Perplexity AI (HU)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — egy amerikai startup és az azonos nevű keresőmotor (conversational search engine), amely mesterséges intelligenciát használ arra, hogy a felhasználói lekérdezésekre közvetlen válaszokat adjon, megjelölve az információforrásokat[1]. A céget 2022-ben alapította az OpenAI, a Meta, a Google, a DeepMind és a Databricks szakértőiből álló csapat[2].

A platform saját nagy nyelvi modelleket (LLM) és más vállalatok vezető modelljeihez való hozzáférést kombinál, így képes optimalizálni a válaszok sebességét, pontosságát és költségét. A Perplexity kulcstechnológiája a fejlett Retrieval-Augmented Generation (RAG) rendszer, amely az LLM válaszait a saját keresési infrastruktúrájából származó aktuális információkkal gazdagítja[3].

Történet és alapítók

A Perplexity AI-t 2022-ben négy szakember alapította:

  • Aravind Srinivas (CEO) — korábbi kutató az OpenAI-nál, a Google Brainnél és a DeepMindnél[4].
  • Denis Yarats (CTO) — korábbi tudományos munkatárs a Meta AI-nál.
  • Johnny Ho (CSO) — korábbi mérnök a Quoránál.
  • Andy Konwinski — a Databricks társalapítója[2].

Kezdetben a projektet B2B adatelemzési szolgáltatásnak szánták, de 2022 októberében a csapat egy Bingen és GPT-3-on alapuló keresőmotor-prototípust fejlesztett ki, amely meghatározta a vállalat további fejlődési irányát[5].

A Perplexity AI jelentős befektetéseket vonzott vezető szereplőktől, köztük az Nvidiától, a SoftBanktól és az Amazon alapítójától, Jeff Bezostól. 2025 elejére a vállalat értékelése elérte a 14 milliárd dollárt[6], a havi aktív felhasználók száma pedig meghaladta a 15 milliót[7].

Technológiai architektúra

Retrieval-Augmented Generation (RAG)

A Perplexity alapját a RAG technológia képezi, amely lehetővé teszi a hagyományos LLM-ek korlátainak — például az elavult tudásnak és a „hallucinációknak" — a leküzdését. Az algoritmus működése több lépésből áll[8]:

  1. A felhasználói lekérdezés elemzése és átfogalmazása az optimális keresés érdekében.
  2. Információkeresés saját keresési infrastruktúra segítségével (crawler és rangsorolási rendszer), amely előnyben részesíti a tekintélyes, nem SEO-optimalizált forrásokat[7].
  3. A leginkább releváns részletek („snippetek") kinyerése a megtalált weboldalakról.
  4. Összefüggő és pontos válasz generálása LLM segítségével ezek alapján a részletek alapján.
  5. A válasz elkészítése idézetek és hivatkozások megjelölésével az eredeti forrásokra.

Többmodelles stratégia

A Perplexity hibrid megközelítést alkalmaz, saját és külső modelleket kombinálva a sebesség, a pontosság és a költség közötti egyensúly elérése érdekében[9].

  • A gyors válaszokhoz az ingyenes verzióban gyakran a Claude 3 Haiku modellt használják.
  • Összetett feladatokhoz a fizetős Pro-verzióban erőteljesebb modellek érhetők el, mint például a Claude 3.5 Sonnet és a GPT-4o.

A Perplexity Pro előfizetéssel rendelkező felhasználók manuálisan választhatnak a modellek széles köréből, beleértve[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
  • A Perplexity saját modelljei.

A Perplexity saját modelljei

A vállalat saját, keresési feladatokra és az internetről származó aktuális információkkal való munkára optimalizált modelleket fejleszt.

A PPLX-család (korai modellek)

A Perplexity első, API-n keresztül elérhető saját modelljei a pplx-7b-online és a pplx-70b-online voltak, amelyeket 2023 decemberében mutattak be[11]. Ezek a Mistral 7B, illetve a Llama 2 70B finomhangolt verzióin alapultak, és online adatokkal való munkára specializálódtak[12].

A Sonar-család (jelenlegi generáció)

A Sonar a Meta Llama 3.3 70B modelljére épülő zászlóshajó modellcsalád, amelyet azonban további finomhangolásnak vetettek alá a ténybeli pontosság és a keresési módban adott válaszok olvashatóságának javítása érdekében[13].

A Sonar főbb jellemzői:

  • Magas sebesség: A Cerebras-szal kötött partnerségnek és azok speciális következtetési infrastruktúrájának köszönhetően a Sonar akár másodpercenként 1200 token generálási sebességet ér el, ami közel 10-szer gyorsabb, mint a Gemini 2.0 Flash[14].
  • Spekulatív dekódolási technológia: A generálás további gyorsítása érdekében egy saját fejlesztésű, 1 milliárd paraméteres „draft-modellt" alkalmaznak, amely lehetővé teszi az alapmodell számára, hogy egyetlen menetben több tokent generáljon[15].
  • Magas teljesítmény: Az LM Arena Search Arena értékelési keretrendszerében a Sonar-Reasoning-Pro modell az első helyet szerezte meg, statisztikailag egyenrangúnak bizonyulva a Gemini-2.5-Pro-Groundinggal[16].

API és vállalati megoldások

A Perplexity fejlesztők és vállalati ügyfelek számára a Sonar API és a Sonar Pro API révén biztosít hozzáférést modelljeihez. Az API-k sebességre és egyszerű használatra vannak optimalizálva, tartalmazzák az idézési lehetőséget és a keresési források testreszabásának lehetőségét. A Perplexity megoldásait különböző iparágakban alkalmazzák natív keresőrendszerek létrehozására és kutatási feladatok automatizálására[17].

Összehasonlító elemzés és felhasználói élmény

A Perplexity teljesítménye a feladat típusától függően változik.

  • Azokban a feladatokban, amelyek magas ténybeli pontosságot igényelnek friss adatok alapján (például radiológiai elemzés), a Perplexity mutatja a legmagasabb pontosságot (0,83), felülmúlva a Claude-ot, a Binget és a ChatGPT-t[18].
  • Ritka vagy szűk szakterülethez kapcsolódó tudást igénylő feladatokban (például ritka betegségek) a Perplexity elmaradhat a kiterjedtebb tudásbázissal rendelkező modellektől, mint a ChatGPT és a Gemini[19].

A használhatósági vizsgálat (SUS) azt mutatta, hogy bár mindkét platform, a Google és a Perplexity is elfogadható, a Google magasabb értékelést kapott (82,29), szemben a Perplexityvel (73,98). Ezt a Google megszokott felületével és a Perplexity meredekebb tanulási görbéjével magyarázzák, amely innovatív, de kevésbé ismerős funkciókat kínál[20].

Hivatkozások

  • A Perplexity AI hivatalos weboldala
  • A Perplexity hivatalos blogja

Irodalom

  • 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.

Jegyzetek

  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_(HU)&oldid=5554"