Omdefinering af søgning: Hvordan nye konversationsbaserede søgemaskiner overvinder forældede LLM’er og kontekstløse traditionelle søgemaskiner

Introduktionen af konversationsbaserede søgemaskiner ændrer, hvordan vi henter information online, ved at skifte fra traditionelle nøgleordsøgninger til mere naturlige, konversationsbaserede interaktioner. Ved at kombinere store sprogmodeller (LLM’er) med realtidswebdata adresse disse nye systemer nøgleproblemerne i både forældede LLM’er og standard søgemaskiner. I denne artikel vil vi undersøge udfordringerne for LLM’er og nøgleordsbaserede søgninger og udforske, hvordan konversationsbaserede søgemaskiner tilbyder en lovende løsning.

Forældet viden og pålidelighedsudfordringer i LLM’er

Store sprogmodeller (LLM’er) har betydeligt udvidet vores metoder til at få adgang til og fortolke information, men de står over for en større begrænsning: deres evne til at give realtidsopdateringer. Disse modeller er trænet på omfattende datasæt, der inkluderer tekst fra bøger, artikler og websites. Imidlertid afspejler denne træningsdata kun viden op til det tidspunkt, det blev indsamlet, hvilket betyder, at LLM’er ikke kan opdatere automatisk med ny information. For at løse dette skal LLM’er gennemgå en omtræning, en proces, der er både ressourcekrævende og kostbar. Dette indebærer indsamling og kurering af nye datasæt, omtræning af modellen og validering af dens præstation. Hver iteration kræver betydelig beregningskraft, energi og finansielle investeringer, hvilket rejser bekymringer om den miljømæssige påvirkning på grund af betydelige kuldioxidudledninger.

Den statiske natur af LLM’er fører ofte til ubeskedne svar. Når de står over for forespørgsler om nært forestående begivenheder eller udviklinger, kan disse modeller generere svar baseret på forældet eller ufuldstændig information. Dette kan resultere i “hallucinationer“, hvor modellen producerer forkerte eller fabrikerede fakta, hvilket undergraver pålideligheden af den information, der gives. Desuden kæmper LLM’er, på trods af deres omfattende træningsdata, med at forstå den fulde kontekst af aktuelle begivenheder eller opdybkommende tendenser, hvilket begrænser deres relevans og effektivitet.

En anden betydelig svaghed ved LLM’er er manglen på kilde- eller transparent kildeangivelse. I modsætning til traditionelle søgemaskiner, der giver links til originale kilder, genererer LLM’er svar baseret på aggregert information uden at specificere, hvor den stammer fra. Denne mangel på kilder hæmmer ikke kun brugernes evne til at verificere nøjagtigheden af informationen, men begrænser også sporbarens tilgængelighed af indholdet, hvilket gør det sværere at afgøre pålideligheden af svarene.

Kontekst- og informationsoverbelastningsudfordringer i traditionelle web-søgemaskiner

Selvom traditionelle web-søgemaskiner stadig er afgørende for adgang til en bred vifte af information, står de over for flere udfordringer, der påvirker kvaliteten og relevansen af deres resultater. En større udfordring med denne web-søgning er dens svigt i at forstå kontekst. Søgemaskiner afhænger stærkt af nøgleordsmatchning, hvilket ofte fører til resultater, der ikke er kontekstligt relevante. Dette betyder, at brugerne modtager en oversvømmelse af information, der ikke direkte besvarer deres specifikke forespørgsel, hvilket gør det vanskeligt at gennemse og finde de mest pertinente svar. Mens søgemaskiner bruger algoritmer til at rangere resultater, kan de ofte ikke levere personlige svar baseret på en enkelt brugers unikke behov eller præferencer. Dette mangler på personliggørelse kan føre til generiske resultater, der ikke stemmer overens med brugerens specifikke kontekst eller intentioner. Desuden er søgemaskiner sårbare over for manipulation gennem SEO-spamming og link-farme. Disse praksisser kan forvrænge resultaterne, fremme mindre relevante eller lavere-kvalitetsindhold til toppen af søgeresultaterne. Brugerne kan finde sig selv udsat for misvisende eller partiske oplysninger som følge heraf.

Opkomsten af konversationsbaserede søgemaskiner

En konversationsbaseret søgemaskine repræsenterer en paradigmeskift i, hvordan vi interagerer med og henter information online. I modsætning til traditionelle søgemaskiner, der afhænger af nøgleordsmatchning og algoritmisk rangordning for at levere resultater, udnytter konversationsbaserede søgemaskiner avancerede sprogmodeller til at forstå og svare på brugerforespørgsler på en naturlig, menneske-lignende måde. Dette tilgangsmåde sigter mod at give en mere intuitiv og effektiv måde at finde information på ved at engagere brugere i en dialog snarere end at præsentere en liste med links.

Konversationsbaserede søgemaskiner udnytter kraften af store sprogmodeller (LLM’er) til at behandle og fortolke konteksten af forespørgsler, hvilket giver mere præcise og relevante svar. Disse maskiner er designet til at interagere dynamisk med brugere, stille følgespørgsler for at finjustere søgninger og tilbyde yderligere information, hvis nødvendigt. Derved forbedrer de ikke kun brugeroplevelsen, men forbedrer også betydeligt kvaliteten af den hentede information.

En af de primære fordele ved konversationsbaserede søgemaskiner er deres evne til at give realtidsopdateringer og kontekstforståelse. Ved at integrere informationshentingsfunktioner med generative modeller kan disse maskiner hente og inkorporere de seneste data fra webben, hvilket sikrer, at svarene er aktuelle og nøjagtige. Dette løser en af de større begrænsninger ved traditionelle LLM’er, der ofte afhænger af forældet træningsdata.

Desuden tilbyder konversationsbaserede søgemaskiner en niveau af transparent, som traditionelle søgemaskiner mangler. De forbinder brugere direkte med troværdige kilder, giver klare kildeangivelser og links til relevant indhold. Denne transparenthed fremmer tillid og giver brugerne mulighed for at verificere den information, de modtager, hvilket fremmer en mere informeret og kritisk tilgang til informationsforbrug.

Konversationsbaseret søgemaskine vs. Retrieval Augmented Generation (RAG)

I disse dage er en af de almindeligt brugte AI-aktiverede informationshentningssystemer kendt som RAG. Selvom konversationsbaserede søgemaskiner deler ligheder med RAG’er, har de væsentlige forskelle, især i deres formål. Begge systemer kombinerer informationshentning med generative sprogmodeller for at give præcise og kontekstligt relevante svar. De henter realtidsdata fra eksterne kilder og integrerer det i den generative proces, hvilket sikrer, at de genererede svar er aktuelle og omfattende.

Imidlertid fokuserer RAG-systemer, som Bing, på at sammenføje hentet data med generative outputs for at levere præcis information. De besidder ikke følgespørgselsfunktioner, der giver brugerne mulighed for systematisk at finjustere deres søgninger. I modsætning hertil engagerer konversationsbaserede søgemaskiner, som OpenAI’s SearchGPT, brugere i en dialog. De udnytter avancerede sprogmodeller til at forstå og svare på forespørgsler på en naturlig måde, tilbyder følgespørgsler og yderligere information for at finjustere søgninger.

Virkelige verdens eksempler

Her er to virkelige verdens eksempler på konversationsbaserede søgemaskiner:

• Perplexity: Perplexity er en konversationsbaseret søgemaskine, der giver brugerne mulighed for at interagere naturligt og kontekstligt med online-information. Den tilbyder funktioner som “Fokus” til at begrænse søgninger til bestemte platforme og “Relateret” til at foreslå følgespørgsler. Perplexity opererer på en freemium-model, hvor den grundlæggende version giver standalone LLM-funktioner, og den betalte Perplexity Pro giver avancerede modeller som GPT-4 og Claude 3.5, samt forbedret søgefinjustering og filupload.
• SearchGPT: OpenAI har nyligt introduceret SearchGPT, et værktøj, der kombinerer konversationsfunktionerne af store sprogmodeller (LLM’er) med realtidswebopdateringer. Dette hjælper brugere med at få adgang til relevant information på en mere intuitiv og direkte måde. I modsætning til traditionelle søgemaskiner, der kan være overvældende og upersonlige, giver SearchGPT korte svar og engagerer brugere i en konversation. Den kan stille følgespørgsler og tilbyde yderligere information, hvis nødvendigt, hvilket gør søgeoplevelsen mere interaktiv og brugervenlig. En nøglefunktion i SearchGPT er dens transparent. Den forbinder brugere direkte med troværdige kilder, giver klare kildeangivelser og links til relevant indhold, hvilket giver brugerne mulighed for at verificere information og udforske emner mere omfattende.

Bottom Line

Konversationsbaserede søgemaskiner ændrer, hvordan vi finder information online. Ved at kombinere realtidswebdata med avancerede sprogmodeller adresse disse nye systemer mange af begrænsningerne ved forældede store sprogmodeller (LLM’er) og traditionelle nøgleordsbaserede søgninger. De giver mere aktuelle og nøjagtige information og forbedrer transparent, ved at forbinde brugere direkte med troværdige kilder. Mens konversationsbaserede søgemaskiner som SearchGPT og Perplexity.ai udvikler sig, tilbyder de en mere intuitiv og pålidelig tilgang til søgning, der går ud over begrænsningerne ved ældre metoder.