemsbekerjalebihcepatdibandingsistempakarkonvensional • Meningkatkanpemodelankognitif • Sistem fuzzy bisamengkodekanpengetahuandalambentuk yang merefleksikancarapakardalammemikirkanmasalah yang kompleks. • Pemikiran yang tidakpresisiseperti, tinggidanrendah, cepatdanlambat, beratdanringan, danmenggunakanistilahsepertisangatseringdanhampirtidakpernah, biasanyadanhampirtidakpernah, seringdanjarang, dsb. • Kemampuanmerepresentasikanbeberapapakar • Sistempakarkonvensionaldibangundalam domain masalah yang sempit

  24. Kesimpulan Kecerdasanadalahkemampuanuntukbelajardanmemahami, menyelesaikanmasalahdanmembuatkeputusan. Artificial intelligence (Kecerdasanbuatan) adalahilmu yang mendefinisikantujuannyadalampembuatanmesin yang melakukansesuatu yang membutuhkankecerdasanjikadilakukanolehmanusia. Sebuahmesindisebutcerdasjikadiadapatmencapaikinerjapada level manusiadalambeberapapekerjaankognitif. Untukmembangunmesincerdas, kitaharusmeng-capture, mengorganisasikandanmenggunakanpengetahuanpakarmanusiadalambeberapawlayahmasalah. Realisasibahwa domain masalahuntukmesincerdasharusdibatasi, ditandaioleh ‘pergeseranparadigma’ dalam AI dari ‘general-purpose’, sedikitpengetahuan, metode yang lemahmenjadi domain spesifik, metodepengetahuan yang intensif.

  25. Kesimpulan • Satudarikesulitanutamadalampembangunanmesincerdas (knowledge engineering), adalah ‘knowledge acquisition bottleneck’ – mengestrakpengetahuandarimanusiapakar. • Pakarberfikirdalamistilah yang tidakjelassepertisangatseringdanhampirtidakpernah, biasanyadanhampirtidakpernah, seringdanjarang, danmenggunakanvariabellinguistik, sepertitinggidanrendah, cepatdanlambat, beratdanringan. • Sistempakartidakdapatbelajardanmeningkatkandirinyamelaluipengalaman • Artificial neural networks, diinspirasiolehjaringansyarafbiologis, belajardarikasussejarah: • Membuatkemungkinanuntuk men-generate aturansecaraotomatis • Menghindarikelambatan • Pemrosesan yang mahalsaatakuisisipengetahuan, validasidanrevisi. • Integrasisistempakardan ANN, logika fuzzy dan ANN meningkatkanadaptabilitas, toleransikegagalandankecepatansistemberbasispengetahuan.

  26. ANY QUESTION ? Selanjutnya……… Materi 2 - Jaringansyaraftiruan

More Related