Perplexity AI (BN)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — এটি একটি আমেরিকান স্টার্টআপ এবং একই নামের অনুসন্ধান ইঞ্জিন (conversational search engine), যা ব্যবহারকারীদের প্রশ্নের সরাসরি উত্তর প্রদানের জন্য কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে এবং তথ্যের উৎস উল্লেখ করে[1]। কোম্পানিটি ২০২২ সালে OpenAI, Meta, Google, DeepMind এবং Databricks-এর বিশেষজ্ঞদের একটি দল দ্বারা প্রতিষ্ঠিত হয়েছিল[2]।

প্ল্যাটফর্মটি নিজস্ব বৃহৎ ভাষা মডেল (LLM) এবং অন্যান্য কোম্পানির শীর্ষস্থানীয় মডেলগুলিতে অ্যাক্সেস একত্রিত করে, যা এটিকে উত্তরের গতি, নির্ভুলতা এবং খরচ অপ্টিমাইজ করতে সক্ষম করে। Perplexity-এর মূল প্রযুক্তি হলো উন্নত Retrieval-Augmented Generation (RAG) সিস্টেম, যা নিজস্ব অনুসন্ধান অবকাঠামো থেকে সর্বশেষ তথ্য দিয়ে LLM-এর উত্তরগুলিকে সমৃদ্ধ করে[3]।

ইতিহাস এবং প্রতিষ্ঠাতাগণ

Perplexity AI কোম্পানিটি ২০২২ সালে চারজন বিশেষজ্ঞ দ্বারা প্রতিষ্ঠিত হয়েছিল:

  • অরবিন্দ শ্রীনিবাস (CEO) — OpenAI, Google Brain এবং DeepMind-এর প্রাক্তন গবেষক[4]।
  • ডেনিস ইয়ারাটস (CTO) — Meta AI-এর প্রাক্তন গবেষক।
  • জনি হো (CSO) — Quora-র প্রাক্তন প্রকৌশলী।
  • অ্যান্ডি কনভিনস্কি — Databricks-এর সহ-প্রতিষ্ঠাতা[2]।

প্রাথমিকভাবে প্রকল্পটি ডেটা বিশ্লেষণের জন্য একটি B2B-সেবা হিসেবে পরিকল্পিত হয়েছিল, কিন্তু ২০২২ সালের অক্টোবরে দলটি Bing এবং GPT-3 ভিত্তিক একটি অনুসন্ধান ইঞ্জিনের প্রোটোটাইপ তৈরি করে, যা কোম্পানির পরবর্তী বিকাশের দিকনির্দেশনা নির্ধারণ করে[5]।

Perplexity AI Nvidia, SoftBank এবং Amazon-এর প্রতিষ্ঠাতা জেফ বেজোস সহ শীর্ষস্থানীয় বিনিয়োগকারীদের কাছ থেকে উল্লেখযোগ্য বিনিয়োগ আকর্ষণ করেছে। ২০২৫ সালের শুরুতে কোম্পানির মূল্যায়ন $১৪ বিলিয়ন এ পৌঁছেছে[6], এবং মাসিক সক্রিয় ব্যবহারকারীর সংখ্যা ১৫ মিলিয়ন ছাড়িয়ে গেছে[7]।

প্রযুক্তিগত স্থাপত্য

Retrieval-Augmented Generation (RAG)

Perplexity-এর ভিত্তি হলো RAG প্রযুক্তি, যা পুরনো তথ্য এবং "হ্যালুসিনেশন"-এর মতো ঐতিহ্যবাহী LLM-এর সীমাবদ্ধতাগুলি অতিক্রম করতে সক্ষম করে। অ্যালগরিদমটি কয়েকটি ধাপে কাজ করে[8]:

  1. সর্বোত্তম অনুসন্ধানের জন্য ব্যবহারকারীর প্রশ্নের বিশ্লেষণ এবং পুনর্গঠন।
  2. নিজস্ব অনুসন্ধান অবকাঠামো (ক্রলার এবং র‍্যাংকিং সিস্টেম) ব্যবহার করে তথ্য অনুসন্ধান, যা কর্তৃত্বশীল এবং SEO-নির্ভর নয় এমন উৎসগুলিকে অগ্রাধিকার দেয়[7]।
  3. পাওয়া ওয়েব পেজ থেকে সবচেয়ে প্রাসঙ্গিক অংশ ("স্নিপেট") বের করা।
  4. এই অংশগুলির ভিত্তিতে LLM ব্যবহার করে একটি সংযুক্ত এবং নির্ভুল উত্তর তৈরি করা।
  5. উদ্ধৃতি নির্দেশ এবং মূল উৎসের লিঙ্কসহ উত্তর গঠন করা।

মাল্টি-মডেল কৌশল

Perplexity গতি, নির্ভুলতা এবং খরচের মধ্যে ভারসাম্য অর্জনের জন্য নিজস্ব এবং তৃতীয় পক্ষের মডেলগুলি একত্রিত করে একটি হাইব্রিড পদ্ধতি ব্যবহার করে[9]।

  • বিনামূল্যের সংস্করণে দ্রুত উত্তরের জন্য প্রায়ই Claude 3 Haiku ব্যবহার করা হয়।
  • পেইড Pro-সংস্করণে জটিল কাজের জন্য Claude 3.5 Sonnet এবং GPT-4o-এর মতো আরও শক্তিশালী মডেল পাওয়া যায়।

Perplexity Pro সাবস্ক্রিপশনধারী ব্যবহারকারীরা নিচের সহ বিস্তৃত পরিসরের মডেল থেকে ম্যানুয়ালি বেছে নিতে পারেন[10]:

  • OpenAI: GPT-4o, GPT-4 Turbo
  • Anthropic: Claude 3.5 Sonnet, Claude 3 Opus, Claude 3 Haiku
  • Google: Gemini 2.5 Pro
  • Meta: Llama 3
  • Mistral AI: Mistral Large
  • xAI: Grok-3 Beta
  • Perplexity-এর নিজস্ব মডেল।

Perplexity-এর নিজস্ব মডেলসমূহ

কোম্পানি অনুসন্ধান কাজ এবং ইন্টারনেট থেকে সর্বশেষ তথ্য নিয়ে কাজের জন্য অপ্টিমাইজ করা নিজস্ব মডেল তৈরি করছে।

PPLX পরিবার (প্রাথমিক মডেল)

Perplexity-এর প্রথম নিজস্ব মডেল, API-এর মাধ্যমে উপলব্ধ, ছিল pplx-7b-online এবং pplx-70b-online, যা ২০২৩ সালের ডিসেম্বরে উপস্থাপিত হয়েছিল[11]। এগুলি যথাক্রমে Mistral 7B এবং Llama 2 70B-এর fine-tuned সংস্করণের উপর ভিত্তি করে তৈরি এবং অনলাইন ডেটার সাথে কাজে বিশেষজ্ঞ ছিল[12]।

Sonar পরিবার (বর্তমান প্রজন্ম)

Sonar — এটি Meta-র Llama 3.3 70B-এর উপর ভিত্তি করে নির্মিত মডেলের ফ্ল্যাগশিপ পরিবার, তবে অনুসন্ধান মোডে তথ্যগত নির্ভুলতা এবং উত্তরের পাঠযোগ্যতা উন্নত করতে অতিরিক্ত fine-tuning করা হয়েছে[13]।

Sonar-এর মূল বৈশিষ্ট্যসমূহ:

  • উচ্চ গতি: Cerebras-এর সাথে অংশীদারিত্ব এবং তাদের বিশেষায়িত inference অবকাঠামো ব্যবহারের মাধ্যমে, Sonar প্রতি সেকেন্ডে ১২০০ token পর্যন্ত জেনারেশন গতি অর্জন করে, যা Gemini 2.0 Flash-এর চেয়ে প্রায় ১০ গুণ দ্রুত[14]।
  • স্পেকুলেটিভ ডিকোডিং প্রযুক্তি: জেনারেশন আরও ত্বরান্বিত করতে ১B আকারের একটি নিজস্ব "ড্রাফট-মডেল" ব্যবহার করা হয়, যা মূল মডেলকে একটি পাসে একাধিক token জেনারেট করতে সক্ষম করে[15]।
  • উচ্চ কার্যকারিতা: LM Arena-র Search Arena মূল্যায়নে Sonar-Reasoning-Pro মডেল প্রথম স্থান অর্জন করেছে, পরিসংখ্যানগতভাবে Gemini-2.5-Pro-Grounding-এর সমকক্ষ হয়েছে[16]।

API এবং কর্পোরেট সমাধান

Perplexity ডেভেলপার এবং কর্পোরেট ক্লায়েন্টদের জন্য Sonar API এবং Sonar Pro API-এর মাধ্যমে তার মডেলগুলিতে অ্যাক্সেস প্রদান করে। API-গুলি গতি এবং ব্যবহারের সহজতার জন্য অপ্টিমাইজ করা হয়েছে, উদ্ধৃতি এবং অনুসন্ধান উৎস কাস্টমাইজেশনের সুবিধা অন্তর্ভুক্ত করে। Perplexity-এর সমাধানগুলি নেটিভ অনুসন্ধান সিস্টেম তৈরি এবং গবেষণামূলক কাজ স্বয়ংক্রিয় করতে বিভিন্ন শিল্পে ব্যবহৃত হচ্ছে[17]।

তুলনামূলক বিশ্লেষণ এবং ব্যবহারকারীর অভিজ্ঞতা

Perplexity-এর কার্যকারিতা কাজের ধরন অনুসারে পরিবর্তিত হয়।

  • সর্বশেষ ডেটার উপর ভিত্তি করে উচ্চ তথ্যগত নির্ভুলতার প্রয়োজন এমন কাজে (যেমন রেডিওলজিক্যাল বিশ্লেষণ), Perplexity সর্বোচ্চ নির্ভুলতা (০.৮৩) দেখায়, Claude, Bing এবং ChatGPT-কে ছাড়িয়ে যায়[18]।
  • বিরল বা অত্যন্ত বিশেষায়িত জ্ঞানের সাথে সম্পর্কিত কাজে (যেমন বিরল রোগ), Perplexity ChatGPT এবং Gemini-এর মতো আরও বিস্তৃত জ্ঞানভাণ্ডারের মডেলগুলির তুলনায় পিছিয়ে থাকতে পারে[19]।

ব্যবহারযোগ্যতা গবেষণা (SUS) দেখিয়েছে যে, যদিও Google এবং Perplexity উভয় প্ল্যাটফর্মই গ্রহণযোগ্য, Google Perplexity (৭৩.৯৮)-এর তুলনায় উচ্চতর স্কোর (৮২.২৯) পেয়েছে। এটি Google-এর পরিচিত ইন্টারফেস এবং Perplexity-এর উদ্ভাবনী কিন্তু কম পরিচিত বৈশিষ্ট্যগুলির কারণে তুলনামূলকভাবে খাড়া শেখার বক্ররেখা দ্বারা ব্যাখ্যা করা হয়[20]।

তথ্যসূত্র

  • Perplexity AI-এর অফিসিয়াল ওয়েবসাইট
  • Perplexity-এর অফিসিয়াল ব্লগ

সাহিত্য

  • Chen, C.; et al. (2023). Accelerating Large Language Model Decoding with Speculative Sampling. arXiv:2302.01318.
  • Zhang, J.; et al. (2023). Draft & Verify: Lossless Large Language Model Acceleration via Self‑Speculative Decoding. arXiv:2309.08168.
  • Chen, H.; et al. (2024). Retrieval‑Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  • Soudani, H.; et al. (2024). Fine‑Tuning vs. Retrieval‑Augmented Generation for Less‑Popular Knowledge. arXiv:2403.01432.
  • Chen, Y.; et al. (2024). Evaluation of Retrieval‑Augmented Generation: A Survey. arXiv:2405.07437.
  • Hsieh, C.‑P.; et al. (2024). RULER: What's the Real Context Size of Your Long‑Context Language Models?. arXiv:2404.06654.
  • Arena Team (2025). Search Arena: Analyzing Search‑Augmented Large Language Models. arXiv:2506.05334.
  • Zhu, W.; et al. (2025). PSC: Extending Context Windows via Phase Shift Calibration. arXiv:2505.12423.
  • Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
  • Chen, X.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.

টীকা

  1. ↑ «Perplexity.ai». В Wikipedia, свободная энциклопедия. [১]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [৩]
  3. ↑ «Aravind Srinivas». In Wikipedia. [৪]
  4. ↑ Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». Forbes.ru. [৫]
  5. ↑ «Стартап Perplexity AI оценили в $14 млрд». Ваш голос. [৬]
  6. ↑ 7.0 7.1 «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». 3DNews. [৭]
  7. ↑ «Perplexity: что это за нейросеть, как работает и зачем нужна». TimeWeb.Cloud. [৮]
  8. ↑ «Perplexity и Claude AI: движок для точных ответов». Кедр.pro. [৯]
  9. ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [১০]
  10. ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [১১]
  11. ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [১২]
  12. ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [১৩]
  13. ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [১৪]
  14. ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [১৫]
  15. ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [১৬]
  16. ↑ «Introducing the Sonar Pro API». Perplexity Blog. [১৭]
  17. ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [১৮]
  18. ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [১৯]
  19. ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [২০]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_(BN)&oldid=5545"