Perplexity AI (HE)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — היא סטארטאפ אמריקאי ומנוע חיפוש בעל שם זהה (conversational search engine), המשתמש בבינה מלאכותית כדי לספק תשובות ישירות לשאילתות משתמשים תוך ציון מקורות המידע[1]. החברה נוסדה בשנת 2022 על ידי צוות מומחים מ-OpenAI, Meta, Google, DeepMind ו-Databricks[2].

הפלטפורמה משלבת מודלי שפה גדולים (LLM) משלה עם גישה למודלים מובילים של חברות אחרות, מה שמאפשר לה לאטב את המהירות, הדיוק ועלות התשובות. הטכנולוגיה המרכזית של Perplexity היא מערכת Retrieval-Augmented Generation (RAG) מתקדמת, אשר מעשירה את תשובות ה-LLM במידע עדכני מתשתית החיפוש הפנימית שלה[3].

היסטוריה ומייסדים

חברת Perplexity AI נוסדה בשנת 2022 על ידי ארבעה מומחים:

  • ארווינד שריניבס (CEO) — חוקר לשעבר ב-OpenAI, Google Brain ו-DeepMind[4].
  • דניס יאראץ' (CTO) — חוקר מדעי לשעבר ב-Meta AI.
  • ג'וני הו (CSO) — מהנדס לשעבר ב-Quora.
  • אנדי קונווינסקי — שותף מייסד של Databricks[2].

בתחילה הוגה הפרויקט כשירות B2B לניתוח נתונים, אך באוקטובר 2022 פיתח הצוות אב-טיפוס של מנוע חיפוש מבוסס Bing ו-GPT-3, אשר קבע את כיוון התפתחות החברה בהמשך[5].

Perplexity AI משכה השקעות משמעותיות מגורמים מובילים, כולל Nvidia, SoftBank ומייסד Amazon ג'ף בזוס. עד תחילת 2025 הגיעה שווי החברה ל-14 מיליארד דולר[6], וקהל המשתמשים הפעילים החודשי עלה על 15 מיליון משתמשים[7].

ארכיטקטורה טכנולוגית

Retrieval-Augmented Generation (RAG)

הבסיס של Perplexity הוא טכנולוגיית RAG, המאפשרת להתגבר על מגבלותיהם של LLM מסורתיים, כגון ידע מיושן ו"הזיות". האלגוריתם פועל במספר שלבים[8]:

  1. ניתוח וניסוח מחדש של שאילתת המשתמש לצורך חיפוש אופטימלי.
  2. חיפוש מידע באמצעות תשתית חיפוש פנימית (כולל סורק רשת ומערכת דירוג), הנותנת עדיפות למקורות סמכותיים שאינם ממוטבי SEO[7].
  3. חילוץ הקטעים הרלוונטיים ביותר ("קטעיות") מדפי האינטרנט שנמצאו.
  4. יצירת תשובה קוהרנטית ומדויקת באמצעות LLM על בסיס קטעים אלה.
  5. הצגת התשובה עם ציון מובאות וקישורים למקורות המקוריים.

אסטרטגיית רב-מודלים

Perplexity משתמשת בגישה היברידית, המשלבת מודלים פנימיים וחיצוניים להשגת איזון בין מהירות, דיוק ועלות[9].

  • לתשובות מהירות בגרסה החינמית משמש לרוב Claude 3 Haiku.
  • למשימות מורכבות בגרסת Pro בתשלום זמינים מודלים חזקים יותר, כגון Claude 3.5 Sonnet ו-GPT-4o.

משתמשים עם מנוי Perplexity Pro יכולים לבחור ידנית ממגוון רחב של מודלים, כולל[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
  • מודלים פנימיים של Perplexity.

מודלים פנימיים של Perplexity

החברה מפתחת מודלים פנימיים משלה, המאוטבים למשימות חיפוש ולעבודה עם מידע עדכני מהאינטרנט.

משפחת PPLX (מודלים מוקדמים)

המודלים הפנימיים הראשונים של Perplexity, שנגישים דרך API, היו pplx-7b-online ו-pplx-70b-online, שהוצגו בדצמבר 2023[11]. הם התבססו על גרסאות מכווננות של Mistral 7B ו-Llama 2 70B בהתאמה, והתמחו בעבודה עם נתונים מקוונים[12].

משפחת Sonar (הדור הנוכחי)

Sonar — זוהי משפחת המודלים הדגל, הבנויה על בסיס Llama 3.3 70B של Meta, אך עברה כיוונון עדין נוסף לשיפור הדיוק העובדתי וקריאות התשובות במצב חיפוש[13].

מאפיינים מרכזיים של Sonar:

  • מהירות גבוהה: הודות לשותפות עם Cerebras ולשימוש בתשתית ההסקה המיוחדת שלה, Sonar מגיע למהירות יצירה של עד 1,200 token לשנייה, המהיר כמעט פי 10 מ-Gemini 2.0 Flash[14].
  • טכנולוגיית פענוח ספקולטיבי: לצורך האצה נוספת של היצירה משמש "מודל טיוטה" פנימי בגודל 1B, המאפשר למודל הראשי לייצר מספר token במעבר אחד[15].
  • ביצועים גבוהים: במסגרת הערכת Search Arena של LM Arena, המודל Sonar-Reasoning-Pro זכה במקום הראשון, השווה סטטיסטית ל-Gemini-2.5-Pro-Grounding[16].

API ופתרונות ארגוניים

Perplexity מספקת גישה למודליה דרך Sonar API ו-Sonar Pro API למפתחים ולקוחות ארגוניים. ה-API מאוטבים למהירות ולפשטות שימוש, כוללים יכולת ציטוט והגדרת מקורות חיפוש. פתרונות Perplexity משמשים בתעשיות שונות ליצירת מערכות חיפוש ייעודיות ולאוטומציה של משימות מחקר[17].

ניתוח השוואתי וחוויית משתמש

ביצועי Perplexity משתנים בהתאם לסוג המשימה.

  • במשימות הדורשות דיוק עובדתי גבוה המבוסס על נתונים עדכניים (למשל ניתוח רדיולוגי), Perplexity מציג את הדיוק הגבוה ביותר (0.83), עולה על Claude, Bing ו-ChatGPT[18].
  • במשימות הקשורות לידע נדיר או מתמחה מאוד (למשל מחלות נדירות), Perplexity עשוי לפגר אחרי מודלים בעלי בסיס ידע רחב יותר, כגון ChatGPT ו-Gemini[19].

מחקר על נוחות שימוש (SUS) הראה כי אף ששתי הפלטפורמות, Google ו-Perplexity, הן מקובלות, Google קיבל ציון גבוה יותר (82.29) בהשוואה ל-Perplexity (73.98). הדבר מוסבר בממשק המוכר של Google ובעקומת הלמידה התלולה יותר של Perplexity, המציעה פונקציות חדשניות אך פחות מוכרות[20].

קישורים

  • האתר הרשמי של Perplexity AI
  • הבלוג הרשמי של Perplexity

ספרות

  • 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.

הערות

  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_(HE)&oldid=5552"