https://dione.lib.unipi.gr/xmlui/handle/unipi/5370 Bachelor Dissertations Sat, 04 Jul 2026 16:39:36 GMT 2026-07-04T16:39:36Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19495 FinNous AI : σύστημα διαχείρισης οικονομικών με χρήση μεγάλων γλωσσικών μοντέλων Προφύρης, Ευστράτιος Η παρούσα πτυχιακή εργασία παρουσιάζει τη σχεδίαση, υλοποίηση και αξιολόγηση της εφαρμογής FinNous AI, ενός καινοτόμου συστήματος διαχείρισης προσωπικών οικονομικών που αξιοποιεί τις δυνατότητες Μεγάλων Γλωσσικών Μοντέλων. Η εφαρμογή αναπτύχθηκε με σκοπό να αντιμετωπίσει το πρόβλημα της έλλειψης οικονομικής παιδείας μεταξύ των νέων ενηλίκων, προσφέροντας ένα προσιτό και διαδραστικό εργαλείο για την κατανόηση και βελτίωση της οικονομικής τους κατάστασης. Το σύστημα υλοποιήθηκε χρησιμοποιώντας την Python ως κύρια γλώσσα προγραμματισμού, το Flask ως πλαίσιο ανάπτυξης διαδικτυακών εφαρμογών, και το Google Gemini AI ως μηχανή τεχνητής νοημοσύνης. Η αρχιτεκτονική του συστήματος ακολουθεί το μοντέλο Model-View-Controller, εξασφαλίζοντας σαφή διαχωρισμό των ευθυνών και διευκολύνοντας τη συντήρηση και επέκταση του κώδικα. Τα βασικά χαρακτηριστικά της εφαρμογής περιλαμβάνουν τη δυνατότητα καταγραφής και κατηγοριοποίησης συναλλαγών, τον ορισμό και παρακολούθηση στόχων αποταμίευσης, την παραγωγή αναλυτικών οικονομικών αναφορών με χρήση τεχνητής νοημοσύνης, και έναν διαδραστικό οικονομικό σύμβουλο που παρέχει εξατομικευμένες συμβουλές. Η αναφορά αναλύει τις τεχνολογικές επιλογές που πραγματοποιήθηκαν, τις προκλήσεις που αντιμετωπίστηκαν κατά τη διαδικασία ανάπτυξης και τις λύσεις που υιοθετήθηκαν. Ιδιαίτερη έμφαση δίνεται στην ασφάλεια του συστήματος, καθώς και στους περιορισμούς και τις κατευθύνσεις για μελλοντική επέκταση. Mon, 01 Jun 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19495 2026-06-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19494 Μελέτη της αποτελεσματικότητας των LLMs σε διαφορετικά επιστημονικά πεδία Μπαρδάνης, Αντώνιος Η παρούσα πτυχιακή εργασία διερευνά την αποτελεσματικότητα των Μεγάλων Γλωσσικών Μοντέλων (LLMs) σε διαφορετικά επιστημονικά πεδία, εξετάζοντας πώς διαφοροποιείται η απόδοσή τους ανάλογα με το εκάστοτε γνωστικό αντικείμενο. Καθώς η παραγωγική τεχνητή νοημοσύνη ενσωματώνεται ταχύτατα σε ερευνητικά και επαγγελματικά περιβάλλοντα, η κριτική αξιολόγηση των δυνατοτήτων αλλά και των ορίων της αποτελεί επιτακτική ανάγκη. Για τον σκοπό αυτό, εκπονήθηκε Συστηματική Βιβλιογραφική Ανασκόπηση (SLR) βασισμένη στο πρωτόκολλο PRISMA και το πλαίσιο επιλεξιμότητας PICOC. Μέσα από την ανάλυση 43 πρόσφατων επιστημονικών μελετών, χαρτογραφείται η απόδοση των μοντέλων σε πέντε βασικούς τομείς: Θετικές Επιστήμες και Μαθηματικά, Πληροφορική και Προγραμματισμό, Ιατρική και Βιοεπιστήμες, Νομική, καθώς και Κοινωνικές και Ανθρωπιστικές Επιστήμες. Τα ευρήματα υποδεικνύουν ότι η αποτελεσματικότητα των LLMs δεν είναι ομοιόμορφη, αλλά εξαρτάται άμεσα από τον βαθμό τυποποίησης του πεδίου, τον όγκο των διαθέσιμων δεδομένων εκπαίδευσης και την πολυπλοκότητα του απαιτούμενου συλλογισμού. Ενώ τα μοντέλα επιδεικνύουν κορυφαίες επιδόσεις σε αυστηρά δομημένες εργασίες, όπως η παραγωγή μεμονωμένου κώδικα ή η επίλυση βασικών μαθηματικών προβλημάτων, αντιμετωπίζουν σημαντικές προκλήσεις σε καθήκοντα που απαιτούν πολυβηματική λογική ή λεπτή κλινική και νομική κρίση. Ακόμη και όταν σημειώνουν υψηλές βαθμολογίες σε τυποποιημένα benchmarks, παραμένουν επιρρεπή σε ψευδαισθήσεις (hallucinations). Παράλληλα, καταγράφεται σημαντική υστέρηση της απόδοσής τους σε γλώσσες με λιγότερους πόρους (όπως τα ελληνικά) και σε μη αγγλοσαξονικά θεσμικά πλαίσια. Συμπερασματικά, αν και τεχνικές όπως το prompt engineering, το fine-tuning και οι πολυπρακτορικές μέθοδοι (agentic workflows) ενισχύουν κατακόρυφα την ακρίβεια των απαντήσεων, η ανθρώπινη εποπτεία παραμένει αναντικατάστατη. Τα LLMs αποδεικνύεται πως λειτουργούν βέλτιστα ως ισχυρά εργαλεία υποστήριξης και όχι ως αυτόνομοι λήπτες αποφάσεων, ιδιαίτερα σε περιβάλλοντα υψηλού ρίσκου. Mon, 01 Jun 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19494 2026-06-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19484 Προληπτική κυβερνοάμυνα μέσω παραγωγικών γραφημάτων επίθεσης καθοδηγούμενων από μεγάλα γλωσσικά μοντέλα Τερτίπης, Δημήτριος Η παρούσα πτυχιακή εργασία διερευνά την αποτελεσματικότητα και τους εγγενείς περιορισμούς των Μεγάλων Γλωσσικών Μοντέλων (LLMs), με επίκεντρο το Microsoft Phi-3-mini-4k-instruct, σε δύο κρίσιμες λειτουργίες κυβερνοασφάλειας: τον αυτοματοποιημένο έλεγχο πηγαίου κώδικα (Security Auditing) και την αυτόνομη επιδιόρθωση (Auto-Remediation) εντός ροών DevSecOps. Τα παραδοσιακά εργαλεία Στατικής Ανάλυσης (SAST) πάσχουν από «ευρετική τύφλωση», παράγοντας τεράστιο όγκο Ψευδώς Θετικών (False Positives) συναγερμών, καθώς αδυνατούν να κατανοήσουν την επιχειρησιακή λογική του προγραμματιστή. Για την επίλυση αυτού του προβλήματος, προτείνεται μια καινοτόμος υβριδική αρχιτεκτονική που συνδυάζει έναν ντετερμινιστικό μηχανισμό Triage με ένα πλαίσιο Ανάκτησης Επαυξημένης Παραγωγής (RAG), βασισμένο στην οντολογία MITRE CWE. Η πειραματική αξιολόγηση απέδειξε ότι το υβριδικό σύστημα εκμηδενίζει (100%) τα Ψευδώς Θετικά σε ασφαλή κώδικα, διατηρώντας ταυτόχρονα μηδενικό ποσοστό Ψευδώς Αρνητικών (0%) στον εντοπισμό πραγματικών ευπαθειών. Επιπλέον, αναλύεται εκτενώς η επίδραση της στοχαστικής υπερπαραμέτρου της «Θερμοκρασίας» (Temperature). Αποδεικνύεται ότι σε συνθήκες χαμηλής εντροπίας (), ο Πράκτορας Επιδιόρθωσης εξουδετερώνει τις ευπάθειες με ποσοστό επιτυχίας 69.2%, παράγοντας λειτουργικά άρτιο κώδικα. Αντιθέτως, σε υψηλές θερμοκρασίες, το μοντέλο υφίσταται «Σημασιολογική Ολίσθηση» (Semantic Drift), προκαλώντας δομική και λειτουργική δολιοφθορά στο λογισμικό. Συμπερασματικά, τα τοπικά LLMs μπορούν να ενσωματωθούν επιτυχώς στην προληπτική κυβερνοάμυνα, εφόσον διέπονται από αυστηρούς κανόνες Μηχανικής Προτροπών (Prompt Engineering). Mon, 01 Jun 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19484 2026-06-01T00:00:00Z https://dione.lib.unipi.gr/xmlui/handle/unipi/19483 Λογισμικό για διαχείριση άυλης προσωπικής περιουσίας Ζιφλάι, Αρμάντο Η παρούσα πτυχιακή εργασία παρουσιάζει το "WealthTracker", μια σύγχρονη διαδικτυακή εφαρμογή σχεδιασμένη για τη διαχείριση των προσωπικών οικονομικών στο σημερινό, ταχέως μεταβαλλόμενο οικονομικό περιβάλλον. Με έμφαση στη χρηστικότητα, την απόδοση και την επεκτασιμότητα, η πλατφόρμα προσφέρει στους χρήστες ένα εύχρηστο εργαλείο για την καταγραφή, κατηγοριοποίηση και ανάλυση των οικονομικών τους συναλλαγών, με σκοπό τη βελτίωση των καταναλωτικών τους συνηθειών. Οι βασικές λειτουργικές ενότητες περιλαμβάνουν σύστημα αυθεντικοποίησης χρηστών, έναν διαδραστικό πίνακα ελέγχου (dashboard), τη διαχείριση συναλλαγών και κατηγοριών, καθώς και τη δυνατότητα εισαγωγής δεδομένων. Η εφαρμογή αναπτύχθηκε με βάση σύγχρονες πρακτικές της μηχανικής λογισμικού, χρησιμοποιώντας τη βιβλιοθήκη React και τη γλώσσα TypeScript στο Front-End για τη διασφάλιση της εγκυρότητας των τύπων δεδομένων και την ελαχιστοποίηση των σφαλμάτων, σε συνδυασμό με ένα ασφαλές Back-End για την εξατομικευμένη διαχείριση των δεδομένων κάθε χρήστη. Τελικά, το έργο αυτό παραδίδει μια ολοκληρωμένη και επεκτάσιμη λύση λογισμικού, η οποία αποτελεί μια σταθερή βάση για τη μελλοντική προσθήκη προηγμένων λειτουργιών, όπως ο προϋπολογισμός και η ανάλυση επενδύσεων. Mon, 01 Jun 2026 00:00:00 GMT https://dione.lib.unipi.gr/xmlui/handle/unipi/19483 2026-06-01T00:00:00Z