NUS AI Sense Maker : l’outil qui cartographie les sources de recherche en langage naturel

NUS AI Sense Maker est une plateforme web de recherche conversationnelle développée par les bibliothèques de la National University of Singapore (NUS) et son service informatique, NUS IT. Son objectif est de rendre les collections universitaires et patrimoniales numérisées de l’établissement plus faciles à trouver, à relier et à vérifier dans les sources originales. L’outil doit accélérer le début d’une recherche, mais il n’a pas vocation à construire l’argumentation du chercheur ni à remplacer la lecture attentive des documents.

Date de lancement et utilisateurs concernés

Le lancement de AI Sense Maker est prévu le 20 août 2026, au début du nouveau semestre universitaire. Dans un premier temps, l’accès sera destiné aux étudiants, enseignants et anciens élèves de NUS.

Cette initiative s’inscrit dans la volonté plus large de NUS de développer les usages de l’intelligence artificielle dans l’enseignement et la recherche. Mais AI Sense Maker a un périmètre plus précis qu’un chatbot généraliste : il doit explorer les collections de l’université, et non compiler des réponses à partir de l’ensemble du web.

Quelles collections seront accessibles ?

Le corpus initial rassemblera des documents issus de deux dépôts de NUS :

• ScholarBank, qui regroupe les travaux et publications de recherche de l’université ;
• Digital Gems, consacré aux collections rares et spéciales numérisées.

Ensemble, ces deux fonds représentent environ 150 000 documents numérisés. Ils couvrent notamment l’ingénierie, les sciences de la vie, la médecine, les sciences humaines et l’informatique, ainsi que des ressources consacrées à l’Asie du Sud-Est.

Les exemples cités illustrent la diversité du fonds : le quotidien chinois singapourien Lat Pau, lancé en 1881, la première édition imprimée de 1817 de The History of Java, de Sir Stamford Raffles, des œuvres littéraires de la dynastie Tang et, après leur numérisation et leur intégration à la plateforme, les partitions et scripts originaux de l’artiste Wang Sha.

Comment fonctionne une recherche ?

L’utilisateur commence par formuler une question en langage courant, plutôt que par aligner des mots-clés précis comme dans un moteur documentaire classique. La plateforme propose plusieurs modes — rapide, itératif ou approfondi — afin de privilégier soit une première orientation, soit une exploration plus poussée.

Une requête peut produire plusieurs niveaux de résultats :

1. Une synthèse structurée du sujet, pour dresser une première carte du thème ;
2. Des concepts associés, afin d’élargir ou de préciser la question initiale ;
3. Des références et des pistes de lecture, tirées des dépôts de NUS ;
4. Des citations, qui renvoient aux documents sous-jacents ;
5. Un graphe de connaissances, qui visualise les liens entre concepts, disciplines et sources.

Ainsi, une question portant sur la chaleur ressentie dans certains quartiers de Singapour pourrait faire apparaître des liens entre densité des bâtiments, végétation, matériaux de construction et éléments aquatiques. Le graphe pourrait ensuite rapprocher ces notions de l’écologie urbaine, des sciences de l’environnement, de la physique de l’atmosphère et de la microclimatologie.

L’intérêt principal de l’outil se situe donc au stade de l’orientation : il peut aider un étudiant à repérer les bons termes, les disciplines voisines et les sources à lire avant de commencer une analyse approfondie.

À quoi sert le graphe de connaissances ?

Une recherche traditionnelle renvoie généralement une liste de documents classés par pertinence. Un graphe de connaissances propose une autre perspective : il montre comment les idées présentes dans ces documents peuvent se rattacher les unes aux autres.

Le graphe de AI Sense Maker repose sur une taxonomie gérée par NUS. Celle-ci a d’abord été nourrie par Wikidata, puis réduite et adaptée aux collections de l’université. Cette sélection éditoriale est importante : la qualité du graphe dépend autant de la manière dont les concepts sont définis et reliés dans le corpus que du modèle de langage utilisé.

Pour un projet interdisciplinaire, cette fonction peut faire émerger un vocabulaire ou des domaines voisins qui n’auraient pas été inclus dans la première requête. Ces rapprochements restent toutefois des pistes de recherche, et non la preuve que chaque relation suggérée est scientifiquement pertinente.

GPT-4.1, RAG et garde-fous fondés sur les sources

La plateforme utilise GPT-4.1 ainsi que la génération augmentée par récupération, ou RAG (retrieval-augmented generation). Dans ce type de système, le modèle commence par récupérer des documents pertinents dans un corpus défini, puis s’appuie sur ces éléments pour formuler sa réponse. AI Sense Maker est conçu pour ancrer ses résultats dans les sources de NUS et leur associer des citations que l’utilisateur peut consulter.

Ses garde-fous doivent également empêcher la plateforme de chercher sur l’internet public pour composer ses réponses. Cette limite de périmètre peut réduire les affirmations non étayées, mais elle ne dispense pas de vérifier les documents cités, d’interpréter les sources primaires et de contrôler la fidélité de la synthèse proposée.

GPT-4.1 est le modèle mentionné dans les informations consacrées à AI Sense Maker. OpenAI présente GPT-4.1 comme une famille de modèles améliorant notamment le respect des consignes et la compréhension de contextes longs. Ces capacités générales ne constituent pas, à elles seules, la garantie que AI Sense Maker produira des résultats de recherche sans erreur.

Les limites actuelles et les prochaines évolutions

La première version comporte plusieurs limites importantes :

• elle gère des requêtes ponctuelles et ne conserve pas encore le contexte d’une série de questions de suivi ;
• elle ne peut rechercher que les documents déjà numérisés et intégrés aux dépôts concernés de NUS ;
• elle peut aider à repérer des sources et des connexions, mais elle ne peut pas évaluer chaque débat scientifique ni formuler à la place de l’utilisateur une démonstration définitive.

NUS travaille sur une mémoire de l’historique des conversations, destinée aux recherches plus longues, ainsi que sur la transcription de la voix en texte.

Ces limites indiquent aussi la bonne manière d’utiliser le service : s’en servir comme d’un point de départ pour explorer un sujet, puis ouvrir les sources citées, comparer les interprétations et construire soi-même l’analyse finale.

Un gain de temps encore à confirmer

NUS estime que la phase initiale de découverte et d’orientation, qui peut durer environ deux semaines, pourrait être ramenée à 30 minutes ou moins avec AI Sense Maker.

Il s’agit d’une estimation de l’université, et non d’un résultat de productivité validé indépendamment. L’attente la plus prudente est que la plateforme réduise le temps consacré aux recherches peu prometteuses et aide à réunir plus rapidement un premier ensemble de sources citées.

Le bénéfice potentiel serait donc surtout concentré au début du travail : cadrage plus rapide du sujet, vocabulaire mieux adapté aux recherches suivantes et meilleure visibilité sur les liens entre disciplines et collections. La lecture critique, l’évaluation des sources et la construction de l’argumentation resteront, elles, au cœur du travail humain.