Model bahasa umumnya menjawab berdasarkan pola yang dipelajari saat pelatihan. Karena itu, jawabannya kerap tidak mencantumkan sumber dan bisa tertinggal dari informasi terbaru.
Perplexity AI menempuh pendekatan berbeda dengan menggabungkan model bahasa dan pencarian yang berjalan saat pertanyaan diajukan.
Pendekatan tersebut dikenal dengan istilah retrieval augmented generation atau RAG, dan cara kerjanya menarik untuk dibedah. Perplexity AI menjadi salah satu contoh penerapannya yang paling mudah diamati sehari-hari. Dari sisi teknis, Perplexity AI memperlihatkan bagaimana pencarian dan model bahasa dapat bekerja berpasangan.
Cara Kerja Retrieval Augmented Generation
Prosesnya dimulai dari pertanyaan pengguna yang diubah menjadi kueri pencarian. Sistem lalu mengambil sejumlah dokumen yang dianggap paling relevan.
Isi dokumen tersebut disisipkan ke dalam konteks sebelum model bahasa menyusun jawabannya. Dengan begitu, jawaban dibangun dari bahan yang baru saja diambil, bukan hanya dari ingatan pelatihan.
Setiap bagian jawaban kemudian dikaitkan dengan dokumen asalnya sehingga sitasi dapat ditampilkan. Inilah alasan Perplexity AI mampu menyertakan sumber pada tiap pernyataannya.
Pendekatan ini juga menekan risiko jawaban yang mengarang, meski tidak menghilangkannya sepenuhnya.
Komponen Teknis yang Menopang Sistem Semacam Ini
Empat komponen berikut menjadi bagian utama dari arsitekturnya.
1. Modul Pengambilan Dokumen
Bagian ini bertugas mencari dokumen yang paling mendekati maksud pertanyaan. Pencariannya sering menggabungkan pencocokan kata kunci dan kemiripan makna. Mutu jawaban Perplexity AI sangat bergantung pada tahap ini, sebab dokumen yang keliru akan menghasilkan jawaban yang keliru pula.
2. Representasi Makna dalam Bentuk Vektor
Teks diubah menjadi rangkaian angka yang menyimpan makna, sehingga dokumen dengan maksud serupa dapat dikenali meski kata-katanya berbeda. Representasi ini disimpan dalam basis data khusus. Konsepnya menjadi salah satu bahasan penting di bidang sains data yang berkaitan dengan pencarian berbasis makna.
3. Model Bahasa sebagai Penyusun Jawaban
Model bahasa bertugas merangkai dokumen yang diambil menjadi jawaban yang runtut. Tugasnya lebih menyerupai meringkas dibanding mengingat. Karena bahan sudah disediakan, model dapat menjawab pertanyaan mengenai peristiwa terbaru tanpa perlu dilatih ulang dari awal.
4. Mekanisme Penautan Sitasi
Setiap pernyataan perlu dipetakan kembali ke dokumen asalnya agar sitasi tepat. Proses ini menuntut penelusuran hubungan antara kalimat jawaban dan potongan dokumen. Ketepatan penautan inilah yang menentukan apakah sitasi benar-benar mendukung pernyataan atau sekadar tertempel.
Tantangan yang Masih Terus Diperbaiki
Tantangan pertama berupa dokumen yang saling bertentangan. Sistem perlu memutuskan sumber mana yang lebih layak dipercaya.
Tantangan kedua menyangkut mutu sumber. Halaman dengan peringkat pencarian tinggi belum tentu memiliki akurasi yang tinggi pula.
Tantangan ketiga berkaitan dengan biaya komputasi. Setiap pertanyaan menuntut pencarian dan pemrosesan dokumen, sehingga bebannya lebih besar dibanding menjawab langsung dari model.
Kenapa Pendekatan Ini Banyak Dipakai di Industri
Banyak perusahaan menerapkan pola serupa untuk mencari informasi di dalam dokumen internal mereka sendiri. Bahan yang dipakai bukan halaman web, melainkan arsip perusahaan.
Pendekatan tersebut memungkinkan jawaban tetap dapat ditelusuri asalnya, sesuatu yang penting untuk keperluan audit.
Karena itu, memahami cara kerja Perplexity AI memberi bekal yang cukup relevan dengan kebutuhan pekerjaan di banyak industri.
Cara Menilai Mutu Sistem Semacam Ini
Penilaian pertama berupa ketepatan sitasi, yaitu apakah sumber yang dicantumkan benar-benar memuat pernyataan tersebut.
Penilaian kedua menyangkut keterulangan jawaban. Pertanyaan yang sama sebaiknya menghasilkan isi yang konsisten, meski susunan kalimatnya berbeda.
Penilaian ketiga berkaitan dengan kemampuan mengakui keterbatasan. Sistem seperti Perplexity AI dinilai lebih baik ketika menyatakan informasinya belum tersedia dibanding memaksakan jawaban.
Ketiga ukuran tersebut kini banyak dipakai di industri saat memilih layanan mana yang layak dipakai untuk kebutuhan internal perusahaan.
Mendalami Pengolahan Bahasa dan Sistem Pencarian
Universitas Nusa Mandiri (UNM) dapat menjadi salah satu alternatif pendidikan yang dipertimbangkan bagi yang tertarik menekuni bidang ini. Kampus tersebut telah terakreditasi BAN-PT secara resmi.
Lulusannya memiliki bukti kompetensi yang diakui secara nasional, sesuatu yang cukup berpengaruh saat membangun karier profesional di bidang teknologi. Biaya pendidikannya ramah dan fleksibel dengan pembayaran yang dapat dilakukan secara daring.
Program studi Informatika dan Sains Data membahas pengolahan bahasa alami, sistem pencarian, sampai evaluasi model. Bagi anda yang ingin memahami arsitektur di balik mesin jawaban modern, pilihan tersebut layak masuk pertimbangan.
Ringkasan Cara Kerja Perplexity AI
Pertanyaan diubah menjadi kueri, dokumen relevan diambil, lalu model bahasa menyusun jawabannya. Pendekatan itulah yang membuat Perplexity AI mampu menjawab hal terbaru sekaligus mencantumkan sumber. Mutu jawaban Perplexity AI karenanya sangat bergantung pada tahap pengambilan dokumen, bukan hanya pada model bahasanya.
