Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για 
Ξενοδοχειακή Υποστήριξη 

 

 
 

 

15 

εξωτερική βάση γνώσης, διασφαλίζοντας ότι η απάντηση θα βασιστεί σε τεκμηριωμένες 

πληροφορίες. Η διαδικασία αυτή περιλαμβάνει: 

1.  Προεπεξεργασία  και  Διανυσματοποίηση  (Vectorization): Τα  εξωτερικά  έγγραφα 

πρέπει  πρώτα  να  υποβληθούν  σε  προεπεξεργασία  και  να  διασπαστούν  σε 

διαχειρίσιμα  τμήματα.  Στη  συνέχεια,  ένα μοντέλο  ενσωμάτωσης  (embedding 

model) μετατρέπει  αυτά  τα  τμήματα  σε διανυσματικές  αναπαραστάσεις  (vector 

embeddings), οι οποίες κωδικοποιούν τη σημασιολογική έννοια του κειμένου. Αυτά 

τα  διανύσματα  αποθηκεύονται  σε  μία διανυσματική  βάση  δεδομένων  (Vector 

Database), η οποία είναι βελτιστοποιημένη για γρήγορη αναζήτηση ομοιότητας. 

2.  Σημασιολογική  Αναζήτηση  (Semantic  Search): Όταν  ο  χρήστης  υποβάλλει  ένα 

ερώτημα,  αυτό  μετατρέπεται  επίσης  σε  διάνυσμα.  Η  βάση  δεδομένων 

πραγματοποιεί  αναζήτηση,  βρίσκοντας  τα  κομμάτια  κειμένου  των  οποίων  τα 

διανύσματα  είναι σημασιολογικά  κοντινότερα στο  ερώτημα  του  χρήστη.  Τα 

ανακτηθέντα  αυτά  κομμάτια  εξάγονται  και  ονομάζονται ανακτηθέν  πλαίσιο 

(retrieved context). Ο ρόλος του Retriever είναι να ανακτήσει τις πληροφορίες από 

τις εξωτερικές πηγές με βάση την εισαγωγή του χρήστη. 

Το Σύστημα Παραγωγής  (The Generator) 

 

Το  δεύτερο  στάδιο  είναι  η σύνθεση  της  τελικής  απόκρισης και  αξιοποιεί  την 

ικανότητα του LLM (Generator) να παράγει φυσική γλώσσα. Η διαδικασία περιλαμβάνει 

τα εξής: 

1. 

Ενίσχυση  (Augmentation): Το  ανακτηθέν  πλαίσιο  πληροφορίας ενισχύει 

(augments) το  αρχικό  ερώτημα  του  χρήστη.  Αυτό  το ενισχυμένο  ερώτημα (το 

αρχικό  ερώτημα  του  χρήστη  μαζί  με  τα  ανακτηθέντα  κείμενα)  διοχετεύεται  στο 

Παραγωγικό Μοντέλο (LLM). 

2. 

Τεκμηριωμένη  Παραγωγή: Η  τελική  φάση  περιλαμβάνει  τη δημιουργία  των 

απαντήσεων χρησιμοποιώντας τις ανακτηθείσες και ενισχυμένες πληροφορίες. Το 

LLM  χρησιμοποιεί  το  ανακτηθέν  κείμενο  ως  την άμεση  πηγή  αλήθειας, 

διασφαλίζοντας ότι οι απαντήσεις που παράγονται είναι συνεκτικές και πραγματικά 

ορθές,  καθώς  βασίζονται  σε  αξιόπιστες  πηγές.  Με  αυτόν  τον  τρόπο,  η  RAG 

επιτυγχάνει τον βασικό της στόχο: να βελτιώσει την ακρίβεια των απαντήσεων που