| dc.contributor.advisor | Μοσχούρης, Σωκράτης | |
| dc.contributor.author | Καλπίδη, Γεωργία | |
| dc.date.accessioned | 2026-05-25T15:08:14Z | |
| dc.date.available | 2026-05-25T15:08:14Z | |
| dc.date.issued | 2026 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19380 | |
| dc.description.abstract | Στο σύγχρονο επιχειρηματικό περιβάλλον, η αδυναμία αξιόπιστων προβλέψεων οδηγεί
συχνά είτε σε υπεραποθεματοποίηση, με αυξημένο κόστος αποθήκευσης και δέσμευση
κεφαλαίων, είτε σε ελλείψεις προϊόντων, με άμεσο αντίκτυπο στο επίπεδο εξυπηρέτησης
πελατών και στη φήμη της επιχείρησης, έτσι, αδιαμφησβήτητα η ακρίβεια πρόβλεψης
της ζήτησης αποτελεί καθοριστικό παράγοντα επιτυχίας για τις επιχειρήσεις.
Οι παραδοσιακές μέθοδοι πρόβλεψης της ζήτησης στην εφοδιαστικής αλυσίδας, όντας
αρκετά περιοριστικές βασίζονται κυρίως σε στατιστικές τεχνικές και ιστορικά δεδομένα,
αδυνατώντας να ενσωματώσουν αποτελεσματικά εξωτερικούς και μη γραμμικούς
παράγοντες, γεγονός που σε συνδυασμό με την υποβαθμισμένη ποιότητα δεδομένων
περιορίζουν τη δυνατότητα έγκαιρης λήψης αποφάσεων, δημιουργώντας
αναποτελεσματικότητες σε όλο το μήκος και τα επιμέρους στάδια της εφοδιαστικής
αλυσίδας.
Αδιαμφησβήτητα, η Τεχνητή Νοημοσύνη (ΤΝ) κατέχει καθοριστικό ρόλο στην
σύγχρονη διαχείριση της εφοδιαστικής αλυσίδας. Πιο συγκεκριμένα, κατά την μετάβαση
προς τα σύγχρονα συστήματα πρόβλεψης ζήτησης και διαχείρισης των αποθεμάτων,
αξιοποιείται πληθώρα τεχνικών όπως τα μοντέλα χρονοσειρών, τα νευρωνικά δίκτυα, οι
Μηχανές Διανυσμάτων Υποστήριξης και άλλοι αλγόριθμοι μηχανικής μάθησης,
παρέχοντας την δυνατότητα όχι μόνο της ανίχνευσης πολύπλοκων, μη γραμμικών
σχέσεων μέσα σε μεγάλα και ετερογενή σύνολα δεδομένων, αλλά και της αυτοβελτίωσης
μέσω επαναληπτικής μάθησης, αξιοποιώντας δυναμικά τις μεταβολές της αγοράς,
προσφέροντας υψηλότερη ακρίβεια προβλέψεων.
Εξίσου σημαντική στην ομαλή ένταξη των μεθόδων ΤΝ στην εφοδιαστική αλυσίδα, είναι
η ενσωμάτωση εναλλακτικών πηγών δεδομένων, όπως τα κοινωνικά μέσα δικτύωσης,
μέσω τεχνικών επεξεργασίας φυσικής γλώσσας και ανάλυσης συναισθήματος. Έτσι,
μέσω της ανάλυσης μη δομημένων δεδομένων αποτυπώνεται με ακρίβεια η
καταναλωτική διάθεση σε πραγματικό χρόνο. Επιπλέον, η τεχνολογία blockchain
διασφαλίζει την ανταλλαγή αξιόπιστων δεδομένων μεταξύ όλων των συμμετεχόντων
στην εφοδιαστική αλυσίδα, μειώνοντας την ασυμμετρία πληροφόρησης και ενισχύοντας
την εμπιστοσύνη. Η πρόσβαση σε επικαιροποιημένα και ακριβή δεδομένα σε πραγματικό
χρόνο βελτιώνει την ποιότητα των εισροών στα προγνωστικά μοντέλα, οδηγώντας σε πιο
iv
αξιόπιστες προβλέψεις και αποτελεσματικότερη διαχείριση αποθεμάτων καθώς και στη
βελτίωση της διαφάνειας προς τους καταναλωτές.
Η παρούσα μεταπτυχιακή εργασία πραγματεύεται σε βάθος τον ρόλο της Τεχνητής
Νοημοσύνης στη σύγχρονη διαχείριση της εφοδιαστικής αλυσίδας, με κύριο άξονα την
πρόβλεψη ζήτησης και τη βελτιστοποίηση της διαχείρισης αποθεμάτων. Επισημαίνεται
ότι μέσω επενδύσεων σε ψηφιακές υποδομές και της ανάπτυξης κατάλληλων δεξιοτήτων,
η ΤΝ μπορεί να αποτελέσει αναπόσπαστο κομμάτι της σλυγχρονης και μελλοντικής
εφοδιαστικής αλυσίδας, συμβάλλοντας στην δημιουργία ευέλικτων και αποδοτικών
εφοδιαστικών αλυσίδων, βελτιώνοντας την ακρίβεια των προβλέψεων, τη μείωση του
κόστους και την ενίσχυση της ανταγωνιστικότητας. | el |
| dc.format.extent | 74 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Η συμβολή της τεχνητής νοημοσύνης στην βελτιστοποίηση της εφοδιαστικής αλυσίδας με έμφαση στην πρόβλεψη ζήτησης και τη διαχείριση αποθεμάτων | el |
| dc.title.alternative | The contribution of Artificial Intelligence to the optimization of the supply chain with emphasis on demand forecasting and inventory management | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Ναυτιλίας και Βιομηχανίας. Tμήμα Βιομηχανικής Διοίκησης και Tεχνολογίας | el |
| dc.description.abstractEN | In the modern business environment, the inability to make reliable forecasts often leads either to overstocking, resulting in increased storage costs and capital commitment, or to product shortages, which directly impact the level of customer service and the company’s reputation. Thus, demand forecasting accuracy is undoubtedly a crucial success factor for businesses.
Traditional demand forecasting methods in supply chain management are rather limited, as they are mainly based on statistical techniques and historical data. They are unable to effectively incorporate external and non-linear factors. This, combined with poor data quality, restricts the ability to make timely decisions, creating inefficiencies throughout the entire supply chain and its individual stages.
Undoubtedly, Artificial Intelligence (AI) plays a decisive role in modern supply chain management. Specifically, in the transition toward modern demand forecasting and inventory management systems, a wide range of techniques is utilized, such as time series models, neural networks, Support Vector Machines, and other machine learning algorithms. These methods enable not only the detection of complex, non-linear relationships within large and heterogeneous datasets, but also self-improvement through iterative learning, dynamically leveraging market changes and providing higher forecasting accuracy.
Equally important for the smooth integration of AI methods into the supply chain is the incorporation of alternative data sources, such as social media, through Natural Language Processing and sentiment analysis techniques. In this way, the analysis of unstructured data captures consumer sentiment in real time with high accuracy. Additionally, blockchain technology ensures the exchange of reliable data among all participants in the supply chain, reducing information asymmetry and strengthening trust. Access to up-to-date and accurate real-time data improves the quality of inputs to predictive models, leading to more reliable forecasts and more effective inventory management, as well as improved transparency toward consumers.
This master’s thesis thoroughly examines the role of Artificial Intelligence in modern supply chain management, focusing on demand forecasting and inventory optimization. It is emphasized that through investments in digital infrastructure and the development of appropriate skills, AI can become an integral part of both modern and future supply chains, contributing to the creation of flexible and efficient systems, improving forecasting accuracy, reducing costs, and enhancing competitiveness. | el |
| dc.contributor.master | Βιομηχανική Διοίκηση και Τεχνολογία | el |
| dc.subject.keyword | Artificial Intelligence | el |
| dc.date.defense | 2026-03-18 | |
