Perplexity ಫ್ರಾಂಟಿಯರ್ AI ನಲ್ಲಿ ನಿಖರತೆಯನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುತ್ತದೆ

ಪ್ರಪಂಚದ ಜ್ಞಾನದೊಂದಿಗೆ ಹೆಚ್ಚಿನ ವಿಷಯಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಮತ್ತು ಸಾಧಿಸಲು ಬಯಸುವ ಜನರಲ್ಲಿ ಕುತೂಹಲವನ್ನು ಮೂಡಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ. ಅದಕ್ಕಾಗಿ, ಅತ್ಯುತ್ತಮ ಫ್ರಾಂಟಿಯರ್ AI ಮಾದರಿಗಳನ್ನು Perplexity ನಲ್ಲಿ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಮಾಡುವುದು ನಮ್ಮ ಪ್ರಮುಖ ಗಮನವಾಗಿದೆ.

ಮೊದಲ ಬಾರಿಗೆ, ನಾವು ಅದನ್ನು ಹೇಗೆ ಮಾಡುತ್ತೇವೆ ಎಂಬುದರ ಹಿಂದಿನ ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ ಒಂದನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ. ಇಂದು ನಮ್ಮ ಸಂಶೋಧನಾ ತಂಡವು ಶೋಧ-ವರ್ಧಿತ LLMಗಳ ತಾಂತ್ರಿಕ ಪರಿಶೋಧನೆಯನ್ನು ಪ್ರಕಟಿಸಿದೆ.

ನಿಖರತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನಾವು ಡಜನ್ಗಟ್ಟಲೆ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಬಳಸುತ್ತೇವೆ, ಮತ್ತು ಇದು ಅವುಗಳಲ್ಲಿ ಒಂದರ ಅಪರೂಪದ ಒಳಗಿನ ನೋಟವಾಗಿದೆ: ಹುಡುಕಾಟ (Search), ಕಾಮೆಟ್ (Comet), ಮತ್ತು ಕಂಪ್ಯೂಟರ್ (Computer) ನಂತಹ Perplexity ಉತ್ಪನ್ನಗಳ ನಿಖರತೆಯ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ತಮ್ಮ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡಲು ಪೋಸ್ಟ್-ಟ್ರೈನಿಂಗ್ ಫ್ರಾಂಟಿಯರ್ AI ಮಾದರಿಗಳು.

ನಾವು ಹುಡುಕಾಟದ ಮೊದಲು ವರ್ತನೆಯನ್ನು ತರಬೇತಿಗೊಳಿಸುತ್ತೇವೆ

ಉತ್ತರ ನೀಡುವ ಎಂಜಿನ್‌ಗೆ ಅಡಿಯಲ್ಲಿರುವ ಮಾದರಿಗಳು ಸರಳ ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಅವು ಸಾಕ್ಷ್ಯವನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕು, ಬಳಕೆದಾರರ ವಿನಂತಿಯನ್ನು ಅನುಸರಿಸಬೇಕು, ಸಾಧನಗಳನ್ನು ಸರಿಯಾಗಿ ಬಳಸಬೇಕು ಮತ್ತು ಆ ಕೆಲಸವನ್ನು ಕೇಂದ್ರೀಕೃತ ಉತ್ತರವಾಗಿ ಪರಿವರ್ತಿಸಬೇಕು.

ನಾವು ಅದಕ್ಕಾಗಿ ಎರಡು ಹಂತಗಳಲ್ಲಿ ಪೋಸ್ಟ್-ಟ್ರೈನಿಂಗ್ ಮಾಡುತ್ತೇವೆ. ಮೊದಲನೆಯದು, ಸೂಚನೆಗಳನ್ನು ಹೇಗೆ ಅನುಸರಿಸುವುದು, ಸ್ಥಿರವಾಗಿರುವುದು ಮತ್ತು ಸರಿಯಾದ ರೀತಿಯಲ್ಲಿ ಸಾಧನಗಳನ್ನು ಬಳಸುವುದು ಹೇಗೆ ಎಂಬುದು ಸೇರಿದಂತೆ ಉತ್ಪನ್ನದೊಳಗೆ ಹೇಗೆ ವರ್ತಿಸಬೇಕು ಎಂದು ನಾವು ಮಾದರಿಗೆ ಕಲಿಸುತ್ತೇವೆ. ನಂತರ ನಾವು ಅದನ್ನು ಕಠಿಣವಾದ ಹುಡುಕಾಟ ಕಾರ್ಯಗಳ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸುತ್ತೇವೆ ಇದರಿಂದ ಅದು ಸಾಕ್ಷ್ಯವನ್ನು ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ, ಅದನ್ನು ಚೆನ್ನಾಗಿ ಬಳಸುವಲ್ಲಿ ಮತ್ತು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಉತ್ತರಿಸುವಲ್ಲಿ ಉತ್ತಮಗೊಳ್ಳುತ್ತದೆ.

ಈ ಹಂತ ಹಂತದ ವಿಧಾನವು Perplexity ಮತ್ತು ಮಾದರಿ ಹಾಗೂ ವೆಬ್ ಪ್ರವೇಶದೊಂದಿಗೆ ಸಾಂಪ್ರದಾಯಿಕ ರಾಪರ್ ಸೆಟಪ್ ನಡುವಿನ ಸರಳ ವ್ಯತ್ಯಾಸಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಅದಕ್ಕಾಗಿಯೇ ಅದೇ ಮಾದರಿಯು ವಿಭಿನ್ನ ಉತ್ಪನ್ನಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು, ಮತ್ತು ಇದು ಸರಳವಾದ ನಿಯೋಜನೆಗಿಂತ Perplexity ನಲ್ಲಿ ಏಕೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು.

ಸಂಶ್ಲೇಷಣೆಯ ಅಗತ್ಯವಿರುವ ಪ್ರಶ್ನೆಗಳು

ಕೆಲವು ಪ್ರಶ್ನೆಗಳು ಸುಲಭವಾದ ಲುಕಪ್‌ಗಳಾಗಿವೆ. ಇನ್ನು ಕೆಲವು ಮಾದರಿಯು ಮೂಲಗಳಾದ್ಯಂತ ಸಾಕ್ಷ್ಯವನ್ನು ಸಂಪರ್ಕಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಮಾದರಿಯು ಮೂಲಗಳಾದ್ಯಂತ ಸಾಕ್ಷ್ಯವನ್ನು ಸಂಪರ್ಕಿಸುವ ಅಗತ್ಯವಿರುವ ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ನಾವು ತರಬೇತಿ ನೀಡುತ್ತೇವೆ. ವಾಸ್ತವಿಕ ಪ್ರಶ್ನೆಗಳಿಗಾಗಿ, ಒಂದು ಸ್ಪಷ್ಟ ಸುಳುವಿನಿಂದ ಉತ್ತರಕ್ಕೆ ಜಿಗಿಯುವ ಬದಲು ಮಾದರಿಯು ಹುಡುಕಲು, ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸಲು ಮತ್ತು ಪರಿಶೀಲಿಸಲು ಒತ್ತಾಯಿಸುವ ಕಾರ್ಯಗಳನ್ನು ನಾವು ಬಳಸುತ್ತೇವೆ. ಅನೇಕ ಪ್ರಶ್ನೆಗಳಿಗೆ ಬಹು ಮೂಲಗಳಾದ್ಯಂತ ಮಾಹಿತಿಯನ್ನು ಸಂಪರ್ಕಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ. ಅವು ಮಾದರಿಯು ಒಂದು ಸಾಕ್ಷ್ಯದಿಂದ ಮತ್ತೊಂದಕ್ಕೆ ಸಾಗಲು ಮತ್ತು ಆ ಸರಪಳಿಯಿಂದ ಉತ್ತರವನ್ನು ನಿರ್ಮಿಸಲು ಅಗತ್ಯವಿರುತ್ತದೆ.

ಬಳಕೆದಾರರಿಗೆ ಪ್ಯಾರಾಗ್ರಾಫ್, ಪಟ್ಟಿ, ಕೋಷ್ಟಕ ಅಥವಾ ಮತ್ತೊಂದು ರಚನೆ ಬೇಕಾಗಿದ್ದರೂ ಮಾದರಿಯು ನಿಖರವಾಗಿರಲು ನಾವು ವಿವಿಧ ಪ್ರತಿಕ್ರಿಯೆ ಸ್ವರೂಪಗಳಾದ್ಯಂತ ತರಬೇತಿ ನೀಡುತ್ತೇವೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ ಉತ್ತಮ ಸಂಶ್ಲೇಷಣೆ ದೊರೆಯುತ್ತದೆ, ಇದು ಪ್ರತ್ಯೇಕವಾದ ಸತ್ಯಗಳನ್ನು ಹಿಂಪಡೆಯುವುದಕ್ಕೆ ಬದಲಾಗಿ ಮೂಲಗಳಾದ್ಯಂತ ಸಾಕ್ಷ್ಯವನ್ನು ಸಂಪರ್ಕಿಸುವ ಉತ್ತರಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.

ಮುಕ್ತ-ಅಂತ್ಯದ ಕಾರ್ಯಗಳಿಗೆ ಮಾನದಂಡಗಳ ಅಗತ್ಯವಿದೆ

Perplexity ಅನ್ನು ವಾಸ್ತವಿಕ ಲುಕಪ್‌ಗಿಂತ ಹೆಚ್ಚಿನದಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಮರುಬರೆಯುವುದು, ಸಂಪಾದಿಸುವುದು, ಸಾರಾಂಶ ಮಾಡುವುದು, ವಿವರಿಸುವುದು ಮತ್ತು ಯೋಜನೆ ಮಾಡುವುದು ಸೇರಿದಂತೆ ಹೆಚ್ಚಿನ ಕೆಲಸವು ಮುಕ್ತ-ಅಂತ್ಯದ್ದಾಗಿದೆ.

ಆ ಕಾರ್ಯಗಳಿಗೆ ನಿಖರವಾದ ಸರಿಯಾದ ಉತ್ತರವಿರುವುದಿಲ್ಲ, ಆದರೆ ಅವುಗಳಿಗೆ ಇನ್ನೂ ಮಾನದಂಡಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ. ಮುಕ್ತ-ಅಂತ್ಯದ ಕೆಲಸಕ್ಕಾಗಿ, ಪ್ರತಿಕ್ರಿಯೆಯು ನಿಜವಾಗಿಯೂ ಕೆಲಸವನ್ನು ಮಾಡಿದೆ ಎಂಬುದರ ಕುರಿತು ರಚನಾತ್ಮಕ ಪರಿಶೀಲನೆಗಳಾಗಿರುವ ರೂಬ್ರಿಕ್‌ಗಳನ್ನು ನಾವು ಬಳಸುತ್ತೇವೆ. ಇದು ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿದೆಯೇ? ಇದು ಅರ್ಥವನ್ನು ಸಂರಕ್ಷಿಸಿದೆಯೇ? ಇದು ಬಳಕೆದಾರರ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಿದೆಯೇ?

ಅವುಗಳನ್ನು ಮುಕ್ತ-ರೂಪದ ಬರವಣಿಗೆಯಾಗಿ ಪರಿಗಣಿಸುವ ಬದಲು ಸ್ಪಷ್ಟ ಮಾನದಂಡಗಳೊಂದಿಗೆ ಮುಕ್ತ-ಅಂತ್ಯದ ಕಾರ್ಯಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಇದು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

ಪ್ರಾಮುಖ್ಯತೆಗಿಂತ ನಿಖರತೆ ಮೊದಲ ಸ್ಥಾನದಲ್ಲಿದೆ

ವಾಸ್ತವಿಕ ಕಾರ್ಯಗಳಿಗಾಗಿ, ಹೆಚ್ಚು ಸಹಾಯಕವಾಗಲು ಅಥವಾ ಉತ್ತಮವಾಗಿ ಬರೆಯಲಾಗಿದೆ ಎಂಬ ಕ್ರೆಡಿಟ್ ಪಡೆಯುವ ಮೊದಲು ಉತ್ತರವು ಸರಿಯಾಗಿರಬೇಕು. ಮುಕ್ತ-ಅಂತ್ಯದ ಕಾರ್ಯಗಳಿಗಾಗಿ, ಇತರ ಗುಣಗಳು ಜಾರಿಗೆ ಬರುವ ಮೊದಲು ಪ್ರತಿಕ್ರಿಯೆಯು ರೂಬ್ರಿಕ್ ಅನ್ನು ತೃಪ್ತಿಪಡಿಸಬೇಕು.

ಇದು ವ್ಯವಸ್ಥೆಯನ್ನು ಶೈಲಿಗಿಂತ ಸಾರಾಂಶದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ. ಇದು ನಿಜವಾಗಿಯೂ ಉತ್ತಮವಾಗಿರದೆ ಉತ್ತಮವಾಗಿ ಧ್ವನಿಸುವ ಉತ್ತರಗಳ ಸಾಮಾನ್ಯ ವೈಫಲ್ಯದ ಮೋಡ್ ಅನ್ನು ತಡೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ತಪಾಸಣೆಯ ಅಡಿಯಲ್ಲಿ ಕುಸಿದುಳಿಯುವ ಕಡಿಮೆ পালಿತ ಉತ್ತರಗಳು ಇದರ ಪ್ರತಿಫಲವಾಗಿದೆ.

ውಣ್ಮೆಯು ಉತ್ತರದ ಗುಣಮಟ್ಟಕ್ಕೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ

ಶಿಸ್ತಿನೊಂದಿಗೆ ಹುಡುಕಾಟವನ್ನು ಬಳಸಲು ನಾವು ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡುತ್ತೇವೆ.

ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಹುಡುಕಾಟ ಹಂತವು ಉತ್ತರವನ್ನು ಸುಧಾರಿಸಬೇಕು, ಮತ್ತು ದೀರ್ಘವಾದ ಪ್ರತಿಕ್ರಿಯೆಯು ಅದರ ಉದ್ದಕ್ಕೆ ತಕ್ಕಂತೆ ಇರಬೇಕು. ಹೆಚ್ಚುವರಿ ಹುಡುಕಾಟ ಅಥವಾ ಹೆಚ್ಚುವರಿ ಪದಗಳು ಸಹಾಯ ಮಾಡದಿದ್ದಾಗ, ವ್ಯವಸ್ಥೆಯು ನಿಲ್ಲಬೇಕು.

ಅದು ಬಳಸಲು ಸುಲಭವಾದ ಉತ್ತರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಸಣ್ಣ ತಪ್ಪುಗಳು ಸಂಯೋಜನೆಗೊಳ್ಳುವ ದೀರ್ಘವಾದ ಕ್ರಿಯೆಗಳ ಸರಪಳಿಗಳ ಮೂಲಕ ಕೆಲಸ ಮಾಡುವಾಗ ಮಾದರಿಗೆ ಗಮನವನ್ನು ಸಂರಕ್ಷಿಸುತ್ತದೆ.

ಉತ್ತಮ ಉತ್ತರಗಳಿಗೆ ನಿರಂತರ ಕೆಲಸದ ಅಗತ್ಯವಿರುತ್ತದೆ

ಸಾಕ್ಷ್ಯವನ್ನು ಸಂಗ್ರಹಿಸಲು, ಶಿಸ್ಲಿನೊಂದಿಗೆ ಉತ್ತರಿಸಲು, ಮುಕ್ತ-ಅಂತ್ಯದ ಕೆಲಸವನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ಸಾಕಷ್ಟು ಬೆಂಬಲವಿದ್ದಾಗ ನಿಲ್ಲಲು ಉತ್ಪನ್ನವು ಮಾದರಿಗೆ ಹೇಗೆ ತರಬೇತಿ ನೀಡುತ್ತದೆ ಎಂಬುದರಿಂದ ಹುಡುಕಾಟದ ಗುಣಮಟ್ಟ ಬರುತ್ತದೆ.

AI ವ್ಯವಸ್ಥೆಗಳು ದೀರ್ಘವಾದ ಮತ್ತು ಹೆಚ್ಚು ಸ್ವಾಯತ್ತ ಕೆಲಸವನ್ನು ಕೈಗೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ಆ ತರಬೇತಿಯು ವೈಯಕ್ತಿಕ ಉತ್ತರಗಳ ಗುಣಮಟ್ಟವನ್ನು ಮತ್ತು ಅವುಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ಎಲ್ಲವನ್ನೂ ರೂಪಿಸುತ್ತದೆ. Perplexity 100% ನಿಖರವಾಗಿದೆ ಎಂದು ನಾವು ಎಂದಿಗೂ দাবি ಮಾಡಿಲ್ಲ, ಆದರೆ ನಾವು ಇದರ ಬಗ್ಗೆ ಹೆಚ್ಚು ಕಾಳಜಿ ವಹಿಸುವ ಮತ್ತು ಇದರ ಮೇಲೆ ನಿರಂತರವಾಗಿ ಕೆಲಸ ಮಾಡುವ AI ಕಂಪನಿ ಎಂದು ನಾವು ಹೇಳಿಕೊಳ್ಳುತ್ತೇವೆ. ನಮ್ಮ ಎಲ್ಲಾ ಬಳಕೆದಾರರು ತಮ್ಮ Perplexity ಉತ್ತರಗಳ ಕುರಿತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುವಂತೆ ನಾವು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತೇವೆ, ಏಕೆಂದರೆ ನಾವು ನಿರಂತರವಾಗಿ ಪುನರಾವರ್ತಿಸುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಸುಧಾರಿಸುತ್ತಿದ್ದೇವೆ.