Perplexity AI (TL)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — ito ay isang Amerikanong startup at kaparehong pangalang search engine (conversational search engine), na gumagamit ng artificial intelligence upang magbigay ng direktang mga sagot sa mga katanungan ng mga gumagamit na may nakalakip na mga pinagkukunan ng impormasyon[1]. Ang kumpanya ay itinatag noong 2022 ng isang koponan ng mga eksperto mula sa OpenAI, Meta, Google, DeepMind at Databricks[2].

Pinagsasama ng platform ang sariling malalaking language model (LLM) at access sa mga nangungunang modelo mula sa ibang mga kumpanya, na nagbibigay-daan dito na ma-optimize ang bilis, katumpakan at gastos ng mga sagot. Ang pangunahing teknolohiya ng Perplexity ay ang advanced na sistema ng Retrieval-Augmented Generation (RAG), na nagpapayaman sa mga sagot ng LLM gamit ang napapanahong impormasyon mula sa sariling search infrastructure[3].

Kasaysayan at mga Tagapagtatag

Ang kumpanyang Perplexity AI ay itinatag noong 2022 ng apat na espesyalista:

  • Aravind Srinivas (CEO) — dating mananaliksik sa OpenAI, Google Brain at DeepMind[4].
  • Denis Yarats (CTO) — dating siyentipikong kawani sa Meta AI.
  • Johnny Ho (CSO) — dating inhinyero sa Quora.
  • Andy Konwinski — kasamang tagapagtatag ng Databricks[2].

Sa simula, ang proyekto ay pinlano bilang isang B2B na serbisyo para sa pagsusuri ng datos, ngunit noong Oktubre 2022, binuo ng koponan ang isang prototype ng search engine batay sa Bing at GPT-3, na siyang humubog sa karagdagang pag-unlad ng kumpanya[5].

Nakakuha ang Perplexity AI ng malaking pamumuhunan mula sa mga nangungunang kalahok, kabilang ang Nvidia, SoftBank at ang tagapagtatag ng Amazon na si Jeff Bezos. Sa simula ng 2025, ang pagpapahalaga ng kumpanya ay umabot sa $14 bilyon[6], at ang buwanang aktibong bilang ng mga gumagamit ay lumampas sa 15 milyon[7].

Arkitekturang Teknolohikal

Retrieval-Augmented Generation (RAG)

Ang pundasyon ng Perplexity ay ang teknolohiyang RAG, na nagbibigay-daan na malampasan ang mga limitasyon ng mga tradisyonal na LLM, tulad ng lumang kaalaman at mga "hallucination". Ang algorithm ng pagtatrabaho ay binubuo ng ilang mga yugto[8]:

  1. Pagsusuri at pagbabago ng anyo ng katanungan ng gumagamit para sa pinakamainam na paghahanap.
  2. Paghahanap ng impormasyon gamit ang sariling search infrastructure (crawler at sistema ng pag-ranking), na inuuna ang mga awtorisado at hindi-SEO na mga pinagkukunan[7].
  3. Pagkuha ng mga pinaka-kaugnay na fragment ("snippets") mula sa mga nahanap na web page.
  4. Paggawa ng magkakaugnay at tumpak na sagot gamit ang LLM batay sa mga fragment na ito.
  5. Pagbuo ng sagot na may nakalakip na mga sipi at mga link sa mga orihinal na pinagkukunan.

Multi-model na Estratehiya

Gumagamit ang Perplexity ng hybrid na diskarte, pinagsasama ang sarili at mga third-party na modelo upang makamit ang balanse sa pagitan ng bilis, katumpakan at gastos[9].

  • Para sa mabilis na mga sagot sa libreng bersyon, madalas ginagamit ang Claude 3 Haiku.
  • Para sa mga kumplikadong gawain sa bayad na Pro na bersyon, available ang mga mas makapangyarihang modelo, tulad ng Claude 3.5 Sonnet at GPT-4o.

Ang mga gumagamit na may subscription sa Perplexity Pro ay maaaring manu-manong pumili mula sa malawak na hanay ng mga modelo, kabilang ang[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
  • Mga sariling modelo ng Perplexity.

Mga Sariling Modelo ng Perplexity

Nagde-develop ang kumpanya ng sariling mga modelo na na-optimize para sa mga gawaing pang-paghahanap at pagtatrabaho sa napapanahong impormasyon mula sa internet.

Pamilyang PPLX (mga maagang modelo)

Ang mga unang sariling modelo ng Perplexity na available sa pamamagitan ng API ay ang pplx-7b-online at pplx-70b-online, na ipinakita noong Disyembre 2023[11]. Batay ang mga ito sa mga fine-tuned na bersyon ng Mistral 7B at Llama 2 70B ayon sa pagkakasunod at dalubhasa sa pagtatrabaho sa mga online na datos[12].

Pamilyang Sonar (kasalukuyang henerasyon)

Sonar — ito ang flagship na pamilya ng mga modelo, na itinayo batay sa Llama 3.3 70B mula sa Meta, ngunit dumaan sa karagdagang fine-tuning upang mapabuti ang katumpakan ng mga katotohanan at pagiging madaling basahin ng mga sagot sa mode ng paghahanap[13].

Mga pangunahing katangian ng Sonar:

  • Mataas na bilis: Salamat sa pakikipagtulungan sa Cerebras at paggamit ng kanilang espesyal na inference infrastructure, nakakamit ng Sonar ang bilis ng paggawa ng hanggang 1200 token bawat segundo, na halos 10 beses na mas mabilis kaysa sa Gemini 2.0 Flash[14].
  • Teknolohiya ng speculative decoding: Para sa karagdagang pagpapabilis ng paggawa, ginagamit ang sariling "draft model" na may sukat na 1B, na nagbibigay-daan sa pangunahing modelo na gumawa ng ilang token sa isang pass[15].
  • Mataas na pagganap: Sa loob ng pagtatasa ng Search Arena mula sa LM Arena, ang modelo na Sonar-Reasoning-Pro ay nanalo ng unang lugar, na istatistikal na katumbas ng Gemini-2.5-Pro-Grounding[16].

API at mga Solusyong Pangkorporasyon

Nagbibigay ang Perplexity ng access sa mga modelo nito sa pamamagitan ng Sonar API at Sonar Pro API para sa mga developer at corporate na kliyente. Ang mga API ay na-optimize para sa bilis at kadalian ng paggamit, kasama ang kakayahang mag-cite at mag-customize ng mga pinagkukunan ng paghahanap. Ang mga solusyon ng Perplexity ay ginagamit sa iba't ibang industriya para sa paglikha ng mga native na search system at pag-automate ng mga gawaing pananaliksik[17].

Paghahambing na Pagsusuri at Karanasan ng Gumagamit

Nag-iiba ang pagganap ng Perplexity depende sa uri ng gawain.

  • Sa mga gawaing nangangailangan ng mataas na katumpakan ng katotohanan batay sa mga sariwang datos (halimbawa, radiological na pagsusuri), nagpapakita ang Perplexity ng pinakamataas na katumpakan (0.83), na nalampasan ang Claude, Bing at ChatGPT[18].
  • Sa mga gawaing may kaugnayan sa bihirang o lubos na espesyalisadong kaalaman (halimbawa, mga bihirang sakit), maaaring mahuli ang Perplexity sa mga modelo na may mas malawak na base ng kaalaman, tulad ng ChatGPT at Gemini[19].

Ipinakita ng pag-aaral ng kaginhawaan ng paggamit (SUS) na, kahit ang parehong platform, Google at Perplexity, ay katanggap-tanggap, natanggap ang Google ng mas mataas na marka (82.29) kumpara sa Perplexity (73.98). Ipinaliwanag ito ng pamilyar na interface ng Google at mas matarik na kurba ng pag-aaral sa Perplexity, na nag-aalok ng mga makabago ngunit hindi gaanong pamilyar na mga function[20].

  • Opisyal na website ng Perplexity AI
  • Opisyal na blog ng Perplexity

Panitikan

  • 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.

Mga Tala

  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_(TL)&oldid=5564"