Dybtgående forskning, nu i Computer

Dybtgående forskning er en agentbaseret, iterativ søgning, der opfører sig mere som en traditionel analysemedarbejder. Den lægger en plan, før den foretager sig noget. Den kører flere søgninger i stedet for én og læser resultaterne hver gang, før den ræsonnerer om, hvad der skal søges efter næste gang. Den vurderer, om den har tilstrækkeligt med beviser og bemærker modsigelser, læser dybtgående og syntetiserer derefter resultaterne til et enkelt, autoritativt svar.

Dybden er grunden til, at Dybtgående forskning tager længere tid og kan bruge mere beregningskraft end standard-søgning.

Det er også grunden til, at Dybtgående forskning er blevet føjet til Computer. Svaret på et svært spørgsmål er blot begyndelsen. Dybtgående forskning fører hurtigt til en rapport, et dashboard eller noget helt andet, som arbejdet kræver. Computer er der, hvor det sker.

I dag annoncerer vi også, at Dybtgående forskning kan skrive sine egne søgeprogrammer gennem en ny tilgang kaldet Search as Code. I stedet for at køre én forespørgsel ad gangen bygger Computer en tilpasset søgeplan for hvert spørgsmål og kører tusindvis af trin parallelt. Tilsammen udvider disse ændringer det, som Dybtgående forskning kan udføre.

Den henter nu fra interne filer og apps for at få svar, der er bedre forankret i en forretningsmæssig sammenhæng. Computer omdanner disse svar til arbejdsklare formater som PDF'er, præsentationer, dashboards, websteder med mere. Den ræsonnerer også mere omhyggeligt og integreres i andre Computer-arbejdsprocesser.

Bedre input, bedre output

Dybtgående forskning er grundlaget for vidensarbejde. Kvaliteten af etnotat, et resume, en plan eller en analyse afhænger af kvaliteten af de kilder og den ræsonnering, der ligger bag.

At bringe Dybtgående forskning ind i Computer placerer det grundlag der, hvor arbejdet allerede finder sted. En nyere undersøgelse viste, at næsten 26 % af Computer-opgaver involverer forskning og analyse, hvilket er den største enkeltkategori foran kodning, oprettelse af aktiver med mere.

Før i dag var Computer og Dybtgående forskning adskilte. Brugerne var nødt til at køre deres forespørgsel til Dybtgående forskning i én tråd og derefter åbne en anden i Computer for at producere et leveranceprodukt.

Nu kan brugerne stille en kompleks forespørgsel, og Computer vil opdele den i underopgaver, der fordeles på tværs af 20+ frontmodeller. Brugere kan få undersøgte svar, stille opfølgende spørgsmål, hente forbundet kontekst og omdanne resultater til færdige aktiver, alt sammen i en enkelt forespørgsel.

Når søgningen berettiger det, henter Computer automatisk fra førsteklasses kilder som Statista, PitchBook og CB Insights, og underbygger svar med autoritative data.

Én færdighed, mange veje

I Computer er Dybtgående forskning indgangsdøren til en universel søgefærdighed. En enkelt forespørgsel sendes til det rette hentningsmønster. Derefter forener den resultaterne til ét samlet svar.

Tag et spørgsmål som "Er konkurrenceklausulerne for medarbejderne fra den texanske startup, vi netop har opkøbt, stadig håndhævelige, nu hvor vi er et selskab i Californien?"

Computer kører fire stier parallelt. Den undersøger Californiens næsten fuldstændige forbud mod konkurrenceklausuler, og hvordan dens domstole behandler aftaler fra andre stater. Den analyserer Texas' standarder for håndhævelse, hvor konkurrenceklausuler er gyldige, hvis de er knyttet til specialiseret træning eller forretningshemmeligheder. Den gennemgår retspraksis for overdragelse af kontrakter efter opkøb og FTC's nylige regelfastsættelse om konkurrenceklausuler.

Det endelige resultat forener alle fire veje til en enkelt risikovurdering og angiver, hvilke aftaler der sandsynligvis er ugyldige, hvilke der kan overleve, og hvor det er berettiget at bruge ekstern advokatbistand.

En ny arkitektur til AI-søgning

Dybtgående forskning i Computer er bygget på en arkitektur, vi kalder Search as Code.

AI-systemer behandler normalt søgning som et enkelt trin: stil et spørgsmål, find resultater. Computer behandler søgning som et program. Modellen skriver kode, der designer og kører tusindvis af hentningstrin parallelt, hvor hvert enkelt er tilpasset det spørgsmål, brugeren har stillet.

Koden kører i et sikkert sandbox lige ved siden af modellen, så modellen kan se resultaterne, i takt med at de ankommer, og spore, hvilke kilder der blev hentet, og hvordan de scorede. Den kan ændre kurs midt i en søgning, hvis kvaliteten ikke er der endnu.

I praksis betyder det, at en enkelt kørsel af Dybtgående forskning kan:

Opdele et spørgsmål i hundreder eller tusinder af målrettede hentninger

Køre søgninger parallelt, følge nye tråde, når de dukker op, og prøve igen, når svar ikke slår til

Rydde op i resultater, før modellen ser dem, ved at fjerne dubletter, sammenføje og filtrere i kode

Hente fra live-nettet og interne kilder ved hjælp af autoriserede stik i den samme søgning

Den samme arkitektur, der kan drive en revision af 200 sårbarheder i software på tværs af leverandørsikkerhedsmeddelelser, kan analysere landskabet for konkurrenceklausuler på tværs af fire forskellige jurisdiktioner.

Høj kvalitet, citerede data

Tre AI-evalueringsbenchmarks fandt, at det at flytte Perplexity’s Dybtgående forskning ind i Computer forbedrer dens ydeevne. Efter flytningen steg den faktuelle nøjagtighed, dybden af analysen og citationskvaliteten ifølge Humanity's Last Exam, BrowseComp og DeepSearchQA.

Enhver faktuel påstand i Dybtgående forskning bærer en in-line citation. Hvert nummereret hævet tal linker direkte til en live-kilde-URL, så brugerne kan klikke igennem og verificere kilden.

Eksempel på forespørgsler

Her er, hvad Dybtgående forskning kan gøre inde i Computer:

Buy-side due diligence (Finans): Udfør buy-side due diligence på tre børsnoterede europæiske dagligvareforhandlere. Kompiler deres økonomiske resultater, butiksformater, penetration af egne mærker, forsyningskædens modstandsdygtighed, eksponering for lønomkostninger og seneste omstruktureringshandlinger i en struktureret tabel plus et kort notat, der fremhæver væsentlige risici og opadgående scenarier.

Konkurrencedygtig gennemgang af pipeline (Sundhedspleje): Vurder en konkurrerende eksperimentel CAR-T-terapi ved relapseret/refraktær myelomatose for at skærpe den interne programstrategi. Syntetisér Fase 1/2-forsøgsresultater, toksicitets- og responsdata, komparative udfald mod godkendte alternativer, tendenser for dækning af betalere og aktive forsøgssteder. Opret forbindelse via App Connectors til interne prækliniske data, tidligere protokolkonstruktioner og regulatoriske indsendelser, og udarbejd derefter en struktureret briefing til udviklingskomitéen med placeringsanbefalinger og åbne videnskabelige spørgsmål.

Se flere eksempler på forespørgsler til Dybtgående forskning i vores bibliotek over use cases.

Tilgængelig nu

Dybtgående forskning i Computer er tilgængelig i dag. Start en tråd med et komplekst spørgsmål, og fortsæt med at arbejde ud fra resultatet.

Prøv Dybtgående forskning i Computer.