Perplexity AI (ID)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — adalah sebuah perusahaan rintisan asal Amerika Serikat beserta mesin pencari bertajuk sama (conversational search engine) yang memanfaatkan kecerdasan buatan untuk memberikan jawaban langsung atas pertanyaan pengguna disertai sumber informasi[1]. Perusahaan ini didirikan pada tahun 2022 oleh tim spesialis dari OpenAI, Meta, Google, DeepMind, dan Databricks[2].

Platform ini memadukan large language model (LLM) milik sendiri dengan akses ke model-model terkemuka dari perusahaan lain, sehingga mampu mengoptimalkan kecepatan, akurasi, dan biaya jawaban. Teknologi kunci Perplexity adalah sistem Retrieval-Augmented Generation (RAG) canggih yang memperkaya jawaban LLM dengan informasi terkini dari infrastruktur pencarian miliknya sendiri[3].

Sejarah dan Pendiri

Perusahaan Perplexity AI didirikan pada tahun 2022 oleh empat orang spesialis:

  • Aravind Srinivas (CEO) — mantan peneliti di OpenAI, Google Brain, dan DeepMind[4].
  • Denis Yarats (CTO) — mantan peneliti di Meta AI.
  • Johnny Ho (CSO) — mantan insinyur di Quora.
  • Andy Konwinski — salah satu pendiri Databricks[2].

Pada awalnya proyek ini dirancang sebagai layanan B2B untuk analisis data, namun pada Oktober 2022 tim mengembangkan prototipe mesin pencari berbasis Bing dan GPT-3, yang menentukan arah perkembangan perusahaan selanjutnya[5].

Perplexity AI berhasil menarik investasi signifikan dari pemain-pemain terkemuka, termasuk Nvidia, SoftBank, dan pendiri Amazon Jeff Bezos. Pada awal tahun 2025, valuasi perusahaan mencapai $14 miliar[6], sementara jumlah pengguna aktif bulanan melampaui 15 juta orang[7].

Arsitektur Teknologi

Retrieval-Augmented Generation (RAG)

Fondasi Perplexity adalah teknologi RAG yang memungkinkan pemenuhan keterbatasan LLM tradisional, seperti pengetahuan yang sudah usang dan "halusinasi". Algoritma kerjanya terdiri dari beberapa tahap[8]:

  1. Analisis dan reformulasi pertanyaan pengguna untuk pencarian yang optimal.
  2. Pencarian informasi menggunakan infrastruktur pencarian milik sendiri (crawler dan sistem peringkat) yang memprioritaskan sumber-sumber terpercaya dan non-SEO[7].
  3. Ekstraksi fragmen ("snippet") paling relevan dari halaman web yang ditemukan.
  4. Pembuatan jawaban yang koheren dan akurat menggunakan LLM berdasarkan fragmen-fragmen tersebut.
  5. Pembentukan jawaban disertai kutipan dan tautan ke sumber aslinya.

Strategi Multi-Model

Perplexity menggunakan pendekatan hibrida dengan mengombinasikan model milik sendiri dan model pihak ketiga guna mencapai keseimbangan antara kecepatan, akurasi, dan biaya[9].

  • Untuk jawaban cepat pada versi gratis, Claude 3 Haiku sering digunakan.
  • Untuk tugas-tugas kompleks pada versi berbayar Pro, tersedia model yang lebih canggih seperti Claude 3.5 Sonnet dan GPT-4o.

Pengguna berlangganan Perplexity Pro dapat memilih secara manual dari berbagai macam model, termasuk[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
  • Model-model milik Perplexity sendiri.

Model-Model Milik Perplexity

Perusahaan mengembangkan model-model milik sendiri yang dioptimalkan untuk tugas pencarian dan pengolahan informasi terkini dari internet.

Keluarga PPLX (model-model awal)

Model-model milik Perplexity yang pertama kali tersedia melalui API adalah pplx-7b-online dan pplx-70b-online, yang diperkenalkan pada Desember 2023[11]. Model-model ini didasarkan pada versi fine-tuning dari Mistral 7B dan Llama 2 70B secara berturut-turut, serta dikhususkan untuk bekerja dengan data online[12].

Keluarga Sonar (generasi saat ini)

Sonar adalah keluarga model unggulan yang dibangun di atas Llama 3.3 70B dari Meta, namun telah melalui fine-tuning tambahan untuk meningkatkan akurasi faktual dan keterbacaan jawaban dalam mode pencarian[13].

Keunggulan utama Sonar:

  • Kecepatan tinggi: Berkat kemitraan dengan Cerebras dan pemanfaatan infrastruktur inferensi khusus mereka, Sonar mencapai kecepatan generasi hingga 1200 token per detik, hampir 10 kali lebih cepat daripada Gemini 2.0 Flash[14].
  • Teknologi speculative decoding: Untuk mempercepat generasi lebih lanjut, digunakan "model draft" milik sendiri berukuran 1B yang memungkinkan model utama menghasilkan beberapa token dalam satu kali proses[15].
  • Performa tinggi: Dalam penilaian Search Arena dari LM Arena, model Sonar-Reasoning-Pro menempati posisi pertama, secara statistik setara dengan Gemini-2.5-Pro-Grounding[16].

API dan Solusi Korporat

Perplexity menyediakan akses ke model-modelnya melalui Sonar API dan Sonar Pro API untuk para pengembang dan klien korporat. API dioptimalkan untuk kecepatan dan kemudahan penggunaan, mencakup kemampuan pengutipan dan konfigurasi sumber pencarian. Solusi Perplexity digunakan di berbagai industri untuk membangun sistem pencarian native dan mengotomatiskan tugas-tugas riset[17].

Analisis Komparatif dan Pengalaman Pengguna

Kinerja Perplexity bervariasi tergantung jenis tugas.

  • Pada tugas-tugas yang membutuhkan akurasi faktual tinggi berdasarkan data terkini (misalnya, analisis radiologi), Perplexity menunjukkan akurasi tertinggi (0,83), melampaui Claude, Bing, dan ChatGPT[18].
  • Pada tugas-tugas yang berkaitan dengan pengetahuan langka atau sangat terspeisialisasi (misalnya, penyakit langka), Perplexity dapat kalah dari model dengan basis pengetahuan yang lebih luas, seperti ChatGPT dan Gemini[19].

Penelitian mengenai kemudahan penggunaan (SUS) menunjukkan bahwa meskipun kedua platform, Google dan Perplexity, dianggap dapat diterima, Google mendapatkan skor lebih tinggi (82,29) dibandingkan Perplexity (73,98). Hal ini disebabkan oleh antarmuka Google yang sudah familiar dan kurva pembelajaran yang lebih curam pada Perplexity, yang menawarkan fitur-fitur inovatif namun kurang dikenal[20].

Tautan

  • Situs resmi Perplexity AI
  • Blog resmi Perplexity

Literatur

  • 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.

Catatan

  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_(ID)&oldid=5555"