AI-முதல் தேடல் API-ஐ வடிவமைத்தல் மற்றும் மதிப்பீடு செய்தல்

தகவல் மீட்டெடுப்பு, AI மற்றும் கணினி வடிவமைப்பு ஆகியவற்றின் சந்திப்பில் அளவிடக்கூடிய, AI-முன்னோக்கி தேடல் API-ஐ உருவாக்குவது தனித்துவமான ஆராய்ச்சி சவால்களை முன்வைக்கிறது. வரையறுக்கப்பட்ட தரவுகளில் இயங்கும் பாரம்பரிய சேவைகளைப் போலல்லாமல், தேடல் API ஆனது கோடிக்கணக்கான ஆவணங்களை தொடர்ந்து குறியீட்டு முறையில் சேமிக்க வேண்டும், மொழிகள் மற்றும் களங்கள் முழுவதும் வினவல் நோக்கத்தைப் புரிந்து கொள்ள வேண்டும், மேலும் மில்லி விநாடிகளுக்குள் பொருத்தமான முடிவுகளைக் காட்ட வேண்டும். AI முகவர்களின் உலகில், தேடல் API ஆனது டெவலப்பர்களின் மாடல்களுக்கு வழங்கப்பட்ட சூழலை கவனமாக நிர்வகிக்க வேண்டும், அந்த மாடல்கள் உகந்த முறையில் செயல்படுவதை உறுதிசெய்து, அதிகபட்சமாக துல்லியமான தகவலை உள்ளடக்கியிருக்க வேண்டும். பயனுள்ள சூழல் பொறியியலுக்கு API ஆனது ஆவண மட்டத்திலான பொருத்தத்தைப் capturing செய்வது மட்டுமல்லாமல், ஆவணங்களின் தனிப்பட்ட பிரிவுகள் மற்றும் இடைவெளிகளைத் தங்களே முதன்மையான அலகுகளாகக் கருத வேண்டும்.

இந்தக் கட்டுரையில், Perplexity Search API-யின் வடிவமைப்பையும் மதிப்பீட்டையும் நாங்கள் வழங்குகிறோம். முதலில், தினமும் 200 மில்லியன் கேள்விகளை செயலாக்கும் எங்கள் உற்பத்தித் தேடல் உட்கட்டமைப்பின் பின்னிலுள்ள கட்டமைப்பையும் முக்கிய தொழில்நுட்ப முடிவுகளையும் ஆராய்கிறோம். எங்கள் கட்டமைப்பு, ஹைபிரிட் மீட்பு முறைகள், பலநிலை தரவரிசை குழாய்கள், பகிர்ந்த அட்டவணையாக்கம், மற்றும் தன்னை மேம்படுத்திக் கொள்ளும் உள்ளடக்கப் புரிதல் தொகுதியின் மூலம் இயக்கப்படும் இயக்கமான பகுப்பாய்வு ஆகியவற்றை ஒருங்கிணைக்கிறது.

புதிதாக திறந்த மூலமாகக் உருவாக்கப்பட்ட மதிப்பீட்டு கட்டமைப்பு மூலம் தேடல் API செயல்திறனை அனுபவப்பூர்வமாக மதிப்பிடுவதற்கான எங்கள் அணுகுமுறையை நாங்கள் விவரிக்கிறோம். ஏற்கனவே உள்ள வணிக API-களுடன் விரிவான அளவுகோல் மதிப்பீடு மூலம், தரம் மற்றும் தாமதம் இரண்டிலும் அதிநவீன செயல்திறனை நாங்கள் நிரூபிக்கிறோம். Perplexity Search API இன்று முதல் உலகளாவிய டெவலப்பர்களுக்குக் கிடைக்கிறது.

[GitHub இல் search_evals-ஐக் கண்டறியவும்]

எங்கள் ஸ்தாபனத்திலிருந்து, நாங்கள் அனுப்ப விரும்பும் வகை-வரையறுக்கும் AI தயாரிப்புகளை இயக்க வலுவான தேடல் திறன்கள் முக்கியமானதாக இருக்கும் என்பதை நாங்கள் புரிந்து கொண்டோம். ursprünglich, இந்த திறன்கள் பொதுவில் கிடைக்கும் வடிவத்தில் ஏற்கனவே இருக்கும் என்று நாங்கள் நம்பினோம். 2022 இன் பிற்பகுதியில் கிடைக்கும் தேடல் API-களின் போர்ட்ஃபோலியோவுடன் நாங்கள் பரிசோதனை செய்தோம், மேலும் Perplexity இன் பதில் இயந்திரத்தின் மிக முதல் பதிப்பு உண்மையில் இந்த சலுகைகளில் சிலவற்றை உள்ளடக்கியிருந்தது. குறிப்பாக, நாங்கள் பயனர் வினவல்களைப் பகுப்பாய்வு செய்வோம், இந்த API-களுக்கு கோரிக்கைகளை வடிவமைத்து அனுப்புவோம், மேலும் எங்கள் கீழ்நிலை உருவாக்கும் குழாய்க்கான சூழலாக முடிவுகளைச் சேகரிப்போம்.

இருப்பினும், பயனர்கள் Perplexity-க்குக் குவிந்ததால், இந்த API-கள் எங்கள் வளர்ச்சியுடன் அளவிடப் போவதில்லை என்பதை நாங்கள் விரைவாக உணர்ந்தோம். நாங்கள் சந்தித்த விலைகள் மிக அதிகமாக இருந்தன, ஒரு முன்னணி API வழங்குநர் ஆயிரம் வினவல்களுக்கு $200 வசூலித்தார். ஆனால் மிக மோசமாக, இந்த மரபுவழி API-கள் எல்லை AI அமைப்புகளால் அறிமுகப்படுத்தப்பட்ட புதிய மீட்டெடுப்பு முன்னுதாரணங்களுக்காக வடிவமைக்கப்படவில்லை.

Perplexity இன் பதில் இயந்திரத்தின் ஆரம்ப பதிப்புகளில் ஒன்று.

தொடங்குவதற்கு, இந்த மரபுவழி API-களின் கோரிக்கை மற்றும் பதில் வடிவங்கள் மனிதர்கள் மட்டுமே தேடல் முடிவுகளின் பிரத்தியேக நுகர்வோராக இருக்கும் உலகத்திற்காக வடிவமைக்கப்பட்டன. இதன் விளைவாக, இந்த API-கள் ஆவண மட்டத்திலான முடிவுகளுக்கு முன்னுரிமை அளித்தன, துணை-ஆவண அலகுகளால் வெளிப்படுத்தப்படும் நுணுக்கமான தகவல்களைத் தவிர்த்துவிட்டன. AI மாடலின் வெற்றி வழங்கப்பட்ட சூழலின் தரம் மற்றும் கச்சிதத்தன்மை சார்ந்துள்ளது, மேலும் அதிகப்படியான மீட்டெடுப்பு AI மாடல்களை எவ்வாறு தடம்புரளச் செய்யும் என்பதை நாங்கள் நேரில் கண்டோம், மீட்டெடுக்கப்பட்ட ஆவணங்கள் ஒட்டுமொத்தமாக எவ்வளவு பொருத்தமானதாகத் தோன்றினாலும் சரி. துல்லியமற்ற முடிவுகளில் துல்லியத்தை திணிக்க எங்கள் முயற்சிகள் குறைந்த வெற்றியையே சந்தித்தன.

மரபுவழி API-கள் மிகவும் பழையவை அல்லது மிகவும் மெதுவானவை என்பதையும் நாங்கள் அவதானித்தோம். சுயாதீனமாக உருவாக்கப்பட்ட தேடல் API-கள் முழுமையற்ற மற்றும் அடிக்கடி புதுப்பிக்கப்படாத குறியீடுகளை நம்பியிருந்தன. கூகுள் தேடலுக்கான பல்வேறு அதிகாரப்பூர்வமற்ற SERP API-கள் போன்ற ஸ்கிராப்பிங்-அடிப்படையிலான API-கள் மிகவும் விரிவான குறியீட்டிலிருந்து பயனடைந்தன, ஆனால் மூன்றாம் தரப்பு தேடல் இயந்திரத்தை வினவுவதில் உள்ள உள்ளார்ந்த திறமையின்மையால் ஏற்றுக்கொள்ள முடியாத அளவுக்கு அதிக தாமதத்தை வழங்கின. அதிக தாமதம் API-களை பயனர்-முகப்பு பயன்பாடுகளுக்குப் பொருத்தமற்றதாக ஆக்கியது, அதே நேரத்தில் பழைய தன்மை துல்லியமாகவும் நம்பகமானதாகவும் இருக்க விரும்பும் எந்தவொரு AI அமைப்புக்கும் முடிவுத் தொகுப்புகளைப் பயன்படுத்த முடியாததாக மாற்றியது.

இறுதியாக, AI சுற்றுச்சூழல் அமைப்பு லெக்சிகல் தேடல் மற்றும் சொற்பொருள் தேடல் என இரண்டாகப் பிரிவதைக் கண்டோம், ஒரு முறையை மற்றொன்றை விட அதிகமாக உகந்ததாக்கியமைந்த அமைப்புகள் வெளிவந்தன. எளிய பூலியன் வடிப்பான்களைக் கூட போதுமான அளவு ஆதரிக்க முடியாத வெக்டர் தரவுத்தளங்களின் எழுச்சியை நாங்கள் கண்டோம். பாரம்பரிய தேடல் பின்தளங்கள் மிகச் சிறிய அளவில் சிறப்பாகச் செயல்பட்டன, AI ஆல் திறக்கப்பட்ட சொற்பொருள் தரவரிசை மற்றும் மீட்டெடுப்பு வாய்ப்புகளுக்கு பழமையான ஆதரவைக் கொண்டிருந்தன.

Perplexity-ஐ இன்னும் சிறப்பாக மாற்றுவதற்கு எங்கள் சொந்த பிரத்யேக தேடல் உள்கட்டமைப்பை உருவாக்குவது அவசியமாகும் என்பதை நாங்கள் உணர்ந்தபோது, எங்கள் அவதானிப்புகளை மூன்று முக்கிய அளவுகோல்களாகச் சுருக்கினோம்:

முழுமை, புதிய தன்மை மற்றும் வேகம்: தேடல் குறியீடு விரிவானதாக, தொடர்ந்து புதுப்பிக்கப்பட்டதாக மற்றும் நிகழ்நேர தாமதத்திற்காக வடிவமைக்கப்பட்டதாக இருக்க வேண்டும்.

நுணுக்கமான உள்ளடக்கப் புரிதல்: AI மாதிரி உடையக்கூடிய தன்மை மற்றும் வரையறுக்கப்பட்ட சூழல் சாளரங்கள் தேடல் முடிவுகள் சாத்தியமான மிகச்சிறிய மட்டத்தில் வழங்கப்பட்டு தரவரிசைப்படுத்தப்பட வேண்டும் என்பதைக் கோருகின்றன.

கலப்பின மீட்டெடுப்பு மற்றும் தரவரிசை: முடிவுகள் AI-க்கு பயனுள்ளதாக இருக்க மீட்டெடுப்பு மற்றும் தரவரிசை குழாய்கள் இரண்டும் லெக்சிகல் மற்றும் சொற்பொருள் சமிக்ஞைகளை இணைக்க வேண்டும்.

இன்று Perplexity, தற்போது Perplexity Search API வழியாகக் கிடைக்கும் எங்களின் இணைய-அளவு தேடல் உள்கட்டமைப்பால் இயக்கப்படுகிறது.

Perplexity அளவில் செயல்படுவதற்கு வலையை விரிவாக வரைபடமாக்கக்கூடிய மற்றும் அதன் நிலையான பரிணாமத்திற்கு பதிலளிக்கக்கூடிய உள்கட்டமைப்பு தேவைப்படுகிறது. எங்கள் தேடல் குறியீடு 200ில்லியனுக்கும் அதிகமான தனித்துவமான URL-களைக் கண்காணிக்கிறது, மேலும் பல நூறு பில்லியன்களைக் கண்காணிக்கக்கூடிய திறனைக் கொண்டுள்ளது.

எங்கள் குறியீடு இணையத்தின் போதுமான விரிவான பகுதியை உள்ளடக்கியது என்பதையும், ஒவ்வொரு ஆவணமும் சமீபத்திய நிலையைக் பிரதிபலிக்கிறது என்பதையும் உறுதிசெய்வது ஒரு கடினமான சாதனையாகும். முழுமை மற்றும் புதிய தன்மைக்கு இடையே உள்ளார்ந்த பதற்றம் உள்ளது: நிலையான குறியீட்டு பட்ஜெட்டுக்கு, ஏற்கனவே உள்ள பக்கங்களுக்கான புதுப்பிப்பு செயல்பாடுகள் புதிய பார்வையிடப்படாத பக்கங்களுக்கான குறியீட்டு செயல்பாடுகளுடன் போட்டியிட வேண்டும். அளவிடுதல் (குறியீட்டு பட்ஜெட்டை அதிகரிப்பதன் மூலம் உகப்பாக்கக் கட்டுப்பாட்டைத் தளர்த்துகிறது) மற்றும் ML-இயக்கப்படும் முன்னுரிமைப்படுத்தல் (ஒவ்வொரு குறியீட்டு செயல்பாடும் ஒட்டுமொத்த குறியீட்டிற்கும் அதிகபட்ச மதிப்புமிக்கதாக இருப்பதை உறுதி செய்கிறது) ஆகியவற்றின் கலவையின் மூலம் இந்த பதற்றத்தை நாங்கள் சமநிலைப்படுத்துகிறோம்.

அளவு மற்றும் வினவல் அளவு ஆகியவற்றுடன் கிடைமட்டமாக அளவிடக்கூடிய எபைட்-அளவு குறியீடு மற்றும் உலாவல் சாதனத்தை நாங்கள் உருவாக்கியுள்ளோம். Perplexity-ன் உலாவி மற்றும் குறியீட்டு கடற்படைகள் கூட்டாக பல்லாயிரக்கணக்கான CPU-களையும் நூற்றுக்கணக்கான டெராபைட் RAM-ஐயும் கொண்டுள்ளன, மேலும் மேலும் அளவிடுவதற்கான கணிசமான ஹெட்ரூம் உள்ளது. இந்த கணினி உள்கட்டமைப்பை குளிர் மற்றும் சூடான சேமிப்பகத்தின் சமநிலையுடன் நாங்கள் இணைக்கிறோம். எந்த ஆவணங்கள் சூடாக வைக்கப்பட வேண்டும் என்பதைத் தீர்மானிக்க நாங்கள் கற்றுக்கொண்ட மாடல்கள் மற்றும் ட்யூன் செய்யப்பட்ட ஹூரிஸ்டிக்ஸ் இரண்டையும் பயன்படுத்துகிறோம், அதிகாரப்பூர்வ களங்களிலிருந்து வரும் ஆவணங்கள், குறைந்த அளவில் மூடப்பட்ட தலைப்புகளை உள்ளடக்கிய ஆவணங்கள் மற்றும் எங்கள் குறியீட்டை செறிவூட்டக்கூடிய மகத்தான ஆற்றலைக் கொண்ட பிற வகைகளுக்கு முன்னுரிமை அளிக்கிறோம்.

இந்த உட்கட்டமைப்பு Perplexity-க்கு விநாடிக்கு பத்தாயிரக்கணக்கான குறியீட்டாக்க செயல்பாடுகளைச் செயலாக்க உதவுகிறது. ஆனால் இந்த ஒப்பீட்டளவில் பெருந்தன்மையான பட்ஜெட்டுடன் இருந்தாலும், இணையத்தின் அளவு ஒவ்வொரு URL-ஐயும் அடிக்கடி மற்றும் தொடர்ச்சியாக குறியீட்டாக்கம் செய்ய இயலாத அளவுக்கு மிகப்பெரியது. இங்குதான் ML பயன்படுகிறது. எந்த ஒரு candidate URL-க்கும் குறியீட்டாக்கம் தேவைப்படுகிறதா என்பதை முன்னறிவிக்க நாங்கள் ஒரு ML model-ஐ பயிற்றுவிக்கிறோம். அந்த பயிற்சி நோக்கம், குறிப்பிட்ட URL-இன் முக்கியத்துவத்தையும் அது புதுப்பிக்கப்படும் சாத்தியமான அடிக்கதியையும் இரண்டையும் கருத்தில் கொண்டு எங்கள் குறியீட்டாக்க முடிவை ஒத்திசைவாக்கும் வகையில் வடிவமைக்கப்பட்டுள்ளது. மேலும், குறியீட்டாக்க செயல்பாட்டைத் துல்லியமாக எப்போது திட்டமிட வேண்டும் என்பதைச் சொல்லவும் நாங்கள் ML-ஐ நம்புகிறோம். வழக்கமான வெளியீடு மற்றும் புதுப்பிப்பு இடைவெளிகளைக் கொண்ட தளங்களுக்கு, இதனால் செயல்பாடுகளை அவை மிகப் பயனுள்ளதாக இருக்கும் வாய்ப்புள்ள நேரத்துக்கு தள்ளிவைக்க முடிகிறது. இந்த ML model-களை தொடர்ந்து மேம்படுத்துவதன் மூலம், முழுமை மற்றும் تازگی இரண்டிலும் தரநிலையை எட்டும் ஒரு index-ஐ நாங்கள் பராமரிக்க முடிகிறது.

எங்கள் உலாவுதல் உள்கட்டமைப்பு எளிதில் கிடைமட்டமாக அளவிடப்பட்டாலும், வலைத்தள ஆபரேட்டர்கள் வெவ்வேறு தொழில்நுட்பக் கட்டுப்பாடுகளை எதிர்கொள்கிறார்கள் என்பதை நாங்கள் அறிவோம். கொடுக்கப்பட்ட எந்தவொரு டொமைனுக்கும் கணிக்கக்கூடிய மற்றும் நிர்வகிக்கக்கூடிய வீதத்தில் கோரிக்கைகளைப் பராமப்பதில் நாங்கள் கவனமாக இருக்கிறோம். PerplexityBot, எங்கள் தேடல் உலாவி, robots.txt கோப்புகளில் குறிப்பிடப்பட்டுள்ள வெளிப்படையான வரம்புகள் அல்லது டொமைன்-குறிப்பிடப்பட்ட வரம்புகள் இல்லாத பட்சத்தில், கோரிக்கை விகிதங்கள் தொடர்பான தொழில்துறை-தரமான விதிமுறைகளுக்கு இணங்குகிறது. தளத்தின் கிடைக்காத தன்மையைக் கண்டறியும் போது எங்கள் உலாவுதல் நடத்தையையும் நாங்கள் சரிசெய்கிறோம். பல்லாயிரக்கணக்கான ஒத்திசைவான செயல்பாடுகளிலும் இந்த வரம்புகளைச் செயல்படுத்த எங்கள் விநியோகிக்கப்பட்ட அமைப்பு வடிவமைக்கப்பட்டுள்ளது.

கிரகத்தில் மிகப்பெரிய மற்றும் புதிய தேடல் குறியீடுகளில் ஒன்று இருந்தபோதிலும், ஒவ்வொரு வினவலின் முடிவு தரமும் ஒவ்வொரு ஆவணத்தின் உள்ளடக்கத்தை எங்கள் அமைப்பு புரிந்துகொள்வதைப் பொறுத்தது. இங்கே, நாங்கள் ஒரு அடிப்படையான சவாலை எதிர்கொள்கிறோம்: வலை ஒரு குழப்பமான இடமாகும். முழு இணையத்திலும் காணப்படும் முடிவற்ற பல்வேறு தளவமைப்புகள், கட்டமைப்புகள் மற்றும் பாணிகளைக் கையாள நிலையான பாகுபடுத்தும் விதிகள் எதுவும் உதவாது.

வலைத்தளங்களைப் பகுப்பாய்வு செய்து, மாறும் விதித் தொகுப்புகளைப் பயன்படுத்தி சொற்பொருள் அர்த்தமுள்ள உள்ளடக்கத்தைப் பிரித்தெடுக்கும் உள்ளடக்கப் புரிதல் தொகுப்பை உருவாக்குவதன் மூலம் இந்தச் சவாலை நாங்கள் தீர்த்தோம். பட்டியல் அல்லது அட்டவணை வடிவத்தில் நன்கு கட்டமைக்கப்பட்ட தரவைக் கொண்ட வலைத்தளம் மிகவும் ஃபார்முலாடிக் பாகுபடுத்துதல் மற்றும் பிரித்தெடுத்தல் விதிகளிலிருந்து பயனடையலாம், அதே நேரத்தில் முதன்மையாக இலவச வடிவ பயனர் உருவாக்கிய உள்ளடக்கத்தைக் கொண்ட மற்றொரு வலைத்தளம் தளர்வான விதித் தொகுப்பு தேவைப்படலாம். குறுகிய காலக்கெடுவிற்குள் வலை பெரும்பாலும் நிலையானதாக இருப்பதால், கொடுக்கப்பட்ட விதியின் ஆயுட்காலம் ஒப்பீட்டளவில் நீண்டது என்பதைக் காண்கிறோம். ஆனால் தளங்கள் காலப்போக்கில் வளர்ச்சியடையும் போது மற்றும் தகவலைப் பிரித்தெடுப்பதற்கான சிறந்த வழிகளைப் பற்றி நாம் அதிகம் அறியும்போது, நமது விதித்தொகுப்புகளுக்கும் தொடர்ச்சியான பராமரிப்பு தேவைப்படுகிறது.

இந்த மாறும் தழுவலை எளிதாக்க, நாங்கள் (நிச்சயமாக) AI-ஐ நாடுகிறோம். Perplexity அளவில், மில்லியன் கணக்கான பயனர் வினவல்களுக்கு மணிநேரத்திற்கு சேவை செய்யும் செயல்பாட்டில் இணையத்தின் நம்பகமான பணக்கார குறுக்குவெட்டை நாங்கள் காண்கிறோம். இது ஒரு மறுநிகழ்வு சுய-மேம்படுத்தும் லூப்பிற்கான அடிப்படையை உருவாக்குகிறது. எங்கள் வினவல் பிரபஞ்சம் முழுவதும் எங்களின் தற்போதைய விதித்தொகுப்புகளின் பாகுபடுத்தும் நடத்தை மற்றும் பிரித்தெடுக்கப்பட்ட வெளியீடுகளை நாங்கள் கவனிக்கிறோம். இரண்டு முதன்முதலில் உள்ள பரிமாணங்கள் முழுவதும் செயல்திறனை மதிப்பிட எல்லை LLM-களைப் பயன்படுத்துகிறோம்:

முழுமை: தகவல் தராத அல்லது அர்த்தமற்ற விஷயங்களைப் பிரித்தெடுப்பதைத் தவிர்த்து, எங்கள் குறியீடு முடிந்தவரை சொற்பொருள் அர்த்தமுள்ள உள்ளடக்கத்தைப் பெற வேண்டும்.

தரம்: பொருள் மற்றும் வடிவம் இரண்டிலும் உயர் தரம் வாய்ந்த உள்ளடக்கத்தை எங்கள் குறியீடு நம்பியுள்ளது. அசல் உள்ளடக்க அமைப்பு மற்றும் தளவமைப்பைப் பாதுகாக்கும் வகையில் தகவல்கள் கைப்பற்றப்பட வேண்டும்.

முழுமையும் தரமும் இடையே இன்னொரு இயல்பான பதற்றம் இருப்பதை கவனிக்க வேண்டும்: தரத்தை கைமுறையாக மேம்படுத்துவது சாத்தியமானதே, ஆனால் அதன் விளைவாக உருவாகும் parsing rules முக்கியமான உள்ளடக்கத்தைப் பிடிக்கத் தவறக்கூடும். அதேபோல், raw content-க்கு குறைந்த filtering மட்டும் பயன்படுத்தும் permissive rules-ஐ நாம் கையால் code செய்யலாம்; இது முழுமையை மேம்படுத்தலாம், ஆனால் தரத்தின் விலையாக. அதனால்தான், domain-ஐப் பொருத்தவாறு இரண்டையும் ஒரே நேரத்தில் optimize செய்யக்கூடிய முறையில் எங்கள் ruleset-ஐ வளர்க்க AI-driven self-improvement-ஐ நாம் நாடுகிறோம்.

குறிப்பாக, பாகுபடுத்தும் செயல்திறனின் ஒவ்வொரு LLM-இயக்க மதிப்பீட்டிற்கும் பிறகு, எங்கள் அமைப்பு மிக முக்கியமான பிழை வகுப்புகளைத் தீர்க்க முன்மொழியப்பட்ட விதித்தொகுப்பு மாற்றங்களின் தொகுப்பை உருவாக்குகிறது. இந்த விதித்தொகுப்புகள் மேலும் சரிபார்ப்புக்கு உட்படுத்தப்படுகின்றன, அதன் பிறகு நாங்கள் புதிய பதிப்பை எங்கள் இன்டெக்ஸரில் வரிசைப்படுத்துகிறோம். பாகுபடுத்துதல் மற்றும் பிரித்தெடுத்தல் தர்க்கத்தில் மேம்பாடுகள் எதிர்கால குறியீட்டு செயல்பாடுகளுக்கு மட்டுமே பயனளிக்கும் என்பதால், எங்கள் ML-உகந்த மறு குறியீட்டு முதலீடுகள் குறிப்பாக முக்கியம்: இந்த தர்க்கத்தின் சமீபத்திய பதிப்பைப் பயன்படுத்தி அதிக போக்குவரத்து உள்ள ஆவணங்களை தொடர்ந்து புதுப்பிப்பது இறுக்கமான சுய-மேம்பாட்டு லூப்பை உறுதி செய்கிறது.

இந்த விதிகள் அடிப்படை பாகுபடுத்தும் செயல்திறனுக்கு மட்டுமல்ல, துணை-ஆவண அலகுகளாகப் பிரிப்பதற்கும் முக்கியம். எல்லை LLM-களுக்கு வரும்போது, சூழலின் ஒவ்வொரு டோக்கனும் விலைமதிப்பற்றது. சூழல் அளவின் அதிகரிப்புடன் மற்றும் பொருத்தமற்ற தகவல்களுடன் சூழலின் மாசுபாட்டின் மூலம் LLM செயல்திறன் எவ்வாறு சிதைகிறது என்பதை முந்தைய பணியின் பெரிய உடல் ஆவணப்படுத்தியுள்ளது. நன்கு கட்டமைக்கப்பட்ட, விரிவான பாகுபடுத்தலைக் கொண்டிருப்பது ஆவணங்களை சுயாதீனமான இடைவெளிகளாக சிதைக்க நம்மை அனுமதிக்கிறது, இதில் ஒவ்வொன்றும் வினவல் நேரத்தில் தனித்தனியாக மீட்டெடுக்கப்பட்டு தரவரிசைப்படுத்தப்படலாம்.

நவீன தேடலுக்கு கடுமையான தாமத பட்ஜெட்டின் கீழ் முழுமை மற்றும் பொருத்தம் இரண்டையும் உறுதி செய்வது அவசியம். Perplexity-ன் மீட்டெடுப்பு மற்றும் தரவரிசை குழாய் பெருகிய முறையில் அதிநவீன தொகுப்புகளின் தொடருடன் முடிவுகளை முற்போக்காகச் செம்மைப்படுத்தும் பல-நிலை கட்டமைப்பு மூலம் இதை அடைகிறது. சாத்தியமான தடைகளை எந்தவொரு சாத்தியமான சோகப் புள்ளிகளையும் அதிகபட்ச அளவிற்கு கிடைமட்டமாக அளவிடுவதன் மூலம் நாங்கள் தீர்க்கிறோம்.

இந்த குழாய் எங்கள் குறியீட்டிலிருந்து மீட்டெடுப்புடன் தொடங்குகிறது. லெக்சிகல் மற்றும் சொற்பொருள் மீட்டெடுப்புக்கு இடையே ஒரு தேர்வை நாங்கள் கட்டாயப்படுத்தவில்லை. மாறாக, நாங்கள் தேடல் குறியீட்டை இரண்டு முறைகளின் மூலமும் வினவுகிறோம் மற்றும் முடிவுகளை கலப்பின வேட்பாளர் தொகுப்பில் இணைக்கிறோம். இந்த கட்டத்தில், முன்னுரிமை துல்லியத்தை விட விரிவான தன்மையாகும் - குழாயின் அடுத்தடுத்த நிலைகள் துல்லியத்திற்காக உகந்ததாக்கும்.

இந்த குழாய் முன்-வடிகட்டுதல் நிலைகளுடன் தொடர்கிறது, இதில் வேட்பாளர் தொகுப்பிலிருந்து வெளிப்படையாக பதிலளிக்காத அல்லது பழைய உள்ளடக்கத்தை அகற்ற அடிப்படை ஹூரிஸ்டிக்ஸ் மற்றும் முதல்-கட் வடிப்பான்களைப் பயன்படுத்துகிறோம்.

பின்னர் நாங்கள் முற்போக்காக மேம்பட்ட தரவரிசையின் பல நிலைகளைப் பயன்படுத்துகிறோம். முந்தைய நிலைகள் வேகத்திற்காக உகந்ததாக்கப்பட்ட லெக்சிகல் மற்றும் உட்பொதிப்பு அடிப்படையிலான மதிப்பெண்களை நம்பியுள்ளன. வேட்பாளர் தொகுப்பு படிப்படியாகக் குறைக்கப்படுவதால், முடிவுத் தொகுப்பின் இறுதிச் சிற்பத்தைச் செய்ய மிகவும் சக்திவாய்ந்த குறுக்கு-என்கோடர் ரீராங்கர் மாடல்களைப் பயன்படுத்துகிறோம். எங்கள் ஏராளமான உள்கட்டமைப்பு செயல்திறன் முதலீடுகளுக்கு நன்றி, ஒட்டுமொத்த தரவரிசை தாமதத்தை குறைவாக வைத்திருக்கும் அதே வேளையில் இந்த பிற்கால நிலைகளுக்கு அதிநவீன மாதிரி கட்டமைப்புகளைப் பயன்படுத்த முடிகிறது.

இந்த குழாய் முழுவதும், ஆவணம் மற்றும் துணை-ஆவண மட்டங்கள் இரண்டிலும் முடிவுகளை மீட்டெடுத்து மதிப்பிடுகிறோம். மேலே விவாதிக்கப்பட்டபடி, AI-க்கு கவனமாக சூழல் பொறியியல் தேவைப்படுகிறது. மூல ஆவணங்களின் பிற இடங்களிலிருந்து பொருத்தமற்ற சூழலை இழுக்காமல் கீழ்நிலை நுகர்வோர் அந்தத் துல்லியமான அலகுகளை இணைத்துக்கொள்ளும் வகையில், மிக அணு அலகுகளை மாடலுக்குக் காண்பிக்கும் வகையில் எங்கள் குழாய் வடிவமைக்கப்பட்டுள்ளது.

இந்த குழாயின் ஒவ்வொரு கட்டத்திலும் உயர் தரத்தை உறுதி செய்வது Perplexity-ன் தயாரிப்புகளின் போர்ட்ஃபோலியோவுடன் இணை-வடிவமைப்பு மூலம் மட்டுமே சாத்தியமாகும். நாளின் ஒவ்வொரு மணி நேரமும் நாங்கள் வழங்கும் மில்லியன் கணக்கான பயனர் கோரிக்கைகளால் உருவாக்கப்பட்ட பணக்கார சமிக்ஞையைப் பயன்படுத்த தரவரிசை ஸ்டா்க்கின் ஒவ்வொரு விவரமும் வடிவமைக்கப்பட்டுள்ளது. இந்த சமிக்ஞையின் பெரும்பகுதி தானியங்குபடுத்தப்பட்டுள்ளது, உருவாக்கப்பட்ட ஒவ்வொரு Perplexity பதிலும் நேரலை ஏஜென்டிக் பணிப்பாய்வுகளில் பயன்படுத்தப்படும் தேடல் தரம் குறித்த அனுபவ தரவு புள்ளியை வழங்குகிறது. எந்தவொரு கைமுறையாக உருவாக்கப்பட்ட தரவுத்தொகுப்பும் வழங்கக்கூடியதை விட எங்கள் உட்பொதிவு மற்றும் தரவரிசை மாடல்களுக்கான பயிற்சி தரவைச் செறிவூட்ட AI-இயக்கப்படும் மதிப்பீடுகளை நேரலை மனித கருத்துக்களுடன் இணைக்கிறோம்.

தேடல் மற்றும் தயாரிப்புக்கு இடையேயான இந்த ஒருங்கிணைப்பு Perplexity-க்கு தனித்துவமானது. மரபுவழி தேடல் இயந்திரங்கள் நீல-இணைப்பு டெலிமெட்ரி வழங்கும் கரடுமுரடான சமிக்ஞைக்கு மட்டுப்படுத்தப்பட்டுள்ளன. புதிய தேடல் சலுகைகள் இந்த AI-முன்னோக்கி கருத்துகளில் சிலவற்றை செயல்படுத்த முயற்சித்துள்ளன, ஆனால் தேடல் தரத்தை சரிபார்க்கக்கூடிய மற்றும் விரைவான மேம்பாட்டு லூப்புகளுக்குத் தேவையான சமிக்ஞையின் செழுமையை வழங்கக்கூடிய உண்மையான உலக சூழல்கள் அவர்களிடம் இல்லை. காணாமல் போன மூலப்பொருள் எங்களிடம் இருப்பதில் நாங்கள் அதிர்ஷ்டசாலிகள்: எல்லை LLM-களால் இயக்கப்படும் மற்றும் உலகம் முழுவதிலுமுள்ள மில்லியன் கணக்கான ஆர்வமுள்ள பயனர்களால் தொடர்ந்து போரில் சோதிக்கப்படும் தேடல் தரத்திற்கான நேரலை நிரூபண தளம்.

உலகளாவிய டெவலப்பர்களுக்கு எங்கள் தேடல் உள்கட்டமைப்பை கிடைக்கச் செய்ய Perplexity Search API மற்றும் SDK ஆகியவற்றை உருவாக்கிய பிறகு, பல்வேறு வணிக API சலுகைகள் உண்மையான உலக AI பயன்பாட்டு நிகழ்வுகளில் எவ்வாறு அளவிடப்படுகின்றன என்பதைப் புரிந்து கொள்ள விரும்பினோம். AI மாடல்களையே மதிப்பிடுவது பொதுவானதாகிவிட்டது, ஆனால் இந்த வடிவத்தில் எங்களுக்கு ஒரு திருப்பம் தேவைப்பட்டது: AI மாடல்களால் அழைக்கப்படும் போது தேடல் API-களின் தரத்தை மதிப்பிடுவதற்கு.

முந்தைய கலைகளைப் புரிந்து கொள்ள நாங்கள் முதலில் திறந்த மூல சுற்றுச்சூழல் அமைப்பைப் பார்த்தோம். கடுமையான மதிப்பீட்டிற்கான பல முக்கிய கூறுகளை நாங்கள் கண்டோம், ஆனால் இந்த கூறுகளை பிளக்-அண்ட்-பிளே பெஞ்ச்மார்க் தீர்வாக ஒருங்கிணைக்கும் கட்டமைப்பு எதுவும் இல்லை. எனவே Perplexity மட்டுமல்ல, தேடல் API-களை பெஞ்ச்மார்க் செய்ய விரும்பும் எந்தவொரு ஆராய்ச்சியாளரும் டெவலப்பரும் பயன்படுத்தக்கூடிய மதிப்பீட்டு கட்டமைப்பை உருவாக்க நாங்கள் புறப்பட்டோம்.

இந்த மதிப்பீட்டு கட்டமைப்பைப் பயன்படுத்தி, மற்ற சலுகைகளுடன் Perplexity Search API-ஐ கடுமையாக பெஞ்ச்மார்க் செய்தோம். தேடல் செயல்திறனை உகந்ததாக்குவது சிக்கலானது, தரம் மற்றும் வேகத்திற்கு இடையில் பல நுணுக்கமான வர்த்தக பரிமாற்றங்கள் உள்ளன. டெவலப்பர்களுக்கு ஒரு வெற்றியில், Perplexity Search API தரம் மற்றும் தாமதம் இரண்டிற்கும் புதிய அதிநவீனத்தை அமைப்பதைக் கண்டோம். டெவலப்பர்கள் அதிவேக பயன்பாடுகளை உருவாக்குவதற்கும் உயர்தர முடிவுகளை உறுதி செய்வதற்கும் இடையே இனி தேர்வு செய்ய வேண்டியதில்லை: Perplexity மூலம், அவர்கள் இரண்டையும் பெறலாம்.

SimpleQA, FRAMES, BrowseComp, மற்றும் HLE ஆகியவற்றில் தேடல் தரம் எதிர் தாமதம்.

எங்கள் மதிப்பீட்டு கட்டமைப்பிற்கான மூன்று வழிகாட்டுதல் கொள்கைகளை வரையறுப்பதன் மூலம் தொடங்கினோம்:

சிக்கலான தன்மையின் நிறமாலை: மதிப்பீட்டு கட்டமைப்பு நேரடியான மற்றும் சிக்கலான ஏஜென்டிக் AI பயன்பாட்டு நிகழ்வுகள் இரண்டிலும் செயல்திறனை அளவிட வேண்டும்.

நடுநிலைமை: மதிப்பீட்டு கட்டமைப்பு அனைத்து API-களையும் சமமான பாதையில் மதிப்பிட வேண்டும்.

எளிய தன்மை: சில பயன்பாட்டு நிகழ்வுகள் சிக்கலானதாக இருக்கலாம் என்றாலும், கட்டமைப்பு 자체 முடிந்தவரை எளிமையாக இருக்க வேண்டும், இதனால் மற்றவர்கள் அதைப் புரிந்து கொள்ள முடியும், முடிவுகளை மீண்டும் உருவாக்கலாம் மற்றும் குறைந்தபட்ச சோர்வுடன் கட்டமைப்பை நீட்டிக்க முடியும்.

எங்கள் இலகுரக மதிப்பீட்டு கட்டமைப்பு, search_evals, எளிய மட்டு வடிவமைப்பு மூலம் இந்த இலக்குகளை அடைகிறது. கிளாசிக்கல் சிங்கிள்-ஷாட் தேடல் பயன்பாட்டு நிகழ்வுகள் மற்றும் மேம்பட்ட ஏஜென்டிக் பணிப்பாய்வுகள் (நுகர்வோர் சந்தையில் பரவலாகக் கிடைக்கும் பல்வேறு “ஆழமான ஆய்வு” தயாரிப்புகளால் எடுத்துக்காட்டப்படுகின்றன) இரண்டையும் பிடிக்க நாங்கள் இரண்டு AI முகவர் சேணங்களை உருவாக்கினோம். மறைக்கப்பட்ட நன்மைக்கு சிறிய இடமளிக்கும் வகையில் இரண்டு சேணங்களும் நேரடியான முறையில் செயல்படுத்தப்பட்டன.

எங்கள் மதிப்பீடுகளை இயக்க, நாங்கள் நான்கு பெஞ்ச்மார்க்குகளை ஏற்றுக்கொண்டோம்: ஒற்றை-படி தேடலுக்கான SimpleQA மற்றும் FRAMES, மற்றும் ஆழமான ஆய்விற்கான BrowseComp மற்றும் HLE ஆகியவற்றுடன். கூட்டாக, இந்த பெஞ்ச்மார்க்குகள் அறிவு முகவர்களுக்கு நன்கு ஏற்றுக்கொள்ளப்பட்ட அளவுகோல்களை வழங்குகின்றன. நிறுவப்பட்ட வழக்கத்தைப் பின்பற்றி, அசல் பணியில் பயன்படுத்தப்பட்ட அதே தூண்டப்பட்ட வகைப்படுத்தி முறையைப் பயன்படுத்தி அனைத்து பெஞ்ச்மார்க்குகளையும் தரப்படுத்துகிறோம். துல்லியமான பெஞ்ச்மார்க் செயலாக்கங்கள் (கிரேடர் லாஜிக் உட்பட) எங்கள் GitHub ரெப்போவில் மதிப்பாய்வு செய்யப்படலாம்.

மறுஉருவாக்கம் மற்றும் நீட்டிப்புத்தன்மை ஆகியவற்றை மனதில் கொண்டு கட்டமைப்பை வடிவமைத்துள்ளோம். பணி-நிலை மதிப்பெண்கள் மற்றும் அடிப்படை முகவர் வெளியீடுகள் இரண்டும் ஒவ்வொரு இயக்கத்துடனும் சேமிக்கப்படுகின்றன. கூடுதல் சேணங்கள், பெஞ்ச்மார்க்குகள் மற்றும் தேடல் API சலுகைகளை எளிதாக ஒருங்கிணைக்க முடியும். உங்கள் துல்லியமான தேவைகளை நிவர்த்தி செய்ய கட்டமைப்பை நீட்டிப்பது பற்றிய கூடுதல் தகவலுக்கு ஆராய்ச்சியாளர்களும் டெவலப்பர்களும் எங்கள் GitHub ஆவணங்களைப் படிக்கலாம்.

இந்த மதிப்பீட்டு அமைப்புடன் ஆயுதம் ஏந்திய நாங்கள், பிற API சலுகைகளுடன் ஒப்பிடும்போது எங்கள் Search API-ஐ மதிப்பிடுவதற்குப் புறப்பட்டோம். சோதிக்கப்பட்ட அனைத்து பெஞ்ச்மார்க்குகளிலும், சந்தையில் வேகமான மற்றும் உயர்ந்த தரம் வாய்ந்த API ஆக Perplexity நிற்கிறது.

தேடல் வழங்குநர்களில் p50, p75, மற்றும் p95 சதவீதங்களில் வினவல் தாமதம்.

குறியீடு, மீட்டெடுப்பு மற்றும் தரவரிசை செயல்திறன் ஆகியவற்றில் மேலே விவரிக்கப்பட்ட எங்கள் முதலீடுகள் நன்றாகப் பலனளித்ததை நாங்கள் கண்டறிந்தோம். Perplexity-ன் இடைப்பட்ட தாமதம் 358ms இல் கடிகாரங்கள், இரண்டாவது வேகமான வழங்குநரை விட 150ms முன்னால் உள்ளது. 95வது சதவிகித தாமதம் 800ms-க்கு கீழே வசதியாக உள்ளது. இன்றைய எல்லை மாடல்களின் நீண்ட TTFT (முதல்-டோக்கன்-நேரம்) மெட்ரிகளுடன், மகிழ்ச்சியான பயனர் அனுபவங்களை உருவாக்குவதில் ஒவ்வொரு மில்லி விநாடியும் முக்கியமானது. கடந்த இரண்டு ஆண்டுகளாக எங்கள் சொந்த பயனர்களுக்காக தாமதத்தை உகந்ததாக்குவதில் செலவிட்டுள்ளோம், மேலும் அந்த அதே முதலீடுகள் இப்போது டெவலப்பர் சமூகத்திற்கும் பயனளிக்கும் என்பதில் நாங்கள் மகிழ்ச்சியடைகிறோம்.

(AWS us-east-1 இலிருந்து தொடங்கப்பட்ட கோரிக்கைகள்)

	p50	p75	p90	p95
Perplexity	358ms	443ms	604ms	763ms
Exa	1375ms	1499ms	1798ms	2188ms
Brave	513ms	637ms	728ms	808ms
SERP Based*	1342ms	1586ms	1743ms	1790ms

AWS us-east-1-இலிருந்து தொடங்கப்பட்ட கோரிக்கைகளுக்கான Search API தாமத சதவீதங்கள்.

* பல தேடல் API விற்பனையாளர்கள் தங்கள் முடிவுகளுக்கு அடிப்படையாக SERP ஸ்கிராப்பிங்கைப் பயன்படுத்துகின்றனர். அத்தகைய அணுகுமுறைகளின் செயல்திறனைப் பிடிக்க, Tavily வழங்கும் பிரதிநிதித்துவ Google SERP அடிப்படையிலான API-ஐப் பயன்படுத்துகிறோம்.

இந்த வேக நன்மை தரத்தின் இழப்பில் வராது. Perplexity Search API ஒற்றை-படி தேடல் மற்றும் ஆழமான ஆய்வு அமைப்புகள் இரண்டிலும் அதிநவீன செயல்திறனை அளிக்கிறது. சோதிக்கப்பட்ட ஒவ்வொரு பெஞ்ச்மார்க்கிலும், பல்வேறு சிக்கலான AI பணிப்பாய்வுகளை இயக்கக்கூடிய உயர்தர முடிவுகளை வழங்குவதில் Perplexity முன்னணியில் உள்ளது. SimpleQA மற்றும் HLE இல் Perplexity மற்றும் சிறந்த மாற்றீட்டிற்கு இடையிலான விளிம்பு குறிப்பாக உச்சரிக்கப்படுகிறது, இந்த முடிவுகள் பணிச் சிக்கலான தன்மையின் நிறமாலை முழுவதும் வலுவானவை என்பதைக் குறிக்கிறது.

SimpleQA மற்றும் FRAMES ஒற்றை-படிநிலை தேடல் பெஞ்ச்மார்க்குகள் மற்றும் BrowseComp மற்றும் HLE ஆழமான ஆய்வு பெஞ்ச்மார்க்குகளில் தேடல் தர மதிப்பெண்கள்.

தாமதத்தைப் போலவே, தேடல் தரத்தில் எங்கள் தலைமைத்துவம் மகிழ்ச்சிகரமான, அதிக போக்குவரத்து உள்ள AI தயாரிப்புகளை உருவாக்குவதில் எங்கள் தலைமைத்துவத்தின் கீழ் செல்கிறது. எங்கள் மில்லியன் கணக்கான பயனர்கள் கற்பனை செய்யக்கூடிய ஒவ்வொரு தலைப்பிலும் தங்கள் ஆர்வத்தைத் தணிக்க Perplexity-ஐப் பயன்படுத்துகிறார்கள், மேலும் இதன் விளைவாக வரும் தரம் மற்றும் பொருத்த சிக்னல்கள் கடந்து செல்லும் ஒவ்வொரு மணி நேரமும் எங்கள் தேடல் மாடல்களை மேம்படுத்த அனுமதிக்கின்றன.

	ஒற்றை-படி தேடல்	ஆழமான ஆய்வு
	SimpleQA	FRAMES	BrowseComp	HLE
Perplexity	.930	.453	.371	.288
Exa	.781	.399	.265	.242
Brave	.822	.320	.221	.191
SERP Based*	.890	.437	.348	.248

SimpleQA, FRAMES, BrowseComp, மற்றும் HLE ஆகியவற்றில் Search API தர மதிப்பெண்கள்.

AI-சொந்த தேடல் இயந்திரங்களின் ஆரம்ப நாட்களில் நாங்கள் இன்னும் இருக்கிறோம், மேலும் அளவீட்டின் கலையும் அறிவியலும் சந்தேகத்திற்கு இடமின்றி வளர்ச்சியடையும். AI முகவர்களின் காலகட்டத்தில் தேடல் இயந்திரங்களை மதிப்பிடுவதற்கான கடுமையான மற்றும் படைப்பாற்றல் முறைகளை உருவாக்குவதன் மூலம் பங்களிக்க சமூகத்தை அழைக்கிறோம்.

ஏஜென்டிக் அமைப்புகள் மற்றும் நுண்ணறிவு உதவியாளர்களின் எதிர்காலம் உலகின் கூட்டு அறிவுக்குள் பணக்கார நிரலாக்க இடைமுகங்களின் கிடைக்கும் தன்மையைப் பொறுத்தது. இன்றைய மரபுவழி தேடல் இயந்திரங்கள் ஒரு நாளைக்கு தோராயமாக 10¹⁰ வினவல்களில் பயன்பாட்டில் நிறைவு பெற்றுள்ளன, இந்த எண்ணிக்கை ஒருவேளை உச்சத்தை எட்டியிருக்கலாம். தேடல் மற்றும் மீட்டெடுப்பு அமைப்புகளின் அடுத்த தலைமுறை ஆர்டர்கள் மற்றும் பல கோரிக்கைகளுக்கு சேவை செய்யும், ஏனெனில் AI முகவர்களின் எப்போதும் வளர்ந்து வரும் பிரபஞ்சம் துல்லியமான நிகழ்நேர தகவலுக்காக அவற்றை நம்பியுள்ளது.

இன்றுவரை எங்கள் முயற்சிகள் API வழியாக அணுகக்கூடிய வேகமான, மிகவும் செயல்திறன்மிக்க தேடல் இயந்திரமாக எங்களை நிலைநிறுத்தியுள்ளன. ஆனால் AI இன் அடுத்த அத்தியாயத்திற்கு எரிபொருள் ஊற்ற எங்களுக்கு இன்னும் அதிக லட்சியமான புதுமை தேவைப்படும். எப்போதும் அதிகரிக்கும் தேவையின் முகத்தில் இந்த அமைப்புகளை நாம் எவ்வாறு திறமையாக அளவிடுவது? சூழல் பொறியியல் மற்றும் பிந்தைய பயிற்சிக்கு புதிய அணுகுமுறைகளின் வெளிச்சத்தில் இந்த தேடல் அமைப்புகளை எவ்வாறு உகந்ததாக்க முடியும்? மேலும் முழுமை, சமீபகாலம் மற்றும் தாமதம் ஆகியவற்றுக்கு இடையேயான எப்போதும் இருக்கும் பதற்றத்தை நாம் எவ்வாறு வழிநடத்துவது? தயாரிப்பு தடம், அளவு மற்றும் தொழில்நுட்பத் திறன் ஆகியவற்றின் கலவையுடன் Perplexity சமாளிக்க தனித்துவமாக நிலைநிறுத்தப்பட்டுள்ள திறந்த கேள்விகள் இவை.

BibTeX

@online{perplexity2025ArchitectingAndEvaluatingAnAiFirstSearchApi,
  author = {{Perplexity} and Aleksandr Bogutskii and Aleksandr Nikolenko and Aleksei Bykov and Alexander Pecheny and Alexandr Yarats and Arsenii Shevchenko and Denis Bykov and Dmitry Pervukhin and Ismail Gadzhiev and James Liounis and Kevin Hu and Kirill Priemko and Maksim Gaiduk and Maksim Morozov and Marko Kevac and Michael Liang and Mikhail Galanin and Nandor Licker and Nataliya Pevgova and Nikita Kireev and Nikolai Tretiak and Paul Schofield and Saif Ali Raja and Saleh Alghusson and Sebastian Sepulveda and Sergei Miller and Svyatoslav Feldsherov and Vitalii Polshkov and Vladimir Zaytsev and Denis Yarats},
  title = {{Architecting and evaluating an AI-first Search API}},
  date = {2025-09-25},
  url = {https://www.perplexity.ai/hub/blog/architecting-and-evaluating-an-ai-first-search-api}
}

AI மாடல்களுக்காக உகந்ததாக்கப்பட்ட தேடல் அமைப்பை உருவாக்குதல்

உலாவல் மற்றும் குறியீட்டு உள்கட்டமைப்பு

இணைய அளவில் சுய-மேம்படுத்தும் உள்ளடக்கப் புரிதல்

மீட்டெடுப்பு மற்றும் தரவரிசை குழாய்

தரம் மற்றும் செயல்திறனுக்கான புதிய எல்லையை நிறுவுதல்

ஏஜென்டிக் தேடல் பணிப்பாய்வுகளுக்கான நம்பகமான மதிப்பீடுகளை வடிவமைத்தல்

மதிப்பீட்டு முடிவுகள்

தேடல் API தாமதம்

தேடல் API தர பெஞ்ச்மார்க்குகள்

AI இன் அடுத்த அத்தியாயத்திற்கான கட்டுமானத் தொகுதி

மேற்கோள்