Perplexity AI (DE)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI ist ein amerikanisches Startup und eine gleichnamige Suchmaschine (conversational search engine), die künstliche Intelligenz nutzt, um direkte Antworten auf Benutzeranfragen mit Quellenangaben zu liefern[1]. Das Unternehmen wurde 2022 von einem Team von Spezialisten von OpenAI, Meta, Google, DeepMind und Databricks gegründet[2].

Die Plattform kombiniert eigene große Sprachmodelle (LLMs) und den Zugriff auf führende Modelle anderer Unternehmen, was es ihr ermöglicht, Geschwindigkeit, Genauigkeit und Kosten der Antworten zu optimieren. Die Schlüsseltechnologie von Perplexity ist ein fortschrittliches Retrieval-Augmented Generation (RAG)-System, das die Antworten der LLMs mit aktuellen Informationen aus der eigenen Suchinfrastruktur anreichert[3].

Geschichte und Gründer

Perplexity AI wurde 2022 von vier Spezialisten gegründet:

  • Aravind Srinivas (CEO) – ehemaliger Forscher bei OpenAI, Google Brain und DeepMind[4].
  • Denis Yarats (CTO) – ehemaliger wissenschaftlicher Mitarbeiter bei Meta AI.
  • Johnny Ho (CSO) – ehemaliger Ingenieur bei Quora.
  • Andy Konwinski – Mitbegründer von Databricks[2].

Ursprünglich war das Projekt als B2B-Dienst zur Datenanalyse konzipiert, doch im Oktober 2022 entwickelte das Team einen Prototyp einer Suchmaschine auf Basis von Bing und GPT-3, was die weitere Ausrichtung des Unternehmens bestimmte[5].

Perplexity AI hat bedeutende Investitionen von führenden Akteuren erhalten, darunter Nvidia, SoftBank und Amazon-Gründer Jeff Bezos. Bis Anfang 2025 erreichte die Bewertung des Unternehmens 14 Milliarden US-Dollar[6], und die Zahl der monatlich aktiven Nutzer überstieg 15 Millionen[7].

Technologische Architektur

Retrieval-Augmented Generation (RAG)

Die Grundlage von Perplexity ist die RAG-Technologie, die es ermöglicht, die Einschränkungen traditioneller LLMs, wie veraltetes Wissen und „Halluzinationen“, zu überwinden. Der Arbeitsalgorithmus besteht aus mehreren Schritten[8]:

  1. Analyse und Umformulierung der Benutzeranfrage für eine optimale Suche.
  2. Informationssuche mithilfe der eigenen Suchinfrastruktur (Crawler und Ranking-System), die seriöse und nicht-SEO-optimierte Quellen bevorzugt[7].
  3. Extraktion der relevantesten Fragmente („Snippets“) aus den gefundenen Webseiten.
  4. Generierung einer kohärenten und präzisen Antwort durch das LLM auf Basis dieser Fragmente.
  5. Erstellung der Antwort mit Quellenangaben und Links zu den Originalquellen.

Multimodell-Strategie

Perplexity verfolgt einen hybriden Ansatz, indem es eigene und Drittanbieter-Modelle kombiniert, um ein Gleichgewicht zwischen Geschwindigkeit, Genauigkeit und Kosten zu erreichen[9].

  • Für schnelle Antworten in der kostenlosen Version wird oft Claude 3 Haiku verwendet.
  • Für komplexe Aufgaben in der kostenpflichtigen Pro-Version stehen leistungsfähigere Modelle wie Claude 3.5 Sonnet und GPT-4o zur Verfügung.

Nutzer mit einem Perplexity Pro-Abonnement können manuell aus einer breiten Palette von Modellen wählen, darunter[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
  • Eigene Modelle von Perplexity.

Eigene Modelle von Perplexity

Das Unternehmen entwickelt eigene Modelle, die für Suchaufgaben und die Arbeit mit aktuellen Informationen aus dem Internet optimiert sind.

PPLX-Familie (frühe Modelle)

Die ersten eigenen Modelle von Perplexity, die über eine API verfügbar waren, waren pplx-7b-online und pplx-70b-online, die im Dezember 2023 vorgestellt wurden[11]. Sie basierten auf feingetunten Versionen von Mistral 7B bzw. Llama 2 70B und waren auf die Arbeit mit Online-Daten spezialisiert[12].

Sonar-Familie (aktuelle Generation)

Sonar ist die Flaggschiff-Modellfamilie, die auf Llama 3.1 70B von Meta aufbaut, aber zusätzliches Fine-Tuning durchlaufen hat, um die faktische Genauigkeit und Lesbarkeit der Antworten im Suchmodus zu verbessern[13].

Wichtige Merkmale von Sonar:

  • Hohe Geschwindigkeit: Dank der Partnerschaft mit Cerebras und der Nutzung ihrer spezialisierten Inferenz-Infrastruktur erreicht Sonar eine Generierungsgeschwindigkeit von bis zu 1200 Token pro Sekunde, was fast 10-mal schneller ist als Gemini 2.0 Flash[14].
  • Spekulative Dekodierungstechnologie: Zur weiteren Beschleunigung der Generierung wird ein eigenes „Draft-Modell“ der Größe 1B verwendet, das es dem Hauptmodell ermöglicht, mehrere Token in einem Durchgang zu generieren[15].
  • Hohe Leistung: Im Rahmen der Search Arena-Bewertung von LM Arena belegte das Modell Sonar-Reasoning-Pro den ersten Platz und war statistisch gleichauf mit Gemini-2.5-Pro-Grounding[16].

API und Unternehmenslösungen

Perplexity bietet Entwicklern und Unternehmenskunden über die Sonar API und Sonar Pro API Zugriff auf seine Modelle. Die APIs sind auf Geschwindigkeit und Benutzerfreundlichkeit optimiert und bieten Funktionen wie Quellenangaben und die Anpassung von Suchquellen. Die Lösungen von Perplexity werden in verschiedenen Branchen zur Erstellung nativer Suchmaschinen und zur Automatisierung von Rechercheaufgaben eingesetzt[17].

Vergleichende Analyse und Benutzererfahrung

Die Leistung von Perplexity variiert je nach Art der Aufgabe.

  • Bei Aufgaben, die eine hohe faktische Genauigkeit auf der Grundlage aktueller Daten erfordern (z. B. radiologische Analysen), zeigt Perplexity die höchste Genauigkeit (0,83) und übertrifft damit Claude, Bing und ChatGPT[18].
  • Bei Aufgaben, die seltenes oder hochspezialisiertes Wissen betreffen (z. B. seltene Krankheiten), kann Perplexity Modellen mit einer umfangreicheren Wissensbasis wie ChatGPT und Gemini unterlegen sein[19].

Eine Studie zur Benutzerfreundlichkeit (System Usability Scale, SUS) zeigte, dass, obwohl beide Plattformen, Google und Perplexity, als akzeptabel eingestuft wurden, Google eine höhere Bewertung (82,29) als Perplexity (73,98) erhielt. Dies wird auf die vertraute Benutzeroberfläche von Google und eine steilere Lernkurve bei Perplexity zurückgeführt, das innovative, aber weniger vertraute Funktionen bietet[20].

Literatur

  • 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.

Einzelnachweise

  1. ↑ „Perplexity.ai“. In: Wikipedia, die freie Enzyklopädie. [1]
  2. ↑ „An Introduction to RAG Models“. Perplexity AI. [3]
  3. ↑ „Aravind Srinivas“. In Wikipedia. [4]
  4. ↑ Belousova, Anastasia. „Wie ein Weißrusse mit Partnern eines der teuersten Startups der Welt, Perplexity, aufbaute“. Forbes.ru. [5]
  5. ↑ „Startup Perplexity AI auf 14 Milliarden Dollar geschätzt“. Wasch Golos. [6]
  6. ↑ 7.0 7.1 „Die KI-gestützte Suchmaschine Perplexity verzeichnet ein explosionsartiges Wachstum und ist bereit, mit Google zu konkurrieren“. 3DNews. [7]
  7. ↑ „Perplexity: was ist das für ein neuronales Netz, wie funktioniert es und wofür wird es gebraucht“. TimeWeb.Cloud. [8]
  8. ↑ „Perplexity und Claude AI: eine Engine für präzise Antworten“. Kedr.pro. [9]
  9. ↑ „What advanced AI models are included in a Perplexity Pro subscription?“. Perplexity Help Center. [10]
  10. ↑ „Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online“. MarkTechPost. [11]
  11. ↑ „Introducing PPLX Online LLMs“. Perplexity Blog. [12]
  12. ↑ „Meet a new era of Perplexity Sonar“. Perplexity Blog. [13]
  13. ↑ „Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference“. Cerebras Press Release. [14]
  14. ↑ „Accelerating Sonar through Speculation“. Perplexity Blog. [15]
  15. ↑ „Perplexity Sonar Dominates New Search Arena“. Perplexity Blog. [16]
  16. ↑ „Introducing the Sonar Pro API“. Perplexity Blog. [17]
  17. ↑ „Comparative Analysis of Large Language Models for Question Answering in Radiology“. Thieme Connect. [18]
  18. ↑ „A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases“. MDPI. [19]
  19. ↑ „Usability and User Satisfaction of Google Search and Perplexity AI“. IEEE Xplore. [20]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_(DE)&oldid=5547"