14

Αξιολόγηση — Μεθοδολογία LLM-as-a-Judge

▪

Διαδικασία αξιολόγησης :

▪

30 Test Scenarios (15 ΕΛ + 15 ΕΝ ερωτήσεις)

▪

Το DeepSeek δεν βαθμολογεί μόνο την απάντηση του chatbot, 
αλλά τη συγκρίνει με την αναμενόμενη σωστή απάντηση (Ground 
Truth), ώστε η αξιολόγηση να είναι αντικειμενική.

▪

Μετρικές Αξιολόγησης:

▪

Accuracy — Ακρίβεια πληροφοριών (0-5)

▪

Relevance — Συνάφεια με την ερώτηση (0-5)

▪

Persuasiveness — Πειστικότητα (marketing ύφος) (0-5)

▪

Faithfulness — Πιστότητα - Αποφυγή hallucinations (0=χωρίς 
παραισθήσεις)

▪

Latency — Χρόνος απόκρισης (δευτ.)