Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για 
Ξενοδοχειακή Υποστήριξη 

 

 
 

 

14 

[13]

.  Επιπλέον,  σε  αντίθεση  με  απλά  LLMs  που  είναι  εσωτερικά  κλειστά  μετά  την 

εκπαίδευσή τους, ένα RAG μπορεί να ενημερώνει την βάση γνώσης του συνεχώς χωρίς 

επανεκπαίδευση, επιτρέποντας ακριβείς απαντήσεις σε ταχύτατα εξελισσόμενα πεδία (π.χ. 

ιατρική ή ειδησεογραφία). Σε μελέτες έχει βρεθεί ότι τα RAG συστήματα ξεπερνούν σε 

αξιοπιστία τα καθαρά παραγωγικά chatbots όταν απαιτείται ακριβής γνώση 

[2]

.  

Παρά  τα  σημαντικά  πλεονεκτήματα  της  αρχιτεκτονικής  Retrieval-Augmented 

Generation (RAG), υπάρχουν ακόμη αρκετοί περιορισμοί. Ένα από τα βασικά ζητήματα 

είναι  η  κλιμακωσιμότητα  και  αποδοτικότητα,  καθώς  η  χρήση  εξωτερικών  βάσεων 

δεδομένων  απαιτεί  αποδοτικούς  μηχανισμούς  ανάκτησης  και  υψηλούς  υπολογιστικούς 

πόρους, κάτι που δυσχεραίνει την ανάπτυξη σε πραγματικό χρόνο. Η ποιότητα και συνάφεια 

των  ανακτώμενων  πληροφοριών  αποτελεί  επίσης  πρόκληση,  αφού  λανθασμένα  ή 

παρωχημένα  δεδομένα  μειώνουν  την  ακρίβεια  του  παραγόμενου  περιεχομένου. 

Παράλληλα,  ζητήματα  μεροληψίας  (bias)  παραμένουν  σημαντικά,  καθώς  οι  RAG 

μηχανισμοί ενδέχεται να αναπαράγουν προκαταλήψεις που ενσωματώνονται στα δεδομένα 

εκπαίδευσης ή ανάκτησης. Επιπλέον, τα RAG συχνά δυσκολεύονται στη συνοχή μεταξύ 

των ανακτημένων γνώσεων και του παραγόμενου κειμένου, οδηγώντας σε ανακρίβειες ή 

ασυνέπειες. Τέλος, η έλλειψη διαφάνειας και ερμηνευσιμότητας καθιστά δυσδιάκριτο τον 

τρόπο  με  τον  οποίο  οι  ανακτημένες  πληροφορίες  επηρεάζουν  την  τελική  απάντηση, 

περιορίζοντας την εμπιστοσύνη των χρηστών 

[2]

. 

 

2.3  Αρχιτεκτονική RAG Chatbot 

Η  αρχιτεκτονική Retrieval-Augmented  Generation  (RAG) αποτελεί  τη  σύγχρονη 

απάντηση  στις  προκλήσεις  των  Μεγάλων  Γλωσσικών  Μοντέλων  (LLMs),  ιδίως  το 

πρόβλημα της παραίσθησης (hallucination). Η μέθοδος αυτή συνδυάζει δύο διακριτά, αλλά 

αλληλένδετα, λειτουργικά στάδια, το Retrieval (Ανάκτηση) και το Generation (Παραγωγή), 

τα οποία λειτουργούν διαδοχικά, επιτρέποντας στο σύστημα να βελτιώσει την ακρίβεια και 

την αξιοπιστία των απαντήσεων του. 

Το Σύστημα Ανάκτησης (The Retriever) 

 

Το  πρώτο  στάδιο  είναι  θεμελιώδους  σημασίας,  καθώς  είναι  υπεύθυνο  για  τον 

εντοπισμό και την εξαγωγή των πλέον σχετικών κομματιών πληροφορίας (chunks) από μια