Apa itu agen berbasis pengetahuan?
Agen berbasis pengetahuan adalah sistem AI yang menggunakan basis pengetahuan dan mesin inferensi untuk bernalar dan bertindak. Basis pengetahuan menyimpan informasi domain, sementara mesin inferensi menerapkan aturan pada fakta yang diketahui dan menurunkan kesimpulan. Siklus dasarnya adalah Percepts → Knowledge Base → Inference → Action. Misalnya, agen dukungan teknis dapat mencocokkan masalah printer dengan aturan pemecahan masalah, merekomendasikan solusi, dan menjelaskan dasar dari rekomendasi tersebut.
Bagaimana cara kerja agen berbasis pengetahuan?
Agen berbasis pengetahuan dalam kecerdasan buatan biasanya mengikuti siklus penalaran yang berulang. Agen menerima informasi dari lingkungannya. Ia mengubah informasi tersebut menjadi fakta terstruktur. Kemudian ia mengecek basis pengetahuannya sebelum memilih respons atau tindakan.
Tahap persepsi
Tahap persepsi mengumpulkan informasi dari lingkungan. Sumbernya bisa berupa pesan pengguna, pembacaan sensor, catatan transaksi, atau peristiwa sistem.
Input mentah tidak selalu siap untuk penalaran logis. Agen mungkin perlu menormalkan input tersebut terlebih dahulu. Ia dapat mengidentifikasi entitas penting, mendeteksi kondisi, dan mengubah hasilnya menjadi percept terstruktur.
Contohnya:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingKonversi ini memberikan mesin inferensi format yang konsisten untuk pencocokan aturan.
Siklus TELL–ASK–PERFORM
Agen berbasis pengetahuan klasik menggunakan tiga operasi utama:
| Operasi | Tujuan | Contoh |
|---|---|---|
| TELL | Menambahkan informasi baru ke basis pengetahuan | Mencatat bahwa sebuah pesanan tertunda |
| ASK | Menanyakan basis pengetahuan untuk mendapatkan kesimpulan | Memeriksa apakah pesanan berhak mendapatkan dukungan |
| PERFORM | Menjalankan tindakan yang dipilih | Mengirim pembaruan pelacakan |
Tahap inferensi dan tindakan
Mesin inferensi memeriksa aturan mana yang cocok dengan fakta yang tersedia. Ia kemudian menurunkan satu atau lebih kesimpulan. Perencana atau pemilih tindakan dapat menggunakan kesimpulan tersebut untuk memilih langkah selanjutnya.
Agen yang andal harus dapat membedakan antara kesimpulan yang terkonfirmasi dan penjelasan yang mungkin. Ketika basis pengetahuan tidak memiliki informasi yang cukup, agen sebaiknya meminta klarifikasi atau mengalihkan kasus tersebut ke manusia.
Apa saja komponen utama dari agent berbasis pengetahuan?
Arsitektur agent berbasis pengetahuan menggabungkan beberapa lapisan. Setiap lapisan memiliki tanggung jawab tersendiri. Pemisahan ini membuat sistem lebih mudah diuji dan dipelihara.
Basis pengetahuan
Basis pengetahuan menyimpan fakta dan aturan yang digunakan agent untuk bernalar. Misalnya, sistem dapat mencatat bahwa seorang pelanggan memiliki subscription aktif dan bahwa subscriber aktif dapat mengakses saluran dukungan tertentu.
Basis pengetahuan dapat menggunakan database, knowledge graph, atau rule engine, tergantung pada domainnya. Kualitasnya sangat penting karena informasi yang hilang atau salah dapat menghasilkan kesimpulan dan tindakan yang tidak dapat diandalkan.
Representasi pengetahuan
Representasi pengetahuan mendefinisikan bagaimana informasi diekspresikan di dalam sistem. Logika proposisional menangani pernyataan benar-atau-salah yang sederhana, sedangkan logika predikat (first-order logic) menggunakan variabel dan relasi untuk merepresentasikan pengetahuan yang lebih kompleks.
Pendekatan lain termasuk aturan produksi IF–THEN, yang mudah ditinjau dalam sistem pakar (expert system). Ontologi mendefinisikan konsep domain beserta relasinya, sementara knowledge graph menggunakan relasi tersebut untuk menghubungkan entitas.
Inference engine
Inference engine menerapkan aturan pada informasi di dalam basis pengetahuan. Forward chaining dimulai dari fakta yang sudah diketahui dan menerapkan aturan yang sesuai hingga mencapai suatu kesimpulan.
Backward chaining dimulai dari sebuah tujuan dan mencari fakta yang mendukungnya. Sistem yang lebih canggih dapat menggunakan teknik seperti resolusi atau unifikasi untuk memproses pernyataan logis yang mengandung variabel.
Penjelasan dan revisi keyakinan
Modul penjelasan mengidentifikasi fakta dan aturan di balik sebuah kesimpulan. Jejak penalaran ini membantu pengguna memahami mengapa agent memilih jawaban atau tindakan tertentu.
Revisi keyakinan (belief revision) mengelola perubahan dan konflik di dalam basis pengetahuan. Proses ini menggunakan kebijakan prioritas untuk menentukan informasi mana yang tetap berlaku, yang sangat penting dalam workflow yang diatur secara ketat.
Di mana agent berbasis pengetahuan digunakan?
Agent berbasis pengetahuan bermanfaat ketika sebuah sistem harus mengikuti pengetahuan domain yang eksplisit. Agent ini sangat berguna ketika proses penalarannya perlu ditinjau ulang setelah suatu tindakan dilakukan.
Dukungan keputusan medis
Sistem dukungan keputusan medis dapat membandingkan gejala dengan aturan klinis. Sistem ini dapat mengidentifikasi kemungkinan kondisi atau merekomendasikan informasi berikutnya yang perlu dikumpulkan.
Sistem semacam ini seharusnya mendukung tenaga medis, bukan menggantikannya. Hasilnya memerlukan peninjauan yang memadai, terutama ketika keputusan tersebut memengaruhi perawatan pasien.
Otomatisasi dukungan pelanggan
Agent dukungan dapat mencari basis pengetahuan produk sebelum menjawab pelanggan. Agent ini dapat menggunakan aturan bisnis untuk menentukan apakah suatu masalah memenuhi syarat untuk refund, eskalasi, atau alur pemecahan masalah.
Proses ini membantu menjaga konsistensi respons. Proses ini juga memberikan tim dukungan catatan mengenai alasan dipilihnya suatu tindakan.
Kepatuhan dan dukungan keputusan
Sistem kepatuhan dapat memeriksa transaksi berdasarkan kebijakan internal. Sistem ini juga dapat menandai kasus yang membutuhkan persetujuan tambahan.
Sistem berbasis pengetahuan berguna di sini karena kebijakan dapat direpresentasikan sebagai aturan yang eksplisit. Ketika suatu kebijakan berubah, aturan yang relevan dapat ditinjau dan diperbarui.
Pendidikan dan diagnosis peralatan
Sistem tutor cerdas (intelligent tutoring system) dapat menggunakan jawaban-jawaban siswa sebelumnya untuk mengidentifikasi kesenjangan pembelajaran. Sistem ini kemudian dapat memilih penjelasan atau latihan yang sesuai.
Sistem diagnosis peralatan dapat menggabungkan pembacaan sensor dengan aturan pemeliharaan. Sistem ini dapat merekomendasikan inspeksi atau membuat permintaan perbaikan ketika kondisi tertentu terpenuhi.
Apa saja manfaat dan keterbatasannya?
Manfaat
Agent berbasis pengetahuan menawarkan beberapa keunggulan praktis:
Dapat dijelaskan (explainability): Sistem dapat menghubungkan sebuah kesimpulan dengan fakta dan aturan yang menghasilkannya.
Konsistensi: Aturan yang sama dapat diterapkan dengan cara yang sama pada kasus-kasus yang serupa.
Keahlian domain: Tim dapat mengkodekan pengetahuan khusus untuk industri tertentu.
Kemudahan pemeliharaan: Sebuah aturan sering kali dapat diperbarui tanpa harus melatih ulang seluruh model.
Kemudahan audit: Catatan keputusan dapat menunjukkan informasi apa yang memengaruhi suatu tindakan.
Penalaran berorientasi tujuan: Agent dapat bernalar menuju tujuan yang telah ditetapkan, bukan menghasilkan respons yang tidak relevan.
Keunggulan-keunggulan ini membuat agent berbasis pengetahuan cocok untuk workflow yang terstruktur. Agent ini juga tidak terlalu bergantung pada perilaku model yang tersembunyi karena keputusannya mengandalkan aturan yang eksplisit.
Keterbatasan
Agent berbasis pengetahuan memerlukan pemeliharaan berkelanjutan agar tetap akurat dan efektif. Membangun basis pengetahuan membutuhkan waktu dan keahlian domain, sementara informasi yang sudah usang atau aturan yang saling bertentangan dapat menghasilkan keputusan yang tidak dapat diandalkan. Karena itu, version control, tinjauan berkala, dan prioritas aturan yang jelas menjadi hal yang penting.
Sistem berbasis aturan tradisional juga bisa kesulitan menangani input yang ambigu, mengandung noise, atau di luar domainnya. Seiring bertambahnya basis pengetahuan, proses inferensi bisa menjadi lebih mahal, sehingga diperlukan pengindeksan dan pengorganisasian aturan yang cermat untuk menjaga performa.
Cara membangun agent berbasis pengetahuan yang sederhana
Contoh berikut menggunakan skenario dukungan TI. Contoh ini menunjukkan struktur dasarnya tanpa memperlakukan prototipe berbasis aturan sebagai sistem produksi.
Langkah 1: Tentukan basis pengetahuan
Mulailah dengan fakta dan aturan untuk domain yang sempit:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]Basis pengetahuan yang kecil lebih mudah ditinjau. Fakta-fakta tersebut harus menggunakan nama yang konsisten agar mesin inferensi dapat mencocokkannya secara andal.
Langkah 2: Ubah input menjadi fakta terstruktur
Lapisan persepsi mengubah input pengguna menjadi fakta. Sistem yang sesungguhnya mungkin menggunakan pemrosesan bahasa alami untuk langkah ini.
Prototipe sederhana bisa dimulai dengan input yang sudah ditentukan sebelumnya:
percepts = {
"printer_has_power",
"printer_not_printing",
}Ini membuat contoh tetap berfokus pada penalaran, bukan pada penguraian bahasa.
Langkah 3: Terapkan aturan inferensi
Mesin inferensi memeriksa apakah semua kondisi untuk suatu aturan sudah terpenuhi:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsFungsi ini mengembalikan kesimpulan yang didukung oleh percept saat ini. Fungsi ini tidak mengada-ada kesimpulan ketika fakta yang diperlukan tidak tersedia.
Langkah 4: Pilih tindakan
Lapisan tindakan memetakan sebuah kesimpulan ke sebuah respons:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."Agent produksi akan menerapkan izin dan pemeriksaan keamanan sebelum memanggil tool eksternal.
Langkah 5: Jelaskan hasilnya
Agent yang bermanfaat harus menunjukkan alasan mengapa ia memilih tindakan tersebut:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)Sistem juga dapat mencatat aturan yang cocok. Ini menciptakan jejak penalaran dasar yang dapat diperiksa oleh developer atau spesialis dukungan.
Contoh ini menggambarkan agent berbasis pengetahuan yang minimal. Implementasi yang lebih besar akan membutuhkan validasi input, prioritas aturan, pengelolaan versi pengetahuan, penanganan error, dan eskalasi ke manusia.
Kenalan dengan Kimi Agent: ubah pengetahuan menjadi hasil kerja yang selesai
Agent berbasis pengetahuan tradisional bergantung pada fakta dan aturan yang eksplisit. Kimi Agent mengambil pendekatan yang lebih luas dan modern untuk pekerjaan yang padat pengetahuan. Berikan sebuah hasil yang diinginkan, dan Kimi Agent dapat merencanakan tugas tersebut sebelum menyelesaikan langkah-langkah yang diperlukan dengan tool bawaan. Anda dapat menggunakannya untuk meneliti suatu topik, mengolah materi sumber, atau membuat deliverable yang dapat diedit tanpa perlu membangun lapisan orkestrasi terpisah.
Bawa pengetahuan sumber Anda ke dalam tugas
Agent yang bermanfaat memerlukan akses ke konteks yang tepat. Kimi memungkinkan Anda mengunggah hingga 50 file, dengan batas 100 MB per file. Kimi mendukung PDF dan dokumen office yang umum. Anda juga dapat menambahkan gambar, file TXT, atau video ketika tugas memerlukan konteks yang lebih banyak.
Ini membuat materi yang sudah ada menjadi bagian dari workflow. Misalnya, Anda dapat meminta Kimi Agent untuk menganalisis kumpulan laporan, mengidentifikasi temuan-temuan penting, dan mengubah hasilnya menjadi dokumen yang terstruktur. File-file tersebut menyediakan pengetahuan khusus untuk tugas ini, sementara prompt Anda menentukan hasil yang diinginkan.
Ubah riset menjadi deliverable yang dapat diedit
Kimi Agent dapat bekerja di berbagai permukaan produk, sehingga hasilnya tidak harus berhenti pada respons chat saja:
Buat laporan riset dengan sumber pendukung melalui Kimi Deep Research.
Bangun website multi-halaman yang berfungsi dari brief singkat.
Buat presentasi PPT yang dapat diedit dari materi sumber.
Kimi juga dapat menangani workflow dokumen dan spreadsheet. Ini memungkinkan satu tugas berjalan dari pengumpulan informasi hingga menjadi hasil yang siap digunakan, tanpa Anda perlu memindahkan konten antar tool yang berbeda.
Skalakan tujuan besar dengan Kimi Agent Swarm
Beberapa tugas terlalu besar untuk satu workflow sekuensial. Kimi Agent Swarm dapat membagi sebuah tujuan ke lebih dari 300 sub-agent dan mendukung hingga 4.500 pemanggilan tool secara paralel.
Struktur paralel ini dirancang untuk pencarian skala besar dan penulisan naskah panjang. Struktur ini juga dapat mendukung tugas batch yang akan memakan waktu jauh lebih lama jika dikerjakan satu per satu. Sub-agent bekerja pada bagian-bagian terpisah dari tujuan tersebut, sementara workflow secara keseluruhan tetap terikat pada hasil yang diminta.
Kesimpulan
Agent berbasis pengetahuan dalam AI menggunakan pengetahuan terstruktur untuk bernalar tentang situasi dan memilih tindakan. Aturan eksplisitnya membuat keputusan lebih mudah dijelaskan dan ditinjau. Tantangan utamanya berasal dari pemeliharaan pengetahuan, aturan yang saling bertentangan, dan input yang tidak lengkap. Sistem modern dapat menggabungkan penalaran berbasis pengetahuan dengan machine learning, RAG, dan AI generatif. Kimi menjadi acuan yang bermanfaat untuk workflow yang padat pengetahuan, sementara agent berbasis pengetahuan tradisional tetap berharga ketika keputusan harus mengikuti aturan domain yang jelas.