Comment fonctionne réellement la recherche en direct de Perplexity ? Essai de compréhension de l'architecture

Daniel, ton hypothèse d’architecture est assez proche. Permets-moi d’ajouter des détails :

Le pipeline en quatre étapes :

Étape 1 : Traitement de la requête

Pas seulement une extraction de mots-clés :

• Tokenise l’entrée
• Identifie entités, lieux, concepts
• Détecte l’ambiguïté
• Peut reformuler en plusieurs requêtes de recherche

Exemple : “Derniers développements en informatique quantique” →

• Intention : Information récente
• Sujet : Informatique quantique
• Période : Actuel/dernier
• Reformulation de recherche : “informatique quantique 2025”, “actualités informatique quantique”, etc.

Étape 2 : Récupération

Utilise la recherche sémantique, pas seulement la correspondance de mots-clés. Un document sur les “réseaux neuronaux artificiels” peut être récupéré pour une requête sur “apprentissage profond” car le sens sémantique est similaire.

La couche LLM mérite plus d’analyse.

Sélection du modèle :

Perplexity utilise plusieurs LLM :

• GPT-4 Omni (pour les requêtes complexes)
• Claude 3 (pour certaines tâches)
• Modèles personnalisés (pour l’efficacité)
• Les utilisateurs peuvent sélectionner le modèle préféré en Pro

Comment le LLM génère des réponses citées :

Le LLM ne fait pas que copier du texte. Il :

1. Comprend l’intention de la requête
2. Lit les passages récupérés
3. Synthétise une réponse cohérente
4. Attribue chaque affirmation à des sources
5. Met en forme avec des citations

Exemple de transformation :

Source 1 : “Les ordinateurs quantiques utilisent des qubits qui peuvent exister en superposition.” Source 2 : “Les principaux acteurs incluent IBM, Google et IonQ.” Source 3 : “Des avancées récentes montrent des processeurs de plus de 1000 qubits.”

Sortie Perplexity : “Les ordinateurs quantiques exploitent des qubits opérant dans des états de superposition [1]. Les leaders du secteur IBM, Google et IonQ [2] ont récemment réalisé des avancées comprenant des processeurs de plus de 1000 qubits [3].”

La synthèse crée un nouveau texte tout en maintenant une attribution précise.

Pour les créateurs de contenu – voici ce qui compte pour être cité :

Facteurs de sélection des sources :

Format qui est cité :

Perplexity extrait l’information plus facilement depuis :

• Des titres clairs indiquant le sujet
• Des réponses directes dans les premières phrases
• Des listes à puces de faits
• Des tableaux de données
• Des sections FAQ

Ce qui est ignoré :

• Présentations vagues
• Contenu noyé dans des paragraphes denses
• Langage promotionnel
• Affirmations sans données de support

Recherche rapide vs Recherche Pro – la différence technique :

Recherche rapide :

• Récupération ciblée unique
• ~5 sources consultées
• Réponse rapide (2-3 secondes)
• Idéale pour les requêtes factuelles simples

Recherche Pro :

• Récupération multi-étapes
• Décomposition de requête
• Peut poser des questions de clarification
• 10+ sources consultées
• Plus lente mais plus complète
• Meilleure pour la recherche complexe

La décomposition :

La Recherche Pro décompose les requêtes complexes en sous-requêtes :

“Meilleur CRM pour startups santé avec conformité HIPAA” devient :

• “logiciel CRM santé”
• “CRM conforme HIPAA”
• “prix CRM startup”
• “fonctionnalités CRM santé”

Chaque sous-requête récupère différentes sources, puis les résultats sont combinés.

Prévention des hallucinations dans Perplexity :

Comment il réduit les hallucinations :

1. Exigence de citation – Ne peut pas générer d’affirmations non citées
2. Récupération en temps réel – Données actuelles, pas seulement entraînement
3. Corroboration multi-sources – Les faits importants nécessitent plusieurs sources
4. Pondération de la crédibilité – Les sources réputées sont privilégiées

La limitation :

Perplexity peut encore halluciner si :

• Les sources sont elles-mêmes incorrectes
• La récupération renvoie des documents non pertinents
• La requête est mal comprise

Comparé à ChatGPT :

Le mécanisme de citation obligatoire est la principale défense de Perplexity contre les hallucinations.

Le système de mémoire contextuelle :

Au sein d’une session :

Perplexity se souvient de l’historique de la conversation :

• Les questions précédentes sont encodées
• Le contexte est maintenu
• Les suivis comprennent les références

Exemple : Q1 : “Quels sont les derniers développements en informatique quantique ?” Q2 : “Comment cela se compare-t-il à l’informatique classique ?”

Pour Q2, Perplexity comprend que “cela” fait référence à l’informatique quantique de Q1.

Le mécanisme d’attention :

Utilise des poids d’attention pour déterminer quel contexte antérieur est pertinent pour la nouvelle requête. Tout n’est pas conservé – seules les parties contextuellement pertinentes.

La limitation :

La mémoire est uniquement basée sur la session. Fermer la conversation = perte du contexte. Pas de personnalisation persistante entre les sessions.

C’est un choix de confidentialité, pas une limitation technique.

Le mode Focus est sous-estimé pour comprendre l’architecture de Perplexity :

Focus disponibles :

Ce que cela révèle :

Le mode Focus montre que Perplexity peut restreindre sa récupération à des pools de sources spécifiques. Cela signifie qu’ils ont :

1. Indexé et catégorisé les sources
2. Des systèmes de récupération séparés par catégorie
3. La capacité de filtrer par type de domaine

Pour l’optimisation :

Si vous souhaitez des citations académiques – assurez-vous que votre recherche est indexée dans des bases de données scientifiques. Si vous souhaitez des citations générales – privilégiez le contenu visible sur le web.

Ce fil a comblé les lacunes de ma compréhension. Voici mon schéma d’architecture mis à jour :

Pipeline de recherche en direct Perplexity :

Requête utilisateur
    ↓
Étape 1 : Traitement de la requête
├── Tokenisation NLP
├── Classification d'intention
├── Extraction d'entités
├── Reformulation de requête (plusieurs sous-requêtes)
    ↓
Étape 2 : Récupération d'information
├── Recherche sémantique (par embeddings)
├── Appels API à l'index web
├── Filtrage des sources (Mode Focus)
├── Extraction de passages
├── Classement par pertinence
    ↓
Étape 3 : Génération de réponse
├── Remplissage de la fenêtre de contexte
├── Synthèse LLM (GPT-4/Claude)
├── Suivi des citations en ligne
├── Résolution des conflits
    ↓
Étape 4 : Raffinement
├── Vérification des faits sur les sources
├── Évaluation de la cohérence
├── Génération de suggestions de suivi
├── Formatage des citations
    ↓
Sortie finale (réponse + citations + suggestions)

Points clés :

1. Récupération sémantique – Correspondance de sens, pas de mots-clés
2. Citations obligatoires – Chaque affirmation liée à une source, réduit les hallucinations
3. Index en temps réel – Le contenu peut apparaître en quelques heures après publication
4. Architecture multi-modèles – Différents LLM selon les usages
5. Mémoire de session – Conscience du contexte dans la conversation

Pour l’optimisation du contenu :

Pour être cité dans Perplexity :

• Rédigez dans un format facilement extractible (listes, tableaux, réponses directes)
• Ajoutez des signaux de crédibilité (auteur, institution)
• Maintenez le contenu à jour (les dates comptent)
• Soyez la source faisant autorité sur votre sujet

Merci à tous pour cette plongée technique.