Omdefinering av søk: Hvordan nye konversasjonssøkemotorer overvinner utdaterte LLM-er og kontekstløse tradisjonelle søkemotorer

Introduksjonen av konversasjonssøkemotorer definerer på nytt hvordan vi henter informasjon på nettet, og går fra tradisjonelle nøkkelordsøk til mer naturlige og konversasjonelle interaksjoner. Ved å kombinere store språkmodeller (LLM-er) med sanntids nettdata, løser disse nye systemene nøkkelutfordringer i både utdaterte LLM-er og standard søkemotorer. I denne artikkelen vil vi undersøke utfordringene som LLM-er og nøkkelordsbaserte søk møter, og utforske hvordan konversasjonssøkemotorer tilbyr en løftende løsning.

Utdatert kunnskap og pålitelighetsutfordringer i LLM-er

Store språkmodeller (LLM-er) har betydelig forbedret våre metoder for å få tilgang til og tolke informasjon, men de møter en betydelig begrensning: deres evne til å gi sanntidsoppdateringer. Disse modellene er trent på omfattende datasett som inkluderer tekst fra bøker, artikler og nettsider. Imidlertid reflekterer denne treningsdata kunnskap bare opp til tidspunktet det ble samlet inn, noe som betyr at LLM-er ikke kan oppdatere automatisk med ny informasjon. For å løse dette, må LLM-er gjennomgå om-trening, en prosess som er både ressurskrevende og kostbar. Dette inkluderer å samle inn og kuratere nye datasett, om-trening av modellen og validering av dens ytelse. Hver iterasjon krever betydelig beregningskraft, energi og finansiell investering, noe som raiser bekymringer om miljøpåvirkningen på grunn av betydelige karbonutslipp.

Den statiske naturen til LLM-er fører ofte til uakkurater i deres svar. Når de møter spørsmål om nylige hendelser eller utviklinger, kan disse modellene generere svar basert på utdatert eller ufullstendig informasjon. Dette kan resultere i “hallusinasjoner“, hvor modellen produserer feil eller fabrikkerte fakta, noe som undergraver påliteligheten av informasjonen som tilbys. Videre, til tross for deres omfattende treningsdata, sliter LLM-er med å forstå full kontekst av nåværende hendelser eller nye trender, noe som begrenser deres relevans og effektivitet.

En annen betydelig svakhet med LLM-er er deres manglende kilde- eller kilde-transparens. I motsetning til tradisjonelle søkemotorer, som gir linker til originale kilder, genererer LLM-er svar basert på aggregert informasjon uten å spesifisere hvor det kommer fra. Denne mangelen på kilder hemmer ikke bare brukernes evne til å verifisere nøyaktigheten av informasjonen, men begrenser også sporingen av innholdet, noe som gjør det vanskeligere å avgjøre påliteligheten av svarene som gis. Derfor kan brukerne finne det vanskelig å verifisere informasjonen eller utforske de originale kildene til innholdet.

Kontekst- og informasjons-overbelastningsutfordringer i tradisjonelle nett-søkemotorer

Selv om tradisjonelle nett-søkemotorer fortsatt er avgjørende for å få tilgang til en bred rekke informasjon, møter de flere utfordringer som påvirker kvaliteten og relevansen av deres resultater. En betydelig utfordring med denne nett-søkingen er dens vanskelighet med å forstå kontekst. Søkemotorer baserer seg tungt på nøkkelords-matching, noe som ofte fører til resultater som ikke er kontekstuell relevant. Dette betyr at brukerne mottar en flom av informasjon som ikke direkte besvarer deres spesifikke spørsmål, noe som gjør det vanskelig å finne de mest pertinente svarene. Mens søkemotorer bruker algoritmer til å rangere resultater, kan de ofte ikke levere personlige svar basert på enkeltpersoners unike behov eller preferanser. Dette mangelen på personlig tilpasning kan føre til generiske resultater som ikke stemmer overens med brukerens spesifikke kontekst eller intensjoner. Videre er søkemotorer utsatt for manipulering gjennom SEO-spamming og link-fabrikker. Disse praksisene kan forvrengte resultater, fremme mindre relevante eller lavere kvalitetsinnhold til toppen av søkeresultatene. Brukere kan finne seg selv utsatt for misvisende eller partiske informasjon som følge.

Oppblomstringen av konversasjonssøkemotorer

En konversasjonssøkemotor representerer en paradigmeskifte i måten vi interagerer med og henter informasjon på nettet. I motsetning til tradisjonelle søkemotorer som baserer seg på nøkkelords-matching og algoritmisk rangering for å levere resultater, utnytter konversasjonssøkemotorer avanserte språkmodeller til å forstå og svare på brukerspørsmål på en naturlig, menneske-liknende måte. Dette tilnærmingen sikter på å gi en mer intuitiv og effektiv måte å finne informasjon på, ved å engasjere brukerne i en dialog i stedet for å presentere en liste med linker.

Konversasjonssøkemotorer utnytter kraften av store språkmodeller (LLM-er) til å prosessere og tolke konteksten av spørsmål, noe som muliggjør mer nøyaktige og relevante svar. Disse motorer er designet til å interagere dynamisk med brukerne, ved å stille oppfølgende spørsmål for å finjustere søk og tilby ekstra informasjon når det er nødvendig. Dette måten ikke bare forbedrer brukeropplevelsen, men forbedrer også kvaliteten av den informasjonen som hentes.

En av de primære fordelene med konversasjonssøkemotorer er deres evne til å gi sanntidsoppdateringer og kontekst-forståelse. Ved å integrere informasjons-henting med generative modeller, kan disse motorer hente og inkorporere den siste data fra nettet, noe som sikrer at svarene er aktuelle og nøyaktige. Dette løser en av de største begrensningene til tradisjonelle LLM-er, som ofte baserer seg på utdatert treningsdata.

Videre tilbyr konversasjonssøkemotorer en nivå av transparens som tradisjonelle søkemotorer mangler. De kobler brukerne direkte til troverdige kilder, og gir klare kildehenvisninger og linker til relevant innhold. Dette fremmer tillit og muliggjør at brukerne kan verifisere informasjonen de mottar, og fremmer en mer informert og kritisk tilnærming til informasjonsforbruk.

Konversasjonssøkemotor vs. Informasjons-henting og generering (RAG)

I dag er ett av de vanligste AI-aktiverte informasjons-hentings-systemer kjent som RAG. Mens konversasjonssøkemotorer deler likheter med RAG-er, har de nøkkel-forskjeller, spesielt i deres mål. Begge systemer kombinerer informasjons-henting med generative språkmodeller for å gi nøyaktige og kontekstuell relevante svar. De henter sanntidsdata fra eksterne kilder og integrerer det i den generative prosessen, noe som sikrer at de genererte svarene er aktuelle og omfattende.

Imidlertid fokuserer RAG-systemer, som Bing, på å kombinere hentet data med generative utdata for å levere presise informasjon. De har ikke evnen til å stille oppfølgende spørsmål som tillater brukerne å systematisk finjustere søkene sine. I motsetning engasjerer konversasjonssøkemotorer, som OpenAI sin SearchGPT, brukerne i en dialog. De utnytter avanserte språkmodeller til å forstå og svare på spørsmål på en naturlig måte, og tilbyr oppfølgende spørsmål og ekstra informasjon for å finjustere søk.

Reelle verden-eksempler

Her er to reelle verden-eksempler på konversasjonssøkemotorer:

• Perplexity: Perplexity er en konversasjonssøkemotor som tillater brukerne å interagere naturlig og kontekstuell med nett-informasjon. Den tilbyr funksjoner som “Fokus” for å begrense søk til spesifikke plattformer og “Relatert” for å foreslå oppfølgende spørsmål. Perplexity opererer på en Freemium-modell, hvor den grunnleggende versjonen tilbyr enkelt LLM-kapasiteter og den betalte Perplexity Pro tilbyr avanserte modeller som GPT-4 og Claude 3.5, samt forbedret søkefinjustering og fil-opplasting.
• SearchGPT: OpenAI har nylig introdusert SearchGPT, et verktøy som kombinerer konversasjonelle evner av store språkmodeller (LLM-er) med sanntids nett-oppdateringer. Dette hjelper brukerne å få tilgang til relevant informasjon på en mer intuitiv og direkte måte. I motsetning til tradisjonelle søkemotorer, som kan være overveldende og upersonlige, tilbyr SearchGPT konsise svar og engasjerer brukerne i en dialog. Den kan stille oppfølgende spørsmål og tilby ekstra informasjon når det er nødvendig, noe som gjør søkeopplevelsen mer interaktiv og brukervennlig. En nøkkel-egenskap ved SearchGPT er dens transparens. Den kobler brukerne direkte til troverdige kilder, og tilbyr klare kildehenvisninger og linker til relevant innhold. Dette muliggjør at brukerne kan verifisere informasjon og utforske emner mer grundig.

Bunnen av saken

Konversasjonssøkemotorer former på nytt måten vi finner informasjon på nettet. Ved å kombinere sanntids nett-data med avanserte språkmodeller, løser disse nye systemene mange av begrensningene til utdaterte store språkmodeller (LLM-er) og tradisjonelle nøkkelordsbaserte søk. De tilbyr mer aktuell og nøyaktig informasjon og forbedrer transparensen ved å koble brukerne direkte til troverdige kilder. Mens konversasjonssøkemotorer som SearchGPT og Perplexity.ai utvikler seg, tilbyr de en mer intuitiv og pålitelig tilnærming til søking, og går utenfor begrensningene til eldre metoder.