ألكسندر ياراتس، رئيس قسم البحث في Perplexity – سلسلة المقابلات

ألكسندر ياراتس هو رئيس قسم البحث في Perplexity AI. بدأ مسيرته المهنية في ياندكس في عام 2017،driven بالتزامن مع دراسته في مدرسة ياندكس للتحليل البياني. كانت السنوات الأولى مكثفة ومجزية، مما دفعه إلى النمو ليصبح قائد فريق هندسي. مدفوعًا برغبته في العمل مع شركة تقنية عملاقة، انضم إلى جوجل في عام 2022 كمهندس برمجيات أول، مع التركيز على فريق مساعد جوجل (لاحقًا جوجل بارد). ثم انتقل إلى Perplexity كرئيس للبحث.

Perplexity AI هو محرك بحث وروبوت محادثة مدعوم بالذكاء الاصطناعي يقدم إجابات على الاستفسارات باستخدام النص التنبؤي باللغة الطبيعية. تم إطلاقه في عام 2022، ويتوفر Perplexity إجابات باستخدام المصادر من الويب ويشير إلى الروابط داخل نص الإجابة.

ما الذي جعلك مهتمًا بالتعلم الآلي في البداية؟

كان اهتمامي بالتعلم الآلي عملية تدريجية. خلال سنوات دراستي في المدرسة، قمت بدراسة الرياضيات ونظرية الاحتمالات والإحصاء، وتمكنت من اللعب مع خوارزميات التعلم الآلي الكلاسيكية مثل الانحدار الخطي و KNN. كان من المثير أن أرى كيف يمكنك بناء دالة تنبؤية مباشرة من البيانات ثم استخدامها للتنبؤ بالبيانات غير المرئية. هذا الاهتمام أدى بي إلى مدرسة ياندكس للتحليل البياني، برنامج ماجستير في التعلم الآلي التنافسي في روسيا (يتم قبول 200 شخص فقط كل عام). هناك، تعلمت الكثير عن خوارزميات التعلم الآلي المتقدمة وبني minha. النقطة الأكثر أهمية خلال هذا الوقت كانت عندما تعلمت عن الشبكات العصبية والتعلم العميق. أصبح من الواضح بالنسبة لي أن هذا شيء أريد متابعتها على مدى العقد أو العقدين القادمين.

كنت تعمل في جوجل كمهندس برمجيات أول لمدة عام، ما هي بعض النقاط الرئيسية التي استفدتها من هذه التجربة؟

قبل انضمامي إلى جوجل، قمت بإنفاق أكثر من أربع سنوات في ياندكس، ngay بعد تخرج من مدرسة ياندكس للتحليل البياني. هناك، قمت بقيادة فريق طور أساليب التعلم الآلي المختلفة لشركة ياندكس تاكسي (مثل شركة Uber في روسيا). انضممت إلى هذه المجموعة عند إنشائها وتمكنت من العمل في فريق صغير وسريع النمو الذي نمى بسرعة على مدى أربع سنوات، سواء في عدد الموظفين (من 30 إلى 500 شخص) أو القيمة السوقية (أصبحت أكبر شركة تاكسي في روسيا، متجاوزة Uber وشركات أخرى).

خلال هذا الوقت، تمكنت من بناء العديد من الأشياء من الصفر واطلاق العديد من المشاريع من الصفر إلى واحد. واحد من آخر المشاريع التي عملت عليها هناك كان بناء روبوتات محادثة لدعم الخدمة. هناك، حصلت على نظرة أولى على قوة النماذج اللغوية الكبيرة وتمكنت من رؤية مدى أهميتها في المستقبل. هذا الإدراك أدى بي إلى جوجل، حيث انضممت إلى فريق مساعد جوجل (الذي تم إعادة تسميته لاحقًا باسم جوجل بارد، وهو منافس لشركة Perplexity).

في جوجل، تمكنت من التعلم عن ماهية البنية التحتية ذات المستوى العالمي، وكيفية عمل البحث والنماذج اللغوية الكبيرة وكيفية تفاعلهم مع بعضهم البعض لتقديم إجابات دقيقة وموثوقة. كانت هذه تجربة تعلم رائعة، ولكن مع مرور الوقت، نمت شعوري بالملل من الإيقاع البطيء في جوجل والشعور بأن لا شيء يتم إنجازه أبدًا. كنت أريد العثور على شركة تعمل على البحث والنماذج اللغوية الكبيرة وتتحرك بسرعة أو أسرع مما كنت عليه في ياندكس.幸运ًا، حدث ذلك بشكل طبيعي.

داخليًا في جوجل، بدأت أرى لقطات شاشة لشركة Perplexity ومهام تتطلب المقارنة بين مساعد جوجل و Perplexity. هذا لفت انتباهي إلى الشركة، وبعد عدة أسابيع من البحث، كنت مقتنعًا بأنني أريد العمل هناك، لذا اتصلت بالفريق وقدمت خدماتي.

يمكنك تعريف دورك الحالي ومسؤولياتك في Perplexity؟

أنا现在 أخدم كقائد فريق البحث وأنا مسؤول عن بناء نظام الاسترجاع الداخلي الذي يقوم بتشغيل Perplexity. يعمل فريق البحث على بناء نظام爬虫 للويب ومحرك استرجاع وخوارزميات ترتيب. هذه التحديات تسمح لي بالاستفادة من الخبرة التي اكتسبتها في جوجل (العمل على البحث والنماذج اللغوية الكبيرة) وكذلك في ياندكس. من ناحية أخرى، يطرح منتج Perplexity فرصًا فريدة لإعادة تصميم وإعادة هندسة كيفية عمل نظام استرجاع في عالم يحتوي على نماذج لغوية كبيرة قوية. على سبيل المثال، لم يعد من المهم تحسين خوارزميات الترتيب لزيادة احتمال النقر؛ بدلاً من ذلك، نحن نركز على تحسين مفيدية وإيجابية إجاباتنا. هذا هو الفرق الجوهري بين محرك الإجابة ومحرك البحث. أنا وفريقي نحاول بناء شيء سيتجاوز الروابط الزرقاء التقليدية العشرة، ولا أستطيع التفكير في شيء أكثر إثارة للاهتمام للعمل عليه حاليًا.

يمكنك توضيح التحول في Perplexity من تطوير أداة نص-إلى-SQL إلى التحول نحو إنشاء بحث مدعوم بالذكاء الاصطناعي؟

كنا في البداية نعمل على بناء محرك نص-إلى-SQL يوفر محرك إجابة متخصص في الحالات التي تحتاج إلى الحصول على إجابة سريعة بناءً على بياناتك المهيكلة (مثل جدول أو جدول بيانات). العمل على مشروع نص-إلى-SQL سمح لنا بالحصول على فهم أعمق للنماذج اللغوية الكبيرة و RAG، وأدى بنا إلى إدراك رئيسي: هذه التكنولوجيا أكثر قوة وعامة مما كنا نفترض في البداية. سريعًا ما أدركنا أننا يمكن أن نتجاوز مصادر البيانات المهيكلة ونتعامل مع البيانات غير المهيكلة أيضًا.

ما كانت التحديات الرئيسية والرؤى أثناء هذا التحول؟

كان التحدي الرئيسي خلال هذا التحول هو تحويل الشركة من كونها شركة بتو بتو إلى شركة بتو سي، وإعادة بناء مكدس البنية التحتية لدعم البحث غير المهيكل. سريعًا خلال عملية الهجرة، أدركنا أن العمل على منتج مواجه للعملاء أكثر متعة لأنك تبدأ في تلقي تدفق مستمر من التعليقات والتفاعل، شيء لم نره كثيرًا عندما كنا نبني محرك نص-إلى-SQL ونركز على حلول الشركات.

يبدو أن استرجاع-تعزيز-التوليد (RAG) هو ركن أساسي من قدرات البحث في Perplexity. يمكنك شرح كيف يستخدم Perplexity RAG بشكل مختلف مقارنة بالمنصات الأخرى، وكيف يؤثر ذلك على دقة نتائج البحث؟

RAG هو مفهوم عام لتوفير المعرفة الخارجية للنماذج اللغوية الكبيرة. بينما قد يبدو الفكرة بسيطة في البداية، بناء نظام كهذا الذي يخدم عشرات الملايين من المستخدمين بكفاءة ودقة هو تحد كبير. كان علينا هندسة هذا النظام من الصفر وبناء العديد من المكونات المخصصة التي أثبتت أهميتها في تحقيق آخر القطع من الدقة والأداء. لقد قمنا بتصميم نظامنا حيث تعمل عشرات النماذج اللغوية الكبيرة (من الكبيرة إلى الصغيرة) بشكل موازٍ لمعالجة طلب المستخدم بسرعة وفعالية من حيث التكلفة. كما بنينا بنية تدريب واستدلال تسمح لنا بتدريب النماذج اللغوية الكبيرة مع البحث من النهاية إلى النهاية، بحيث تكون متكاملة بشكل وثيق. هذا يقلل بشكل كبير من الهلوسة ويعزز مفيدية إجاباتنا.

مع القيود مقارنة بموارد جوجل، كيف تدير Perplexity استراتيجياتها ل爬ldata والفهرسة للبقاء في المنافسة وضمان المعلومات الحديثة؟

بناء فهرس واسع مثل فهرس جوجل يتطلب وقتًا وموارد كبيرة. بدلاً من ذلك، نحن نركز على المواضيع التي يطلبها مستخدمونا بشكل متكرر على Perplexity. يturned out أن معظم مستخدمينا يستخدمون Perplexity كمساعد للعمل/البحث، ويبحثون عن أجزاء موثوقة ومفيدة من الويب. هذا هو توزيع قانون القوة، حيث يمكنك تحقيق نتائج كبيرة بالمقاربة 80/20. بناءً على هذه الرؤى، تمكنا من بناء فهرس أكثر ضغطًا ومحسنًا للجودة والصدق. حاليًا، نقضي وقتًا أقل في مطاردة الذيل، ولكن مع توسيع بنيتنا التحتية، سنلاحق الذيل أيضًا.

كيف تعزز النماذج اللغوية الكبيرة قدرات البحث في Perplexity، وما الذي يجعلها فعالة بشكل خاص في تحليل وتقديم المعلومات من الويب؟

نستخدم النماذج اللغوية الكبيرة في كل مكان، سواء في الوقت الفعلي أو المعالجة غير المتزامنة. النماذج اللغوية الكبيرة تسمح لنا بالتركيز على الأجزاء الأكثر أهمية و相关ية من صفحات الويب. تتجاوز هذه النماذج كل ما سبق في تحسين نسبة الإشارة إلى الضوضاء، مما يجعل من السهل التعامل مع العديد من الأشياء التي لم تكن قابلة للتحقيق من قبل فريق صغير. بشكل عام، هذا هو الجانب الأكثر أهمية للنماذج اللغوية الكبيرة: أنها تمكنك من القيام بأشياء معقدة بفريق صغير.

نظرًا إلى المستقبل، ما هي التحديات التكنولوجية أو السوقية الرئيسية التي تتوقعها Perplexity؟

نظرًا إلى المستقبل، ستكون التحديات التكنولوجية الأكثر أهمية بالنسبة لنا مرتكزة حول استمرار تحسين مفيدية ودقة إجاباتنا. نهدف إلى زيادة نطاق و複雑ية أنواع الاستفسارات والأسئلة التي يمكننا الإجابة عليها بشكل موثوق. إلى جانب ذلك، نحن نهتم كثيرًا بسرعة وكفاءة الخدمة لنظامنا وسنركز بشكل كبير على خفض تكاليف الخدمة قدر الإمكان دون المساس بجودة منتجنا.

بماذا تعتقد أن نهج Perplexity للبحث أفضل من نهج جوجل لترتيب المواقع وفقًا للروابط الخلفية وأدوات ترتيب محركات البحث الأخرى؟

نحن نضبط معيار ترتيب مختلف تمامًا عن محركات البحث الكلاسيكية. هدف ترتيبنا مصمم لدمج نظام الاسترجاع والنماذج اللغوية الكبيرة بشكل أصيل. هذا النهج يختلف تمامًا عن نهج محركات البحث الكلاسيكية، التي تُحسّن احتمال النقر أو الإعلان.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم المزيد يمكنهم زيارة Perplexity AI.