NUS AI Sense Maker कैसे बदलेगा रिसर्च की शुरुआत? लॉन्च डेट, एक्सेस और फीचर्स की पूरी जानकारी

इस संग्रह में साधारण कीवर्ड सर्च से आसानी से न मिलने वाली ऐतिहासिक और सांस्कृतिक सामग्री भी है। उदाहरण के तौर पर 1881 में शुरू हुआ सिंगापुर का चीनी भाषा का दैनिक Lat Pau, सर स्टैमफोर्ड रैफल्स की The History of Java का 1817 का पहला मुद्रित संस्करण और तांग राजवंश की साहित्यिक रचनाएं शामिल हैं। वांग शा की मूल संगीत रचनाएं और स्क्रिप्ट भी डिजिटाइजेशन और सिस्टम में शामिल किए जाने के बाद उपलब्ध होनी हैं।

AI Sense Maker पर सर्च कैसे काम करेगी?

यूज़र को डेटाबेस के सटीक कीवर्ड याद रखने की जरूरत नहीं होगी। वे रोजमर्रा की भाषा में सवाल लिख सकेंगे और तेज, दोहराव वाली या गहरी खोज के विकल्पों में से चुन सकेंगे।

किसी सवाल के जवाब में प्लेटफॉर्म कई स्तरों पर मदद देने के लिए तैयार किया गया है:

1. विषय का व्यवस्थित सारांश, जिससे शुरुआती दिशा मिल सके।
2. संबंधित अवधारणाएं, जो सवाल को व्यापक या अधिक स्पष्ट बनाने में मदद करें।
3. संदर्भ और आगे पढ़ने की सामग्री, जो NUS के रिपॉजिटरी से ली जाएगी।
4. उद्धरण, जिनसे यूज़र मूल सामग्री तक वापस पहुंच सकेंगे।
5. नॉलेज ग्राफ, जो अवधारणाओं, विषयों और स्रोतों के बीच संबंध दिखाएगा।

मसलन, अगर कोई पूछे कि सिंगापुर के कुछ मोहल्ले दूसरे इलाकों से ज्यादा गर्म क्यों महसूस होते हैं, तो सिस्टम इमारतों की घनत्व, हरियाली, निर्माण सामग्री और जल-स्रोतों को आपस में जोड़ सकता है। इसके बाद ये विचार शहरी पारिस्थितिकी, पर्यावरण-विज्ञान, वायुमंडलीय भौतिकी और माइक्रोक्लाइमेटोलॉजी जैसे क्षेत्रों से जुड़े दिखाई दे सकते हैं।

इस तरह AI Sense Maker को रिसर्च का ओरिएंटेशन लेयर समझना बेहतर होगा। यह छात्र या शोधकर्ता को बता सकता है कि किन शब्दों, विषयों और स्रोतों से शुरुआत की जाए—लेकिन आगे की पढ़ाई और विश्लेषण खुद करना होगा।

नॉलेज ग्राफ क्यों महत्वपूर्ण है?

पारंपरिक सर्च आम तौर पर दस्तावेजों की रैंक की गई सूची दिखाती है। नॉलेज ग्राफ इससे अलग तरीके से यह बताता है कि अलग-अलग स्रोतों में मौजूद विचार एक-दूसरे से कैसे जुड़े हैं।

AI Sense Maker का ग्राफ एक प्रबंधित टैक्सोनॉमी पर आधारित है। इसे शुरुआत में Wikidata से संकेत मिले, जिसके बाद NUS के संग्रहों के लिए अवधारणाओं को सीमित और परिष्कृत किया गया।

अंतर-विषयक शोध में यह सुविधा खास तौर पर उपयोगी हो सकती है। इससे ऐसे शब्द या पड़ोसी विषय सामने आ सकते हैं, जिन्हें यूज़र ने शुरुआती सवाल में शामिल नहीं किया था। हालांकि, ग्राफ में दिखने वाला हर संबंध अकादमिक रूप से सही साबित हो, यह जरूरी नहीं है। इन्हें जांच के लिए मिले संकेत की तरह देखना चाहिए, अंतिम प्रमाण की तरह नहीं।

GPT-4.1 और RAG: जवाबों को स्रोतों से जोड़ने की कोशिश

प्लेटफॉर्म OpenAI के GPT-4.1 मॉडल और retrieval-augmented generation (RAG) तकनीक का इस्तेमाल करता है। RAG प्रणाली में मॉडल पहले तय किए गए स्रोत-संग्रह से प्रासंगिक सामग्री खोजता है और फिर उसी आधार पर जवाब तैयार करता है। AI Sense Maker के जवाबों को NUS के मिले हुए स्रोतों से जोड़ने और उद्धरण देने के लिए डिजाइन किया गया है, ताकि यूज़र मूल दस्तावेज देख सकें।

इसके सुरक्षा-नियंत्रण प्लेटफॉर्म को खुले इंटरनेट से जवाब जुटाने से रोकने के लिए बनाए गए हैं। इससे बिना आधार वाले आउटपुट की संभावना कम हो सकती है, लेकिन गलती की संभावना पूरी तरह खत्म नहीं होती। उद्धृत दस्तावेजों को पढ़ना, मूल सामग्री की व्याख्या करना और यह जांचना अब भी जरूरी रहेगा कि जवाब उपलब्ध प्रमाण को सही तरह प्रस्तुत करता है या नहीं।

AI Sense Maker के बारे में रिपोर्टिंग में GPT-4.1 मॉडल का उल्लेख किया गया है। OpenAI के अनुसार GPT-4.1 में निर्देशों का पालन करने और लंबे संदर्भ को समझने की क्षमता में सुधार किया गया है। लेकिन इन सामान्य मॉडल क्षमताओं का अर्थ यह नहीं है कि AI Sense Maker हर बार त्रुटिरहित शोध-नतीजे देगा।

अभी की सीमाएं और आगे आने वाले फीचर्स

पहले संस्करण में कुछ महत्वपूर्ण सीमाएं होंगी:

• यह एक-बार की क्वेरी पर काम करेगा और लगातार पूछे गए सवालों के बीच बातचीत का संदर्भ अभी याद नहीं रखेगा।
• यह केवल उसी सामग्री को खोज सकेगा जो पहले से डिजिटाइज्ड होकर संबंधित NUS रिपॉजिटरी में शामिल की जा चुकी है।
• यह स्रोतों और अवधारणाओं की पहचान में मदद कर सकता है, लेकिन हर अकादमिक तर्क का मूल्यांकन या यूज़र के लिए अंतिम शोध-निष्कर्ष तैयार नहीं कर सकता।

NUS लंबे शोध-संवादों के लिए चैट-हिस्ट्री मेमोरी और बोलकर सवाल दर्ज करने के लिए वॉइस-टू-टेक्स्ट ट्रांसक्रिप्शन विकसित कर रहा है।

इसलिए इसके लिए सबसे व्यावहारिक तरीका यही होगा: पहले AI Sense Maker से विषय और संभावित स्रोतों की सूची बनाएं, फिर उद्धृत दस्तावेज खोलकर उन्हें ध्यान से पढ़ें, अलग-अलग व्याख्याओं की तुलना करें और अपना विश्लेषण स्वतंत्र रूप से तैयार करें।

क्या रिसर्च डिस्कवरी का समय घट सकता है?

NUS का अनुमान है कि शोध की शुरुआती खोज और विषय-समझ का चरण, जिसमें करीब दो सप्ताह लग सकते हैं, AI Sense Maker की मदद से लगभग 30 मिनट या उससे कम समय में पूरा हो सकता है।

यह संस्थान का अनुमान है, स्वतंत्र रूप से सत्यापित उत्पादकता-परिणाम नहीं। अधिक सावधान निष्कर्ष यह है कि प्लेटफॉर्म कमजोर सर्च-नतीजों पर समय बर्बाद होने से बचा सकता है और उद्धरणों के साथ शुरुआती स्रोत-सूची जल्दी तैयार करने में मदद कर सकता है।

संभावित लाभ रिसर्च के शुरुआती चरण में सबसे अधिक दिखेगा—विषय को जल्दी सीमित करने, बेहतर सर्च-शब्द खोजने और अलग-अलग विषयों व संग्रहों के बीच संबंध देखने में। लेकिन स्रोतों की आलोचनात्मक जांच, गहन पठन और अंतिम तर्क तैयार करना अब भी मानवीय शोध-कार्य ही रहेगा।