Χρήση μεγάλων γλωσσικών μοντέλων στην εξυπηρέτηση πελατών ενός e-shop: εκπαίδευση του μοντέλου, σύνδεση με chatbot και αξιολόγηση της αποτελεσματικότητας του

Απλή σελίδα τεκμηρίου
dc.contributor.advisorΜπατσάκης, Σωτήριοςel
dc.contributor.advisorBatsakis, Sotiriosen
dc.contributor.authorΚαλουτά, Καλλιόπηel
dc.contributor.authorKalouta, Kalliopien
dc.date.accessioned2025-09-29T11:31:05Z
dc.date.available2025-09-29T11:31:05Z
dc.date.issued2025-09-29
dc.description.abstractΗ εξέλιξη του ηλεκτρονικού εμπορίου, ιδιαίτερα στον τομέα Business-to-Business (B2B), έχει εντείνει την ανάγκη για αποτελεσματική, εξειδικευμένη και άμεσα διαθέσιμη εξυπηρέτηση πελατών. Τα παραδοσιακά chatbots συχνά αδυνατούν να ανταποκριθούν σε σύνθετα ερωτήματα και να κατανοήσουν εξειδικευμένη ορολογία. Η παρούσα μεταπτυχιακή εργασία διερευνά την εφαρμογή Μεγάλων Γλωσσικών Μοντέλων (LLMs) σε συνδυασμό με την αρχιτεκτονική Επαυξημένης Γενιάς Ανάκτησης (RAG) για την ανάπτυξη ενός προηγμένου συστήματος chatbot, προσαρμοσμένου στις ανάγκες ενός B2B e-shop επαγγελματικού εξοπλισμού (Timber Destyle) εντός της ελληνικής αγοράς. Πρωταρχικός στόχος ήταν ο σχεδιασμός, η υλοποίηση και η αξιολόγηση ενός συνομιλητικού agent ικανού να παρέχει ακριβείς και έγκυρες απαντήσεις, αξιοποιώντας μια εξωτερική βάση γνώσης από εταιρικά δεδομένα προϊόντων. Το σύστημα αναπτύχθηκε με χρήση της low-code πλατφόρμας FlowiseAI για την ενορχήστρωση της RAG pipeline, ενσωματώνοντας το gpt-4o (latest) της OpenAI ως κεντρικό LLM, το text-embedding-3-small για τη δημιουργία vector embeddings, την Pinecone ως vector database και την Upstash Redis για τη διαχείριση μνήμης συνομιλίας. Η μεθοδολογία περιελάμβανε επαναληπτική παραμετροποίηση του συστήματος RAG (temperature του LLM, top_k του retriever, μηχανική προτροπών), αξιολόγηση πραγματικής ακρίβειας έναντι γνωστών απαντήσεων, και ολοκληρωμένη αξιολόγηση από χρήστες (μη ειδικούς και ειδικούς). Τα ευρήματα υποδεικνύουν ότι το chatbot που βασίζεται σε RAG επέδειξε σημαντικές δυνατότητες στην κατανόηση των προθέσεων των πελατών, την ανάκτηση σχετικών πληροφοριών από την εξειδικευμένη βάση γνώσης και την παραγωγή συνεκτικών απαντήσεων στα ελληνικά. Ενώ οι αξιολογήσεις των χρηστών ανέδειξαν καλή χρηστικότητα και ευγένεια, εντοπίστηκαν προκλήσεις σχετικές με τη διαχείριση εξαιρετικά εξειδικευμένων τεχνικών ερωτημάτων και τις ιδιαιτερότητες της ελληνικής γλώσσας, υπογραμμίζοντας τομείς για μελλοντική βελτίωση. Η εργασία αυτή συμβάλλει στην πρακτική κατανόηση της ανάπτυξης και εφαρμογής chatbots βασισμένων σε LLM και RAG σε εξειδικευμένα B2B e-commerce περιβάλλοντα, ιδιαίτερα για γλώσσες με λιγότερους πόρους όπως η ελληνική, και προσφέρει γνώσεις για αποτελεσματικές στρατηγικές αξιολόγησης.el
dc.description.abstractThe evolution of e-commerce, particularly in the Business-to-Business (B2B) sector, has intensified the demand for efficient, specialized, and readily available customer service. Traditional chatbots often fall short in addressing complex queries and understanding nuanced, domain-specific language. This thesis explores the application of Large Language Models (LLMs) combined with a Retrieval-Augmented Generation (RAG) architecture to develop an advanced chatbot system tailored for a B2B e-shop specializing in professional equipment (Timber Destyle) within the Greek market. The primary objective was to design, implement, and evaluate a conversational agent capable of providing accurate, contextaware, and timely responses to customer inquiries, leveraging an external knowledge base derived from company-specific product data. The system was developed using the FlowiseAI low-code platform for orchestrating the RAG pipeline, integrating OpenAI's gpt-4o (latest) as the core LLM, text-embedding-3- small for generating vector embeddings, Pinecone as the vector database, and Upstash Redis for conversation memory. The methodology encompassed iterative parameter tuning of the RAG system (LLM temperature, retriever's top_k, prompt engineering including Chain of Thought techniques), factual accuracy assessment against known answers, and comprehensive user testing involving both non-expert and expert evaluators. Qualitative analysis of chat logs further supplemented the evaluation. The findings indicate that the RAG-powered chatbot demonstrated significant potential in understanding customer intents, retrieving relevant information from the specialized knowledge base, and generating coherent responses in Greek. While user evaluations highlighted good usability and politeness, challenges related to handling highly nuanced technical queries and the intricacies of the Greek language were also identified, underscoring areas for future refinement. This work contributes to the practical understanding of developing and deploying LLM-based RAG chatbots in specialized B2B e-commerce contexts, particularly for under-resourced languages like Greek, and offers insights into effective evaluation strategies.en
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11419
dc.language.isoel
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectΗλεκτρονικό εμπόριο
dc.subjectΗλεκτρονικό κατάστημα
dc.subjectΤεχνητή νοημοσύνη
dc.subjectΜεγάλο γλωσσικό μοντέλο
dc.subjecte-commerce
dc.subjecte-shop
dc.subjectArtificial intelligence
dc.subjectLarge language model (LLM)
dc.subjectChatbots
dc.titleΧρήση μεγάλων γλωσσικών μοντέλων στην εξυπηρέτηση πελατών ενός e-shop: εκπαίδευση του μοντέλου, σύνδεση με chatbot και αξιολόγηση της αποτελεσματικότητας τουel
dc.titleUse of large language models in customer service in an e-shop: training the model, connection with chatbot and evaluation of its effectivenessen
dc.typeΜεταπτυχιακή Διατριβή
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
KaloutaKalliopi2025.pdf
Μέγεθος:
4.35 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Μεταπτυχιακές εργασίες / Master Theses