Perplexity AI (FR)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI est une startup américaine et un moteur de recherche conversationnel (conversational search engine) éponyme, qui utilise l'intelligence artificielle pour fournir des réponses directes aux requêtes des utilisateurs en citant ses sources d'information[1]. L'entreprise a été fondée en 2022 par une équipe de spécialistes venant d'OpenAI, Meta, Google, DeepMind et Databricks[2].

La plateforme combine ses propres grands modèles de langage (LLM) et un accès aux principaux modèles d'autres entreprises, ce qui lui permet d'optimiser la vitesse, la précision et le coût des réponses. La technologie clé de Perplexity est un système avancé de génération augmentée par récupération (Retrieval-Augmented Generation, RAG), qui enrichit les réponses du LLM avec des informations à jour provenant de sa propre infrastructure de recherche[3].

Histoire et fondateurs

L'entreprise Perplexity AI a été fondée en 2022 par quatre spécialistes :

  • Aravind Srinivas (PDG) — ancien chercheur chez OpenAI, Google Brain et DeepMind[4].
  • Denis Yarats (CTO) — ancien chercheur scientifique chez Meta AI.
  • Johnny Ho (CSO) — ancien ingénieur chez Quora.
  • Andy Konwinski — cofondateur de Databricks[2].

Initialement, le projet a été conçu comme un service B2B pour l'analyse de données, mais en octobre 2022, l'équipe a développé un prototype de moteur de recherche basé sur Bing et GPT-3, ce qui a déterminé le développement futur de l'entreprise[5].

Perplexity AI a attiré d'importants investissements d'acteurs de premier plan, dont Nvidia, SoftBank et le fondateur d'Amazon, Jeff Bezos. Début 2025, la valorisation de l'entreprise a atteint 14 milliards de dollars[6], et son audience active mensuelle a dépassé les 15 millions d'utilisateurs[7].

Architecture technologique

Génération augmentée par récupération (RAG)

La technologie RAG est au cœur de Perplexity. Elle permet de surmonter les limitations des LLM traditionnels, telles que les connaissances obsolètes et les « hallucinations ». L'algorithme se déroule en plusieurs étapes[8] :

  1. Analyse et reformulation de la requête de l'utilisateur pour une recherche optimale.
  2. Recherche d'informations à l'aide de sa propre infrastructure de recherche (crawler et système de classement), qui privilégie les sources fiables et non optimisées pour le SEO[7].
  3. Extraction des fragments les plus pertinents (« snippets ») des pages web trouvées.
  4. Génération d'une réponse cohérente et précise par un LLM à partir de ces fragments.
  5. Formatage de la réponse avec des citations et des liens vers les sources originales.

Stratégie multi-modèles

Perplexity adopte une approche hybride, combinant ses propres modèles et ceux de tiers pour atteindre un équilibre entre vitesse, précision et coût[9].

  • Pour des réponses rapides dans la version gratuite, Claude 3 Haiku est souvent utilisé.
  • Pour les tâches complexes dans la version payante Pro, des modèles plus puissants comme Claude 3.5 Sonnet et GPT-4o sont disponibles.

Les utilisateurs abonnés à Perplexity Pro peuvent choisir manuellement parmi une large gamme de modèles, notamment[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
  • Modèles propriétaires de Perplexity.

Modèles propriétaires de Perplexity

L'entreprise développe ses propres modèles, optimisés pour les tâches de recherche et le traitement d'informations à jour provenant d'Internet.

Famille PPLX (premiers modèles)

Les premiers modèles propriétaires de Perplexity, disponibles via une API, furent pplx-7b-online et pplx-70b-online, présentés en décembre 2023[11]. Ils étaient basés sur des versions affinées (fine-tuned) de Mistral 7B et Llama 2 70B respectivement, et spécialisés dans le traitement de données en ligne[12].

Famille Sonar (génération actuelle)

Sonar est la famille de modèles phare de l'entreprise, basée sur Llama 3.1 70B de Meta, mais qui a subi un affinage supplémentaire pour améliorer la précision factuelle et la lisibilité des réponses en mode recherche[13].

Caractéristiques clés de Sonar :

  • Vitesse élevée : Grâce à un partenariat avec Cerebras et à l'utilisation de leur infrastructure d'inférence spécialisée, Sonar atteint une vitesse de génération allant jusqu'à 1200 tokens par seconde, soit près de 10 fois plus rapide que Gemini 2.0 Flash[14].
  • Décodage spéculatif : Pour accélérer davantage la génération, un modèle "brouillon" (draft model) propriétaire de 1B paramètres est utilisé, permettant au modèle principal de générer plusieurs tokens en une seule passe[15].
  • Haute performance : Dans le cadre de l'évaluation Search Arena de LM Arena, le modèle Sonar-Reasoning-Pro a obtenu la première place, avec un score statistiquement équivalent à celui de Gemini-2.5-Pro-Grounding[16].

API et solutions d'entreprise

Perplexity fournit un accès à ses modèles via les API Sonar API et Sonar Pro API pour les développeurs et les entreprises. Les API sont optimisées pour la vitesse et la simplicité d'utilisation, incluent la possibilité de citer les sources et de personnaliser les sources de recherche. Les solutions de Perplexity sont utilisées dans divers secteurs pour créer des moteurs de recherche natifs et automatiser les tâches de recherche[17].

Analyse comparative et expérience utilisateur

La performance de Perplexity varie en fonction du type de tâche.

  • Dans les tâches nécessitant une grande précision factuelle basée sur des données récentes (par exemple, l'analyse radiologique), Perplexity affiche la plus haute précision (0,83), surpassant Claude, Bing et ChatGPT[18].
  • Pour les tâches liées à des connaissances rares ou très spécialisées (par exemple, les maladies rares), Perplexity peut être moins performant que des modèles dotés d'une base de connaissances plus étendue, comme ChatGPT et Gemini[19].

Une étude sur l'utilisabilité (SUS) a montré que bien que les deux plateformes, Google et Perplexity, soient jugées acceptables, Google a obtenu un score plus élevé (82,29) que Perplexity (73,98). Cela s'explique par l'interface familière de Google et une courbe d'apprentissage plus abrupte pour Perplexity, qui propose des fonctionnalités innovantes mais moins connues des utilisateurs[20].

Liens externes

Littérature

  • 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.

Références

  1. ↑ « Perplexity.ai ». Sur Wikipédia, l'encyclopédie libre. [1]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [3]
  3. ↑ «Aravind Srinivas». In Wikipedia. [4]
  4. ↑ Belousova, Anastasia. «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_(FR)&oldid=5551"