Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για 
Ξενοδοχειακή Υποστήριξη 

 

 
 

 

13 

να  δημιουργούν  δυναμικά  νέες  απαντήσεις,  χρησιμοποιώντας  τεχνικές  βαθιάς  και 

μηχανικής μάθησης. Ένα χαρακτηριστικό παράδειγμα αυτής της μεθόδου είναι τα μοντέλα 

GPT της OpenAI, όπως το ChatGPT. Αυτά χρησιμοποιούν εξελιγμένα νευρωνικά δίκτυα 

για  να  κατανοήσουν  τις  ερωτήσεις  των  χρηστών  και  να  παρέχουν  απαντήσεις  που  είναι 

συνεπείς και φυσικές. Η λειτουργία αυτών των συστημάτων στηρίζεται στην κατανόηση 

του πλαισίου, χρησιμοποιώντας σύνθετους αλγορίθμους επεξεργασίας φυσικής γλώσσας. 

Για παράδειγμα, σε μια ερώτηση όπως “Πώς είναι ο καιρός σήμερα;”, το μοντέλο έχει την 

ικανότητα να αναλύσει τη σημασιολογία και να δώσει μια απάντηση όπως: “Ο σημερινός 

καιρός είναι ηλιόλουστος με θερμοκρασία 25 βαθμούς Κελσίου”. Αυτή η ικανότητα των 

παραγωγικά chatbots να παράγουν απαντήσεις που ταιριάζουν στην ανθρώπινη επικοινωνία 

τα καθιστά ιδιαίτερα αποτελεσματικά σε ανοιχτού τύπου συζητήσεις, όπου η συνομιλία δεν 

περιορίζεται από προκαθορισμένες δομές ή συγκεκριμένα θέματα. Το βασικό πλεονέκτημα 

των  παραγωγικά  chatbots  είναι  ότι  παρέχουν  μια  πιο  φυσική  εμπειρία  επικοινωνίας. 

Μπορούν να συμμετέχουν σε πολλές και αυθόρμητες συνομιλίες με έναν ανθρώπινο τρόπο. 

Ωστόσο,  αυτή  η  ευελιξία  φέρνει  μαζί  της  προκλήσεις  στην  ακρίβεια,  καθώς  τα 

συγκεκριμένα  μοντέλα  μπορεί  να  παράγουν  ανακριβείς  ή  “φτιαγμένες”  απαντήσεις 

(Hallucinations).  Αυτό  αποτυπώνει  τις  δυσκολίες  που  σχετίζονται  με  τη  διαδικασία 

εκπαίδευσης και ρύθμισης τους. Τα μεγάλα γλωσσικά μοντέλα συνεχίζουν να εξελίσσονται 

και παρ' όλο που έχουν γίνει σημαντικά βήματα στην έρευνα, το θέμα αυτό εξακολουθεί να 

αποτελεί επίκαιρο αντικείμενο μελέτης  

[12]

. 

 

Chatbots με αρχιτεκτονική Retrieval-Augmented Generation (RAG) 

Τα  RAG  chatbots  είναι  σύγχρονα  συστήματα  υβριδικής  προσέγγισης  που 

συνδυάζουν  μηχανισμούς  ανάκτησης  πληροφοριών  (retrieval)  με  γεννήτριες  γλώσσας 

(generative models). Στα RAG, πριν παραχθεί η απάντηση, το σύστημα εκτελεί ανάκτηση 

σχετικών  κειμένων  ή  εγγράφων  από  μια  εξωτερική  πηγή  (π.χ.  βάση  δεδομένων).  Στη 

συνέχεια, ένα LLM  ενσωματώνει αυτές τις πληροφορίες για να γράψει τη τελική απάντηση. 

Με αυτόν τον τρόπο, οι απαντήσεις βασίζονται σε τεκμηριωμένες, πραγματικές πηγές. Το 

RAG επιλέχτηκε ως τεχνολογία για την πτυχιακή καθώς παρέχει σημαντικά οφέλη στην 

ακρίβεια και την επικαιροποίηση των απαντήσεων. Δεδομένου ότι τραβά πληροφορίες από 

εξωτερικές  πηγές,  το  σύστημα  αποφεύγει  πολλά  φαινόμενα  hallucination  των  καθαρά 

παραγωγικών  μοντέλων,  παράγοντας  απαντήσεις  βασιζόμενο  σε  πραγματικά  δεδομένα