Perplexity AI (FA)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — یک استارتاپ آمریکایی و موتور جستجوی هم‌نام آن (conversational search engine) است که از هوش مصنوعی برای ارائه پاسخ‌های مستقیم به درخواست‌های کاربران با ذکر منابع اطلاعاتی استفاده می‌کند[1]. این شرکت در سال ۲۰۲۲ توسط تیمی از متخصصان OpenAI، Meta، Google، DeepMind و Databricks تأسیس شد[2].

این پلتفرم مدل‌های زبانی بزرگ (LLM) اختصاصی خود را با دسترسی به مدل‌های پیشرو سایر شرکت‌ها ترکیب می‌کند و به این ترتیب سرعت، دقت و هزینه پاسخ‌ها را بهینه می‌سازد. فناوری کلیدی Perplexity یک سیستم پیشرفته Retrieval-Augmented Generation (RAG) است که پاسخ‌های LLM را با اطلاعات به‌روز از زیرساخت جستجوی اختصاصی خود غنی می‌سازد[3].

تاریخچه و بنیان‌گذاران

شرکت Perplexity AI در سال ۲۰۲۲ توسط چهار متخصص تأسیس شد:

  • Aravind Srinivas (مدیرعامل) — پژوهشگر سابق در OpenAI، Google Brain و DeepMind[4].
  • Denis Yarats (مدیر ارشد فناوری) — محقق سابق در Meta AI.
  • Johnny Ho (مدیر ارشد استراتژی) — مهندس سابق در Quora.
  • Andy Konwinski — هم‌بنیان‌گذار Databricks[2].

این پروژه در ابتدا به‌عنوان یک سرویس B2B برای تحلیل داده طراحی شده بود، اما در اکتبر ۲۰۲۲ تیم یک نمونه اولیه موتور جستجو بر پایه Bing و GPT-3 توسعه داد که مسیر آینده شرکت را تعیین کرد[5].

Perplexity AI سرمایه‌گذاری‌های قابل توجهی از بازیگران برجسته از جمله Nvidia، SoftBank و جف بزوس بنیان‌گذار Amazon جذب کرده است. تا اوایل سال ۲۰۲۵ ارزش‌گذاری شرکت به ۱۴ میلیارد دلار رسید[6] و مخاطبان فعال ماهانه از ۱۵ میلیون کاربر فراتر رفت[7].

معماری فناوری

Retrieval-Augmented Generation (RAG)

پایه Perplexity فناوری RAG است که امکان غلبه بر محدودیت‌های LLM‌های سنتی، مانند دانش قدیمی و «توهمات» را فراهم می‌کند. الگوریتم عملکرد از چندین مرحله تشکیل شده است[8]:

  1. تحلیل و بازصورت‌بندی درخواست کاربر برای جستجوی بهینه.
  2. جستجوی اطلاعات با استفاده از زیرساخت جستجوی اختصاصی (خزنده وب و سیستم رتبه‌بندی) که به منابع معتبر و غیر-SEO اولویت می‌دهد[7].
  3. استخراج مرتبط‌ترین قطعات («اسنیپت‌ها») از صفحات وب یافت‌شده.
  4. تولید پاسخی منسجم و دقیق توسط LLM بر اساس این قطعات.
  5. ارائه پاسخ با ذکر استنادها و پیوندها به منابع اصلی.

استراتژی چندمدلی

Perplexity از رویکردی ترکیبی استفاده می‌کند و مدل‌های اختصاصی و شخص ثالث را برای دستیابی به تعادل میان سرعت، دقت و هزینه ترکیب می‌نماید[9].

  • برای پاسخ‌های سریع در نسخه رایگان اغلب از Claude 3 Haiku استفاده می‌شود.
  • برای وظایف پیچیده در نسخه پولی Pro، مدل‌های قدرتمندتری مانند Claude 3.5 Sonnet و GPT-4o در دسترس هستند.

کاربران دارای اشتراک Perplexity Pro می‌توانند به صورت دستی از طیف گسترده‌ای از مدل‌ها انتخاب کنند، از جمله[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
  • مدل‌های اختصاصی Perplexity.

مدل‌های اختصاصی Perplexity

شرکت مدل‌های اختصاصی خود را که برای وظایف جستجو و کار با اطلاعات به‌روز اینترنت بهینه شده‌اند، توسعه می‌دهد.

خانواده PPLX (مدل‌های اولیه)

اولین مدل‌های اختصاصی Perplexity که از طریق API در دسترس قرار گرفتند، pplx-7b-online و pplx-70b-online بودند که در دسامبر ۲۰۲۳ معرفی شدند[11]. این مدل‌ها بر اساس نسخه‌های fine-tuning‌شده Mistral 7B و Llama 2 70B به ترتیب ساخته شده بودند و در کار با داده‌های آنلاین تخصص داشتند[12].

خانواده Sonar (نسل فعلی)

Sonar — خانواده مدل‌های پرچم‌دار است که بر پایه Llama 3.3 70B از Meta ساخته شده، اما fine-tuning اضافی برای بهبود دقت واقعی و خوانایی پاسخ‌ها در حالت جستجو روی آن انجام شده است[13].

ویژگی‌های کلیدی Sonar:

  • سرعت بالا: به لطف شراکت با Cerebras و استفاده از زیرساخت تخصصی استنتاج آن‌ها، Sonar به سرعت تولید تا ۱۲۰۰ token در ثانیه می‌رسد که تقریباً ۱۰ برابر سریع‌تر از Gemini 2.0 Flash است[14].
  • فناوری speculative decoding: برای تسریع بیشتر تولید، از یک «مدل پیش‌نویس» اختصاصی با اندازه ۱B استفاده می‌شود که به مدل اصلی اجازه می‌دهد چندین token را در یک گذر تولید کند[15].
  • عملکرد بالا: در چارچوب ارزیابی Search Arena از LM Arena، مدل Sonar-Reasoning-Pro رتبه اول را کسب کرد و از نظر آماری با Gemini-2.5-Pro-Grounding برابری کرد[16].

API و راهکارهای سازمانی

Perplexity از طریق Sonar API و Sonar Pro API برای توسعه‌دهندگان و مشتریان سازمانی دسترسی به مدل‌های خود را فراهم می‌کند. این APIها برای سرعت و سهولت استفاده بهینه شده‌اند و امکان استناددهی و تنظیم منابع جستجو را در بر می‌گیرند. راهکارهای Perplexity در صنایع مختلف برای ایجاد سیستم‌های جستجوی بومی و خودکارسازی وظایف پژوهشی به کار می‌رود[17].

تحلیل مقایسه‌ای و تجربه کاربری

عملکرد Perplexity بسته به نوع وظیفه متفاوت است.

  • در وظایفی که نیاز به دقت واقعی بالا بر اساس داده‌های تازه دارند (برای مثال، تحلیل رادیولوژیک)، Perplexity بالاترین دقت (۰.۸۳) را نشان می‌دهد و از Claude، Bing و ChatGPT پیشی می‌گیرد[18].
  • در وظایف مرتبط با دانش نادر یا بسیار تخصصی (مثلاً بیماری‌های نادر)، Perplexity ممکن است از مدل‌هایی با پایه دانش گسترده‌تر مانند ChatGPT و Gemini عقب بماند[19].

پژوهش در زمینه سهولت استفاده (SUS) نشان داد که اگرچه هر دو پلتفرم Google و Perplexity قابل قبول هستند، Google امتیاز بالاتری (۸۲.۲۹) در مقایسه با Perplexity (۷۳.۹۸) کسب کرد. این امر به رابط کاربری آشنای Google و منحنی یادگیری تندتر Perplexity که ویژگی‌های نوآورانه اما کمتر آشنا ارائه می‌دهد نسبت داده می‌شود[20].

پیوندها

  • وب‌سایت رسمی Perplexity AI
  • وبلاگ رسمی Perplexity

منابع

  • 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.

یادداشت‌ها

  1. ↑ «Perplexity.ai». В Wikipedia, свободная энциклопедия. [۱]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [۳]
  3. ↑ «Aravind Srinivas». In Wikipedia. [۴]
  4. ↑ Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». Forbes.ru. [۵]
  5. ↑ «Стартап Perplexity AI оценили в $14 млрд». Ваш голос. [۶]
  6. ↑ 7.0 7.1 «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». 3DNews. [۷]
  7. ↑ «Perplexity: что это за нейросеть, как работает и зачем нужна». TimeWeb.Cloud. [۸]
  8. ↑ «Perplexity и Claude AI: движок для точных ответов». Кедр.pro. [۹]
  9. ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [۱۰]
  10. ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [۱۱]
  11. ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [۱۲]
  12. ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [۱۳]
  13. ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [۱۴]
  14. ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [۱۵]
  15. ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [۱۶]
  16. ↑ «Introducing the Sonar Pro API». Perplexity Blog. [۱۷]
  17. ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [۱۸]
  18. ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [۱۹]
  19. ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [۲۰]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_(FA)&oldid=5550"