Perplexity AI (RO)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — este un startup american și un motor de căutare omonim (conversational search engine), care utilizează inteligența artificială pentru a furniza răspunsuri directe la interogările utilizatorilor, cu indicarea surselor de informații[1]. Compania a fost fondată în 2022 de o echipă de specialiști proveniți din OpenAI, Meta, Google, DeepMind și Databricks[2].

Platforma combină propriile modele lingvistice mari (LLM) cu accesul la modele de top de la alte companii, ceea ce îi permite să optimizeze viteza, precizia și costul răspunsurilor. Tehnologia cheie a Perplexity este un sistem avansat de Retrieval-Augmented Generation (RAG), care îmbogățește răspunsurile LLM cu informații actuale provenite din propria infrastructură de căutare[3].

Istorie și fondatori

Compania Perplexity AI a fost fondată în 2022 de patru specialiști:

  • Aravind Srinivas (CEO) — fost cercetător la OpenAI, Google Brain și DeepMind[4].
  • Denis Yarats (CTO) — fost cercetător științific la Meta AI.
  • Johnny Ho (CSO) — fost inginer la Quora.
  • Andy Konwinski — cofondator Databricks[2].

Inițial, proiectul a fost conceput ca un serviciu B2B pentru analiza datelor, însă în octombrie 2022 echipa a dezvoltat un prototip de motor de căutare bazat pe Bing și GPT-3, ceea ce a determinat direcția ulterioară de dezvoltare a companiei[5].

Perplexity AI a atras investiții semnificative din partea unor actori de top, inclusiv Nvidia, SoftBank și fondatorul Amazon, Jeff Bezos. La începutul anului 2025, evaluarea companiei a atins 14 miliarde de dolari[6], iar audiența activă lunară a depășit 15 milioane de utilizatori[7].

Arhitectura tehnologică

Retrieval-Augmented Generation (RAG)

Fundamentul Perplexity îl constituie tehnologia RAG, care permite depășirea limitărilor LLM-urilor tradiționale, cum ar fi cunoștințele perimate și „halucinațiile". Algoritmul de funcționare constă din mai multe etape[8]:

  1. Analizarea și reformularea interogării utilizatorului pentru o căutare optimă.
  2. Căutarea informațiilor cu ajutorul propriei infrastructuri de căutare (crawler și sistem de ierarhizare), care acordă prioritate surselor autoritare și non-SEO[7].
  3. Extragerea celor mai relevante fragmente (\"snippet-uri\") din paginile web găsite.
  4. Generarea unui răspuns coerent și precis cu ajutorul LLM pe baza acestor fragmente.
  5. Formularea răspunsului cu indicarea citărilor și a legăturilor către sursele originale.

Strategia multi-model

Perplexity utilizează o abordare hibridă, combinând modele proprii și modele terțe pentru a atinge un echilibru între viteză, precizie și cost[9].

  • Pentru răspunsuri rapide în versiunea gratuită, se utilizează frecvent Claude 3 Haiku.
  • Pentru sarcini complexe în versiunea Pro cu abonament, sunt disponibile modele mai puternice, precum Claude 3.5 Sonnet și GPT-4o.

Utilizatorii cu abonament Perplexity Pro pot selecta manual dintr-o gamă largă de modele, inclusiv[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
  • Modele proprii Perplexity.

Modele proprii Perplexity

Compania dezvoltă modele proprii, optimizate pentru sarcini de căutare și pentru lucrul cu informații actuale din internet.

Familia PPLX (modele timpurii)

Primele modele proprii ale Perplexity, disponibile prin API, au fost pplx-7b-online și pplx-70b-online, prezentate în decembrie 2023[11]. Acestea s-au bazat pe versiuni fine-tuned ale Mistral 7B și, respectiv, Llama 2 70B, specializate în lucrul cu date online[12].

Familia Sonar (generația actuală)

Sonar este familia emblematică de modele, construită pe baza Llama 3.3 70B de la Meta, dar care a trecut printr-un fine-tuning suplimentar pentru îmbunătățirea acurateței factuale și a lizibilității răspunsurilor în modul de căutare[13].

Caracteristici cheie ale Sonar:

  • Viteză ridicată: Datorită parteneriatului cu Cerebras și utilizării infrastructurii lor specializate de inferență, Sonar atinge o viteză de generare de până la 1200 de token-uri pe secundă, de aproape 10 ori mai rapid decât Gemini 2.0 Flash[14].
  • Tehnologia decodificării speculative: Pentru accelerarea suplimentară a generării se utilizează un „model draft" propriu de dimensiunea 1B, care permite modelului principal să genereze mai multe token-uri într-o singură trecere[15].
  • Performanță ridicată: În cadrul evaluării Search Arena de la LM Arena, modelul Sonar-Reasoning-Pro a ocupat primul loc, egalând statistic Gemini-2.5-Pro-Grounding[16].

API și soluții enterprise

Perplexity oferă acces la modelele sale prin Sonar API și Sonar Pro API pentru dezvoltatori și clienți enterprise. API-urile sunt optimizate pentru viteză și ușurință în utilizare, includ posibilitatea de citare și configurarea surselor de căutare. Soluțiile Perplexity sunt folosite în diverse industrii pentru crearea de sisteme de căutare native și automatizarea sarcinilor de cercetare[17].

Analiză comparativă și experiența utilizatorilor

Performanța Perplexity variază în funcție de tipul sarcinii.

  • În sarcinile care necesită o acuratețe factuală ridicată bazată pe date recente (de exemplu, analiza radiologică), Perplexity înregistrează cea mai mare precizie (0,83), depășind Claude, Bing și ChatGPT[18].
  • În sarcinile legate de cunoștințe rare sau înalt specializate (de exemplu, boli rare), Perplexity poate fi depășit de modele cu o bază de cunoștințe mai extinsă, precum ChatGPT și Gemini[19].

Studiul de uzabilitate (SUS) a arătat că, deși ambele platforme — Google și Perplexity — sunt acceptabile, Google a obținut un scor mai ridicat (82,29) față de Perplexity (73,98). Acest lucru se explică prin interfața familiară a Google și prin curba de învățare mai abruptă a Perplexity, care oferă funcționalități inovatoare, dar mai puțin cunoscute[20].

Legături externe

  • Site-ul oficial Perplexity AI
  • Blogul oficial Perplexity

Bibliografie

  • 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_(RO)&oldid=5561"