4^th industrial revolution provides tools and big data to manufacturing companies. The problem is that these data are usually underutilized by manufacturing companies in many of its hierarchical levels or functions resulting in employees making wrong decisions which increase operational costs, reduce product quality, and assets utilization. Initially this dissertation wants to highlight how decision making in manufacturing can be automated in an era of increased uncertainty with many unimaginable challenges which cannot be dealt with classical decision-making techniques. Gap in decision making could place companies under immense pressure from competitors, taking advantage of their technological superiority and creating a sustainable competitive advantage.  Additionally, this dissertation makes a historical overview of the automatic learning algorithms, namely machine learning, artificial intelligence and deep learning and underline how industrial revolutions contribute towards this direction.  Furthermore, this dissertation presents necessary background and an algorithm with all necessary steps, according to existing methods and techniques for machine learning, which can facilitate decision making process. Finally, research for current usage of Artificial Intelligence and Machine Learning in conjunction with current Decision making in various manufacturing industries is presented. Purpose is to identify the current level of usage of such tools in decision making at different fields of manufacturing.

Η 4^η βιομηχανική επανάσταση παρέχει εργαλεία και μεγάλα πακέτα δεδομένων σε βιομηχανίες. Το πρόβλημα είναι ότι τα παραπάνω δεδομένα συνήθως υπό-χρησιμοποιούνται από τις εταιρείες σε πολλά από τα ιεραρχικά επίπεδα ή λειτουργίες τους, με αποτέλεσμα οι εργαζόμενοι να λαμβάνουν λανθασμένες αποφάσεις που αυξάνουν το λειτουργικό κόστος και μειώνουν την ποιότητα των προϊόντων και την αποτελεσματική χρήση των μονάδων παραγωγής. Αρχικά, αυτή η πτυχιακή θέλει να επισημάνει πώς η λήψη αποφάσεων στον τομέα της βιομηχανίας μπορεί να αυτοματοποιηθεί σε μια εποχή αυξημένης αβεβαιότητας με πολλές ασύλληπτες προκλήσεις που δεν μπορούν να αντιμετωπιστούν με τις κλασικές τεχνικές λήψης αποφάσεων. Το κενό στη λήψη αποφάσεων θα μπορούσε να θέσει τις εταιρείες υπό μεγάλη πίεση από τους ανταγωνιστές, εκμεταλλευόμενοι την τεχνολογική τους υπεροχή και δημιουργώντας ένα βιώσιμο ανταγωνιστικό πλεονέκτημα. Επιπλέον, αυτή η πτυχιακή, κάνει μια ιστορική επισκόπηση των αλγορίθμων Αυτόματης Εκμάθησης και πιο συγκεκριμένα της Μηχανικής Εκμάθησης, της Τεχνητής Νοημοσύνης και της Βαθιάς Εκμάθησης και αναλύει τον τρόπο που οι βιομηχανικές επαναστάσεις συνέβαλαν προς αυτή την κατεύθυνση. Επιπλέον, η παρούσα πτυχιακή, παρουσιάζει το απαραίτητο υπόβαθρο και έναν αλγόριθμο με όλα τα απαραίτητα βήματα, σύμφωνα με τις υπάρχουσες μεθόδους και τεχνικές Μηχανικής Εκμάθησης, που μπορούν να διευκολύνουν τη διαδικασία λήψης αποφάσεων. Τέλος, παρουσιάζονται τα αποτελέσματα μιας έρευνας σχετικά με την χρήση της Τεχνητής Νοημοσύνης και της Μηχανική Εκμάθησης σε συνδυασμό με το πως πραγματοποιείται η Λήψη Αποφάσεων σε διάφορες βιομηχανίες σήμερα. Σκοπός της έρευνας, είναι να προσδιοριστεί το τρέχον επίπεδο χρήσης τέτοιων εργαλείων στη λήψη αποφάσεων σε διαφορετικούς τομείς παραγωγής.