Year: 2026
Type: dissertation
Abstract: Ο ρυθμός ανάπτυξης των Μοντέλων Τεχνητής Νοημοσύνης (Artificial Intelligence) και των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models) έχει αυξηθεί σημαντικά τα τελευταία χρόνια. Οι περισσότεροι επιστημονικοί και επαγγελματικοί τομείς έχουν επηρεαστεί από αυτή την ανάπτυξη, συμπεριλαμβανομένης και της οικονομικής επιστήμης και των κλάδων της. Τα Μεγάλα Γλωσσικά Μοντέλα χρησιμοποιούνται πλέον για την ανάλυση οικονομικών δεδομένων και για την πρόβλεψη μελλοντικών οικονομικών εξελίξεων. Ωστόσο, δεν είναι βέβαιο αν οι απαντήσεις που παρέχουν είναι ακριβείς, αξιόπιστες και συνεπείς. Σκοπός της παρούσας διπλωματικής εργασίας είναι η αξιολόγηση του ChatGPT, και συγκεκριμένα του μοντέλου GPT-4o mini, σε ερωτήσεις μακροοικονομίας. Ειδικότερα, κατά πόσο οι απαντήσεις του μοντέλου βελτιώνονται με την επανάληψη των ίδιων ερωτήσεων και επιπλέον, αν μπορεί να υπάρξει βελτίωση μέσω της τεχνικής Retrieval-Augmented Generation (RAG), η οποία επιτρέπει την πρόσβαση του μοντέλου σε εξωτερικές πηγές γνώσης. Στο πλαίσιο αυτό, υποβλήθηκαν στο μοντέλο 90 ερωτήσεις μακροοικονομίας διαφόρων τύπων (πολλαπλής επιλογής με 4 επιλογές, πολλαπλής επιλογής με 5 επιλογές και σωστό/λάθος), σε τρεις επαναλήψεις η κάθε μία, χωρίς την εφαρμογή RAG. Οι απαντήσεις αξιολογήθηκαν βάσει ορθότητας, πληρότητας, σαφήνειας και αιτιολόγησης. Έπειτα, αναπτύχθηκε ένας AI Agent μακροοικονομίας, o MacroBot, ο οποίος βασίζεται στην τεχνική RAG και έλαβε πληροφορίες μακροοικονομίας από ακαδημαϊκά συγγράμματα με σκοπό να ελεγχθεί αν αυτό μπορεί να οδηγήσει σε περαιτέρω βελτίωση των απαντήσεων. Ταυτόχρονα, ο MacroBot καθίσταται προσβάσιμος μέσω ενός User Interface (UI). Η εργασία έχει ως στόχο να διερευνήσει τις δυνατότητες και τους περιορισμούς του GPT-4o mini και των Μεγάλων Γλωσσικών Μοντέλων γενικότερα στην μακροοικονομική ανάλυση, συμβάλλοντας στην καλύτερη κατανόηση τους.
Source: Dione (University of Piraeus)
Author: Καλλιγάς Σολδάτος, Γεώργιος
Language: Greek
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7160794767