كيف يبني Perplexity الدقة في الذكاء الاصطناعي الرائد

تتمثل مهمتنا في تعزيز الفضول لدى الأشخاص الذين يرغبون في معرفة المزيد وإنجاز المزيد باستخدام معرفة العالم. ولتحقيق ذلك، كان تركيزنا الأساسي دائماً هو جعل أفضل نماذج الذكاء الاصطناعي الرائدة أكثر دقة على Perplexity.

للمرة الأولى، نشارك إحدى التقنيات الكامنة وراء كيفية قيامنا بذلك. نشر فريق البحث لدينا اليوم استكشافاً تقنياً لـ نماذج اللغات الكبيرة المعززة بالبحث.

هناك العشرات من العمليات التي نستخدمها لتطوير الدقة، وهذه نظرة داخلية نادرة على إحداها: التدريب اللاحق لنماذج الذكاء الاصطناعي الرائدة لتؤدي بأفضل حالاتها وفقاً لمعايير الدقة لمنتجات Perplexity مثل Search وComet وComputer.

نحن ندرب السلوك قبل البحث

محرك الإجابات يتطلب من النماذج الأساسية أن تفعل أكثر من مجرد توليد نص بطلاقة. يجب عليها العثور على الأدلة، ومتابعة طلب المستخدم، واستخدام الأدوات بشكل صحيح، وتحويل هذا العمل إلى إجابة مركزة.

نحن نقوم بالتدريب اللاحق لذلك على مرحلتين. أولاً، نعلم النموذج كيفية التصرف داخل المنتج، بما في ذلك كيفية اتباع التعليمات، والبقاء متسقاً، واستخدام الأدوات بالطريقة الصحيحة. ثم ندربه على مهام بحث أصعب لكي يصبح أفضل في العثور على الأدلة، واستخدامها بشكل جيد، والإجابة بكفاءة أكبر.

نهج المراحل هو أحد الاختلافات البسيطة بين Perplexity وإعداد غلاف تقليدي مع نموذج وإمكانية الوصول إلى الويب. ولهذا السبب يمكن لنفس النموذج أن ينتج نتائج مختلفة في منتجات مختلفة، ولماذا يمكن أن يعمل بشكل أفضل في Perplexity مقارنة بنشر أبسط.

الأسئلة التي تتطلب التوليف

بعض الأسئلة عبارة عن عمليات بحث سهلة. بينما يتطلب البعض الآخر من النموذج ربط الأدلة عبر مصادر متعددة.

نحن ندرب النماذج على الأسئلة التي تتطلب ربط الأدلة عبر المصادر. بالنسبة للأسئلة الواقعية، نستخدم مهام تجبر النموذج على البحث والاستدلال والتحقق بدلاً من القفز إلى إجابة من دليل واضح واحد. تتطلب العديد من الأسئلة ربط المعلومات عبر مصادر متعددة. وهي تتطلب من النموذج الانتقال من قطعة دليل إلى أخرى وبناء الإجابة من تلك السلسلة.

ندرب النماذج أيضاً عبر تنسيقات استجابة مختلفة، بحيث يظل النموذج دقيقاً سواء كان المستخدم يريد فقرة، أو قائمة، أو جدولاً، أو بنية أخرى. والنتيجة هي توليف أفضل، يتكون من إجابات تربط الأدلة عبر المصادر مقابل استرجاع حقائق معزولة فقط.

المهام المفتوحة تحتاج إلى معايير

يُستخدم Perplexity لأكثر من مجرد البحث عن الحقائق. الكثير من العمل مفتوح النهايات، بما في ذلك إعادة الكتابة، والتحرير، والتلخيص، والشرح، والتخطيط.

هذه المهام ليس لها إجابة صحيحة واحدة دقيقة، ولكنها لا تزال بحاجة إلى معايير. بالنسبة للعمل المفتوح، نستخدم قواعد تقييم وهي عبارة عن عمليات تحقق منظمة لتحديد ما إذا كانت الاستجابة قد أدت المهمة بالفعل. هل اتبعت التعليمات؟ هل حافظت على المعنى؟ هل حلت مشكلة المستخدم؟

هذا يتيح لنا تدريب المهام مفتوحة النهايات مع معايير واضحة بدلاً من التعامل معها ككتابة حرة.

الدقة تأتي قبل التفضيل

بالنسبة للمهام الواقعية، يجب أن تكون الإجابة صحيحة قبل أن تحظى بالتقدير لكونها أكثر فائدة أو مكتوبة بشكل أفضل. وبالنسبة للمهام المفتوحة، يجب أن تلبي الاستجابة قواعد التقييم قبل أن تدخل الجوانب الأخرى حيز التنفيذ.

هذا يحافظ على تركيز النظام على الجوهر لا المظهر. وهو يساعد في منع وضع فشل شائع للإجابات التي تبدو أفضل دون أن تكون أفضل حقاً. والنتيجة هي إجابات مصقولة أقل عرضة للتفكك تحت الفحص.

الكفاءة تساهم في جودة الإجابة

نحن ندرب النموذج أيضاً على استخدام البحث بانضباط.

يجب أن تحسن أي خطوة بحث إضافية الإجابة، ويجب أن تستحق الاستجابة الأطول طولها. وعندما لا يساعد البحث الإضافي أو الكلمات الزائدة، يجب أن يتوقف النظام.

هذا ينتج إجابات أسهل في الاستخدام ويحافظ على تركيز النموذج عندما يعمل من خلال سلاسل أطول من الإجراءات، حيث تتراكم الأخطاء الصغيرة.

الإجابات الأفضل تتطلب عملاً مستمراً

تأتي جودة البحث من كيفية تدريب المنتج للنموذج على جمع الأدلة، والإجابة بانضباط، والتعامل مع العمل المفتوح، والتوقف عندما يكون لديه ما يكفي من الدعم.

مع تولي أنظمة الذكاء الاصطناعي أعمالاً أطول وأكثر استقلالية، فإن هذا التدريب يحدد جودة الإجابات الفردية وكل ما يُبنى فوقها. لم نادِعِ قط أن Perplexity دقيق بنسبة 100%، لكننا ندعي أننا شركة الذكاء الاصطناعي التي تهتم بذلك أكثر من غيرها وتعمل عليه بلا توقف. نشجع جميع المستخدمين على تقديم ملاحظاتهم حول إجابات Perplexity الخاصة بهم، لأننا نقوم بالتكرار والتحسين باستمرار.