Perplexity AI (NL)

From Systems analysis wiki
Jump to navigation Jump to search

Perplexity AI — een Amerikaanse startup en gelijknamige zoekmachine (conversational search engine) die kunstmatige intelligentie gebruikt om directe antwoorden te geven op zoekopdrachten van gebruikers, met vermelding van de informatiebronnen[1]. Het bedrijf werd in 2022 opgericht door een team van specialisten afkomstig van OpenAI, Meta, Google, DeepMind en Databricks[2].

Het platform combineert eigen grote taalmodellen (LLM) met toegang tot toonaangevende modellen van andere bedrijven, waardoor het de snelheid, nauwkeurigheid en kosten van antwoorden kan optimaliseren. De kerntechnologie van Perplexity is een geavanceerd Retrieval-Augmented Generation (RAG)-systeem, dat de antwoorden van LLM verrijkt met actuele informatie uit de eigen zoekinfrastructuur[3].

Geschiedenis en oprichters

Perplexity AI werd in 2022 opgericht door vier specialisten:

  • Aravind Srinivas (CEO) — voormalig onderzoeker bij OpenAI, Google Brain en DeepMind[4].
  • Denis Yarats (CTO) — voormalig wetenschappelijk medewerker bij Meta AI.
  • Johnny Ho (CSO) — voormalig ingenieur bij Quora.
  • Andy Konwinski — medeoprichter van Databricks[2].

Het project was aanvankelijk bedoeld als een B2B-dienst voor data-analyse, maar in oktober 2022 ontwikkelde het team een prototype van een zoekmachine op basis van Bing en GPT-3, wat de verdere ontwikkeling van het bedrijf bepaalde[5].

Perplexity AI trok aanzienlijke investeringen aan van toonaangevende partijen, waaronder Nvidia, SoftBank en Amazon-oprichter Jeff Bezos. Begin 2025 bereikte de waardering van het bedrijf $14 miljard[6] en het maandelijks actieve publiek oversteeg 15 miljoen gebruikers[7].

Technologische architectuur

Retrieval-Augmented Generation (RAG)

De basis van Perplexity is de RAG-technologie, die de beperkingen van traditionele LLM's overkomt, zoals verouderde kennis en "hallucinaties". Het algoritme bestaat uit meerdere stappen[8]:

  1. Analyse en herformulering van de zoekopdracht van de gebruiker voor optimale zoekresultaten.
  2. Zoeken naar informatie met behulp van een eigen zoekinfrastructuur (crawler en rankingsysteem) die prioriteit geeft aan gezaghebbende en niet-SEO-bronnen[7].
  3. Extractie van de meest relevante fragmenten ("snippets") uit de gevonden webpagina's.
  4. Generatie van een coherent en nauwkeurig antwoord met behulp van een LLM op basis van deze fragmenten.
  5. Samenstelling van het antwoord met vermelding van citaten en verwijzingen naar de oorspronkelijke bronnen.

Multimodelaanpak

Perplexity hanteert een hybride aanpak door eigen en externe modellen te combineren om een balans te bereiken tussen snelheid, nauwkeurigheid en kosten[9].

  • Voor snelle antwoorden in de gratis versie wordt vaak Claude 3 Haiku gebruikt.
  • Voor complexe taken in de betaalde Pro-versie zijn krachtigere modellen beschikbaar, zoals Claude 3.5 Sonnet en GPT-4o.

Gebruikers met een Perplexity Pro-abonnement kunnen handmatig kiezen uit een breed scala aan modellen, waaronder[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
  • Eigen modellen van Perplexity.

Eigen modellen van Perplexity

Het bedrijf ontwikkelt eigen modellen die geoptimaliseerd zijn voor zoektaken en het werken met actuele informatie van het internet.

Familie PPLX (vroege modellen)

De eerste eigen modellen van Perplexity die beschikbaar waren via de API waren pplx-7b-online en pplx-70b-online, gepresenteerd in december 2023[11]. Ze waren gebaseerd op verfijnde versies van respectievelijk Mistral 7B en Llama 2 70B en waren gespecialiseerd in het werken met online data[12].

Familie Sonar (huidige generatie)

Sonar is de vlaggenschipfamilie van modellen, gebouwd op basis van Llama 3.3 70B van Meta, maar voorzien van aanvullende fine-tuning om de feitelijke nauwkeurigheid en leesbaarheid van antwoorden in de zoekmodus te verbeteren[13].

Belangrijkste kenmerken van Sonar:

  • Hoge snelheid: Dankzij het partnerschap met Cerebras en het gebruik van hun gespecialiseerde inferentie-infrastructuur bereikt Sonar een generatiesnelheid van maximaal 1200 tokens per seconde, wat bijna 10 keer sneller is dan Gemini 2.0 Flash[14].
  • Speculatieve decoderingstechnologie: Voor verdere versnelling van de generatie wordt een eigen "draft-model" van 1B gebruikt, waarmee het hoofdmodel meerdere tokens in één doorgang kan genereren[15].
  • Hoge prestaties: In het kader van de Search Arena-evaluatie van LM Arena behaalde het model Sonar-Reasoning-Pro de eerste plaats, statistisch gelijkwaardig aan Gemini-2.5-Pro-Grounding[16].

API en bedrijfsoplossingen

Perplexity biedt toegang tot zijn modellen via de Sonar API en Sonar Pro API voor ontwikkelaars en zakelijke klanten. De API's zijn geoptimaliseerd voor snelheid en gebruiksgemak, en omvatten de mogelijkheid tot citeren en het aanpassen van zoekbronnen. De oplossingen van Perplexity worden in verschillende sectoren gebruikt voor het bouwen van native zoekmachines en het automatiseren van onderzoekstaken[17].

Vergelijkende analyse en gebruikerservaring

De prestaties van Perplexity variëren afhankelijk van het type taak.

  • Bij taken die een hoge feitelijke nauwkeurigheid op basis van recente gegevens vereisen (bijvoorbeeld radiologische analyse) toont Perplexity de hoogste nauwkeurigheid (0,83), beter dan Claude, Bing en ChatGPT[18].
  • Bij taken die betrekking hebben op zeldzame of zeer gespecialiseerde kennis (bijvoorbeeld zeldzame ziekten) kan Perplexity achterblijven bij modellen met een uitgebreidere kennisbasis, zoals ChatGPT en Gemini[19].

Een onderzoek naar gebruiksgemak (SUS) toonde aan dat hoewel beide platforms, Google en Perplexity, acceptabel zijn, Google een hogere score behaalde (82,29) ten opzichte van Perplexity (73,98). Dit wordt verklaard door de vertrouwde interface van Google en de steilere leercurve van Perplexity, dat innovatieve maar minder bekende functies biedt[20].

Verwijzingen

  • Officiële website van Perplexity AI
  • Officiële blog van Perplexity

Literatuur

  • 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.

Noten

  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.ru/int/index.php?title=Perplexity_AI_(NL)&oldid=20826"