Lanseringen skjer samtidig som NUS satser bredere på kunstig intelligens i utdanning og forskning. AI Sense Maker har likevel en mer avgrenset funksjon enn en generell chatbot: Den skal navigere i NUS’ egne samlinger, ikke søke fritt på hele internett.

Hva kan verktøyet søke i?

Den første samlingen henter materiale fra to NUS-repositorier – digitale arkiver for forsknings- og samlingsmateriale:

• ScholarBank, som inneholder forskningsarbeider og publikasjoner fra NUS
• Digital Gems, som inneholder digitaliserte sjeldne bøker og spesialsamlinger

Til sammen består startgrunnlaget av rundt 150 000 digitaliserte objekter. Materialet dekker blant annet ingeniørfag, biovitenskap, medisin, humaniora og databehandling, i tillegg til samlinger med et særlig fokus på Sørøst-Asia.

Eksemplene viser hvorfor et vanlig søk med enkeltstående nøkkelord ikke alltid er nok. Blant materialet finnes Singapores kinesiskspråklige dagsavis Lat Pau fra 1881, den første trykte utgaven fra 1817 av Sir Stamford Raffles’ The History of Java, litterære verk fra Tang-dynastiet og – når materialet er digitalisert og tatt inn i systemet – Wang Shas originale musikkomposisjoner og manuskripter.

Slik fungerer et søk

Brukeren starter med å stille et spørsmål med vanlig språk, i stedet for å måtte kjenne de nøyaktige søkeordene i en database. Plattformen tilbyr raske, iterative og mer grundige søkemoduser, slik at brukeren kan velge mellom en kort introduksjon og en bredere utforskning.

Et søk er utformet for å gi flere typer resultater:

1. En strukturert oversikt over temaet som gir en første forståelse av feltet.
2. Relaterte begreper som kan utvide eller presisere spørsmålet.
3. Referanser og videre lesning fra NUS-repositoriene.
4. Siteringer som leder tilbake til kildematerialet.
5. En kunnskapsgraf som viser forbindelser mellom begreper, fagområder og kilder.

Et spørsmål om hvorfor enkelte bydeler i Singapore oppleves varmere enn andre, kan for eksempel koble sammen bygningstetthet, vegetasjon, byggematerialer og vannflater. Derfra kan systemet vise forbindelser til urban økologi, miljøvitenskap, atmosfærisk fysikk og mikroklimatologi.

Den viktigste funksjonen er dermed å orientere forskeren: Verktøyet kan gjøre det lettere å se hvilke begreper, fagområder og kilder som bør undersøkes før man går inn i selve lesingen.

Derfor kan kunnskapsgrafen bli nyttig

Et tradisjonelt søk gir gjerne en rangert liste over dokumenter. En kunnskapsgraf gir et annet perspektiv ved å vise hvordan ideene i dokumentene henger sammen.

Grafen i AI Sense Maker bygger på en forvaltet taksonomi – et system for å definere og organisere begreper. Taksonomien var først inspirert av Wikidata, men er deretter avgrenset og tilpasset NUS’ egne samlinger.

Denne redigeringen er viktig. Hvor nyttig en kunnskapsgraf blir, avhenger ikke bare av språkmodellen, men også av hvordan begrepene er definert og koblet sammen i materialet som søkes gjennom.

For tverrfaglige prosjekter kan grafen avdekke ord og nabofelt brukeren ikke hadde tenkt på i det første søket. Koblingene må likevel behandles som spor til videre undersøkelse – ikke som bevis på at enhver foreslått sammenheng er faglig holdbar.

GPT-4.1, RAG og grenser for kildene

AI Sense Maker bruker OpenAIs GPT-4.1 sammen med retrieval-augmented generation, vanligvis forkortet RAG. I et RAG-system hentes først relevant materiale fra en avgrenset kildebase. Deretter bruker modellen dette materialet til å utforme et svar.

AI Sense Maker er laget for å forankre svarene i kilder fra NUS og legge ved siteringer, slik at brukeren kan kontrollere det underliggende materialet.

Plattformen har også begrensninger som skal holde søkene innenfor universitetets akademiske innhold. Den er ikke ment å søke på det åpne nettet for å sette sammen svar. En slik kildeavgrensning kan redusere mengden udokumentert innhold, men fjerner ikke behovet for å kontrollere dokumentene, tolke primærkildene og vurdere om svaret faktisk gjengir materialet på en rimelig måte.

GPT-4.1 er modellen som omtales i rapporteringen om AI Sense Maker. OpenAI beskriver GPT-4.1 som en modellfamilie med forbedret instruksjonsforståelse og bedre håndtering av lange kontekster. Det er imidlertid ikke det samme som en uavhengig garanti for at AI Sense Maker vil levere feilfrie forskningsresultater.

Begrensninger ved lansering – og planlagte oppgraderinger

Den første versjonen har flere viktige begrensninger:

• Den støtter enkeltstående spørsmål, og husker derfor ikke nødvendigvis konteksten gjennom en rekke oppfølgingsspørsmål.
• Den kan bare søke i materiale som allerede er digitalisert og lagt inn i de aktuelle NUS-repositoriene.
• Den kan hjelpe med å finne kilder og forbindelser, men kan ikke vurdere alle faglige argumenter eller utforme den endelige forskningsanalysen for brukeren.

NUS utvikler minne for samtalehistorikk, slik at lengre forskningssamtaler kan henge bedre sammen, samt tale-til-tekst som en planlagt funksjon.

Den mest fornuftige arbeidsflyten blir derfor å bruke AI Sense Maker som et startpunkt: Finn mulige spor, åpne de siterte kildene, sammenlign tolkninger og bygg analysen selv.

Kan verktøyet kutte tiden det tar å komme i gang?

NUS anslår at den første fasen av forskningsarbeidet – å avgrense temaet og orientere seg, noe som kan ta rundt to uker – kan reduseres til omtrent 30 minutter eller mindre med AI Sense Maker.

Dette er et institusjonelt anslag, ikke et uavhengig dokumentert produktivitetsresultat. En mer forsiktig forventning er at plattformen kan redusere tiden som går med til svake søkespor, og hjelpe brukeren med å sette sammen et første, kildebelagt utvalg raskere.

Den største gevinsten vil trolig komme helt i starten: raskere avgrensing av temaet, bedre søkeord til videre arbeid og tidligere oversikt over forbindelser på tvers av fag og samlinger. Lesing, kildekritikk og utvikling av selve argumentet er fortsatt forskerens jobb.

Lanseringen skjer samtidig som NUS satser bredere på kunstig intelligens i utdanning og forskning. AI Sense Maker har likevel en mer avgrenset funksjon enn en generell chatbot: Den skal navigere i NUS’ egne samlinger, ikke søke fritt på hele internett.

Hva kan verktøyet søke i?

Den første samlingen henter materiale fra to NUS-repositorier – digitale arkiver for forsknings- og samlingsmateriale:

• ScholarBank, som inneholder forskningsarbeider og publikasjoner fra NUS
• Digital Gems, som inneholder digitaliserte sjeldne bøker og spesialsamlinger

Til sammen består startgrunnlaget av rundt 150 000 digitaliserte objekter. Materialet dekker blant annet ingeniørfag, biovitenskap, medisin, humaniora og databehandling, i tillegg til samlinger med et særlig fokus på Sørøst-Asia.

Eksemplene viser hvorfor et vanlig søk med enkeltstående nøkkelord ikke alltid er nok. Blant materialet finnes Singapores kinesiskspråklige dagsavis Lat Pau fra 1881, den første trykte utgaven fra 1817 av Sir Stamford Raffles’ The History of Java, litterære verk fra Tang-dynastiet og – når materialet er digitalisert og tatt inn i systemet – Wang Shas originale musikkomposisjoner og manuskripter.

Slik fungerer et søk

Brukeren starter med å stille et spørsmål med vanlig språk, i stedet for å måtte kjenne de nøyaktige søkeordene i en database. Plattformen tilbyr raske, iterative og mer grundige søkemoduser, slik at brukeren kan velge mellom en kort introduksjon og en bredere utforskning.

Et søk er utformet for å gi flere typer resultater:

1. En strukturert oversikt over temaet som gir en første forståelse av feltet.
2. Relaterte begreper som kan utvide eller presisere spørsmålet.
3. Referanser og videre lesning fra NUS-repositoriene.
4. Siteringer som leder tilbake til kildematerialet.
5. En kunnskapsgraf som viser forbindelser mellom begreper, fagområder og kilder.

Et spørsmål om hvorfor enkelte bydeler i Singapore oppleves varmere enn andre, kan for eksempel koble sammen bygningstetthet, vegetasjon, byggematerialer og vannflater. Derfra kan systemet vise forbindelser til urban økologi, miljøvitenskap, atmosfærisk fysikk og mikroklimatologi.

Den viktigste funksjonen er dermed å orientere forskeren: Verktøyet kan gjøre det lettere å se hvilke begreper, fagområder og kilder som bør undersøkes før man går inn i selve lesingen.

Derfor kan kunnskapsgrafen bli nyttig

Et tradisjonelt søk gir gjerne en rangert liste over dokumenter. En kunnskapsgraf gir et annet perspektiv ved å vise hvordan ideene i dokumentene henger sammen.

Grafen i AI Sense Maker bygger på en forvaltet taksonomi – et system for å definere og organisere begreper. Taksonomien var først inspirert av Wikidata, men er deretter avgrenset og tilpasset NUS’ egne samlinger.

Denne redigeringen er viktig. Hvor nyttig en kunnskapsgraf blir, avhenger ikke bare av språkmodellen, men også av hvordan begrepene er definert og koblet sammen i materialet som søkes gjennom.

For tverrfaglige prosjekter kan grafen avdekke ord og nabofelt brukeren ikke hadde tenkt på i det første søket. Koblingene må likevel behandles som spor til videre undersøkelse – ikke som bevis på at enhver foreslått sammenheng er faglig holdbar.

GPT-4.1, RAG og grenser for kildene

AI Sense Maker bruker OpenAIs GPT-4.1 sammen med retrieval-augmented generation, vanligvis forkortet RAG. I et RAG-system hentes først relevant materiale fra en avgrenset kildebase. Deretter bruker modellen dette materialet til å utforme et svar.

AI Sense Maker er laget for å forankre svarene i kilder fra NUS og legge ved siteringer, slik at brukeren kan kontrollere det underliggende materialet.

Plattformen har også begrensninger som skal holde søkene innenfor universitetets akademiske innhold. Den er ikke ment å søke på det åpne nettet for å sette sammen svar. En slik kildeavgrensning kan redusere mengden udokumentert innhold, men fjerner ikke behovet for å kontrollere dokumentene, tolke primærkildene og vurdere om svaret faktisk gjengir materialet på en rimelig måte.

GPT-4.1 er modellen som omtales i rapporteringen om AI Sense Maker. OpenAI beskriver GPT-4.1 som en modellfamilie med forbedret instruksjonsforståelse og bedre håndtering av lange kontekster. Det er imidlertid ikke det samme som en uavhengig garanti for at AI Sense Maker vil levere feilfrie forskningsresultater.

Begrensninger ved lansering – og planlagte oppgraderinger

Den første versjonen har flere viktige begrensninger:

• Den støtter enkeltstående spørsmål, og husker derfor ikke nødvendigvis konteksten gjennom en rekke oppfølgingsspørsmål.
• Den kan bare søke i materiale som allerede er digitalisert og lagt inn i de aktuelle NUS-repositoriene.
• Den kan hjelpe med å finne kilder og forbindelser, men kan ikke vurdere alle faglige argumenter eller utforme den endelige forskningsanalysen for brukeren.

NUS utvikler minne for samtalehistorikk, slik at lengre forskningssamtaler kan henge bedre sammen, samt tale-til-tekst som en planlagt funksjon.

Den mest fornuftige arbeidsflyten blir derfor å bruke AI Sense Maker som et startpunkt: Finn mulige spor, åpne de siterte kildene, sammenlign tolkninger og bygg analysen selv.

Kan verktøyet kutte tiden det tar å komme i gang?

NUS anslår at den første fasen av forskningsarbeidet – å avgrense temaet og orientere seg, noe som kan ta rundt to uker – kan reduseres til omtrent 30 minutter eller mindre med AI Sense Maker.

Dette er et institusjonelt anslag, ikke et uavhengig dokumentert produktivitetsresultat. En mer forsiktig forventning er at plattformen kan redusere tiden som går med til svake søkespor, og hjelpe brukeren med å sette sammen et første, kildebelagt utvalg raskere.

Den største gevinsten vil trolig komme helt i starten: raskere avgrensing av temaet, bedre søkeord til videre arbeid og tidligere oversikt over forbindelser på tvers av fag og samlinger. Lesing, kildekritikk og utvikling av selve argumentet er fortsatt forskerens jobb.