Membutuhkan Kecerdasan Manusia.
Melakukan pekerjaan yang membutuhkan kecerdasan manusia. Perhatikan, di sini di sebutkan kecerdasan manusia; hewan pun cerdas, tapi kecerdasan manusia dan hewan berbeda; yang ingin kita aproksimasi adalah kecerdasan manusia. Akan tetapi, kecerdasan manusia susah di definisikan. karena kecerdasan manusia memiliki banyak aspek misalnya nalar (logika), kemampuan berbahasa, seni, dan sebagainya. dan kecerdasan manusia memiliki banyak di mensi, kita dapat menyelesaikan masalah pada sub bidang yang lebih kecil.
Permasalahan utama bidang kecerdasan buatan terdiri dari :
-
Planning
Misalkan di beri start state dan goal state di mana agen harus merencanakan sequence aksi untuk mengubah start state menjadi goal state. Sebagai contoh nya adalah tentang perencanaan rute perjalanan.
-
Representasi Pengetahuan
Ini merupakan tentang merepresentasikan pengetahuan yaitu berupa inferensi dengan operasi logika berbentuk simbolik, misal logika preposisi, teori Fuzzy, atau jaringan semantik.
-
Machine Learning
Yaitu merupakan teknik untuk melakukan inferensi terhadap data dengan pendekatan matematis. Intinya untuk membuat model matematis yang merefleksikan pola-pola data
-
Multi-agent system
yang memiliki begitu banyak agen. Agen-agen ini saling berinteraksi satu sama lain untuk menyelesaikan permasalahan. Agen satu mengerjakan suatu hal tertentu, kemudian bersama dengan agen lain menyelesaikan masalah yang lebih besar di mana masalah tersebut tidak dapat diselesaikan sendiri . Pada sub ilmu representasi pengetahuan dan machine learning sama-sama melakukan inferensi, tetapi pada referensi yang berbeda. Masih ingat dengan logika preposisi pada saat belajar matematika di bangku sekolah? Pembaca pasti sadar bahwa membuat sistem cerdas menggunakan representasi simbolik itu.
Pada sub ilmu representasi pengetahuan dan machine learning sama-sama melakukan inferensi, tetapi pada referensi yang berbeda. Masih ingat dengan logika preposisi pada saat belajar matematika di bangku sekolah? Pembaca pasti sadar bahwa membuat sistem cerdas menggunakan representasi simbolik itu susah, dimana kita harus mendefinisikan term, aturan logika, mendefinisikan aturan-aturan secara manual, dan lain sebagainya. Representasi pengetahuan semacam ini dianggap kurang scalable, khususnya bagi kita yang bekerja dengan data yang besar. Sementara itu, sebagai solusinya machine learning ada di daerah representasi pengetahuan dalam bentuk matematis karena bidang keilmuan ini diturunkan dari matematika dan statistika.