7 Jenis Utama Agen AI [dengan Contoh]

Agen AI berkembang pesat dalam beberapa tahun terakhir. Dengan teknologi dan kemampuannya yang kompleks, kini ada banyak jenis agen AI yang berbeda.

Agen AI adalah perangkat lunak yang menjalankan tugas. Berbeda dengan chatbot biasa, agen ini dapat melakukan tindakan atas nama pengguna.

Ada banyak jenis agen AI, mulai dari termometer pintar dan mobil otonom, hingga agen dengan antarmuka chat. Semua contoh ini termasuk dalam salah satu dari tujuh kategori utama agen AI. Di artikel ini, saya akan membagikan 7 jenis utama agen AI beserta beberapa contoh agen AI di dunia nyata.

1. Agen Refleks Sederhana

Agen refleks sederhana adalah sistem AI yang membuat keputusan hanya berdasarkan input saat ini dari lingkungannya.

Agen ini menggunakan seperangkat aturan kondisi-tindakan untuk memetakan input yang diamati ke respons tertentu. Ketika mendeteksi suatu keadaan di lingkungan, ia menjalankan aturan yang sesuai.

Agen ini tidak memiliki memori atau model internal dunia — jadi hanya efektif di lingkungan yang sepenuhnya dapat diamati, di mana setiap keputusan bisa dibuat berdasarkan input saat itu saja.

Contoh Agen Refleks Sederhana

• Termostat yang menyalakan pemanas jika suhu terlalu dingin
• Robot yang berbelok saat menabrak dinding (seperti Roomba dengan kucing di atasnya)
• Sebuah chatbot dasar yang membalas “Hello!” ketika pengguna mengatakan “Hi”

‍

2. Agen Refleks Berbasis Model

Agen refleks berbasis model adalah agen AI yang membuat keputusan berdasarkan input saat ini dan model internal dunia.

Berbeda dengan agen refleks sederhana, jenis ini melacak keadaan lingkungan dari waktu ke waktu. Ia menggunakan model — yaitu informasi yang disimpan tentang cara kerja dunia — untuk mengisi kekosongan saat lingkungan tidak sepenuhnya dapat diamati.

Ketika menerima input baru, ia memperbarui keadaan internalnya, memeriksa aturan kondisi-tindakan, dan memilih respons terbaik berdasarkan persepsi saat ini dan pengetahuan dari interaksi sebelumnya.

Contoh Agen Refleks Berbasis Model

• Robot vacuum yang mengingat tata letak ruangan dan menghindari area yang sudah dibersihkan
• Agen LLM yang melanjutkan percakapan sambil mengingat input pengguna sebelumnya
• AI dalam game yang bereaksi tidak hanya pada apa yang dilihat, tetapi juga pada apa yang diketahui dari pertandingan sebelumnya

‍

3. Agen Pembelajar

Agen pembelajar adalah agen AI yang meningkatkan kinerjanya seiring waktu dengan belajar dari pengalamannya.

Agen ini memiliki empat komponen utama: elemen pembelajaran, elemen kinerja, kritikus, dan generator masalah.

Elemen kinerja memilih tindakan, sementara elemen pembelajaran menyesuaikan perilaku berdasarkan umpan balik. Kritikus mengevaluasi hasil tindakan menggunakan standar tertentu, dan generator masalah menyarankan tindakan baru untuk dicoba demi pembelajaran yang lebih baik.

Struktur ini memungkinkan agen untuk beradaptasi dengan perubahan, menyempurnakan strategi, dan tetap efektif bahkan di lingkungan yang belum dikenal.

Contoh Agen Pembelajar

• Agen AI kripto yang menyesuaikan strategi trading berdasarkan performa pasar
• Mesin rekomendasi yang semakin baik dalam menyarankan produk berdasarkan perilaku pengguna
• Chatbot kesehatan yang belajar dari interaksi pasien untuk meningkatkan akurasi triase

‍

4. Agen Berbasis Utilitas

Agen berbasis utilitas adalah agen AI yang memilih tindakan berdasarkan hasil mana yang diperkirakan memberikan nilai atau “utilitas” tertinggi.

Alih-alih hanya berusaha mencapai tujuan, agen ini menilai berbagai kemungkinan hasil dan memilih yang memaksimalkan fungsi utilitas yang telah ditentukan.

Ini memungkinkan agen menangani situasi di mana ada banyak cara untuk mencapai tujuan, atau di mana kompromi perlu dilakukan. Agen ini harus mampu membandingkan opsi, memprediksi konsekuensi, dan mengurutkan hasil berdasarkan preferensi atau prioritas.

Contoh Agen Berbasis Utilitas

• Chatbot untuk penjualan yang memprioritaskan prospek berdasarkan kemungkinan konversi
• Bot trading saham yang menyeimbangkan risiko dan keuntungan untuk memaksimalkan hasil jangka panjang
• Chatbot bisnis yang menjadwalkan rapat untuk meminimalkan bentrok dan memaksimalkan kenyamanan

5. Agen Hierarkis

Agen hierarkis adalah agen AI yang mengatur proses pengambilan keputusannya dalam beberapa lapisan atau tingkat, di mana tingkat atas menangani tujuan abstrak dan tingkat bawah mengelola tindakan spesifik.

Agen ini memecah tugas kompleks menjadi sub-tugas yang lebih kecil, dengan setiap tingkat hierarki bertanggung jawab atas cakupan pengambilan keputusan yang berbeda.

Lapisan tingkat atas dapat merencanakan strategi jangka panjang, sementara lapisan bawah menangani data sensor langsung dan respons waktu nyata. Komunikasi mengalir antar lapisan, memungkinkan agen mengoordinasikan tujuan besar dengan pelaksanaan detail.

Struktur ini memudahkan pengelolaan kompleksitas dan memperluas perilaku di berbagai rentang waktu atau prioritas.

Contoh Agen Hierarkis

• Di manufaktur, agen tingkat atas merencanakan proses perakitan sementara tingkat bawah mengontrol lengan robotik dan waktu
• Di pabrik pintar, lapisan berbeda mengelola jadwal produksi, koordinasi mesin, dan operasi fisik

‍

6. Agen Berbasis Tujuan

Agen berbasis tujuan adalah agen AI yang membuat keputusan dengan menilai tindakan mana yang akan membantunya mencapai tujuan tertentu.

Agen ini diberikan satu atau beberapa tujuan — hasil yang ingin dicapai. Ia menggunakan algoritma pencarian atau perencanaan untuk mengeksplorasi kemungkinan urutan tindakan, lalu memilih yang paling mungkin mengarah ke tujuan.

Berbeda dengan agen refleks, agen ini tidak hanya bereaksi — ia mempertimbangkan konsekuensi di masa depan sebelum bertindak. Ini membuatnya lebih fleksibel dan mampu di lingkungan yang dinamis atau asing, namun juga lebih menuntut secara komputasi.

Contoh Agen Berbasis Tujuan

• Sistem navigasi yang menghitung rute terbaik ke tujuan
• AI pemecah puzzle yang mencari langkah-langkah untuk menyelesaikan puzzle
• Lengan robotik yang merencanakan urutan gerakan untuk merakit produk dengan sukses

7. Sistem Multi-Agen (MAS)

Terakhir namun tak kalah penting: sistem multi-agen.

Sistem multi-agen (MAS) adalah sistem yang terdiri dari beberapa agen AI yang saling berinteraksi dan bekerja sama (atau kadang bersaing) untuk mencapai tujuan individu atau bersama.

Setiap agen dalam sistem beroperasi secara mandiri, dengan kemampuan, tujuan, dan persepsi lingkungan masing-masing.

Agen-agen ini berkomunikasi dan berkoordinasi — baik secara langsung melalui pesan atau tidak langsung dengan mengamati perubahan lingkungan. Sistem secara keseluruhan dapat memecahkan masalah yang terlalu kompleks atau tersebar untuk ditangani satu agen saja.

Sistem multi-agen bisa bersifat kooperatif, kompetitif, atau gabungan keduanya, tergantung desain dan tujuannya.

Contoh Sistem Multi-Agen

• Kendaraan otonom yang berkoordinasi di persimpangan untuk menghindari tabrakan
• Sekelompok bot keuangan mengelola penagihan, deteksi penipuan, dan pelaporan melalui otomatisasi alur kerja AI
• Sistem rantai pasok di mana agen-agen berbeda mengelola persediaan, pengiriman, dan peramalan permintaan

Buat Agen AI Kustom

Membuat agen AI yang disesuaikan itu tidak sulit — dan Anda bisa melakukannya secara gratis.

Botpress menyediakan pembuat alur visual drag-and-drop, keamanan tingkat perusahaan, perpustakaan edukasi yang lengkap, dan komunitas Discord aktif dengan lebih dari 20.000 pembuat bot.

Platform kami yang dapat diperluas memungkinkan Anda membangun chatbot kustom dengan integrasi apa pun — dan Integration Hub kami penuh dengan konektor siap pakai untuk saluran terbesar.

Mulai membangun hari ini. Gratis.

Pertanyaan yang Sering Diajukan

Apa saja 7 jenis agen AI?

Tujuh jenis tersebut adalah: agen refleks sederhana, agen refleks berbasis model, agen berbasis tujuan, agen berbasis utilitas, agen pembelajar, agen hierarkis, dan sistem multi-agen.

Apakah ChatGPT merupakan agen AI?

Ya, ChatGPT dapat dianggap sebagai agen AI — ia menerima masukan, memprosesnya, dan menghasilkan respons, sering kali menggunakan pendekatan berbasis tujuan atau utilitas tergantung pada cara penerapannya.

Apa itu agen cerdas, dan bagaimana cara kerjanya di lingkungan digital?

Agen cerdas adalah entitas yang dirancang untuk bertindak di berbagai lingkungan digital. Mereka mengumpulkan pengetahuan dari sekitarnya, menilai situasi saat ini, dan melakukan tindakan untuk mencapai tujuan yang telah ditetapkan. Kinerja mereka dipengaruhi oleh tindakan eksternal yang mereka lakukan di lingkungan yang dapat diamati.

Bagaimana kecerdasan buatan berperan dalam fungsi agen?

Kecerdasan Buatan memberikan kemampuan kepada agen cerdas untuk belajar, bernalar, dan beradaptasi. Agen memanfaatkan AI untuk meningkatkan basis pengetahuan mereka, sehingga dapat mengambil keputusan yang lebih canggih di berbagai lingkungan.

Apa saja yang membentuk basis pengetahuan dari agen cerdas?

Pengetahuan agen cerdas mencakup informasi tentang lingkungan, aturan yang telah ditentukan, dan pemahaman dasar tentang situasi saat ini. Pengetahuan ini menjadi dasar dalam proses pengambilan keputusan mereka.

Apa yang dimaksud dengan elemen kinerja dalam konteks agen cerdas?

Elemen kinerja pada agen cerdas mengacu pada kemampuan mereka untuk mencapai tujuan dan mengambil keputusan yang mengoptimalkan tindakan di lingkungan tertentu. Ini adalah komponen penting yang menentukan efisiensi dan efektivitas agen.

Apakah agen dapat beroperasi dalam struktur hierarkis?

Ya, agen hierarkis adalah jenis agen cerdas yang beroperasi dalam tingkatan yang terstruktur. Agen tingkat atas mengawasi pengambilan keputusan secara umum, sementara agen tingkat bawah menangani tugas-tugas spesifik dalam kerangka yang lebih luas. Struktur hierarkis ini memungkinkan operasi yang efisien di lingkungan yang kompleks.

Apakah agen cerdas beroperasi dengan kecerdasan yang terbatas?

Ya, banyak agen cerdas yang beroperasi dengan kecerdasan terbatas, artinya mereka memiliki cakupan pengetahuan dan kemampuan yang sudah ditentukan. Batasan ini membantu mereka fokus pada tugas dan lingkungan tertentu di mana keahlian mereka paling relevan.