На відміну від універсальних чатботів, AI Sense Maker не призначений для пошуку по всьому відкритому інтернету. Він зосереджений на колекціях самого університету — як наукових публікаціях, так і спеціальних та рідкісних зібраннях.

Які матеріали шукає платформа

Початкова база об’єднає матеріали з двох репозитаріїв NUS:

• ScholarBank — сховище дослідницьких робіт і публікацій університету;
• Digital Gems — колекція оцифрованих рідкісних і спеціальних матеріалів.

Загалом ідеться приблизно про 150 000 оцифрованих одиниць. Вони охоплюють інженерію, природничі науки, медицину, гуманітаристику, обчислювальні науки та матеріали, присвячені Південно-Східній Азії.

Серед прикладів — китайськомовна сінгапурська газета Lat Pau, заснована 1881 року; перше друковане видання The History of Java сера Стемфорда Раффлза 1817 року; літературні твори доби династії Тан, а після оцифрування та додавання до системи — оригінальні музичні композиції й сценарії Ван Ша.

Як працює пошук через AI Sense Maker

Користувач формулює запит звичайною мовою, а не підбирає точний набір ключових слів для бібліотечної бази. Платформа пропонує швидкий, ітеративний і глибший режими пошуку — від короткої орієнтації до ширшого опрацювання теми.

У відповідь система може надати:

1. Структурований огляд теми, який допомагає окреслити предмет дослідження.
2. Пов’язані поняття, що розширюють або уточнюють початковий запит.
3. Посилання та матеріали для подальшого читання з репозитаріїв NUS.
4. Цитати й покликання на джерела, за якими можна перевірити відповідь.
5. Граф знань, що демонструє зв’язки між поняттями, дисциплінами та документами.

Наприклад, запит про те, чому деякі райони Сінгапуру здаються спекотнішими за інші, може привести до понять щільності забудови, рослинності, будівельних матеріалів і водойм. Далі система може пов’язати їх із міською екологією, науками про довкілля, фізикою атмосфери та мікрокліматологією.

Тому найкраще сприймати AI Sense Maker як інструмент для старту дослідження: він допомагає швидше зорієнтуватися в термінах, дисциплінах і потенційно важливих джерелах, які варто прочитати самостійно.

Навіщо потрібен граф знань

Звичайний пошук зазвичай показує впорядкований список документів. Граф знань пропонує інший спосіб навігації — демонструє, як ідеї з різних матеріалів можуть бути пов’язані між собою.

Граф AI Sense Maker побудований на керованій таксономії — системі класифікації понять. Спочатку її сформували з урахуванням Wikidata, а потім звузили та адаптували до колекцій NUS.

Це особливо корисно для міждисциплінарних проєктів: користувач може побачити терміни й суміжні галузі, які не додав би до першого запиту. Водночас такі зв’язки є лише напрямами для подальшої перевірки, а не доказом того, що кожне запропоноване системою співвідношення академічно обґрунтоване.

GPT-4.1, RAG і обмеження джерел

Платформа використовує GPT-4.1 у поєднанні з retrieval-augmented generation (RAG) — генерацією з доповненням пошуком. У такій системі модель спочатку знаходить релевантні матеріали у визначеній колекції, а потім формує відповідь на їхній основі.

AI Sense Maker має будувати відповіді на знайдених джерелах NUS і додавати цитати, щоб користувач міг перевірити першодокументи. Захисні обмеження не дають платформі звертатися до відкритого інтернету для складання відповіді.

Такий підхід може зменшити кількість непідтверджених тверджень, але не усуває потреби перевіряти документи, аналізувати першоджерела та оцінювати, наскільки відповідь справді відповідає доказам.

GPT-4.1 — це модель, зазначена в матеріалах про AI Sense Maker. OpenAI описує її як сімейство моделей із покращеним виконанням інструкцій і роботою з довгим контекстом. Однак загальні можливості моделі не означають, що результати платформи будуть безпомилковими.

Обмеження першої версії та майбутні функції

На старті сервіс матиме кілька важливих обмежень:

• він підтримуватиме одноразові запити, без збереження контексту між послідовними уточненнями;
• шукатиме лише ті матеріали, які вже оцифровані та додані до відповідних репозитаріїв NUS;
• допомагатиме знаходити джерела й зв’язки, але не зможе оцінити кожну наукову позицію або сформулювати завершену дослідницьку тезу за користувача.

Серед запланованих оновлень — пам’ять історії чату для триваліших дослідницьких діалогів і транскрибування голосу в текст.

Отже, оптимальний сценарій використання виглядає так: поставити запит, скористатися картою понять і списком джерел, а потім відкрити цитовані матеріали, зіставити інтерпретації та самостійно підготувати висновки.

Чи справді AI Sense Maker скоротить час дослідження

NUS оцінює, що початкова фаза пошуку й орієнтації в темі, яка може тривати близько двох тижнів, за допомогою AI Sense Maker потенційно скоротиться приблизно до 30 хвилин або менше.

Це оцінка університету, а не незалежно підтверджений показник продуктивності. Обережніше сформульоване очікування полягає в тому, що платформа допоможе швидше відсіяти невдалі напрямки пошуку й зібрати початковий набір джерел із цитуваннями.

Найімовірніша користь буде помітною саме на початку роботи: швидше визначення меж теми, точніша лексика для наступних запитів і раннє виявлення зв’язків між дисциплінами та колекціями. Читання, критика джерел і побудова власної аргументації залишаються роботою дослідника.

На відміну від універсальних чатботів, AI Sense Maker не призначений для пошуку по всьому відкритому інтернету. Він зосереджений на колекціях самого університету — як наукових публікаціях, так і спеціальних та рідкісних зібраннях.

Які матеріали шукає платформа

Початкова база об’єднає матеріали з двох репозитаріїв NUS:

• ScholarBank — сховище дослідницьких робіт і публікацій університету;
• Digital Gems — колекція оцифрованих рідкісних і спеціальних матеріалів.

Загалом ідеться приблизно про 150 000 оцифрованих одиниць. Вони охоплюють інженерію, природничі науки, медицину, гуманітаристику, обчислювальні науки та матеріали, присвячені Південно-Східній Азії.

Серед прикладів — китайськомовна сінгапурська газета Lat Pau, заснована 1881 року; перше друковане видання The History of Java сера Стемфорда Раффлза 1817 року; літературні твори доби династії Тан, а після оцифрування та додавання до системи — оригінальні музичні композиції й сценарії Ван Ша.

Як працює пошук через AI Sense Maker

Користувач формулює запит звичайною мовою, а не підбирає точний набір ключових слів для бібліотечної бази. Платформа пропонує швидкий, ітеративний і глибший режими пошуку — від короткої орієнтації до ширшого опрацювання теми.

У відповідь система може надати:

1. Структурований огляд теми, який допомагає окреслити предмет дослідження.
2. Пов’язані поняття, що розширюють або уточнюють початковий запит.
3. Посилання та матеріали для подальшого читання з репозитаріїв NUS.
4. Цитати й покликання на джерела, за якими можна перевірити відповідь.
5. Граф знань, що демонструє зв’язки між поняттями, дисциплінами та документами.

Наприклад, запит про те, чому деякі райони Сінгапуру здаються спекотнішими за інші, може привести до понять щільності забудови, рослинності, будівельних матеріалів і водойм. Далі система може пов’язати їх із міською екологією, науками про довкілля, фізикою атмосфери та мікрокліматологією.

Тому найкраще сприймати AI Sense Maker як інструмент для старту дослідження: він допомагає швидше зорієнтуватися в термінах, дисциплінах і потенційно важливих джерелах, які варто прочитати самостійно.

Навіщо потрібен граф знань

Звичайний пошук зазвичай показує впорядкований список документів. Граф знань пропонує інший спосіб навігації — демонструє, як ідеї з різних матеріалів можуть бути пов’язані між собою.

Граф AI Sense Maker побудований на керованій таксономії — системі класифікації понять. Спочатку її сформували з урахуванням Wikidata, а потім звузили та адаптували до колекцій NUS.

Це особливо корисно для міждисциплінарних проєктів: користувач може побачити терміни й суміжні галузі, які не додав би до першого запиту. Водночас такі зв’язки є лише напрямами для подальшої перевірки, а не доказом того, що кожне запропоноване системою співвідношення академічно обґрунтоване.

GPT-4.1, RAG і обмеження джерел

Платформа використовує GPT-4.1 у поєднанні з retrieval-augmented generation (RAG) — генерацією з доповненням пошуком. У такій системі модель спочатку знаходить релевантні матеріали у визначеній колекції, а потім формує відповідь на їхній основі.

AI Sense Maker має будувати відповіді на знайдених джерелах NUS і додавати цитати, щоб користувач міг перевірити першодокументи. Захисні обмеження не дають платформі звертатися до відкритого інтернету для складання відповіді.

Такий підхід може зменшити кількість непідтверджених тверджень, але не усуває потреби перевіряти документи, аналізувати першоджерела та оцінювати, наскільки відповідь справді відповідає доказам.

GPT-4.1 — це модель, зазначена в матеріалах про AI Sense Maker. OpenAI описує її як сімейство моделей із покращеним виконанням інструкцій і роботою з довгим контекстом. Однак загальні можливості моделі не означають, що результати платформи будуть безпомилковими.

Обмеження першої версії та майбутні функції

На старті сервіс матиме кілька важливих обмежень:

• він підтримуватиме одноразові запити, без збереження контексту між послідовними уточненнями;
• шукатиме лише ті матеріали, які вже оцифровані та додані до відповідних репозитаріїв NUS;
• допомагатиме знаходити джерела й зв’язки, але не зможе оцінити кожну наукову позицію або сформулювати завершену дослідницьку тезу за користувача.

Серед запланованих оновлень — пам’ять історії чату для триваліших дослідницьких діалогів і транскрибування голосу в текст.

Отже, оптимальний сценарій використання виглядає так: поставити запит, скористатися картою понять і списком джерел, а потім відкрити цитовані матеріали, зіставити інтерпретації та самостійно підготувати висновки.

Чи справді AI Sense Maker скоротить час дослідження

NUS оцінює, що початкова фаза пошуку й орієнтації в темі, яка може тривати близько двох тижнів, за допомогою AI Sense Maker потенційно скоротиться приблизно до 30 хвилин або менше.

Це оцінка університету, а не незалежно підтверджений показник продуктивності. Обережніше сформульоване очікування полягає в тому, що платформа допоможе швидше відсіяти невдалі напрямки пошуку й зібрати початковий набір джерел із цитуваннями.

Найімовірніша користь буде помітною саме на початку роботи: швидше визначення меж теми, точніша лексика для наступних запитів і раннє виявлення зв’язків між дисциплінами та колекціями. Читання, критика джерел і побудова власної аргументації залишаються роботою дослідника.