Perplexity എങ്ങനെയാണ് ഫ്രണ്ടിയർ AI-യിലേക്ക് കൃത്യത നിർമ്മിക്കുന്നത്

ലോകത്തിന്റെ അറിവ് ഉപയോഗിച്ച് കൂടുതൽ കാര്യങ്ങൾ അറിയാനും ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ആളുകൾക്കായി ജിജ്ഞാസ വളർത്തുക എന്നതാണ് ഞങ്ങളുടെ ദൗത്യം. അതിനായി, Perplexity-ൽ മികച്ച ഫ്രണ്ടിയർ AI മോഡലുകൾ കൂടുതൽ കൃത്യതയുള്ളതാക്കുക എന്നതാണ് ഞങ്ങളുടെ പ്രധാന ശ്രദ്ധ.

ഞങ്ങൾ അത് എങ്ങനെ ചെയ്യുന്നു എന്നതിന് പിന്നിലെ സാങ്കേതികവിദ്യകളിൽ ഒന്ന് ഞങ്ങൾ ആദ്യമായി പങ്കിടുന്നു. ഇന്ന് ഞങ്ങളുടെ ഗവേഷണ സംഘം സെർച്ച്-ഓഗ്മെന്റഡ് എൽ.എൽ.എമ്മുകളുടെ സാങ്കേതിക വിശകലനം പ്രസിദ്ധീകരിച്ചു.

കൃത്യത വികസിപ്പിക്കുന്നതിനായി ഞങ്ങൾ ഡസൻ കണക്കിന് പ്രക്രിയകൾ ഉപയോഗിക്കുന്നു, അവയിലൊന്നിന്റെ അപൂർവ്വമായ ഒരു ഉൾക്കാഴ്ചയാണിത്: സെർച്ച്, കോമെറ്റ്, കമ്പ്യൂട്ടർ തുടങ്ങിയ Perplexity ഉൽപ്പന്നങ്ങളുടെ കൃത്യത മാനദണ്ഡങ്ങൾക്കനുസരിച്ച് മികച്ച പ്രകടനം കാഴ്ചവെക്കാൻ പോസ്റ്റ്-ട്രെയിനിംഗ് ഫ്രണ്ടിയർ AI മോഡലുകൾ.

ഞങ്ങൾ തിരച്ചിലിന് മുമ്പ് പെരുമാറ്റം പരിശീലിപ്പിക്കുന്നു

ഒരു ഉത്തര എഞ്ചിന് അടിസ്ഥാന മോഡലുകൾ പ്രവാഹരൂപത്തിലുള്ള വാചകം ഉണ്ടാക്കുന്നതിനേക്കാൾ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യേണ്ടതുണ്ട്. അവ തെളിവുകൾ കണ്ടെത്തുക, ഉപയോക്താവിന്റെ അഭ്യർത്ഥന പിന്തുടരുക, ടൂളുകൾ കൃത്യമായി ഉപയോഗിക്കുക, ആ ജോലി ഒരു കേന്ദ്രീകൃത ഉത്തരമാക്കി മാറ്റുക എന്നിവ ചെയ്യണം.

അതിനായി ഞങ്ങൾ രണ്ട് ഘട്ടങ്ങളിലായി പോസ്റ്റ്-ട്രെയിനിംഗ് നടത്തുന്നു. ഒന്നാമതായി, നിർദ്ദേശങ്ങൾ എങ്ങനെ പാലിക്കണം, സ്ഥിരത നിലനിർത്തണം, ശരിയായ രീതിയിൽ ടൂളുകൾ എങ്ങനെ ഉപയോഗിക്കണം എന്നത് ഉൾപ്പെടെ ഉൽപ്പന്നത്തിനുള്ളിൽ എങ്ങനെ പെരുമാറണമെന്ന് ഞങ്ങൾ മോഡലിനെ പഠിപ്പിക്കുന്നു. തുടർന്ന്, തെളിവുകൾ കണ്ടെത്തുന്നതിലും അത് നന്നായി ഉപയോഗിക്കുന്നതിലും കൂടുതൽ കാര്യക്ഷമമായി ഉത്തരം നൽകുന്നതിലും മികച്ചതാകാൻ ഞങ്ങൾ അതിനെ കഠിനമായ തിരച്ചിൽ ജോലികളിൽ പരിശീലിപ്പിക്കുന്നു.

ഘട്ടം ഘട്ടമായുള്ള ഈ സമീപനം Perplexity-യും മോഡലും വെബ് ആക്സസുമുള്ള പരമ്പരാഗത റാപ്പർ സജ്ജീകരണവും തമ്മിലുള്ള ലളിതമായ വ്യത്യാസങ്ങളിൽ ഒന്നാണ്. അതുകൊണ്ടാണ് ഒരേ മോഡലിന് വ്യത്യസ്ത ഉൽപ്പന്നങ്ങളിൽ വ്യത്യസ്ത ഫലങ്ങൾ ഉണ്ടാക്കാൻ കഴിയുന്നത്, കൂടാതെ ലളിതമായ വിന്യാസത്തേക്കാൾ Perplexity-ൽ ഇത് മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നത് എന്തുകൊണ്ടാണെന്നും.

സംയോജനം ആവശ്യമായ ചോദ്യങ്ങൾ

ചില ചോദ്യങ്ങൾ എളുപ്പമുള്ള ലുക്കപ്പുകളാണ്. മറ്റുള്ളവയ്ക്ക് ഉറവിടങ്ങളിലുടനീളമുള്ള തെളിവുകൾ ബന്ധിപ്പിക്കാൻ മോഡൽ ആവശ്യമാണ്.

ഉറവിടങ്ങളിലുടനീളം തെളിവുകൾ ബന്ധിപ്പിക്കാൻ മോഡലിനെ ആവശ്യപ്പെടുന്ന ചോദ്യങ്ങളിൽ ഞങ്ങൾ പരിശീലനം നൽകുന്നു. വസ്തുതാപരമായ ചോദ്യങ്ങൾക്കായി, ഒരു വ്യക്തമായ സൂചനയിൽ നിന്നുള്ള ഉത്തരത്തിലേക്ക് ചാടുന്നതിന് പകരം തിരയാനും യുക്തിസഹമായി ചിന്തിക്കാനും പരിശോധിക്കാനും മോഡലിനെ നിർബന്ധിക്കുന്ന ടൂളുകൾ ഞങ്ങൾ ഉപയോഗിക്കുന്നു. പല ചോദ്യങ്ങൾക്കും ഒന്നിലധികം ഉറവിടങ്ങളിലുടനീളം വിവരങ്ങൾ ബന്ധിപ്പിക്കേണ്ടതുണ്ട്. ഒരു തെളിവിൽ നിന്ന് മറ്റൊന്നിലേക്ക് നീങ്ങാനും ആ ശൃംഖലയിൽ നിന്ന് ഉത്തരം നിർമ്മിക്കാനും അവ മോഡലിനെ ആവശ്യപ്പെടുന്നു.

ഉപയോക്താവിന് ഒരു ഖണ്ഡികയോ ഒരു പട്ടികയോ മറ്റൊരു ഘടനയോ വേണമെങ്കിലും മോഡൽ കൃത്യതയോടെ നിലനിൽക്കാൻ ഞങ്ങൾ വിവിധ പ്രതികരണ ഫോർമാറ്റുകളിലും പരിശീലനം നൽകുന്നു. ഒറ്റപ്പെട്ട വസ്തുതകൾ വീണ്ടെടുക്കുന്നതിന് വിരുദ്ധമായി ഉറവിടങ്ങളിലുടനീളം തെളിവുകൾ ബന്ധിപ്പിക്കുന്ന ഉത്തരങ്ങൾ അടങ്ങിയ മികച്ച സംയോജനമാണ് ഇതിന്റെ ഫലം.

തുറന്ന അവസാനിത ജോലികൾക്ക് മാനദണ്ഡങ്ങൾ ആവശ്യമാണ്

വസ്തുതാപരമായ ലുക്കപ്പിനേക്കാൾ കൂടുതൽ കാര്യങ്ങൾക്കായി Perplexity ഉപയോഗിക്കുന്നു. പുനരാഖ്യാനം, എഡിറ്റിംഗ്, സംഗ്രഹിക്കൽ, വിശദീകരിക്കൽ, ആസൂത്രണം എന്നിവയുൾപ്പെടെയുള്ള ജോലികളിൽ ഭൂരിഭാഗവും തുറന്ന അവസാനിതമാണ്.

ആ ജോലികൾക്ക് കൃത്യമായ ഒരു ശരി ഉത്തരമില്ല, എങ്കിലും അവയ്ക്ക് ഇപ്പോഴും മാനദണ്ഡങ്ങൾ ആവശ്യമാണ്. തുറന്ന അവസാനിത ജോലികൾക്കായി, ഒരു പ്രതികരണം യഥാർത്ഥത്തിൽ ജോലി ചെയ്തോ എന്നതിനുള്ള ഘടനാപരമായ പരിശോധനകളായ റൂബ്രിക്കുകൾ ഞങ്ങൾ ഉപയോഗിക്കുന്നു. ഇത് നിർദ്ദേശങ്ങൾ പാലിച്ചോ? ഇത് അർത്ഥം സംരക്ഷിച്ചോ? ഇത് ഉപയോക്താവിന്റെ പ്രശ്നം പരിഹരിച്ചോ?

സ്വതന്ത്രരൂപത്തിലുള്ള എഴുത്തായി കണക്കാക്കുന്നതിന് പകരം വ്യക്തമായ മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് തുറന്ന അവസാനിത ജോലികൾ പരിശീലിപ്പിക്കാൻ ഇത് ഞങ്ങളെ അനുവദിക്കുന്നു.

മുൻഗണനയ്ക്ക് മുമ്പ് കൃത്യത വരുന്നു

വസ്തുതാപരമായ ജോലികൾക്ക്, കൂടുതൽ സഹായകരമോ മികച്ച രീതിയിൽ എഴുതപ്പെട്ടതോ ആയതിനുള്ള ക്രെഡിറ്റുകൾ ലഭിക്കുന്നതിന് മുമ്പ് ഒരു ഉത്തരം ശരിയായിരിക്കണം. തുറന്ന അവസാനിത ജോലികൾക്ക്, മറ്റ് ഗുണങ്ങൾ വരുത്തുന്നതിന് മുമ്പ് പ്രതികരണം റൂബ്രിക്കിനെ തൃപ്തിപ്പെടുത്തേണ്ടതുണ്ട്.

ഇത് ശൈലിക്ക് മേൽ ഉള്ളടക്കത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ സിസ്റ്റത്തെ സഹായിക്കുന്നു. യഥാർത്ഥത്തിൽ മെച്ചപ്പെടാതെ മെച്ചപ്പെട്ടതായി തോന്നുന്ന ഉത്തരങ്ങളുടെ ഒരു സാധാരണ പരാജയ മോഡ് തടയാൻ ഇത് സഹായിക്കുന്നു. പരിശോധനയിൽ തകരുന്ന മിനുസമാർന്ന ഉത്തരങ്ങൾ കുറവാണ് ഇതിന്റെ ഫലം.

കാര്യക്ഷമത ഉത്തരത്തിന്റെ ഗുണനിലവാരത്തിന് സംഭാവന നൽകുന്നു

അച്ചടക്കത്തോടെ തിരച്ചിൽ ഉപയോഗിക്കാൻ ഞങ്ങൾ മോഡലിനെ പരിശീലിപ്പിക്കുന്നു.

ഏതൊരു അധിക തിരച്ചിൽ ഘട്ടവും ഉത്തരം മെച്ചപ്പെടുത്തണം, കൂടാതെ ദൈർഘ്യമേറിയ പ്രതികരണം അതിന്റെ നീളം അർഹിക്കണം. അധിക തിരച്ചിലോ അധിക വാക്കുകളോ സഹായിക്കാത്തപ്പോൾ, സിസ്റ്റം നിർത്തണം.

അത് ഉപയോഗിക്കാൻ എളുപ്പമുള്ള ഉത്തരങ്ങൾ നൽകുകയും ചെറിയ തെറ്റുകൾ കൂടിച്ചേരുന്ന നീണ്ട പ്രവർത്തന ശൃംഖലകളിലൂടെ പ്രവർത്തിക്കുമ്പോൾ മോഡലിന്റെ ശ്രദ്ധ സംരക്ഷിക്കുകയും ചെയ്യുന്നു.

മെച്ചപ്പെട്ട ഉത്തരങ്ങൾക്ക് നിരന്തരമായ ജോലി ആവശ്യമാണ്

തെളിവുകൾ ശേഖരിക്കാനും അച്ചടക്കത്തോടെ ഉത്തരം നൽകാനും തുറന്ന അവസാനിത ജോലി കൈകാര്യം ചെയ്യാനും ആവശ്യമായ പിന്തുണ ലഭിക്കുമ്പോൾ നിർത്താനും ഉൽപ്പന്നം മോഡലിനെ എങ്ങനെ പരിശീലിപ്പിക്കുന്നു എന്നതിൽ നിന്നാണ് തിരച്ചിൽ ഗുണനിലവാരം ഉണ്ടാകുന്നത്.

AI സിസ്റ്റങ്ങൾ നീണ്ടതും കൂടുതൽ സ്വയം ഭരണപരവുമായ ജോലികൾ ഏറ്റെടുക്കുമ്പോൾ, ആ പരിശീലനം വ്യക്തിഗത ഉത്തരങ്ങളുടെ ഗുണനിലവാരത്തെയും അവയ്ക്ക് മുകളിൽ നിർമ്മിച്ച എല്ലാറ്റിനെയും രൂപപ്പെടുത്തുന്നു. Perplexity 100% കൃത്യമാണെന്ന് ഞങ്ങൾ ഒരിക്കലും അവകാശപ്പെട്ടിട്ടില്ല, എന്നാൽ അതിനെക്കുറിച്ച് ഏറ്റവും കൂടുതൽ ശ്രദ്ധിക്കുകയും അത് നിർദ്ദയം പ്രവർത്തിക്കുകയും ചെയ്യുന്ന AI കമ്പനിയാണെന്ന് ഞങ്ങൾ അവകാശപ്പെടുന്നു. ഞങ്ങളുടെ എല്ലാ ഉപയോക്താക്കളും അവരുടെ Perplexity ഉത്തരങ്ങളെക്കുറിച്ച് ഫീഡ്‌ബാക്ക് നൽകാൻ ഞങ്ങൾ പ്രോത്സാഹിപ്പിക്കുന്നു, കാരണം ഞങ്ങൾ നിരന്തരം ആവർത്തിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു.