Platforma přichází v době, kdy NUS obecně rozšiřuje využití umělé inteligence ve vzdělávání a výzkumu. AI Sense Maker má ale užší zaměření než běžný chatbot: nefunguje jako vyhledávač celého internetu, nýbrž pomáhá orientovat se ve vlastních sbírkách univerzity.

Co bude prohledávat

Počáteční databáze propojí materiály ze dvou repozitářů NUS:

• ScholarBank, který obsahuje výzkumné výstupy a odborné práce NUS;
• Digital Gems, kde jsou uloženy digitalizované vzácné a speciální sbírky.

Dohromady půjde při spuštění přibližně o 150 000 digitalizovaných položek. Zahrnují témata z inženýrství, přírodních věd o živé přírodě, medicíny, humanitních věd i informatiky a také regionálně zaměřené materiály o jihovýchodní Asii.

Mezi uváděné příklady patří singapurský čínsky psaný deník Lat Pau z roku 1881, první tištěné vydání knihy The History of Java od sira Stamforda Rafflese z roku 1817, literární díla z období dynastie Tchang a po digitalizaci a zařazení také původní hudební skladby a scénáře umělce Wang Sha.

Jak vyhledávání funguje

Uživatel zadá otázku běžným jazykem, nikoli nutně přesnou kombinaci klíčových slov z databáze. Platforma nabídne rychlé, iterativní nebo hlubší vyhledávání, takže lze zvolit buď rychlou orientaci, nebo podrobnější průzkum tématu.

Výsledkem má být několik vrstev informací:

1. Strukturovaný přehled tématu, který nabídne první mapu problému.
2. Související pojmy, jež pomohou dotaz rozšířit nebo zpřesnit.
3. Odkazy a doporučená další četba z repozitářů NUS.
4. Citace, které vedou k podkladovým materiálům.
5. Znalostní graf, jenž znázorňuje vztahy mezi pojmy, obory a zdroji.

Dotaz, proč některé singapurské čtvrti působí tepleji než jiné, může například propojit hustotu zástavby, vegetaci, stavební materiály a vodní prvky. Znalostní graf pak může tyto oblasti spojit s městskou ekologií, environmentální vědou, fyzikou atmosféry a mikroklimatologií.

Největší přínos tak může mít AI Sense Maker na začátku rešerše. Pomůže odhalit důležité pojmy, příbuzné obory a možné zdroje ještě předtím, než se uživatel pustí do podrobného čtení.

Proč je důležitý znalostní graf

Klasické vyhledávání obvykle nabídne seřazený seznam dokumentů. Znalostní graf přidává jiný pohled: ukazuje, jak spolu souvisejí myšlenky a témata obsažená v těchto dokumentech.

Graf AI Sense Makeru vychází ze spravované taxonomie. Ta byla zpočátku inspirována Wikidaty, následně však byla zúžena a upravena pro sbírky NUS. Užitečnost takového nástroje proto nezávisí jen na jazykovém modelu, ale také na tom, jak jsou pojmy v konkrétní kolekci definovány a navzájem propojeny.

U mezioborových projektů může graf odhalit terminologii nebo sousední oblasti, které by uživatel do prvního dotazu nezařadil. Navržené vazby je však třeba chápat jako podněty k dalšímu ověření, nikoli jako důkaz, že každý nalezený vztah je akademicky opodstatněný.

GPT-4.1, RAG a omezení zdrojů

Platforma používá GPT-4.1 od OpenAI spolu s metodou retrieval-augmented generation (RAG), tedy generováním odpovědí s podporou vyhledávání. Systém nejprve vyhledá relevantní materiály v předem určené kolekci a teprve poté z nich sestaví odpověď. AI Sense Maker má odpovědi opírat o zdroje NUS a doplňovat je citacemi, aby si uživatel mohl podklady zkontrolovat.

Součástí návrhu jsou také mantinely, které mají platformu udržet u akademického obsahu univerzity. AI Sense Maker nemá při sestavování odpovědí prohledávat veřejný internet. Tato hranice může omezit nepodložené výstupy, neodstraňuje však nutnost ověřovat citované dokumenty, interpretovat primární prameny a posuzovat, zda odpověď důkazy skutečně vystihuje.

GPT-4.1 je model uvedený v dostupných zprávách o AI Sense Makeru. OpenAI jej popisuje jako rodinu modelů se zlepšeným následováním instrukcí a porozuměním dlouhému kontextu. Tyto obecné vlastnosti modelu nelze zaměňovat za důkaz, že AI Sense Maker bude vytvářet bezchybné výzkumné výsledky.

Současné limity a plánované funkce

První verze má několik důležitých omezení:

• podporuje jednorázové dotazy, takže si zatím nepamatuje kontext navazujících otázek v delší konverzaci;
• umí prohledávat pouze materiály, které již byly digitalizovány a zařazeny do příslušných repozitářů NUS;
• dokáže pomoci s hledáním zdrojů a souvislostí, ale neposoudí každý odborný argument ani za uživatele nevytvoří konečnou výzkumnou tezi.

NUS pracuje na paměti historie chatu, která by umožnila delší výzkumné rozhovory, a na převodu hlasu na text.

Nejrozumnější pracovní postup proto zůstává stejný: využít AI Sense Maker jako startovní bod, otevřít citované zdroje, porovnat jejich interpretace a závěrečnou analýzu sestavit samostatně.

Zkrátí rešerše ze dvou týdnů na půl hodiny?

NUS odhaduje, že úvodní fázi výzkumu — tedy vymezení tématu a hledání základních zdrojů — by AI Sense Maker mohl zkrátit z přibližně dvou týdnů na zhruba 30 minut nebo méně.

Jde o institucionální odhad, nikoli o nezávisle ověřený výsledek měření produktivity. Střízlivější očekávání je, že platforma zkrátí čas strávený neúspěšnými rešeršními cestami a pomůže rychleji sestavit první, citovaný soubor zdrojů.

Případný přínos se tedy projeví hlavně na začátku: rychlejší vymezení tématu, přesnější terminologie pro další hledání a dřívější odhalení vazeb mezi obory a sbírkami. Čtení, kritické hodnocení pramenů a formulace vlastního argumentu zůstávají na člověku.

Platforma přichází v době, kdy NUS obecně rozšiřuje využití umělé inteligence ve vzdělávání a výzkumu. AI Sense Maker má ale užší zaměření než běžný chatbot: nefunguje jako vyhledávač celého internetu, nýbrž pomáhá orientovat se ve vlastních sbírkách univerzity.

Co bude prohledávat

Počáteční databáze propojí materiály ze dvou repozitářů NUS:

• ScholarBank, který obsahuje výzkumné výstupy a odborné práce NUS;
• Digital Gems, kde jsou uloženy digitalizované vzácné a speciální sbírky.

Dohromady půjde při spuštění přibližně o 150 000 digitalizovaných položek. Zahrnují témata z inženýrství, přírodních věd o živé přírodě, medicíny, humanitních věd i informatiky a také regionálně zaměřené materiály o jihovýchodní Asii.

Mezi uváděné příklady patří singapurský čínsky psaný deník Lat Pau z roku 1881, první tištěné vydání knihy The History of Java od sira Stamforda Rafflese z roku 1817, literární díla z období dynastie Tchang a po digitalizaci a zařazení také původní hudební skladby a scénáře umělce Wang Sha.

Jak vyhledávání funguje

Uživatel zadá otázku běžným jazykem, nikoli nutně přesnou kombinaci klíčových slov z databáze. Platforma nabídne rychlé, iterativní nebo hlubší vyhledávání, takže lze zvolit buď rychlou orientaci, nebo podrobnější průzkum tématu.

Výsledkem má být několik vrstev informací:

1. Strukturovaný přehled tématu, který nabídne první mapu problému.
2. Související pojmy, jež pomohou dotaz rozšířit nebo zpřesnit.
3. Odkazy a doporučená další četba z repozitářů NUS.
4. Citace, které vedou k podkladovým materiálům.
5. Znalostní graf, jenž znázorňuje vztahy mezi pojmy, obory a zdroji.

Dotaz, proč některé singapurské čtvrti působí tepleji než jiné, může například propojit hustotu zástavby, vegetaci, stavební materiály a vodní prvky. Znalostní graf pak může tyto oblasti spojit s městskou ekologií, environmentální vědou, fyzikou atmosféry a mikroklimatologií.

Největší přínos tak může mít AI Sense Maker na začátku rešerše. Pomůže odhalit důležité pojmy, příbuzné obory a možné zdroje ještě předtím, než se uživatel pustí do podrobného čtení.

Proč je důležitý znalostní graf

Klasické vyhledávání obvykle nabídne seřazený seznam dokumentů. Znalostní graf přidává jiný pohled: ukazuje, jak spolu souvisejí myšlenky a témata obsažená v těchto dokumentech.

Graf AI Sense Makeru vychází ze spravované taxonomie. Ta byla zpočátku inspirována Wikidaty, následně však byla zúžena a upravena pro sbírky NUS. Užitečnost takového nástroje proto nezávisí jen na jazykovém modelu, ale také na tom, jak jsou pojmy v konkrétní kolekci definovány a navzájem propojeny.

U mezioborových projektů může graf odhalit terminologii nebo sousední oblasti, které by uživatel do prvního dotazu nezařadil. Navržené vazby je však třeba chápat jako podněty k dalšímu ověření, nikoli jako důkaz, že každý nalezený vztah je akademicky opodstatněný.

GPT-4.1, RAG a omezení zdrojů

Platforma používá GPT-4.1 od OpenAI spolu s metodou retrieval-augmented generation (RAG), tedy generováním odpovědí s podporou vyhledávání. Systém nejprve vyhledá relevantní materiály v předem určené kolekci a teprve poté z nich sestaví odpověď. AI Sense Maker má odpovědi opírat o zdroje NUS a doplňovat je citacemi, aby si uživatel mohl podklady zkontrolovat.

Součástí návrhu jsou také mantinely, které mají platformu udržet u akademického obsahu univerzity. AI Sense Maker nemá při sestavování odpovědí prohledávat veřejný internet. Tato hranice může omezit nepodložené výstupy, neodstraňuje však nutnost ověřovat citované dokumenty, interpretovat primární prameny a posuzovat, zda odpověď důkazy skutečně vystihuje.

GPT-4.1 je model uvedený v dostupných zprávách o AI Sense Makeru. OpenAI jej popisuje jako rodinu modelů se zlepšeným následováním instrukcí a porozuměním dlouhému kontextu. Tyto obecné vlastnosti modelu nelze zaměňovat za důkaz, že AI Sense Maker bude vytvářet bezchybné výzkumné výsledky.

Současné limity a plánované funkce

První verze má několik důležitých omezení:

• podporuje jednorázové dotazy, takže si zatím nepamatuje kontext navazujících otázek v delší konverzaci;
• umí prohledávat pouze materiály, které již byly digitalizovány a zařazeny do příslušných repozitářů NUS;
• dokáže pomoci s hledáním zdrojů a souvislostí, ale neposoudí každý odborný argument ani za uživatele nevytvoří konečnou výzkumnou tezi.

NUS pracuje na paměti historie chatu, která by umožnila delší výzkumné rozhovory, a na převodu hlasu na text.

Nejrozumnější pracovní postup proto zůstává stejný: využít AI Sense Maker jako startovní bod, otevřít citované zdroje, porovnat jejich interpretace a závěrečnou analýzu sestavit samostatně.

Zkrátí rešerše ze dvou týdnů na půl hodiny?

NUS odhaduje, že úvodní fázi výzkumu — tedy vymezení tématu a hledání základních zdrojů — by AI Sense Maker mohl zkrátit z přibližně dvou týdnů na zhruba 30 minut nebo méně.

Jde o institucionální odhad, nikoli o nezávisle ověřený výsledek měření produktivity. Střízlivější očekávání je, že platforma zkrátí čas strávený neúspěšnými rešeršními cestami a pomůže rychleji sestavit první, citovaný soubor zdrojů.

Případný přínos se tedy projeví hlavně na začátku: rychlejší vymezení tématu, přesnější terminologie pro další hledání a dřívější odhalení vazeb mezi obory a sbírkami. Čtení, kritické hodnocení pramenů a formulace vlastního argumentu zůstávají na člověku.