Perplexity AI (TR)

From Systems analysis wiki
Jump to navigation Jump to search

Perplexity AI — bir Amerikan girişimi ve aynı adı taşıyan arama motoru (conversational search engine) olup, kullanıcı sorgularına kaynak bilgisiyle birlikte doğrudan yanıtlar sunmak için yapay zekâ kullanan bir platformdur[1]. Şirket, 2022 yılında OpenAI, Meta, Google, DeepMind ve Databricks'ten uzman bir ekip tarafından kurulmuştur[2].

Platform, kendi büyük dil modellerini (LLM) diğer şirketlerin önde gelen modelleriyle birleştirerek yanıtların hızını, doğruluğunu ve maliyetini optimize etmektedir. Perplexity'nin temel teknolojisi, LLM yanıtlarını kendi arama altyapısından elde edilen güncel bilgilerle zenginleştiren gelişmiş Retrieval-Augmented Generation (RAG) sistemidir[3].

Tarihçe ve Kurucular

Perplexity AI, 2022 yılında dört uzman tarafından kurulmuştur:

  • Aravind Srinivas (CEO) — OpenAI, Google Brain ve DeepMind'da eski araştırmacı[4].
  • Denis Yarats (CTO) — Meta AI'da eski araştırma görevlisi.
  • Johnny Ho (CSO) — Quora'da eski mühendis.
  • Andy Konwinski — Databricks'in kurucu ortağı[2].

Proje başlangıçta bir B2B veri analizi servisi olarak tasarlanmıştı; ancak Ekim 2022'de ekip, Bing ve GPT-3 tabanlı bir arama motoru prototipi geliştirdi ve bu durum şirketin gelecekteki yönünü belirledi[5].

Perplexity AI, Nvidia, SoftBank ve Amazon'un kurucusu Jeff Bezos dahil önde gelen oyunculardan önemli yatırımlar çekmiştir. 2025 yılı başında şirketin değeri 14 milyar dolara ulaşmış[6], aylık aktif kullanıcı sayısı ise 15 milyonu aşmıştır[7].

Teknolojik Mimari

Retrieval-Augmented Generation (RAG)

Perplexity'nin temeli, güncel olmayan bilgiler ve "halüsinasyonlar" gibi geleneksel LLM kısıtlamalarını aşmaya olanak tanıyan RAG teknolojisidir. Algoritma birkaç aşamadan oluşmaktadır[8]:

  1. Kullanıcı sorgusunun optimize arama için analiz edilmesi ve yeniden formüle edilmesi.
  2. Otoriter ve SEO odaklı olmayan kaynaklara öncelik veren özel arama altyapısı (tarayıcı ve sıralama sistemi) kullanılarak bilgi aranması[7].
  3. Bulunan web sayfalarından en ilgili parçaların ("snippet") çıkarılması.
  4. Bu parçalar temelinde LLM aracılığıyla tutarlı ve doğru bir yanıt oluşturulması.
  5. Yanıtın alıntılar ve kaynak bağlantıları ile birlikte sunulması.

Çoklu Model Stratejisi

Perplexity, hız, doğruluk ve maliyet arasında denge sağlamak amacıyla kendi modellerini ve üçüncü taraf modellerini bir arada kullanan hibrit bir yaklaşım benimsemektedir[9].

  • Ücretsiz sürümde hızlı yanıtlar için genellikle Claude 3 Haiku kullanılmaktadır.
  • Ücretli Pro sürümünde karmaşık görevler için Claude 3.5 Sonnet ve GPT-4o gibi daha güçlü modeller mevcuttur.

Perplexity Pro aboneliğine sahip kullanıcılar, aşağıdakiler dahil geniş bir model yelpazesinden manuel olarak seçim yapabilmektedir[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
  • Perplexity'nin kendi modelleri.

Perplexity'nin Kendi Modelleri

Şirket, arama görevleri ve internetten güncel bilgilerle çalışmak üzere optimize edilmiş kendi modellerini geliştirmektedir.

PPLX Ailesi (Erken Modeller)

Perplexity'nin API aracılığıyla erişilebilen ilk kendi modelleri, Aralık 2023'te tanıtılan pplx-7b-online ve pplx-70b-online olmuştur[11]. Bu modeller sırasıyla Mistral 7B ve Llama 2 70B'nin ince ayarlı sürümleri üzerine inşa edilmiş ve çevrimiçi verilerle çalışmaya odaklanmıştır[12].

Sonar Ailesi (Güncel Nesil)

Sonar, Meta'nın Llama 3.3 70B modeli üzerine inşa edilmiş ancak arama modunda yanıtların gerçeksel doğruluğunu ve okunabilirliğini artırmak amacıyla ek ince ayar yapılmış amiral gemisi model ailesidir[13].

Sonar'ın temel özellikleri:

  • Yüksek Hız: Cerebras ile kurulan ortaklık ve onların özel çıkarım altyapısı sayesinde Sonar, saniyede 1200 token üretim hızına ulaşmaktadır; bu, Gemini 2.0 Flash'ın neredeyse 10 katı hızındadır[14].
  • Spekülatif Kod Çözme Teknolojisi: Üretimi daha da hızlandırmak için, ana modelin tek bir geçişte birden fazla token üretmesine olanak tanıyan 1B boyutunda kendi "taslak modeli" kullanılmaktadır[15].
  • Yüksek Performans: LM Arena'nın Search Arena değerlendirmesinde Sonar-Reasoning-Pro modeli birinci sırayı alarak Gemini-2.5-Pro-Grounding ile istatistiksel olarak eşitlenmiştir[16].

API ve Kurumsal Çözümler

Perplexity, geliştiriciler ve kurumsal müşteriler için Sonar API ve Sonar Pro API aracılığıyla modellerine erişim sağlamaktadır. API'ler hız ve kullanım kolaylığı için optimize edilmiş olup alıntı yapma ve arama kaynaklarını özelleştirme imkânı sunmaktadır. Perplexity çözümleri, yerel arama sistemleri oluşturmak ve araştırma görevlerini otomatikleştirmek amacıyla çeşitli sektörlerde kullanılmaktadır[17].

Karşılaştırmalı Analiz ve Kullanıcı Deneyimi

Perplexity'nin performansı, görev türüne bağlı olarak farklılık göstermektedir.

  • Güncel verilere dayalı yüksek gerçeksel doğruluk gerektiren görevlerde (örneğin radyolojik analiz) Perplexity en yüksek doğruluk (0,83) değerini göstererek Claude, Bing ve ChatGPT'yi geride bırakmaktadır[18].
  • Nadir veya çok özelleşmiş bilgi gerektiren görevlerde (örneğin nadir hastalıklar) Perplexity, ChatGPT ve Gemini gibi daha geniş bilgi tabanına sahip modellere kıyasla daha düşük performans gösterebilmektedir[19].

Kullanılabilirlik (SUS) araştırması, her iki platformun da (Google ve Perplexity) kabul edilebilir düzeyde olduğunu ortaya koymuş; ancak Google daha yüksek bir puan almıştır (82,29'a karşın Perplexity 73,98). Bu durum, Google'ın alışılmış arayüzüne ve Perplexity'nin yenilikçi ancak daha az tanıdık işlevler sunan daha dik öğrenme eğrisine bağlanmaktadır[20].

Dış bağlantılar

  • Perplexity AI Resmi Web Sitesi
  • Perplexity Resmi Blogu

Kaynakça

  • 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.

Notlar

  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_(TR)&oldid=27968"