Αξιολόγηση της αποτελεσματικότητας εργαλείων τεχνητής νοημοσύνης στην ανάλυση και πρόβλεψη δεδομένων

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η διερεύνηση της αποτελεσματικότητας που παρουσιάζουν τα εργαλεία Τεχνητής Νοημοσύνης (ΤΝ) στο πεδίο της ανάλυσης και πρόβλεψης δεδομένων σε σύγκριση με την εμπειρική ανάλυση. Για τις ανάγκες της πειραματικής διαδικασίας αξιοποιήθηκε το σύνολο δεδομένων «Hotel Booking Demand Dataset», το οποίο απαρτίζεται από πραγματικές ξενοδοχειακές κρατήσεις, με κεντρικό στόχο τη μοντελοποίηση και πρόβλεψη της μεταβλητής του Μέσου Ημερήσιου Εσόδου (Average Daily Rate - ADR). Η ερευνητική προσέγγιση διαρθρώθηκε σε διακριτά μεθοδολογικά στάδια. Αρχικά, πραγματοποιήθηκε ενδελεχής προ-επεξεργασία και εξυγίανση των δεδομένων (data cleaning), η οποία περιλάμβανε τον εντοπισμό και τη διαχείριση ακραίων τιμών (outliers), καθώς και τον κατάλληλο μετασχηματισμό των μεταβλητών για τη διασφάλιση της αξιοπιστίας των αποτελεσμάτων. Στο πλαίσιο της στατιστικής ανάλυσης, εφαρμόστηκαν μοντέλα απλής και πολυπαραγοντικής παλινδρόμησης, προκειμένου να ερμηνευθούν οι προσδιοριστικοί παράγοντες που διαμορφώνουν την τιμολογιακή πολιτική στον ξενοδοχειακό κλάδο. Ιδιαίτερη έμφαση δόθηκε στην τμηματοποίηση των δεδομένων (segmentation), μια στρατηγική που συνέβαλε καθοριστικά στη βελτιστοποίηση της ερμηνευτικής ισχύος και της προβλεπτικής ικανότητας των παραγόμενων μοντέλων. Σε επόμενο στάδιο, η ανάλυση επεκτάθηκε με τη χρήση προηγμένων εργαλείων ΤΝ, και συγκεκριμένα των μοντέλων ChatGPT και Gemini. Η συγκριτική αξιολόγηση των δύο αυτών προσεγγίσεων αποκάλυψε ουσιώδεις διαφοροποιήσεις στη φιλοσοφία επίλυσης: ενώ το ChatGPT προέκρινε τη χρήση γραμμικών μοντέλων με υψηλό βαθμό ερμηνευσιμότητας, το Gemini υιοθέτησε πολυπλοκότερες μη γραμμικές τεχνικές, επιτυγχάνοντας ανώτερες επιδόσεις ως προς την ακρίβεια των προβλέψεων. Συνοψίζοντας, τα αποτελέσματα της εργασίας δείχνουν ότι η επιλογή της μεθοδολογίας εξαρτάται από τον στόχο της ανάλυσης. Τα παραδοσιακά στατιστικά μοντέλα προσφέρουν υψηλή ερμηνευσιμότητα και κατανόηση των δεδομένων, ενώ τα μοντέλα τεχνητής νοημοσύνης επιτυγχάνουν μεγαλύτερη προβλεπτική ακρίβεια. Συνεπώς, προτείνεται ένας υβριδικός συνδυασμός των δύο προσεγγίσεων, ο οποίος μπορεί να αξιοποιηθεί αποτελεσματικά σε περιβάλλοντα λήψης αποφάσεων.