எல்லை AI-ல் Perplexity துல்லியத்தை எவ்வாறு உருவாக்குகிறது

உலகளாவிய அறிவைப் பற்றி மேலும் அறியவும் அதைக் கொண்டு பலவற்றைச் செய்ய விரும்பும் மக்களிடையே ஆர்வத்தைத் தூண்டுவதே எங்களின் நோக்கமாகும். அதைச் செய்வதற்கு, சிறந்த எல்லை AI மாதிரிகளை Perplexity-ல் மிகவும் துல்லியமானதாக மாற்றுவதே எப்போதும் எங்களின் முக்கியக் கவனமாக இருந்துள்ளது.

நாங்கள் அதை எப்படிச் செய்கிறோம் என்பதன் பின்னணியில் உள்ள தொழில்நுட்பங்களில் ஒன்றை நாங்கள் முதல் முறையாகப் பகிர்கிறோம். இன்று எங்கள் ஆராய்ச்சிக் குழு தேடல்-மேம்படுத்தப்பட்ட LLM-கள் பற்றிய தொழில்நுட்ப ஆய்வை வெளியிட்டது.

துல்லியத்தை வளர்ப்பதற்காக நாங்கள் பயன்படுத்தும் பல செயல்முறைகள் உள்ளன, அவற்றில் ஒன்றைப் பற்றிய அரிதான உள் பார்வை இது: Search, Comet, மற்றும் Computer போன்ற Perplexity தயாரிப்புகளுக்கான துல்லியத் தரங்களுக்கு எதிராகச் செயல்பட எல்லை AI மாதிரிகளைப் பிந்தைய பயிற்சி அளிப்பது.

நாங்கள் தேடுவதற்கு முன் நடத்தைக்குப் பயிற்சி அளிக்கிறோம்

ஒரு பதிலளிப்பு இயந்திரத்திற்கு (answer engine), அடிப்படை மாதிரிகள் சரளமாக உரையை உருவாக்குவதை விட அதிகமாகச் செய்ய வேண்டும். அவை சான்றுகளைக் கண்டறிய வேண்டும், பயனரின் கோரிக்கையைப் பின்பற்ற வேண்டும், கருவிகளைச் சரியாகப் பயன்படுத்த வேண்டும், அந்த வேலையை ஒரு குறிப்பிட்ட பதிலாக மாற்ற வேண்டும்.

இதற்காக நாங்கள் இரண்டு கட்டங்களில் பிந்தைய பயிற்சி அளிக்கிறோம். முதலாவதாக, அறிவுறுத்தல்களைப் பின்பற்றுவது, நிலைத்தன்மையைப் பேணுவது மற்றும் சரியான வழியில் கருவிகளைப் பயன்படுத்துவது உட்பட தயாரிப்புக்குள் எவ்வாறு செயல்படுவது என்பதை நாங்கள் மாதிரிக்குக் கற்பிக்கிறோம். பின்னர் நாங்கள் அதை கடினமான தேடல் பணிகளில் பயிற்றுவிக்கிறோம், இதனால் அது சான்றுகளைக் கண்டறிவதிலும், அதை நன்றாகப் பயன்படுத்துவதிலும், மிகவும் திறம்பட பதிலளிப்பதிலும் சிறந்து விளங்குகிறது.

இந்தக் கட்டமைப்பு முறை Perplexity-க்கும், மாதிரி மற்றும் இணைய அணுகலைக் கொண்ட பாரம்பரிய ரேப்பப் அமைப்புக்கும் இடையிலான எளிமையான வேறுபாடுகளில் ஒன்றாகும். அதனால்தான் ஒரே மாதிரியானது வெவ்வேறு தயாரிப்புகளில் வெவ்வேறு முடிவுகளைத் தர முடியும், மேலும் எளிய வரிசைப்படுத்தலில் இருப்பதை விட Perplexity-ல் இது ஏன் சிறப்பாகச் செயல்பட முடியும்.

தொகுப்பு முறை தேவைப்படும் கேள்விகள்

சில கேள்விகள் எளிமையான தேடல்களாகும். மற்றவை மூலங்கள் முழுவதும் சான்றுகளை இணைக்க மாதிரியைக் கோருகின்றன.

மூலங்கள் முழுவதும் சான்றுகளை இணைக்க மாதிரியைக் கோரும் கேள்விகளில் நாங்கள் பயிற்சி அளிக்கிறோம். உண்மை சார்ந்த கேள்விகளுக்கு, ஒரு வெளிப்படையான துப்பு மூலம் பதிலுக்குத் தாவுவதற்குப் பதிலாக, மாதிரியைத் தேட, பகுத்தாய மற்றும் சரிபார்க்க கட்டாயப்படுத்தும் பணிகளைப் பயன்படுத்துகிறோம். பல கேள்விகளுக்கு பல மூலங்களில் தகவல்களை இணைக்க வேண்டும். அவை மாதிரியை ஒரு சான்றிலிருந்து மற்றொரு சான்றுக்கு நகர்த்தி, அந்தச் சங்கிலியிலிருந்து பதிலைக் கட்டமைக்கக் கோருகின்றன.

பயனர் ஒரு பத்தி, ஒரு பட்டியல், ஒரு அட்டவணை அல்லது பிற கட்டமைப்பை விரும்பினாலும் மாதிரி துல்லியமாக இருக்க, வெவ்வேறு பதில் வடிவங்களிலும் நாங்கள் பயிற்சி அளிக்கிறோம். இதன் விளைவு சிறந்த தொகுப்பாகும், இது தனிமைப்படுத்தப்பட்ட உண்மைகளை மீட்டெடுப்பதற்குப் பதிலாக மூலங்கள் முழுவதும் சான்றுகளை இணைக்கும் பதில்களைக் கொண்டுள்ளது.

முடிவற்ற (open-ended) பணிகளுக்குத் தரநிலைகள் தேவைப்படுகின்றன

Perplexity என்பது உண்மை சார்ந்த தேடலுக்கு மட்டுமல்லாமல் மற்றவற்றுக்கும் பயன்படுத்தப்படுகிறது. மறுஎழுதுதல், திருத்துதல், சுருக்குதல், விளக்குதல் மற்றும் திட்டமிடுதல் உள்ளிட்ட பல பணிகள் முடிவற்ற தன்மையைக் கொண்டுள்ளன.

அந்தப் பணிகளுக்கு சரியான பதில் என்று எதுவும் இல்லை, ஆனாலும் அவற்றுக்குத் தரநிலைகள் தேவை. முடிவற்ற பணிகளுக்கு, ஒரு பதில் உண்மையில் வேலையைச் செய்ததா இல்லையா என்பதற்கான கட்டமைக்கப்பட்ட சோதனைகளான நெறிமுறைகளைப் (rubrics) பயன்படுத்துகிறோம். அது அறிவுறுத்தல்களைப் பின்பற்றியதா? அது அர்த்தத்தைப் பாதுகாத்ததா? அது பயனரின் சிக்கலைத் தீர்த்ததா?

இதைச் செய்வதன் மூலம், முடிவற்ற பணிகளை தடையற்ற எழுத்துகளாகக் கருதாமல், தெளிவான தரநிலைகளுடன் பயிற்றுவிக்க அனுமதிக்கிறது.

விருப்பத்தேர்வுக்கு முன் துல்லியம் வருகிறது

உண்மை சார்ந்த பணிகளுக்கு, ஒரு பதில் மிகவும் உதவியாக இருக்கும் அல்லது சிறப்பாக எழுதப்பட்டிருக்கும் என்ற கிரெடிட்டைப் பெறுவதற்கு முன்பு அது சரியாக இருக்க வேண்டும். முடிவற்ற பணிகளுக்கு, மற்ற குணங்கள் செயல்பாட்டுக்கு வருவதற்கு முன்பு, பதில் ரூப்ரிக் திருப்திப்படுத்த வேண்டும்.

இது கணினியை பாணியை விட பொருளில் கவனம் செலுத்த வைக்கிறது. உண்மையில் சிறப்பாக இல்லாமல் சிறப்பாக ஒலிக்கிற பதில்களின் பொதுவான தோல்வி முறையைத் தவிர்க்க இது உதவுகிறது. ஆய்வு செய்யும்போது சிதறிப்போகும் மெருகூட்டப்பட்ட பதில்களின் எண்ணிக்கை குறைகிறது.

செயல்திறன் பதிலின் தரத்திற்குப் பங்களிக்கிறது

மாதிரி தேடலை ஒழுக்கத்துடன் பயன்படுத்தவும் நாங்கள் பயிற்சி அளிக்கிறோம்.

கூடுதல் தேடல் படி ஒவ்வொரு பதலையும் மேம்படுத்த வேண்டும், மேலும் நீண்ட பதில் அதன் நீளத்தைப் பெற வேண்டும். கூடுதல் தேடலோ அல்லது கூடுதல் வார்த்தைகளோ உதவாத போது, அமைப்பு நிறுத்தப்பட வேண்டும்.

இது பயன்படுத்த எளிதான பதில்களை உருவாக்குகிறது மற்றும் சிறிய தவறுகள் குவியும் நீண்ட செயல்பாட்டுச் சங்கிலிகள் மூலம் செயல்படும் போது மாதிரிக்கான கவனத்தைப் பாதுகாக்கிறது.

சிறந்த பதில்களுக்கு நிலையான வேலை தேவைப்படுகிறது

தேடல் தரம் என்பது, தயாரிப்பு மாதிரியை எவ்வாறு சான்றுகளை சேகரிக்க, ஒழுக்கத்துடன் பதிலளிக்க, முடிவற்ற வேலையைக் கையாள மற்றும் போதுமான ஆதரவைக் கொண்டவுடன் நிறுத்த பயிற்றுவிக்கிறது என்பதிலிருந்து வருகிறது.

AI அமைப்புகள் நீண்ட மற்றும் மிகவும் தன்னாட்சி வேலைகளை மேற்கொள்ளும்போது, அந்தப் பயிற்சி தனிப்பட்ட பதில்களின் தரத்தையும் அவற்றின் மேல் கட்டப்பட்ட அனைத்தையும் வடிவமைக்கிறது. Perplexity 100% துல்லியமானது என்று நாங்கள் எপ্রோதும் दावा செய்ததில்லை, ஆனால் அதைப் பற்றி அதிகம் கவலைப்பட்டு அதைத் தொடர்ந்து உழைக்கும் AI நிறுவனம் நாங்கள் தான் என்று உறுதியாகக் கூறுகிறோம். அனைத்து பயனர்களும் தங்கள் Perplexity பதில்கள் குறித்த கருத்துக்களை வழங்குமாறு நாங்கள் ஊக்குவிக்கிறோம், ஏனெனில் நாங்கள் தொடர்ந்து புதிய மறு செய்கைகளை உருவாக்கி மேம்படுத்தி வருகிறோம்.