Σχεδιασμός και Υλοποίηση εξειδικευμένου chatbot για διαδικτυακές πλατφόρμες

 

42

 

Πίνακας 2: Στατιστικά στοιχεία για τα συστήματα chatbots RAG στην εκπαίδευση 

Δείκτης

 

Τιμή / Εύρημα

 

Μελέτες RAG-chatbots για την εκπαίδευση 

 

47

 

Μελέτες για την οργάνωση/υπηρεσίες ιδρυμάτων

 

11

 

Χρήση εμπορικών μοντέλων GPT (OpenAI)

 

≈ 80%

 

Χρήση ανοιχτών μοντέλων (π.χ. LLaMA)

 

Μειοψηφία

 

Μελέτες που αξιολογούν τον τελικό παιδαγωγικό στόχο

 

0

 

Επικρατέστερο πλαίσιο ανάπτυξης

 

LangChain

 

Συχνότερες διανυσματικές βάσεις

 

FAISS, Chroma

 

 

Η εξέλιξη των συνομιλιακών βοηθών στο πέρασμα του χρόνου, από τα πρώτα συστήματα 

κανόνων  έως  τα  σύγχρονα  συστήματα  RAG,  αποτυπώνεται  συνοπτικά  στον  Πίνακα  3.  Η 

παρούσα  εργασία  ανήκει  στην  τελευταία  γενιά,  που  συνδυάζει  τη  γλωσσική  ευχέρεια  των 

μεγάλων γλωσσικών μοντέλων με τη χαμηλή πιθανότητα ψευδαισθήσεων που εξασφαλίζει η 

τεκμηρίωση μέσω χρήσης RAG. 

Πίνακας 3: Σύγκριση των διαδοχικών γενεών συνομιλιακών βοηθών 

Γενιά

 

Τεχνολογία

 

Γλωσσική 

κατανόηση

 

Ευελιξία

 

Ψευδαισθήσεις

 

Βασισμένα σε 

κανόνες

 

Αντιστοίχιση μοτίβων

 

Χαμηλή

 

Καμία

 

Καμία 

 

Κλασική μηχ. μάθηση

 

Πρόθεση/οντότητες

 

Περιορισμένη

 

Μικρή

 

Χαμηλός κίνδυνος

 

Καθαρά LLM

 

LLM

 

Υψηλή

 

Υψηλή

 

Υψηλός κίνδυνος

 

RAG 

 

LLM + ανάκτηση

 

Υψηλή

 

Υψηλή

 

Χαμηλός κίνδυνος

 

 

Ωστόσο, η ίδια επισκόπηση αναδεικνύει έναν κρίσιμο περιορισμό: από τις σαράντα επτά 

καταγεγραμμένες  μελέτες,  καμία  δεν  αξιολογεί  αν  το  εκάστοτε  σύστημα  επιτυγχάνει 

ουσιαστικά  τον  σκοπό  για  τον  οποίο  σχεδιάστηκε.  Ενώ  είναι  τεκμηριωμένο  ότι  οι 

αρχιτεκτονικές  αυτές  εξασφαλίζουν  μεγαλύτερη  ακρίβεια  απαντήσεων  σε  σύγκριση  με  τα 

μεμονωμένα  γλωσσικά  μοντέλα,  παραμένει  αδιευκρίνιστο  αν  συμβάλλουν  αποτελεσματικά 

στη μαθησιακή διαδικασία, στον προσανατολισμό των φοιτητών ή στην αποσυμφόρηση των