Perplexity AI (EL)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — είναι μια αμερικανική startup και ομώνυμη μηχανή αναζήτησης (conversational search engine), που χρησιμοποιεί τεχνητή νοημοσύνη για να παρέχει άμεσες απαντήσεις στα ερωτήματα των χρηστών με αναφορά στις πηγές πληροφοριών[1]. Η εταιρεία ιδρύθηκε το 2022 από ομάδα ειδικών από τις OpenAI, Meta, Google, DeepMind και Databricks[2].

Η πλατφόρμα συνδυάζει ιδιόκτητα μεγάλα γλωσσικά μοντέλα (LLM) και πρόσβαση στα κορυφαία μοντέλα άλλων εταιρειών, γεγονός που της επιτρέπει να βελτιστοποιεί την ταχύτητα, την ακρίβεια και το κόστος των απαντήσεων. Η βασική τεχνολογία της Perplexity είναι το προηγμένο σύστημα Retrieval-Augmented Generation (RAG), το οποίο εμπλουτίζει τις απαντήσεις των LLM με επίκαιρες πληροφορίες από την ιδιόκτητη υποδομή αναζήτησης[3].

Ιστορία και ιδρυτές

Η εταιρεία Perplexity AI ιδρύθηκε το 2022 από τέσσερις ειδικούς:

  • Aravind Srinivas (CEO) — πρώην ερευνητής στις OpenAI, Google Brain και DeepMind[4].
  • Denis Yarats (CTO) — πρώην επιστημονικός συνεργάτης στη Meta AI.
  • Johnny Ho (CSO) — πρώην μηχανικός στο Quora.
  • Andy Konwinski — συνιδρυτής της Databricks[2].

Αρχικά το έργο σχεδιάστηκε ως υπηρεσία B2B για ανάλυση δεδομένων, όμως τον Οκτώβριο του 2022 η ομάδα ανέπτυξε ένα πρωτότυπο μηχανής αναζήτησης βασισμένο στο Bing και το GPT-3, γεγονός που καθόρισε την περαιτέρω εξέλιξη της εταιρείας[5].

Η Perplexity AI προσέλκυσε σημαντικές επενδύσεις από κορυφαίους παράγοντες, μεταξύ των οποίων η Nvidia, η SoftBank και ο ιδρυτής της Amazon Τζεφ Μπέζος. Στις αρχές του 2025 η αποτίμηση της εταιρείας έφτασε τα $14 δισ.[6], ενώ το μηνιαίο ενεργό κοινό ξεπέρασε τα 15 εκατ. χρήστες[7].

Τεχνολογική αρχιτεκτονική

Retrieval-Augmented Generation (RAG)

Τη βάση της Perplexity αποτελεί η τεχνολογία RAG, η οποία επιτρέπει να ξεπεραστούν οι περιορισμοί των παραδοσιακών LLM, όπως οι ξεπερασμένες γνώσεις και οι «ψευδαισθήσεις». Ο αλγόριθμος λειτουργίας αποτελείται από αρκετά στάδια[8]:

  1. Ανάλυση και αναδιατύπωση του ερωτήματος του χρήστη για βέλτιστη αναζήτηση.
  2. Αναζήτηση πληροφοριών με χρήση ιδιόκτητης υποδομής αναζήτησης (crawler και σύστημα κατάταξης), η οποία δίνει προτεραιότητα σε αξιόπιστες πηγές που δεν είναι βελτιστοποιημένες για SEO[7].
  3. Εξαγωγή των πιο συναφών αποσπασμάτων («snippets») από τις εντοπισμένες ιστοσελίδες.
  4. Δημιουργία συνεκτικής και ακριβούς απάντησης μέσω LLM βάσει αυτών των αποσπασμάτων.
  5. Διαμόρφωση απάντησης με αναφορά παραπομπών και συνδέσμους στις αρχικές πηγές.

Στρατηγική πολλαπλών μοντέλων

Η Perplexity χρησιμοποιεί υβριδική προσέγγιση, συνδυάζοντας ιδιόκτητα και τρίτα μοντέλα για την επίτευξη ισορροπίας μεταξύ ταχύτητας, ακρίβειας και κόστους[9].

  • Για γρήγορες απαντήσεις στη δωρεάν έκδοση χρησιμοποιείται συχνά το Claude 3 Haiku.
  • Για σύνθετες εργασίες στην επί πληρωμή έκδοση Pro διατίθενται ισχυρότερα μοντέλα, όπως το Claude 3.5 Sonnet και το GPT-4o.

Οι χρήστες με συνδρομή Perplexity Pro μπορούν να επιλέγουν χειροκίνητα από ένα ευρύ φάσμα μοντέλων, μεταξύ των οποίων[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
  • Ιδιόκτητα μοντέλα Perplexity.

Ιδιόκτητα μοντέλα Perplexity

Η εταιρεία αναπτύσσει ιδιόκτητα μοντέλα βελτιστοποιημένα για εργασίες αναζήτησης και επεξεργασία επίκαιρων πληροφοριών από το διαδίκτυο.

Οικογένεια PPLX (πρώιμα μοντέλα)

Τα πρώτα ιδιόκτητα μοντέλα της Perplexity που διατέθηκαν μέσω API ήταν τα pplx-7b-online και pplx-70b-online, που παρουσιάστηκαν τον Δεκέμβριο του 2023[11]. Βασίστηκαν σε fine-tuned εκδόσεις των Mistral 7B και Llama 2 70B αντίστοιχα και εξειδικεύονταν στην επεξεργασία online δεδομένων[12].

Οικογένεια Sonar (τρέχουσα γενιά)

Το Sonar είναι η κορυφαία οικογένεια μοντέλων, χτισμένη στη βάση του Llama 3.3 70B της Meta, με πρόσθετο fine-tuning για τη βελτίωση της πραγματικής ακρίβειας και της αναγνωσιμότητας των απαντήσεων σε λειτουργία αναζήτησης[13].

Βασικά χαρακτηριστικά του Sonar:

  • Υψηλή ταχύτητα: Χάρη στη συνεργασία με τη Cerebras και τη χρήση της εξειδικευμένης υποδομής inference τους, το Sonar επιτυγχάνει ταχύτητα παραγωγής έως 1.200 token ανά δευτερόλεπτο, σχεδόν 10 φορές γρηγορότερα από το Gemini 2.0 Flash[14].
  • Τεχνολογία κερδοσκοπικής αποκωδικοποίησης: Για περαιτέρω επιτάχυνση της παραγωγής χρησιμοποιείται ιδιόκτητο «draft model» μεγέθους 1B, το οποίο επιτρέπει στο κύριο μοντέλο να παράγει πολλά token σε μία μόνο διέλευση[15].
  • Υψηλή απόδοση: Στο πλαίσιο της αξιολόγησης Search Arena από το LM Arena, το μοντέλο Sonar-Reasoning-Pro κατέλαβε την πρώτη θέση, εξισώνοντας στατιστικά το Gemini-2.5-Pro-Grounding[16].

API και εταιρικές λύσεις

Η Perplexity παρέχει πρόσβαση στα μοντέλα της μέσω Sonar API και Sonar Pro API για προγραμματιστές και εταιρικούς πελάτες. Τα API είναι βελτιστοποιημένα για ταχύτητα και ευκολία χρήσης, περιλαμβάνουν δυνατότητα παραπομπής και προσαρμογής των πηγών αναζήτησης. Οι λύσεις της Perplexity χρησιμοποιούνται σε διάφορους κλάδους για τη δημιουργία εγγενών μηχανών αναζήτησης και την αυτοματοποίηση ερευνητικών εργασιών[17].

Συγκριτική ανάλυση και εμπειρία χρήστη

Η απόδοση της Perplexity ποικίλλει ανάλογα με τον τύπο εργασίας.

  • Σε εργασίες που απαιτούν υψηλή πραγματική ακρίβεια βάσει πρόσφατων δεδομένων (π.χ. ακτινολογική ανάλυση), η Perplexity επιδεικνύει υψηλότερη ακρίβεια (0,83), ξεπερνώντας τα Claude, Bing και ChatGPT[18].
  • Σε εργασίες που σχετίζονται με σπάνιες ή εξαιρετικά εξειδικευμένες γνώσεις (π.χ. σπάνιες ασθένειες), η Perplexity μπορεί να υστερεί έναντι μοντέλων με πιο εκτεταμένη βάση γνώσεων, όπως το ChatGPT και το Gemini[19].

Έρευνα χρηστικότητας (SUS) έδειξε ότι, αν και αμφότερες οι πλατφόρμες, Google και Perplexity, θεωρούνται αποδεκτές, η Google έλαβε υψηλότερη βαθμολογία (82,29) σε σύγκριση με την Perplexity (73,98). Αυτό εξηγείται από την οικεία διεπαφή της Google και την απότομη καμπύλη εκμάθησης της Perplexity, η οποία προσφέρει καινοτόμες αλλά λιγότερο γνωστές λειτουργίες[20].

Σύνδεσμοι

  • Επίσημος ιστότοπος Perplexity AI
  • Επίσημο blog Perplexity

Βιβλιογραφία

  • 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.

Παραπομπές

  1. ↑ «Perplexity.ai». В Wikipedia, свободная энциклопедия. [1]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [3]
  3. ↑ «Aravind Srinivas». In Wikipedia. [4]
  4. ↑ Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». Forbes.ru. [5]
  5. ↑ «Стартап Perplexity AI оценили в $14 млрд». Ваш голос. [6]
  6. ↑ 7.0 7.1 «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». 3DNews. [7]
  7. ↑ «Perplexity: что это за нейросеть, как работает и зачем нужна». TimeWeb.Cloud. [8]
  8. ↑ «Perplexity и Claude AI: движок для точных ответов». Кедр.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_(EL)&oldid=5548"