Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για 
Ξενοδοχειακή Υποστήριξη 

 

 
 

 

12 

απαντήσεις  τους  δεν  βελτιώνονται  αυτόματα    και  δεν  κατανοούν  συντακτικές  ή 

μορφολογικές  παραλλαγές  που  δεν  ταιριάζουν  με  τα  μοτίβα  τους.  Κατά  συνέπεια,  η 

συνομιλία  παραμένει  επιφανειακή  και  επαναλαμβανόμενη,  ενώ  συνήθως  απαιτείται 

μεταφορά σε ανθρώπινο χειριστή όταν προκύπτουν άγνωστα ερωτήματα. 

Chatbots βάσει επεξεργασίας φυσικής γλώσσας (NLP-based) 

Τα  NLP-based  chatbots  εφαρμόζουν  τεχνικές  φυσικής  γλώσσας  (NLP)  για  την 

ανάλυση  της  εισόδου  του  χρήστη  και  την  επιλογή  απάντησης.  Συχνά  κάνουν  χρήση 

αναγνώρισης  προθέσεων  (intent  recognition),  ανάλυσης  συναισθήματος,  αναγνώρισης 

οντοτήτων (entity extraction) και άλλων NLP εργαλείων. Στην πράξη πολλά από αυτά τα 

συστήματα είναι retrieval-based: δηλαδή αναζητούν την πιο κατάλληλη απάντηση σε μια 

υπάρχουσα βάση δεδομένων ερωταπαντήσεων ή σε ένα σύνολο εγγράφων και επιστρέφουν 

αυτή την έτοιμη απάντηση. Σε αντίθεση με τα rule-based, δεν περιορίζονται σε αυστηρά 

προκαθορισμένα μοτίβα, μπορούν να δεχτούν ποικιλία εκφράσεων και χρησιμοποιούν πιο 

σύνθετους αλγόριθμους αντιστοίχισης κειμένου για να βρουν την απάντηση 

[10]

.  Ένα απ’ 

τα πλεονεκτήματα των chatbots NLP είναι ότι είναι περισσότερο ευέλικτα και ρεαλιστικά 

σε σύγχρονες εφαρμογές. Συνήθως έχουν μεγάλο ευρετήριο απαντήσεων ή αναφοράς π.χ. 

βάσεις γνώσεων, FAQs, βάση εγγράφων από όπου αντλούν απαντήσεις. Αυτό σημαίνει ότι 

μπορούν  να  επικαλύψουν  ευρύ  φάσμα  ερωτήσεων,  εφόσον  η  απάντηση  υπάρχει  ήδη 

καταχωρημένη. Επιπλέον, τείνουν να παράγουν αξιόπιστες και ακριβείς απαντήσεις, αφού 

δεν φτιάχνουν περιεχόμενο εκ του μηδενός αλλά ανασύρουν προκαθορισμένες απαντήσεις. 

Ωστόσο,  το  εύρος  των  δυνατοτήτων  τους  περιορίζεται  από  τη  διαθεσιμότητα  των 

δεδομένων τους. Εάν μια ερώτηση δεν καλύπτεται από τη βάση γνώσεων τους, δεν μπορούν 

να παράγουν ούτε να συμπληρώσουν την απάντηση, η συνομιλία σταματά ουσιαστικά εκεί. 

Επίσης, η ενημέρωση του συστήματος απαιτεί συχνά χειροκίνητη προσθήκη ή ανανέωση 

των  απαντήσεων,  κάτι  που  δυσκολεύει  τη  διατήρηση  μεγάλων  και  ενημερωμένων 

ευρετηρίων. Συνοπτικά, ενώ τα NLP-based bots είναι πιο έξυπνα από τα απλά rule-based, 

εξακολουθούν να μην μαθαίνουν και βασίζονται σε δοσμένα πρότυπα απαντήσεων 

[11]

. 

Chatbots παραγωγής κειμένου (Generative) 

Τα  παραγωγικά  chatbots  είναι  η  πιο  προχωρημένη  κατηγορία  συστημάτων 

συνομιλίας που σχετίζονται με την τεχνητή νοημοσύνη. Σε αντίθεση με τα rule-based που 

βασίζονται σε προκαθορισμένες απαντήσεις, τα παραγωγικά chatbot έχουν την ικανότητα