แม้แพลตฟอร์มนี้จะเกิดขึ้นท่ามกลางการผลักดันให้ใช้ AI ในการเรียนการสอนและการวิจัยของ NUS แต่ขอบเขตของ AI Sense Maker แตกต่างจากแชตบอตทั่วไป เพราะออกแบบมาเพื่อค้นข้อมูลจากคลังของ NUS โดยเฉพาะ ไม่ได้ค้นอินเทอร์เน็ตแบบเปิดเพื่อรวบรวมคำตอบ

ค้นข้อมูลจากคลังใดบ้าง

ฐานข้อมูลเริ่มต้นของแพลตฟอร์มรวบรวมเนื้อหาจากคลังหลัก 2 แห่งของ NUS ได้แก่

• ScholarBank คลังผลงานวิจัยและเอกสารวิชาการของ NUS
• Digital Gems คลังหนังสือหายากและคอลเลกชันพิเศษที่ผ่านการแปลงเป็นดิจิทัล

รวมกันแล้วมีเนื้อหาดิจิทัลประมาณ 150,000 รายการ ครอบคลุมสาขาอย่างวิศวกรรมศาสตร์ วิทยาศาสตร์ชีวภาพ แพทยศาสตร์ มนุษยศาสตร์ และคอมพิวเตอร์ รวมถึงเนื้อหาที่เน้นเอเชียตะวันออกเฉียงใต้

ตัวอย่างวัสดุที่ถูกกล่าวถึงในคลัง ได้แก่ หนังสือพิมพ์ภาษาจีนรายวันของสิงคโปร์ Lat Pau ซึ่งเริ่มตีพิมพ์ในปี 1881 หนังสือพิมพ์ฉบับพิมพ์ครั้งแรกของ The History of Java โดยเซอร์สแตมฟอร์ด ราฟเฟิลส์ในปี 1817 ตลอดจนวรรณกรรมสมัยราชวงศ์ถัง และผลงานเพลงกับบทประพันธ์ต้นฉบับของหวังซาเมื่อเอกสารเหล่านี้ผ่านการแปลงเป็นดิจิทัลและนำเข้าสู่ระบบแล้ว

วิธีค้นหาด้วย AI Sense Maker

ผู้ใช้เริ่มต้นด้วยการพิมพ์คำถามในภาษาทั่วไป ไม่จำเป็นต้องรู้คำค้นเฉพาะของฐานข้อมูล จากนั้นเลือกโหมดการค้นหาได้ทั้งแบบรวดเร็ว แบบต่อยอด และแบบลงลึก เพื่อใช้สำรวจหัวข้อในระดับต่าง ๆ

ระบบออกแบบมาให้แสดงผลหลายชั้น ได้แก่

1. ภาพรวมหัวข้อแบบมีโครงสร้าง เพื่อช่วยวางแผนที่เบื้องต้นของประเด็นที่สนใจ
2. แนวคิดที่เกี่ยวข้อง เพื่อขยายหรือปรับคำถามให้เฉพาะเจาะจงขึ้น
3. รายการอ้างอิงและเอกสารอ่านเพิ่มเติม จากคลังของ NUS
4. การอ้างอิงแหล่งข้อมูล ที่พาผู้ใช้กลับไปตรวจสอบเอกสารต้นทาง
5. Knowledge graph หรือแผนผังความรู้ที่แสดงความเชื่อมโยงระหว่างแนวคิด สาขาวิชา และแหล่งข้อมูล

ตัวอย่างเช่น หากถามว่าเหตุใดย่านชุมชนบางแห่งในสิงคโปร์จึงรู้สึกร้อนกว่าย่านอื่น ระบบอาจเชื่อมโยงประเด็นความหนาแน่นของอาคาร พื้นที่สีเขียว วัสดุก่อสร้าง และแหล่งน้ำ เข้ากับสาขานิเวศวิทยาเมือง วิทยาศาสตร์สิ่งแวดล้อม ฟิสิกส์บรรยากาศ และจุลภูมิอากาศ

ดังนั้น จุดแข็งของแพลตฟอร์มอยู่ที่การช่วย “ตั้งต้นการวิจัย” ผู้ใช้จะเห็นคำศัพท์ สาขาวิชา และแหล่งข้อมูลที่อาจเกี่ยวข้อง ก่อนเลือกเอกสารไปอ่านและวิเคราะห์อย่างละเอียดด้วยตนเอง

ทำไม knowledge graph จึงมีความสำคัญ

การค้นหาแบบดั้งเดิมมักแสดงรายการเอกสารเรียงตามความเกี่ยวข้อง แต่ knowledge graph ช่วยเพิ่มมุมมองอีกแบบ โดยแสดงว่าแนวคิดในเอกสารเหล่านั้นเชื่อมโยงกันอย่างไร

กราฟของ AI Sense Maker ใช้ taxonomy หรือระบบจัดหมวดหมู่แนวคิดที่มีการดูแลโดยมนุษย์ โดยเริ่มต้นจากข้อมูลของ Wikidata ก่อนจะคัดกรองและปรับให้เหมาะกับคอลเลกชันของ NUS ขั้นตอนนี้มีความสำคัญ เพราะประโยชน์ของกราฟไม่ได้ขึ้นอยู่กับความสามารถของโมเดลภาษาเพียงอย่างเดียว แต่ยังขึ้นกับการกำหนดความหมายของแนวคิดและความสัมพันธ์ภายในคลังข้อมูลด้วย

สำหรับงานวิจัยข้ามสาขา ระบบอาจช่วยเปิดคำศัพท์หรือสาขาใกล้เคียงที่ผู้ใช้ไม่ได้นึกถึงตอนตั้งคำถามแรก อย่างไรก็ตาม ความเชื่อมโยงที่แสดงควรถือเป็นเบาะแสสำหรับการค้นคว้าต่อ ไม่ใช่หลักฐานยืนยันว่าความสัมพันธ์ทุกอย่างถูกต้องหรือมีน้ำหนักทางวิชาการเท่ากัน

ใช้ GPT-4.1 และ RAG พร้อมจำกัดขอบเขตแหล่งข้อมูล

AI Sense Maker ใช้ GPT-4.1 ร่วมกับเทคนิค retrieval-augmented generation (RAG) ซึ่งเป็นกระบวนการที่ระบบค้นคืนข้อมูลจากคลังแหล่งข้อมูลที่กำหนดไว้ก่อน แล้วจึงนำข้อมูลนั้นมาใช้สร้างคำตอบ

แพลตฟอร์มได้รับการออกแบบให้ยึดคำตอบกับเอกสารของ NUS ที่ค้นคืนมาได้ พร้อมแนบรายการอ้างอิงเพื่อให้ผู้ใช้เปิดตรวจสอบแหล่งข้อมูลต้นทาง นอกจากนี้ ระบบยังมีข้อจำกัดไม่ให้ค้นอินเทอร์เน็ตสาธารณะเพื่อนำมาเรียบเรียงคำตอบ การกำหนดขอบเขตเช่นนี้อาจช่วยลดคำตอบที่ไม่มีหลักฐานรองรับ แต่ไม่ได้ทำให้ผู้ใช้ไม่จำเป็นต้องตรวจเอกสาร ตีความข้อมูลปฐมภูมิ และประเมินว่าคำตอบสะท้อนหลักฐานอย่างเป็นธรรมหรือไม่

GPT-4.1 คือโมเดลที่มีการระบุว่าใช้กับ AI Sense Maker โดย OpenAI อธิบายว่า GPT-4.1 มีการปรับปรุงด้านการทำตามคำสั่งและการทำความเข้าใจบริบทที่ยาวขึ้น แต่ความสามารถทั่วไปของโมเดลไม่ควรถูกตีความว่าเป็นหลักฐานว่า AI Sense Maker จะให้ผลการวิจัยที่ปราศจากข้อผิดพลาด

ข้อจำกัดในรุ่นแรกและฟีเจอร์ที่กำลังพัฒนา

AI Sense Maker รุ่นเปิดตัวมีข้อจำกัดสำคัญดังนี้

• รองรับ คำถามแบบครั้งต่อครั้ง จึงยังไม่จดจำบริบทจากคำถามต่อเนื่องในบทสนทนาเดียวกัน
• ค้นได้เฉพาะเนื้อหาที่ผ่านการแปลงเป็นดิจิทัลและถูกนำเข้าสู่คลัง NUS ที่ระบบเชื่อมต่อแล้ว
• ช่วยค้นหาแหล่งข้อมูลและความเชื่อมโยงได้ แต่ไม่สามารถประเมินข้อถกเถียงทางวิชาการทุกประเด็น หรือสร้างข้อโต้แย้งวิจัยฉบับสมบูรณ์แทนผู้ใช้

NUS กำลังพัฒนาฟีเจอร์ ความจำประวัติการสนทนา เพื่อรองรับการค้นคว้าระยะยาว และ การถอดเสียงเป็นข้อความ เพื่อเพิ่มทางเลือกในการใช้งาน

ข้อจำกัดเหล่านี้ทำให้แนวทางใช้งานที่เหมาะสมคือ ใช้ AI Sense Maker เป็นจุดเริ่มต้นเพื่อสำรวจหัวข้อ จากนั้นเปิดอ่านเอกสารที่ระบบอ้างถึง เปรียบเทียบการตีความ และสร้างบทวิเคราะห์ด้วยตนเอง

จะช่วยลดเวลาค้นคว้าได้มากแค่ไหน

NUS ประเมินว่าขั้นตอนเริ่มต้นของการค้นหาและทำความเข้าใจทิศทางการวิจัย ซึ่งอาจใช้เวลาราว 2 สัปดาห์ อาจลดลงเหลือประมาณ 30 นาทีหรือน้อยกว่า เมื่อใช้ AI Sense Maker

ตัวเลขดังกล่าวเป็นการประเมินจากสถาบัน ยังไม่ใช่ผลการวัดประสิทธิภาพที่ผ่านการตรวจสอบโดยอิสระ สิ่งที่คาดหวังได้อย่างระมัดระวังคือแพลตฟอร์มอาจช่วยลดเวลาที่เสียไปกับผลการค้นหาที่ไม่ตรงประเด็น และช่วยรวบรวมชุดแหล่งข้อมูลเบื้องต้นที่มีการอ้างอิงได้เร็วขึ้น

ประโยชน์หลักจึงน่าจะเกิดขึ้นในช่วงต้นของกระบวนการวิจัย ได้แก่ การกำหนดขอบเขตหัวข้อได้เร็วขึ้น การได้คำศัพท์สำหรับค้นต่อ และการมองเห็นความเชื่อมโยงข้ามสาขาและคอลเลกชันได้ไวขึ้น ส่วนการอ่านอย่างมีวิจารณญาณ การตรวจสอบแหล่งที่มา และการสร้างข้อโต้แย้ง ยังคงเป็นงานวิจัยที่มนุษย์ต้องรับผิดชอบ

แม้แพลตฟอร์มนี้จะเกิดขึ้นท่ามกลางการผลักดันให้ใช้ AI ในการเรียนการสอนและการวิจัยของ NUS แต่ขอบเขตของ AI Sense Maker แตกต่างจากแชตบอตทั่วไป เพราะออกแบบมาเพื่อค้นข้อมูลจากคลังของ NUS โดยเฉพาะ ไม่ได้ค้นอินเทอร์เน็ตแบบเปิดเพื่อรวบรวมคำตอบ

ค้นข้อมูลจากคลังใดบ้าง

ฐานข้อมูลเริ่มต้นของแพลตฟอร์มรวบรวมเนื้อหาจากคลังหลัก 2 แห่งของ NUS ได้แก่

• ScholarBank คลังผลงานวิจัยและเอกสารวิชาการของ NUS
• Digital Gems คลังหนังสือหายากและคอลเลกชันพิเศษที่ผ่านการแปลงเป็นดิจิทัล

รวมกันแล้วมีเนื้อหาดิจิทัลประมาณ 150,000 รายการ ครอบคลุมสาขาอย่างวิศวกรรมศาสตร์ วิทยาศาสตร์ชีวภาพ แพทยศาสตร์ มนุษยศาสตร์ และคอมพิวเตอร์ รวมถึงเนื้อหาที่เน้นเอเชียตะวันออกเฉียงใต้

ตัวอย่างวัสดุที่ถูกกล่าวถึงในคลัง ได้แก่ หนังสือพิมพ์ภาษาจีนรายวันของสิงคโปร์ Lat Pau ซึ่งเริ่มตีพิมพ์ในปี 1881 หนังสือพิมพ์ฉบับพิมพ์ครั้งแรกของ The History of Java โดยเซอร์สแตมฟอร์ด ราฟเฟิลส์ในปี 1817 ตลอดจนวรรณกรรมสมัยราชวงศ์ถัง และผลงานเพลงกับบทประพันธ์ต้นฉบับของหวังซาเมื่อเอกสารเหล่านี้ผ่านการแปลงเป็นดิจิทัลและนำเข้าสู่ระบบแล้ว

วิธีค้นหาด้วย AI Sense Maker

ผู้ใช้เริ่มต้นด้วยการพิมพ์คำถามในภาษาทั่วไป ไม่จำเป็นต้องรู้คำค้นเฉพาะของฐานข้อมูล จากนั้นเลือกโหมดการค้นหาได้ทั้งแบบรวดเร็ว แบบต่อยอด และแบบลงลึก เพื่อใช้สำรวจหัวข้อในระดับต่าง ๆ

ระบบออกแบบมาให้แสดงผลหลายชั้น ได้แก่

1. ภาพรวมหัวข้อแบบมีโครงสร้าง เพื่อช่วยวางแผนที่เบื้องต้นของประเด็นที่สนใจ
2. แนวคิดที่เกี่ยวข้อง เพื่อขยายหรือปรับคำถามให้เฉพาะเจาะจงขึ้น
3. รายการอ้างอิงและเอกสารอ่านเพิ่มเติม จากคลังของ NUS
4. การอ้างอิงแหล่งข้อมูล ที่พาผู้ใช้กลับไปตรวจสอบเอกสารต้นทาง
5. Knowledge graph หรือแผนผังความรู้ที่แสดงความเชื่อมโยงระหว่างแนวคิด สาขาวิชา และแหล่งข้อมูล

ตัวอย่างเช่น หากถามว่าเหตุใดย่านชุมชนบางแห่งในสิงคโปร์จึงรู้สึกร้อนกว่าย่านอื่น ระบบอาจเชื่อมโยงประเด็นความหนาแน่นของอาคาร พื้นที่สีเขียว วัสดุก่อสร้าง และแหล่งน้ำ เข้ากับสาขานิเวศวิทยาเมือง วิทยาศาสตร์สิ่งแวดล้อม ฟิสิกส์บรรยากาศ และจุลภูมิอากาศ

ดังนั้น จุดแข็งของแพลตฟอร์มอยู่ที่การช่วย “ตั้งต้นการวิจัย” ผู้ใช้จะเห็นคำศัพท์ สาขาวิชา และแหล่งข้อมูลที่อาจเกี่ยวข้อง ก่อนเลือกเอกสารไปอ่านและวิเคราะห์อย่างละเอียดด้วยตนเอง

ทำไม knowledge graph จึงมีความสำคัญ

การค้นหาแบบดั้งเดิมมักแสดงรายการเอกสารเรียงตามความเกี่ยวข้อง แต่ knowledge graph ช่วยเพิ่มมุมมองอีกแบบ โดยแสดงว่าแนวคิดในเอกสารเหล่านั้นเชื่อมโยงกันอย่างไร

กราฟของ AI Sense Maker ใช้ taxonomy หรือระบบจัดหมวดหมู่แนวคิดที่มีการดูแลโดยมนุษย์ โดยเริ่มต้นจากข้อมูลของ Wikidata ก่อนจะคัดกรองและปรับให้เหมาะกับคอลเลกชันของ NUS ขั้นตอนนี้มีความสำคัญ เพราะประโยชน์ของกราฟไม่ได้ขึ้นอยู่กับความสามารถของโมเดลภาษาเพียงอย่างเดียว แต่ยังขึ้นกับการกำหนดความหมายของแนวคิดและความสัมพันธ์ภายในคลังข้อมูลด้วย

สำหรับงานวิจัยข้ามสาขา ระบบอาจช่วยเปิดคำศัพท์หรือสาขาใกล้เคียงที่ผู้ใช้ไม่ได้นึกถึงตอนตั้งคำถามแรก อย่างไรก็ตาม ความเชื่อมโยงที่แสดงควรถือเป็นเบาะแสสำหรับการค้นคว้าต่อ ไม่ใช่หลักฐานยืนยันว่าความสัมพันธ์ทุกอย่างถูกต้องหรือมีน้ำหนักทางวิชาการเท่ากัน

ใช้ GPT-4.1 และ RAG พร้อมจำกัดขอบเขตแหล่งข้อมูล

AI Sense Maker ใช้ GPT-4.1 ร่วมกับเทคนิค retrieval-augmented generation (RAG) ซึ่งเป็นกระบวนการที่ระบบค้นคืนข้อมูลจากคลังแหล่งข้อมูลที่กำหนดไว้ก่อน แล้วจึงนำข้อมูลนั้นมาใช้สร้างคำตอบ

แพลตฟอร์มได้รับการออกแบบให้ยึดคำตอบกับเอกสารของ NUS ที่ค้นคืนมาได้ พร้อมแนบรายการอ้างอิงเพื่อให้ผู้ใช้เปิดตรวจสอบแหล่งข้อมูลต้นทาง นอกจากนี้ ระบบยังมีข้อจำกัดไม่ให้ค้นอินเทอร์เน็ตสาธารณะเพื่อนำมาเรียบเรียงคำตอบ การกำหนดขอบเขตเช่นนี้อาจช่วยลดคำตอบที่ไม่มีหลักฐานรองรับ แต่ไม่ได้ทำให้ผู้ใช้ไม่จำเป็นต้องตรวจเอกสาร ตีความข้อมูลปฐมภูมิ และประเมินว่าคำตอบสะท้อนหลักฐานอย่างเป็นธรรมหรือไม่

GPT-4.1 คือโมเดลที่มีการระบุว่าใช้กับ AI Sense Maker โดย OpenAI อธิบายว่า GPT-4.1 มีการปรับปรุงด้านการทำตามคำสั่งและการทำความเข้าใจบริบทที่ยาวขึ้น แต่ความสามารถทั่วไปของโมเดลไม่ควรถูกตีความว่าเป็นหลักฐานว่า AI Sense Maker จะให้ผลการวิจัยที่ปราศจากข้อผิดพลาด

ข้อจำกัดในรุ่นแรกและฟีเจอร์ที่กำลังพัฒนา

AI Sense Maker รุ่นเปิดตัวมีข้อจำกัดสำคัญดังนี้

• รองรับ คำถามแบบครั้งต่อครั้ง จึงยังไม่จดจำบริบทจากคำถามต่อเนื่องในบทสนทนาเดียวกัน
• ค้นได้เฉพาะเนื้อหาที่ผ่านการแปลงเป็นดิจิทัลและถูกนำเข้าสู่คลัง NUS ที่ระบบเชื่อมต่อแล้ว
• ช่วยค้นหาแหล่งข้อมูลและความเชื่อมโยงได้ แต่ไม่สามารถประเมินข้อถกเถียงทางวิชาการทุกประเด็น หรือสร้างข้อโต้แย้งวิจัยฉบับสมบูรณ์แทนผู้ใช้

NUS กำลังพัฒนาฟีเจอร์ ความจำประวัติการสนทนา เพื่อรองรับการค้นคว้าระยะยาว และ การถอดเสียงเป็นข้อความ เพื่อเพิ่มทางเลือกในการใช้งาน

ข้อจำกัดเหล่านี้ทำให้แนวทางใช้งานที่เหมาะสมคือ ใช้ AI Sense Maker เป็นจุดเริ่มต้นเพื่อสำรวจหัวข้อ จากนั้นเปิดอ่านเอกสารที่ระบบอ้างถึง เปรียบเทียบการตีความ และสร้างบทวิเคราะห์ด้วยตนเอง

จะช่วยลดเวลาค้นคว้าได้มากแค่ไหน

NUS ประเมินว่าขั้นตอนเริ่มต้นของการค้นหาและทำความเข้าใจทิศทางการวิจัย ซึ่งอาจใช้เวลาราว 2 สัปดาห์ อาจลดลงเหลือประมาณ 30 นาทีหรือน้อยกว่า เมื่อใช้ AI Sense Maker

ตัวเลขดังกล่าวเป็นการประเมินจากสถาบัน ยังไม่ใช่ผลการวัดประสิทธิภาพที่ผ่านการตรวจสอบโดยอิสระ สิ่งที่คาดหวังได้อย่างระมัดระวังคือแพลตฟอร์มอาจช่วยลดเวลาที่เสียไปกับผลการค้นหาที่ไม่ตรงประเด็น และช่วยรวบรวมชุดแหล่งข้อมูลเบื้องต้นที่มีการอ้างอิงได้เร็วขึ้น

ประโยชน์หลักจึงน่าจะเกิดขึ้นในช่วงต้นของกระบวนการวิจัย ได้แก่ การกำหนดขอบเขตหัวข้อได้เร็วขึ้น การได้คำศัพท์สำหรับค้นต่อ และการมองเห็นความเชื่อมโยงข้ามสาขาและคอลเลกชันได้ไวขึ้น ส่วนการอ่านอย่างมีวิจารณญาณ การตรวจสอบแหล่งที่มา และการสร้างข้อโต้แย้ง ยังคงเป็นงานวิจัยที่มนุษย์ต้องรับผิดชอบ