Εξηγήσιμη Τεχνητή Νοημοσύνη (XAI) : ανάπτυξη ευφυούς ψηφιακού βοηθού για την οινοποίηση ερυθρών οίνων
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Αρβανιτίδης, Αθανάσιος | |
| dc.date.accessioned | 2025-10-10T06:12:19Z | |
| dc.date.available | 2025-10-10T06:12:19Z | |
| dc.date.issued | 2025-08 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18208 | |
| dc.description.abstract | Αντικείμενο της παρούσας εργασίας, είναι η διερεύνηση και η εφαρμογή μεθόδων Εξηγήσιμης Τεχνητής Νοημοσύνης (ΕΤΝ) στην πρόβλεψη της ποιότητας του κόκκινου κρασιού, καθώς η παραγωγή κρασιού έχει γίνει ξανά ένας κλάδος που προσελκύει ολοένα και περισσότερες επενδύσεις ανά τον κόσμο. Στο πλαίσιο της έρευνας αναλύθηκε ένα σύνολο δεδομένων που αφορά το κόκκινο κρασί, το οποίο περιλαμβάνει πλήθος εργαστηριακών παραμέτρων. Πέρα από την ανάπτυξη ενός αξιόπιστου και ερμηνεύσιμου μοντέλου για την υποστήριξη των αποφάσεων κατά την διάρκεια παραγωγής και ωρίμανσης του οίνου, δόθηκε προσοχή και στην υλοποίηση μιας διαδικτυακής εφαρμογής η οποία μπορεί να χρησιμοποιηθεί από τον τελικό χρήστη, τον ίδιο τον παραγωγό. Στο πλαίσιο της προσέγγισης αυτής, εφαρμόστηκαν διάφορες αρχιτεκτονικές τεχνητών νευρωνικών δικτύων (ΤΝΔ) με ιδανικότερη αυτή του γραμμικού νευρωνικού δικτύου (Sequential Neural Network), καθώς πέτυχε τα καλύτερα αποτελέσματα έχοντας σταθερότητα στις προβλέψεις του. Ιδιαίτερη έμφαση δόθηκε στην ερμηνευσιμότητα των αποτελεσμάτων μέσω της προηγμένης μεθόδου SHAP (SHapley Additive exPlanations), η οποία επέτρεψε την κατανόηση των παραγόντων που επηρεάζουν τις προβλέψεις του μοντέλου. Η ανάλυση των αποτελεσμάτων, ανέδειξε συγκεκριμένους παράγοντες που επηρεάζουν την ποιότητα του κόκκινου κρασιού, δίνοντας έτσι πολύτιμες πληροφορίες στους παραγωγούς. Τα αποτελέσματα υποδεικνύουν ότι η ενσωμάτωση τεχνικών ΕΤΝ μπορεί να συμβάλει σημαντικά στην αξιοπιστία και αποδοχή των συστημάτων τεχνητής νοημοσύνης στην πράξη, προσφέροντας όχι μόνο υψηλή ακρίβεια αλλά και τη δυνατότητα κατανόησης της συλλογικής σκέψης πίσω από κάθε πρόβλεψη. Η έρευνα αυτή ευελπιστούμε να αποτελέσει ένα βήμα προς την κατεύθυνση της ανάπτυξης αξιόπιστων και διαφανών συστημάτων υποστήριξης αποφάσεων, τα οποία μπορούν να ενσωματωθούν αποτελεσματικά στην καθημερινή πρακτική παραγωγής οίνου, βελτιώνοντας την ποιότητα των παρεχόμενων προϊόντων. | el |
| dc.format.extent | 63 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
| dc.title | Εξηγήσιμη Τεχνητή Νοημοσύνη (XAI) : ανάπτυξη ευφυούς ψηφιακού βοηθού για την οινοποίηση ερυθρών οίνων | el |
| dc.title.alternative | Explainable AI (XAI) for red wine production : development an intelligent digital assistant | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The objective of this work is the investigation and application of Explainable Artificial Intelligence (XAI) methods for predicting red wine quality, particularly as winemaking has reemerged as a sector attracting increasing global investment. Within the research framework, a red wine dataset containing numerous laboratory parameters was analyzed. Beyond developing a reliable and interpretable model to support decision-making during wine production and aging, attention was also given to implementing a web application accessible to the end-user – the winemaker themselves. Within this approach, various artificial neural network (ANN) architectures were implemented, with the Sequential Neural Network proving most optimal, as it achieved the best results with stable predictions. Particular emphasis was placed on result interpretability using the advanced SHAP method (SHapley Additive exPlanations), which enabled understanding of the factors influencing the model's predictions. The analysis of results highlighted specific factors affecting red wine quality, thereby providing valuable information to producers. The findings indicate that integrating XAI techniques can significantly enhance the reliability and acceptance of AI systems in practice, offering not only high accuracy but also the ability to understand the collective reasoning behind each prediction. We hope this research will constitute a step towards developing reliable and transparent decision support systems that can be effectively integrated into daily winemaking practice, improving the quality of the resulting products. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
| dc.subject.keyword | Ποιότητα | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Μοντέλο | el |
| dc.subject.keyword | LLM | el |
| dc.subject.keyword | SHAP | el |
| dc.subject.keyword | Εξηγήσιμη Τεχνητή Νοημοσύνη | el |
| dc.subject.keyword | XAI | el |
| dc.date.defense | 2025-08 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα