Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για 
Ξενοδοχειακή Υποστήριξη 

 

 
 

 

11 

αποτέλεσε  τη  βάση  για  τη  μετέπειτα  ανάπτυξη  των  chatbots,  δηλαδή  προγραμμάτων 

σχεδιασμένων  να  αλληλεπιδρούν  γλωσσικά  με  τον  άνθρωπο.  Πρόσφατα,  στο 

[9]

, 

παρουσιάζονται  πειραματικά  αποτελέσματα  που  υποδεικνύουν  ότι  ένα  σύγχρονο  LLM 

μπόρεσε, σε ελεγχόμενη εκδοχή του τριμερούς Turing test, να αξιολογηθεί ως “ανθρώπινο”, 

δηλαδή  να  περάσει  τη  δοκιμή  Turing  από  τους  εξεταστές  στο  μεγαλύτερο  ποσοστό  των 

δοκιμών, παρέχοντας έτσι μια αρχική ένδειξη ότι τα μεγάλα γλωσσικά μοντέλα ενδέχεται 

να ανταποκρίνονται με επιτυχία σε σύγχρονες μορφές της δοκιμής. 

 

2.2  Κατηγορίες Chatbot 

Υπάρχουν διάφορες κατηγορίες chatbot ανάλογα με τη μεθοδολογία επεξεργασίας 

εισόδου–εξόδου που χρησιμοποιούν. Σε αυτό το κεφάλαιο εξετάζονται οι τέσσερις κύριες 

κατηγορίες:  1)  βάσει  κανόνων  (rule-based),  2)  βάσει  τεχνικών  φυσικής  γλώσσας  (NLP-

based),  3)  βάσει  παραγωγής  κειμένου  με  μηχανική/βαθιά  μάθηση  (Generative),  

 4)  αρχιτεκτονική  Retrieval-Augmented  Generation  (RAG).  Κάθε  τύπος  περιγράφεται 

συνοπτικά με τα κύρια χαρακτηριστικά, τα πλεονεκτήματά του και τους περιορισμούς του, 

όπως αναφέρονται στη βιβλιογραφία. 

Chatbots βάσει κανόνων (Rule-based) 

Τα rule-based chatbots λειτουργούν αποκλειστικά με ένα σταθερό σύνολο κανόνων 

ή  μοτίβων  (if-then  κανόνες)  που  καθορίζει  τις  απαντήσεις  τους.  Για  κάθε  είδος  εισόδου 

χρηστών  υπάρχει  προκαθορισμένη  απάντηση  στο  σύστημα,  συνήθως  χρησιμοποιώντας 

τεχνικές αντιστοίχισης προτύπων (pattern matching). Παραδείγματα τέτοιων συστημάτων 

είναι οι κλασικοί διάλογοι του ELIZA (1966) και του ALICE (1995), οι οποίοι βασίζονταν 

σε  πολυάριθμες  προκαθορισμένες  κατηγορίες  ερωτήσεων–απαντήσεων 

[10]

.  Ένα  απ’  τα 

πλεονεκτήματα των chatbots κανόνων είναι ότι είναι απλά στην κατασκευή και παρέχουν 

πολύ  προβλέψιμες,  συνεπείς  απαντήσεις  όταν  οι  ερωτήσεις  του  χρήστη  αντιστοιχούν 

ακριβώς  στα  καθορισμένα  μοτίβα.  Λόγω  της  απλότητάς  τους,  μπορούν  να  αναπτυχθούν 

γρήγορα  με  περιορισμένους  πόρους,  κατάλληλα  για  εργασίες  όπως  συχνές  ερωτήσεις 

(FAQs)  ή  βήμα-βήμα  οδηγίες.  Είναι  αξιόπιστα  σε  καλά  καθορισμένα  σενάρια  χρήσης, 

καθώς οι απαντήσεις τους είναι πλήρως προκαθορισμένες και δεν διαφοροποιούνται 

[11]

. 

Ωστόσο,  εμφανίζουν  σοβαρούς  περιορισμούς  στην  ευελιξία.  Δε  μπορούν  να  χειριστούν 

ερωτήσεις που δεν προβλέπονται από τους κανόνες τους, ούτε να προσαρμοστούν σε νέες 

καταστάσεις  χωρίς  χειροκίνητη  επέμβαση.  Δεν  διαθέτουν  μηχανισμό  μάθησης,  οι