AI-mallit ja alustat

Perplexity Brain luo ja päivittää agenttien taitoja kokemuksen perusteella

Aiden Cross
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatBrain personoi agentin muuttamalla kontekstia ja ohjeita mallin painojen sijaan.
Näytä lisää
  • Brain personoi agentin muuttamalla kontekstia ja ohjeita mallin painojen sijaan.
  • Automaattinen taitojen luonti saavutti 72,9 % käyttöön otetuista käyttäjistä verrattuna 6,5 %:iin verrokeista tuotantotestissä.
  • Sisäänrakennettujen taitojen päivitykset edellyttävät parittaista toistotestausta ja insinöörin hyväksyntää ennen kuin mikään muutos tulee voimaan.

Perplexity kertoi 18. marraskuuta 2026, että Brain, sen Computer-agentin personointijärjestelmä, pystyy nyt luomaan ja päivittämään uudelleenkäytettäviä agenttitaitoja. Brain oli kirjoittanut yli 80 000 henkilökohtaista taitoa yli 20 000 käyttäjälle 1. elokuuta 2026 ja 14. marraskuuta 2026 välisenä aikana.

Laajennuksen tarkoituksena on tallentaa työnkulkuun liittyviä mieltymyksiä ja toimintatapoja, joita yleiskäyttöinen malli ei voi tietää etukäteen. Näin vähennetään tarvetta selittää ja korjata samoja asioita toistuvasti. Taidot kokoavat yhteen uudelleenkäytettäviä ohjeita ja niitä tukevia resursseja, joihin voi sisältyä myös komentosarjoja. Computerin suoritusympäristö tekee taidot löydettäviksi ja lataa niiden ohjeet, kun agentti pyytää niitä. Käyttäjät voivat myös määrittää taitoja kehotteessa. Personointi muuttaa agentin kontekstia ja ohjeita, ei taustalla olevan mallin painoja.

Henkilökohtaisten taitojen parantaminen on kaikkien Yhdysvalloissa asuvien Max-tilaajien käytettävissä. Ominaisuus on oletusarvoisesti käytössä siihen oikeutetuille käyttäjille, ja sen voi poistaa käytöstä. Lisäosat-välilehti näyttää Brainin kirjoittamat taidot ja antaa käyttäjien valita, mitkä taidot ovat käytössä.

Käyttöönotto ja varhaiset testitulokset

Perplexity kertoi myös, että olemassa oleviin henkilökohtaisiin taitoihin tehtiin yli 100 000 automaattista päivitystä 4. syyskuuta 2026 ja 14. marraskuuta 2026 välisenä aikana. Kahdeksan viikon satunnaistetussa tuotantotestissä vähintään yhden uuden henkilökohtaisen taidon sai 72,9 % käyttäjistä, joilla automaattinen parantaminen oli käytössä. Vertailuryhmässä vastaava osuus oli 6,5 %; ryhmän käyttäjät lisäsivät taidon itse. Henkilökohtainen taito ladattiin käyttäjän aloittamaan keskusteluun 53 prosentilla ominaisuus käytössä olleista ja 13 prosentilla vertailuryhmän käyttäjistä. Niistä asiakkaista, jotka saivat Brainin kirjoittaman taidon, 63 % käytti jotakin taitoa uudelleen myöhemmässä keskustelussa neljän viikon kuluessa.

Samassa kokeessa Perplexity raportoi työkalukutsujen virheiden vähentyneen 11 % kaikessa Computerin käytössä ja noin 7 % sen jälkeen, kun taustalla suoritettavat ajot jätettiin pois. Keskivaikeaa tai voimakasta tyytymättömyyttä ilmentävien keskusteluketjujen määrä käyttäjää kohden väheni 7,6 %, eikä kustannuksissa tai vastausajoissa havaittu mitattavaa muutosta.

Perplexity raportoi suppeammasta offline-kokeesta, jossa käytettiin SkillLearnBench-testistöä: Computer loi yhden taidon kuhunkin yhdeksästä tehtäväperheestä, ja tehtävien onnistumisaste 16 paritetussa tapauksessa nousi 43,8 prosentista ilman taitoja 62,5 prosenttiin luotujen taitojen avulla. Koko testistö sisältää 20 tehtävää kuudessa todellisen maailman kategoriassa ja 100 varmennettua tapausta, joten yhtiön kokeessa käytettiin vain osaa testistöstä.

Miten henkilökohtaisia taitoja päivitetään

Yhteisessä parannusprosessissa on neljä vaihetta: kerätä näyttöä, analysoida sitä, varmentaa ehdotus ja ottaa muutos käyttöön. Suoritusympäristö kirjaa taitojen lataukset, ja agentti tallentaa jäsennellyn diagnostiikan havaitessaan käyttäjän turhautumista, virheellistä toimintaa tai selvää tehottomuutta. Istuntojen tallennetut tapahtumakulut säilyttävät viestit, työkalukutsut, päättelyn ja tulokset. Näin parannusagentti voi selvittää, missä toimintatavassa meni vikaan, sen sijaan että se nojaisi pelkkään lopputulokseen tai lyhyeen yhteenvetoon.

Päivittäisissä henkilökohtaisten taitojen käsittelyissä taustalla toimiva parannusagentti saa käyttöönsä viimeaikaiset istunnot, taitojen käyttötiedot ja nykyisen taitoluettelon, mutta sillä ei ole internet- eikä liitinyhteyksien käyttöoikeutta. Se voi tarvittaessa hakea lisää käyttäjän istuntohistoriaa. Uuden taidon luominen edellyttää, että sama uudelleenkäytettävä toimintatapa esiintyy kahdesti toisistaan riippumatta, kun taas yksi aineistoon perustuva esiintymä voi riittää päivityksen tueksi. Kussakin käsittelyssä voidaan ehdottaa enintään yhtä muutosta taitoa kohden. Deterministiset tarkistukset arvioivat, onko ehdotus hyvin muodostettu ja sovellettavissa, ja LLM-arvioija tarkastaa otoksen ehdotuksista varmistaakseen, että niitä tukevat riittävä näyttö ja hyödylliset ohjeet.

Muutoksen käyttöönotto tallentaa varmennetun päivityksen käyttäjän kirjastoon tulevia istuntoja varten. Koska Computer lataa saatavilla olevien taitojen hakemiston jokaisen istunnon alussa, liian suuri kirjasto voi viedä kontekstitilaa ja vaikeuttaa olennaisten taitojen löytämistä. Siksi järjestelmä rajoittaa automaattisesti luotujen taitojen määrän kymmeneen käyttäjää kohden. Kun enimmäismäärä on saavutettu, agentin on poistettava jokin olemassa oleva taito käytöstä ja perusteltava, miksi sen tilalle tuleva taito on hyödyllisempi, ennen kuin se voi lisätä uuden taidon.

Sisäänrakennetut taidot edellyttävät uudelleentoistoa ja ihmisen hyväksyntää

Sisäänrakennetut taidot ovat kaikkien Perplexity-käyttäjien käytettävissä, joten niiden päivityksissä noudatetaan tiukempaa menettelyä. Prosessissa käytetään koulutukseen soveltuvista istunnoista puhdistettua näyttöaineistoa, josta poistetaan kirjautumistiedot, muut salaisuudet sekä liitetyt tiedostot ja mediat. Viikoittainen päivitysprosessi etsii useissa istunnoissa toistuvia virheitä sen sijaan, että yksittäinen huono istunto johtaisi muutokseen.

Skenaarioita luova agentti muuntaa nämä virheet itsenäisiksi testeiksi luomalla tarpeettoman kontekstin synteettisesti uudelleen ja korvaamalla liittimistä riippuvat syötteet synteettisillä tiedostoilla. Parannusagentti saa kuvaukset virheiden perimmäisistä syistä sekä puhdistettuja onnistuneita istuntoja, mutta ei arviointiin käytettäviä, erillään pidettyjä virheskenaarioita. Paritetussa uudelleentoistossa jokaisen testiskenaarion on onnistuttava päivitetyn taidon kanssa, ja vähintään yhden on epäonnistuttava alkuperäisellä taidolla. Kontrolliskenaarioilla varmistetaan, ettei aiemmin toiminut toiminta ole heikentynyt.

LLM-arvioija pisteyttää vastaukset ja tapahtumakulut kunkin skenaarion arviointikriteerien perusteella. Sen jälkeen ehdokkaat ja niiden arviointitulokset toimitetaan sisäisenä pull-pyyntönä, ja muutos tulee voimaan vasta, kun insinööri on hyväksynyt sen.

Perplexity aikoo ulottaa kehittämisen käyttäjien laatimiin taitoihin, projekteissa jaettuihin taitoihin sekä organisaation taitoihin. Avoimeksi tuotekysymykseksi jää, miten se soveltaa nykyistä automaattisen aktivoinnin, uudelleentoistotestauksen ja ihmisen hyväksynnän yhdistelmää, kun toimintatavat siirtyvät yksittäisen käyttäjän historiasta tiimin yhteisiin työnkulkuihin.

Aiden Cross on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa tekoälytuotteiden strategian, toteutuksen ja käytännön haasteet, joita liittyy kokeellisten mallien muuttamiseen skaalattaviksi, markkinoille valmiiksi tuotteiksi. Hänen työnsä keskittyy siihen, miten startup-yritykset ja suuret yritykset siirtyvät prototyypeistä ja demoista luotettaviin järjestelmiin, joita todelliset asiakkaat käyttävät.
Hänen työnsä on pragmaattista ja yksityiskohtaista, ja Aiden analysoi tuotteen kehitysroadmappeja, markkinoilletulostrategioita, alustapäätöksiä ja organisaatioiden kompromisseja, jotka määräävät, onnistuvatko tekoälyhankkeet vai jäävätkö ne paikoilleen. Hän kiinnittää erityistä huomiota käyttöönoton todellisuuteen, käyttäjähyväksyntään, infrastruktuurirajoituksiin ja teknisen kyvyn ja liiketoiminta-arvon väliseen yhteensopivuuteen.
Aiden Crossin kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimituksellinen tiimi tarkistaa ne, jotta varmistetaan selkeä, tarkka ja vastuullinen käsittely siitä, miten tekoälytuotteet rakennetaan, toimitetaan ja skaalataan todellisessa maailmassa.