Perplexity AI (SV)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — är en amerikansk startup och en liknamnd sökmotor (conversational search engine) som använder artificiell intelligens för att ge direkta svar på användarfrågor med angivna informationskällor[1]. Företaget grundades 2022 av ett team av specialister från OpenAI, Meta, Google, DeepMind och Databricks[2].

Plattformen kombinerar egna stora språkmodeller (LLM) och tillgång till ledande modeller från andra företag, vilket gör det möjligt att optimera svarets hastighet, noggrannhet och kostnad. Perplexitys nyckelteknologi är ett avancerat Retrieval-Augmented Generation (RAG)-system som berikar LLM-svar med aktuell information från den egna sökinfrastrukturen[3].

Historia och grundare

Företaget Perplexity AI grundades 2022 av fyra specialister:

  • Aravind Srinivas (CEO) — tidigare forskare vid OpenAI, Google Brain och DeepMind[4].
  • Denis Yarats (CTO) — tidigare forskare vid Meta AI.
  • Johnny Ho (CSO) — tidigare ingenjör vid Quora.
  • Andy Konwinski — medgrundare av Databricks[2].

Ursprungligen planerades projektet som en B2B-tjänst för dataanalys, men i oktober 2022 utvecklade teamet en prototyp av en sökmotor baserad på Bing och GPT-3, vilket kom att styra företagets fortsatta utveckling[5].

Perplexity AI har attraherat betydande investeringar från ledande aktörer, däribland Nvidia, SoftBank och Amazons grundare Jeff Bezos. I början av 2025 uppgick företagets värdering till 14 miljarder USD[6], och den månatliga aktiva användarbasen översteg 15 miljoner användare[7].

Teknologisk arkitektur

Retrieval-Augmented Generation (RAG)

Grunden för Perplexity är teknologin RAG, som gör det möjligt att övervinna begränsningarna hos traditionella LLM, såsom föråldrad kunskap och "hallucinationer". Algoritmens arbetsflöde består av flera steg[8]:

  1. Analys och omformulering av användarens fråga för optimal sökning.
  2. Informationssökning med hjälp av en egen sökinfrastruktur (crawler och rankningssystem) som prioriterar auktoritativa och icke-SEO-optimerade källor[7].
  3. Extrahering av de mest relevanta fragmenten ("snippets") från hittade webbsidor.
  4. Generering av ett sammanhängande och korrekt svar med hjälp av en LLM baserat på dessa fragment.
  5. Framställning av svaret med angivna citat och länkar till ursprungskällorna.

Multimodellstrategi

Perplexity använder ett hybridtillvägagångssätt och kombinerar egna och externa modeller för att uppnå balans mellan hastighet, noggrannhet och kostnad[9].

  • För snabba svar i gratisversionen används ofta Claude 3 Haiku.
  • För komplexa uppgifter i den betalda Pro-versionen finns kraftfullare modeller tillgängliga, såsom Claude 3.5 Sonnet och GPT-4o.

Användare med Perplexity Pro-prenumeration kan manuellt välja bland ett brett utbud av modeller, inklusive[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
  • Perplexitys egna modeller.

Perplexitys egna modeller

Företaget utvecklar egna modeller optimerade för sökuppgifter och arbete med aktuell information från internet.

PPLX-familjen (tidiga modeller)

De första egna modellerna från Perplexity som gjordes tillgängliga via API var pplx-7b-online och pplx-70b-online, presenterade i december 2023[11]. De baserades på finjusterade versioner av Mistral 7B respektive Llama 2 70B och specialiserade sig på arbete med onlinedata[12].

Sonar-familjen (nuvarande generation)

Sonar är flaggskeppsfamiljen av modeller, byggd på Llama 3.3 70B från Meta, men med ytterligare fine-tuning för förbättrad faktanoggrannhet och läsbarhet av svar i sökläge[13].

Sonars viktigaste egenskaper:

  • Hög hastighet: Tack vare partnerskap med Cerebras och användning av deras specialiserade inferensinfrastruktur uppnår Sonar en genereringshastighet på upp till 1 200 token per sekund, vilket är nästan 10 gånger snabbare än Gemini 2.0 Flash[14].
  • Spekulativ avkodningsteknik: För att ytterligare accelerera genereringen används en egen "draft-modell" med storleken 1B, vilket gör det möjligt för huvudmodellen att generera flera token i ett enda steg[15].
  • Hög prestanda: Inom ramen för Search Arena-utvärderingen från LM Arena intog modellen Sonar-Reasoning-Pro första plats och presterade statistiskt jämförbart med Gemini-2.5-Pro-Grounding[16].

API och företagslösningar

Perplexity ger tillgång till sina modeller via Sonar API och Sonar Pro API för utvecklare och företagskunder. API:erna är optimerade för hastighet och enkel användning, inkluderar möjligheter för citering och anpassning av sökkällor. Perplexitys lösningar används inom olika branscher för att skapa inbyggda söksystem och automatisera forskningsuppgifter[17].

Jämförande analys och användarupplevelse

Perplexitys prestanda varierar beroende på typ av uppgift.

  • I uppgifter som kräver hög faktanoggrannhet baserad på färska data (till exempel radiologisk analys) uppvisar Perplexity högst noggrannhet (0,83) och överträffar Claude, Bing och ChatGPT[18].
  • I uppgifter som rör sällsynt eller mycket specialiserad kunskap (till exempel sällsynta sjukdomar) kan Perplexity prestera sämre än modeller med en mer omfattande kunskapsbas, såsom ChatGPT och Gemini[19].

En studie av användbarhet (SUS) visade att även om båda plattformarna, Google och Perplexity, anses godtagbara, fick Google ett högre betyg (82,29) jämfört med Perplexity (73,98). Detta förklaras av Googles välbekanta gränssnitt och en brantare inlärningskurva hos Perplexity, som erbjuder innovativa men mindre bekanta funktioner[20].

Länkar

  • Perplexity AIs officiella webbplats
  • Perplexitys officiella blogg

Litteratur

  • 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.

Noter

  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_(SV)&oldid=5562"