Perplexity AI (IT)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — è una startup americana e l'omonimo motore di ricerca (conversational search engine) che utilizza l'intelligenza artificiale per fornire risposte dirette alle richieste degli utenti con indicazione delle fonti informative[1]. L'azienda è stata fondata nel 2022 da un team di specialisti provenienti da OpenAI, Meta, Google, DeepMind e Databricks[2].

La piattaforma combina modelli linguistici di grandi dimensioni (LLM) proprietari e l'accesso ai principali modelli di altre aziende, consentendole di ottimizzare velocità, precisione e costo delle risposte. La tecnologia chiave di Perplexity è un sistema avanzato di Retrieval-Augmented Generation (RAG), che arricchisce le risposte degli LLM con informazioni aggiornate provenienti dalla propria infrastruttura di ricerca[3].

Storia e fondatori

L'azienda Perplexity AI è stata fondata nel 2022 da quattro specialisti:

  • Aravind Srinivas (CEO) — ex ricercatore presso OpenAI, Google Brain e DeepMind[4].
  • Denis Yarats (CTO) — ex ricercatore presso Meta AI.
  • Johnny Ho (CSO) — ex ingegnere presso Quora.
  • Andy Konwinski — co-fondatore di Databricks[2].

In origine il progetto era concepito come un servizio B2B per l'analisi dei dati, ma nell'ottobre 2022 il team sviluppò un prototipo di motore di ricerca basato su Bing e GPT-3, che determinò il successivo sviluppo dell'azienda[5].

Perplexity AI ha attratto investimenti significativi da parte dei principali attori del settore, tra cui Nvidia, SoftBank e il fondatore di Amazon Jeff Bezos. All'inizio del 2025 la valutazione dell'azienda aveva raggiunto 14 miliardi di dollari[6], e il pubblico attivo mensile aveva superato i 15 milioni di utenti[7].

Architettura tecnologica

Retrieval-Augmented Generation (RAG)

La base di Perplexity è la tecnologia RAG, che consente di superare i limiti dei tradizionali LLM, come la conoscenza obsoleta e le "allucinazioni". L'algoritmo di funzionamento si articola in diverse fasi[8]:

  1. Analisi e riformulazione della richiesta dell'utente per una ricerca ottimale.
  2. Ricerca di informazioni tramite la propria infrastruttura di ricerca (crawler e sistema di ranking), che dà priorità a fonti autorevoli e non orientate alla SEO[7].
  3. Estrazione dei frammenti più rilevanti ("snippet") dalle pagine web trovate.
  4. Generazione di una risposta coerente e precisa tramite LLM sulla base di tali frammenti.
  5. Formulazione della risposta con indicazione delle citazioni e riferimenti alle fonti originali.

Strategia multi-modello

Perplexity adotta un approccio ibrido, combinando modelli proprietari e di terze parti per raggiungere un equilibrio tra velocità, precisione e costo[9].

  • Per le risposte rapide nella versione gratuita viene spesso utilizzato Claude 3 Haiku.
  • Per compiti complessi nella versione a pagamento Pro sono disponibili modelli più potenti, come Claude 3.5 Sonnet e GPT-4o.

Gli utenti con abbonamento Perplexity Pro possono selezionare manualmente tra un'ampia gamma di modelli, tra cui[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
  • Modelli proprietari di Perplexity.

Modelli proprietari di Perplexity

L'azienda sviluppa modelli proprietari ottimizzati per attività di ricerca e per lavorare con informazioni aggiornate provenienti da Internet.

Famiglia PPLX (modelli iniziali)

I primi modelli proprietari di Perplexity, disponibili tramite API, sono stati pplx-7b-online e pplx-70b-online, presentati nel dicembre 2023[11]. Erano basati su versioni fine-tuned di Mistral 7B e Llama 2 70B rispettivamente, e si specializzavano nell'elaborazione di dati online[12].

Famiglia Sonar (generazione attuale)

Sonar è la famiglia di modelli di punta, costruita sulla base di Llama 3.3 70B di Meta, ma sottoposta a ulteriore fine-tuning per migliorare la precisione fattuale e la leggibilità delle risposte in modalità di ricerca[13].

Caratteristiche chiave di Sonar:

  • Alta velocità: Grazie alla partnership con Cerebras e all'utilizzo della loro infrastruttura di inferenza specializzata, Sonar raggiunge una velocità di generazione fino a 1200 token al secondo, quasi 10 volte più veloce di Gemini 2.0 Flash[14].
  • Tecnologia di speculative decoding: Per accelerare ulteriormente la generazione viene utilizzato un "draft model" proprietario da 1B, che consente al modello principale di generare più token in un singolo passaggio[15].
  • Elevate prestazioni: Nell'ambito della valutazione Search Arena di LM Arena, il modello Sonar-Reasoning-Pro ha ottenuto il primo posto, eguagliando statisticamente Gemini-2.5-Pro-Grounding[16].

API e soluzioni aziendali

Perplexity fornisce l'accesso ai propri modelli tramite Sonar API e Sonar Pro API per sviluppatori e clienti aziendali. Le API sono ottimizzate per velocità e semplicità d'uso, includono la possibilità di citazione e la personalizzazione delle fonti di ricerca. Le soluzioni Perplexity vengono utilizzate in vari settori per la creazione di sistemi di ricerca nativi e l'automazione di attività di ricerca[17].

Analisi comparativa ed esperienza utente

Le prestazioni di Perplexity variano in base al tipo di attività.

  • In attività che richiedono un'elevata precisione fattuale basata su dati recenti (ad esempio, analisi radiologica), Perplexity mostra la precisione più alta (0,83), superando Claude, Bing e ChatGPT[18].
  • In attività legate a conoscenze rare o altamente specializzate (ad esempio, malattie rare), Perplexity può risultare inferiore a modelli con una base di conoscenza più ampia, come ChatGPT e Gemini[19].

Uno studio sull'usabilità (SUS) ha mostrato che, sebbene entrambe le piattaforme, Google e Perplexity, siano accettabili, Google ha ottenuto un punteggio più alto (82,29) rispetto a Perplexity (73,98). Ciò è spiegato dall'interfaccia familiare di Google e dalla curva di apprendimento più ripida di Perplexity, che offre funzionalità innovative ma meno conosciute[20].

Riferimenti

  • Sito ufficiale di Perplexity AI
  • Blog ufficiale di Perplexity

Bibliografia

  • 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.

Note

  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_(IT)&oldid=5556"