ఫ్రాంటియర్ AIలో Perplexity కచ్చితత్వాన్ని ఎలా నిర్మిస్తుంది

ప్రపంచంలోని విజ్ఞానాన్ని మరింతగా తెలుసుకోవాలనుకునే మరియు దంతో మరింతగా సాధించాలనుకునే వ్యక్తుల కోసం ఉత్సుకతను శక్తివంతం చేయడమే మా లక్ష్యం. అలా చేయడానికి, అత్యుత్తమ ఫ్రాంటియర్ AI మోడల్స్‌ను Perplexityలో మరింత కచ్చితమైనవిగా మలచడమే ఎప్పుడూ మా ప్రధాన దృష్టిగా ఉంది.

మొదటిసారిగా, మేము అలా ఎలా చేస్తామనే దాని వెనుక ఉన్న సాంకేతికతలలో ఒకదానిని పంచుకుంటున్నాము. నేడు మా పరిశోధనా బృందం సెర్చ్-ఆగ్మెంటెడ్ LLMల సాంకేతిక పరిశోధనను ప్రచురించింది.

ఖచ్చితత్వాన్ని అభివృద్ధి చేయడానికి మేము డజన్ల కొద్దీ ప్రక్రియలను ఉపయోగిస్తాము, మరియు వాటిలో ఇది ఒక అరుదైన అంతర్గత రూపం: Search, Comet మరియు Computer వంటి Perplexity ఉత్పత్తుల కోసం ఖచ్చితత్వ ప్రమాణాలకు అనుగుణంగా ఫ్రాంటియర్ AI మోడళ్లను పోస్ట్-ట్రైన్ చేయడం.

మేము సెర్చ్ కంటే ముందు ప్రవర్తనకు శిక్షణ ఇస్తాము

సమాధానం ఇచ్చే ఇంజిన్‌కు (ఆన్సర్ ఇంజిన్) కేవలం అనర్గళమైన టెక్స్ట్‌ను రూపొందించడం కంటే ఎక్కువ చేసే అంతర్లీన మోడల్స్ అవసరం. అవి సాక్ష్యాలను కనుగొనాలి, వినియోగదారు అభ్యర్థనను పాటించాలి, సాధనాలను సరిగ్గా ఉపయోగించాలి మరియు ఆ పనిని కేంద్రీకృత సమాధానంగా మార్చాలి.

దాని కోసం మేము రెండు దశల్లో పోస్ట్-ట్రైనింగ్ చేస్తాము. మొదటిగా, సూచనలను ఎలా పాటించాలి, స్థిరంగా ఎలా ఉండాలి మరియు సాధనాలను సరైన మార్గంలో ఎలా ఉపయోగించాలి అనేదితో సహా, ఉత్పత్తిలో మోడల్ ఎలా ప్రవర్తించాలో మేము నేర్పుతాము. ఆ తర్వాత సాక్ష్యాలను కనుగొనడంలో, దానిని బాగా ఉపయోగించడంలో మరియు మరింత సమర్థవంతంగా సమాధానం ఇవ్వడంలో మెరుగ్గా ఉండేలా కఠినమైన సెర్చ్ టాస్క్‌లపై దీనికి శిక్షణ ఇస్తాము.

ఈ దశలవారీ విధానం Perplexityకి మరియు మోడల్ మరియు వెబ్ యాక్సెస్‌తో ఉండే సాంప్రదాయ రేపర్ సెటప్‌కు మధ్య ఉన్న సాధారణ వ్యత్యాసాలలో ఒకటి. అందుకే ఒకే మోడల్ వేర్వేరు ఉత్పత్తులలో వేర్వేరు ఫలితాలను ఇస్తుంది, మరియు సరళమైన డిప్లాయ్‌మెంట్ కంటే Perplexityలో ఇది ఎందుకు మెరుగ్గా పని చేయగలదో చెప్పడానికి ఇదే కారణం.

సంశ్లేషణ (సింథసిస్) అవసరమయ్యే ప్రశ్నలు

కొన్ని ప్రశ్నలు సులభంగా వెతికేవిగా ఉంటాయి. మరికొన్నింటికి మోడల్ వివిధ మూలాల నుండి సాక్ష్యాలను అనుసంధానించడం అవసరం.

వివిధ మూలాల నుండి సాక్ష్యాలను అనుసంధానించడం మోడల్‌కు అవసరమయ్యే ప్రశ్నలపై మేము శిక్షణ ఇస్తాము. వాస్తవిక ప్రశ్నల కోసం, ఒక స్పష్టమైన క్లూ నుండి సమాధానానికి దూకకుండా, మోడల్ వెతకడానికి, తార్కికంగా ఆలోచించడానికి మరియు ధృవీకరించడానికి బలవంతం చేసే పనులను మేము ఉపయోగిస్తాము. అనేక ప్రశ్నలకు బహుళ మూలాల సమాచారాన్ని అనుసంధానించడం అవసరం. వాటికి మోడల్ ఒక సాక్ష్యం నుండి మరొక దానికి వెళ్లడం మరియు ఆ గొలుసు నుండి సమాధానాన్ని రూపొందించడం అవసరం.

మేము వివిధ ప్రతిస్పందన ఫార్మాట్‌లలో కూడా శిక్షణ ఇస్తాము, తద్వారా వినియోగదారుకు పేరాగ్రాఫ్, జాబితా, టేబుల్ లేదా మరొక నిర్మాణం ఏది కావాలన్నా మోడల్ కచ్చితంగా ఉంటుంది. ఫలితంగా మెరుగైన సంశ్లేషణ లభిస్తుంది, ఇది కేవలం వివిక్త వాస్తవాలను తిరిగి పొందడం కాకుండా వివిధ మూలాల నుండి సాక్ష్యాలను అనుసంధానించే సమాధానాలను కలిగి ఉంటుంది.

ఓపెన్-ఎండెడ్ టాస్క్‌లకు ప్రమాణాలు అవసరం

Perplexity కేవలం వాస్తవాలను వెతకడానికి మాత్రమే కాకుండా ఇతర వాటికి కూడా ఉపయోగించబడుతుంది. రీరైటింగ్, ఎడిటింగ్, సమ్మరైజింగ్, ఎక్స్ప్లెయినింగ్ మరియు ప్లానింగ్‌తో సహా చాలా పని ఓపెన్-ఎండెడ్‌గా ఉంటుంది.

ఆ పనులకు ఖచ్చితమైన సమాధానం ఉండదు, అయినప్పటికీ వాటికి ప్రమాణాలు అవసరం. ఓపెన్-ఎండెడ్ పని కోసం, ప్రతిస్పందన నిజంగా ఆ పని చేసిందా లేదా అనే దాని కోసం నిర్మాణాత్మక తనిఖీలు అయిన రుబ్రిక్‌లను మేము ఉపయోగిస్తాము. ఇది సూచనలను పాటించిందా? అర్థాన్ని భద్రపరిచిందా? వినియోగదారు సమస్యను పరిష్కరించిందా?

ఇది ఓపెన్-ఎండెడ్ టాస్క్‌లను ఫ్రీ-ఫార్మ్ రైటింగ్‌గా పరిగణించకుండా స్పష్టమైన ప్రమాణాలతో శిక్షణ ఇవ్వడానికి మాకు అనుమతిస్తుంది.

ప్రాధాన్యత కంటే కచ్చితత్వం ముఖ్యం

వాస్తవిక టాస్క్‌ల కోసం, మరింత సహాయకరంగా లేదా మెరుగ్గా వ్రాయబడిందనే క్రెడిట్ పొందే ముందు సమాధానం సరైనదిగా ఉండాలి. ఓపెన్-ఎండెడ్ టాస్క్‌ల కోసం, ఇతర అంశాలు అమల్లోకి వచ్చే ముందు ప్రతిస్పందన రుబ్రిక్‌ను సంతృప్తిపరచాలి.

ఇది సిస్టమ్‌ను శైలి కంటే సారాంశంపై దృష్టి పెట్టేలా చేస్తుంది. వాస్తవానికి మెరుగ్గా ఉండకుండా మెరుగ్గా అనిపించే సమాధానాల యొక్క సాధారణ వైఫల్య మోడ్‌ను నిరోధించడానికి ఇది సహాయపడుతుంది. దీని ప్రయోజనం ఏమిటంటే పరిశీలనలో విరిగిపోయే పాలిష్ చేసిన సమాధానాలు తగ్గుతాయి.

సమర్థత సమాధాన నాణ్యతకు దోహదపడుతుంది

క్రమశిక్షణతో సెర్చ్‌ను ఉపయోగించడానికి కూడా మేము మోడల్‌కు శిక్షణ ఇస్తాము.

అదనపు సెర్చ్ అడుగు సమాధానాన్ని మెరుగుపరచాలి, మరియు ఎక్కువ ప్రతిస్పందన దాని పొడవును సమర్థించుకోవాలి. అదనపు వెతుకులాట లేదా అదనపు పదాలు సహాయం చేయనప్పుడు, సిస్టమ్ ఆగిపోవాలి.

అది ఉపయోగించడానికి సులభమైన సమాధానాలను ఉత్పత్తి చేస్తుంది మరియు చిన్న పొరపాట్లు గుణించే సుదీర్ఘమైన చర్యల గొలుసుల ద్వారా మోడల్ పని చేసేటప్పుడు దృష్టిని భద్రపరుస్తుంది.

మెరుగైన సమాధానాలకు నిరంతరం కృషి అవసరం

సాక్ష్యాలను సేకరించడానికి, క్రమశిక్షణతో సమాధానం ఇవ్వడానికి, ఓపెన్-ఎండెడ్ పనిని నిర్వహించడానికి మరియు తగినంత మద్దతు లభించినప్పుడు ఆగిపోవడానికి ఉత్పత్తి మోడల్‌కు ఎలా శిక్షణ ఇస్తుంది అనే దాని నుండి సెర్చ్ నాణ్యత వస్తుంది.

AI సిస్టమ్‌లు దీర్ఘమైన మరియు మరింత స్వయంప్రతిపత్తమైన పనిని చేపట్టినందున, ఆ శిక్షణ వ్యక్తిగత సమాధానాల నాణ్యతను మరియు వాటి పైన నిర్మించిన ప్రతిదాన్ని ఆకారంలోకి తెస్తుంది. Perplexity 100% ఖచ్చితమైనదని మేము ఎప్పుడూ দাবি చేయలేదు, కానీ దాని గురించి ఎక్కువగా శ్రద్ధ వహించే మరియు దానిపై నిరంతరం కృషి చేసే AI కంపెనీగా మేము ఖచ్చితంగా দাবি చేస్తాము. వినియోగదారులందరూ వారి Perplexity సమాధానాలపై అభిప్రాయాన్ని అందించమని మేము ప్రోత్సహిస్తాము, ఎందుకంటే మేము నిరంతరం పునరావృతం చేస్తూ మరియు మెరుగుపరుస్తున్నాము.