La piattaforma si inserisce nella più ampia strategia dell’università sull’intelligenza artificiale, ma ha un perimetro preciso: non è un chatbot generalista per cercare informazioni su tutto il web. È pensata per orientarsi all’interno delle collezioni e dei repository della stessa NUS.

Cosa contiene il suo archivio

Il corpus iniziale riunisce materiali provenienti da due repository universitari:

• ScholarBank, che raccoglie pubblicazioni, documenti e risultati della ricerca NUS;
• Digital Gems, dedicato a collezioni rare, speciali e storiche digitalizzate.

Nel complesso, si tratta di circa 150.000 risorse digitalizzate, con materiali che spaziano dall’ingegneria alle scienze della vita, dalla medicina alle discipline umanistiche e all’informatica. Sono presenti anche raccolte dedicate al Sud-est asiatico.

Gli esempi citati mostrano la varietà del materiale disponibile. Tra le risorse figurano Lat Pau, il quotidiano in lingua cinese fondato a Singapore nel 1881, la prima edizione stampata del 1817 di The History of Java di Sir Stamford Raffles e opere letterarie della dinastia Tang. Una volta digitalizzati e inseriti nel sistema, potranno rientrare nel corpus anche le composizioni musicali e le sceneggiature originali dell’artista Wang Sha.

Come funziona una ricerca

L’utente non deve necessariamente conoscere le parole chiave esatte richieste da un database tradizionale. Può formulare una domanda in linguaggio quotidiano e scegliere tra modalità di ricerca rapida, iterativa o approfondita.

In risposta, AI Sense Maker è progettato per offrire diversi livelli di orientamento:

1. Una panoramica strutturata dell’argomento, utile per inquadrare il tema.
2. Concetti correlati, per ampliare o rendere più precisa la domanda iniziale.
3. Riferimenti e letture consigliate selezionati dai repository NUS.
4. Citazioni che riportano ai documenti e ai materiali sottostanti.
5. Un knowledge graph, cioè una mappa visuale dei rapporti tra concetti, discipline e fonti.

Un esempio riguarda una domanda sul motivo per cui alcuni quartieri di Singapore risultino più caldi di altri. La ricerca potrebbe collegare densità edilizia, vegetazione, materiali da costruzione e presenza d’acqua a campi come ecologia urbana, scienze ambientali, fisica dell’atmosfera e microclimatologia.

Il valore principale, quindi, è nella fase iniziale: la piattaforma può aiutare a capire quali termini cercare, quali discipline consultare e da quali fonti partire prima di affrontare una lettura approfondita.

Perché il knowledge graph può essere utile

Un motore di ricerca tradizionale restituisce soprattutto un elenco ordinato di documenti. Un knowledge graph aggiunge una prospettiva diversa: mostra come le idee presenti nei documenti possono essere collegate tra loro.

Il grafo di AI Sense Maker si basa su una tassonomia gestita. La struttura è stata inizialmente informata da Wikidata, quindi ristretta e adattata alle collezioni NUS. Questa fase di curatela è importante: l’utilità della mappa non dipende soltanto dal modello linguistico, ma anche da come vengono definiti e messi in relazione i concetti all’interno dell’archivio.

Per una ricerca interdisciplinare, il sistema potrebbe far emergere parole chiave o ambiti vicini che non sarebbero comparsi nella prima domanda. I collegamenti suggeriti, però, vanno considerati come piste da verificare, non come dimostrazioni automatiche della validità di una relazione accademica.

GPT-4.1, RAG e limiti alle fonti

La piattaforma utilizza GPT-4.1 insieme alla tecnica della retrieval-augmented generation (RAG). In un sistema RAG, il modello recupera prima contenuti pertinenti da una raccolta definita e poi li usa per costruire la risposta. Nel caso di AI Sense Maker, le risposte dovrebbero essere ancorate ai materiali NUS recuperati e accompagnate da citazioni consultabili dall’utente.

I cosiddetti guard rail mantengono inoltre il sistema concentrato sui contenuti accademici dell’università: la piattaforma non è pensata per cercare liberamente sul web e assemblare le proprie risposte a partire da fonti pubbliche. Questo confine può limitare le risposte non supportate, ma non elimina la necessità di controllare i documenti citati, leggere le fonti primarie e verificare se l’interpretazione restituita sia corretta.

GPT-4.1 è il modello indicato nei resoconti su AI Sense Maker. OpenAI descrive questa famiglia di modelli come migliorata nel seguire le istruzioni e nel comprendere contesti molto lunghi. Queste caratteristiche generali non equivalgono, però, alla garanzia che i risultati della piattaforma siano privi di errori.

Le limitazioni della prima versione

Il debutto avrà alcuni vincoli rilevanti:

• supporterà query singole, senza conservare ancora il contesto tra una domanda e i successivi messaggi;
• potrà cercare soltanto il materiale già digitalizzato e inserito nei repository NUS;
• aiuterà a individuare fonti e collegamenti, ma non potrà valutare ogni argomentazione scientifica né costruire al posto dell’utente una tesi completa.

Tra gli aggiornamenti in fase di sviluppo figurano la memoria della cronologia delle chat, per sostenere conversazioni di ricerca più lunghe, e la trascrizione voce-testo.

Il flusso di lavoro più sensato sarà quindi in due tempi: usare AI Sense Maker per circoscrivere un tema e trovare piste documentate, poi aprire le fonti citate, confrontare le interpretazioni e sviluppare in autonomia l’analisi finale.

Quanto tempo potrebbe far risparmiare

NUS stima che la fase iniziale di scoperta e orientamento, che può richiedere circa due settimane, potrebbe scendere a circa 30 minuti o meno grazie ad AI Sense Maker.

Si tratta di una stima dell’istituzione, non di un risultato di produttività verificato in modo indipendente. L’aspettativa più prudente è che lo strumento possa ridurre il tempo perso su piste di ricerca poco utili e aiutare a costruire più rapidamente un primo elenco di fonti citate.

Il beneficio, dunque, sarebbe concentrato soprattutto all’inizio: definire più velocemente il tema, trovare il vocabolario adatto per le ricerche successive e vedere prima i collegamenti tra discipline e collezioni. La valutazione critica delle fonti, la lettura e la costruzione dell’argomentazione restano responsabilità del ricercatore.

La piattaforma si inserisce nella più ampia strategia dell’università sull’intelligenza artificiale, ma ha un perimetro preciso: non è un chatbot generalista per cercare informazioni su tutto il web. È pensata per orientarsi all’interno delle collezioni e dei repository della stessa NUS.

Cosa contiene il suo archivio

Il corpus iniziale riunisce materiali provenienti da due repository universitari:

• ScholarBank, che raccoglie pubblicazioni, documenti e risultati della ricerca NUS;
• Digital Gems, dedicato a collezioni rare, speciali e storiche digitalizzate.

Nel complesso, si tratta di circa 150.000 risorse digitalizzate, con materiali che spaziano dall’ingegneria alle scienze della vita, dalla medicina alle discipline umanistiche e all’informatica. Sono presenti anche raccolte dedicate al Sud-est asiatico.

Gli esempi citati mostrano la varietà del materiale disponibile. Tra le risorse figurano Lat Pau, il quotidiano in lingua cinese fondato a Singapore nel 1881, la prima edizione stampata del 1817 di The History of Java di Sir Stamford Raffles e opere letterarie della dinastia Tang. Una volta digitalizzati e inseriti nel sistema, potranno rientrare nel corpus anche le composizioni musicali e le sceneggiature originali dell’artista Wang Sha.

Come funziona una ricerca

L’utente non deve necessariamente conoscere le parole chiave esatte richieste da un database tradizionale. Può formulare una domanda in linguaggio quotidiano e scegliere tra modalità di ricerca rapida, iterativa o approfondita.

In risposta, AI Sense Maker è progettato per offrire diversi livelli di orientamento:

1. Una panoramica strutturata dell’argomento, utile per inquadrare il tema.
2. Concetti correlati, per ampliare o rendere più precisa la domanda iniziale.
3. Riferimenti e letture consigliate selezionati dai repository NUS.
4. Citazioni che riportano ai documenti e ai materiali sottostanti.
5. Un knowledge graph, cioè una mappa visuale dei rapporti tra concetti, discipline e fonti.

Un esempio riguarda una domanda sul motivo per cui alcuni quartieri di Singapore risultino più caldi di altri. La ricerca potrebbe collegare densità edilizia, vegetazione, materiali da costruzione e presenza d’acqua a campi come ecologia urbana, scienze ambientali, fisica dell’atmosfera e microclimatologia.

Il valore principale, quindi, è nella fase iniziale: la piattaforma può aiutare a capire quali termini cercare, quali discipline consultare e da quali fonti partire prima di affrontare una lettura approfondita.

Perché il knowledge graph può essere utile

Un motore di ricerca tradizionale restituisce soprattutto un elenco ordinato di documenti. Un knowledge graph aggiunge una prospettiva diversa: mostra come le idee presenti nei documenti possono essere collegate tra loro.

Il grafo di AI Sense Maker si basa su una tassonomia gestita. La struttura è stata inizialmente informata da Wikidata, quindi ristretta e adattata alle collezioni NUS. Questa fase di curatela è importante: l’utilità della mappa non dipende soltanto dal modello linguistico, ma anche da come vengono definiti e messi in relazione i concetti all’interno dell’archivio.

Per una ricerca interdisciplinare, il sistema potrebbe far emergere parole chiave o ambiti vicini che non sarebbero comparsi nella prima domanda. I collegamenti suggeriti, però, vanno considerati come piste da verificare, non come dimostrazioni automatiche della validità di una relazione accademica.

GPT-4.1, RAG e limiti alle fonti

La piattaforma utilizza GPT-4.1 insieme alla tecnica della retrieval-augmented generation (RAG). In un sistema RAG, il modello recupera prima contenuti pertinenti da una raccolta definita e poi li usa per costruire la risposta. Nel caso di AI Sense Maker, le risposte dovrebbero essere ancorate ai materiali NUS recuperati e accompagnate da citazioni consultabili dall’utente.

I cosiddetti guard rail mantengono inoltre il sistema concentrato sui contenuti accademici dell’università: la piattaforma non è pensata per cercare liberamente sul web e assemblare le proprie risposte a partire da fonti pubbliche. Questo confine può limitare le risposte non supportate, ma non elimina la necessità di controllare i documenti citati, leggere le fonti primarie e verificare se l’interpretazione restituita sia corretta.

GPT-4.1 è il modello indicato nei resoconti su AI Sense Maker. OpenAI descrive questa famiglia di modelli come migliorata nel seguire le istruzioni e nel comprendere contesti molto lunghi. Queste caratteristiche generali non equivalgono, però, alla garanzia che i risultati della piattaforma siano privi di errori.

Le limitazioni della prima versione

Il debutto avrà alcuni vincoli rilevanti:

• supporterà query singole, senza conservare ancora il contesto tra una domanda e i successivi messaggi;
• potrà cercare soltanto il materiale già digitalizzato e inserito nei repository NUS;
• aiuterà a individuare fonti e collegamenti, ma non potrà valutare ogni argomentazione scientifica né costruire al posto dell’utente una tesi completa.

Tra gli aggiornamenti in fase di sviluppo figurano la memoria della cronologia delle chat, per sostenere conversazioni di ricerca più lunghe, e la trascrizione voce-testo.

Il flusso di lavoro più sensato sarà quindi in due tempi: usare AI Sense Maker per circoscrivere un tema e trovare piste documentate, poi aprire le fonti citate, confrontare le interpretazioni e sviluppare in autonomia l’analisi finale.

Quanto tempo potrebbe far risparmiare

NUS stima che la fase iniziale di scoperta e orientamento, che può richiedere circa due settimane, potrebbe scendere a circa 30 minuti o meno grazie ad AI Sense Maker.

Si tratta di una stima dell’istituzione, non di un risultato di produttività verificato in modo indipendente. L’aspettativa più prudente è che lo strumento possa ridurre il tempo perso su piste di ricerca poco utili e aiutare a costruire più rapidamente un primo elenco di fonti citate.

Il beneficio, dunque, sarebbe concentrato soprattutto all’inizio: definire più velocemente il tema, trovare il vocabolario adatto per le ricerche successive e vedere prima i collegamenti tra discipline e collezioni. La valutazione critica delle fonti, la lettura e la costruzione dell’argomentazione restano responsabilità del ricercatore.