Σ' αυτήν τη διπλωματική εργασία το θέμα είναι πως και εάν τα σύγχρονα μοντέλα τεχνητής νοημοσύνης και συγκεκριμένα το chatGPT (GPT: Generative Pre-training Transformer) της OpenAI μπορούν, με την κατάλληλη προσαρμογή να εμπλουτίζονται συνεχώς με νέα αξιόπιστα δεδομένα, τα οποία θα μπορούν να επεξεργάζονται και στη συνέχεια να τα χρησιμοποιούν για να παρέχουν στους χρήστες, εξατομικευμένες, συμβουλές, σχετικά με τη χρήση φαρμάκων.

Ένας βοηθός τεχνητής νοημοσύνης, όπως ο GPT Farmy ή απλά Farmy, μπορεί γρήγορα, άμεσα και αδιαλείπτως να ενημερώνεται με τα πιο πρόσφατα δεδομένα. Αυτό μακροπρόθεσμα θα σημαίνει λιγότερα λάθη, μεγαλύτερη αξιοπιστία και καλύτερη εξυπηρέτηση των ασθενών. Ο Farmy μπορεί να παρέχει οποιαδήποτε ώρα της μέρας, λεπτομερείς και κατανοητές οδηγίες, μειώνοντας λάθη και παρανοήσεις. Εξατομικευμένες συμβουλές και στο πιο απομονωμένο σημείο της χώρας! Επιπλέον περιορίζει σημαντικά τον φόρτο εργασίας των επαγγελματιών υγείας όπως και το κόστος λειτουργίας των αντίστοιχων δομών.

Τώρα η συλλογή και η επεξεργασία δεδομένων απαιτεί αξιόπιστες πηγές και ακριβείς αναλύσεις για σωστές αποφάσεις. Η ταχύτητα συλλογής και το μέγεθος των δεδομένων στον τομέα της υγείας, οδηγούν στην βελτίωση της εκπαίδευσης των μοντέλων τεχνητής νοημοσύνης. Παρακολούθηση των θεραπειών, λιγότερες παρενέργειες, καλύτερες δομές υγείας είναι μόνο λίγα παραδείγματα της μηχανικής μάθησης σε ιατρικά δεδομένα. Οι δοσολογίες των φαρμάκων, οι αλληλεπιδράσεις τους με άλλες δραστικές ουσίες και οι πιθανές αντενδείξεις τους, είναι τα βασικότερα σημεία αυτής της εργασίας.

Ο στόχος αυτής της διπλωματικής είναι η καλύτερη εκπαίδευση του GPT για την αρτιότερη συμβουλευτική σε θέματα φαρμάκων και η ανακούφιση του προσωπικού ώστε να μπορεί να ασχοληθεί με πιο σύνθετες εργασίες. Συγκεκριμένα, περιγράφονται τα δεδομένα που χρησιμοποιήθηκαν, οι μέθοδοι ανάλυσης και επεξεργασίας τους καθώς και τα πορίσματα που προέκυψαν από τη χρήση του GPT Farmy. Συμπερασματικά, μπορούμε να πούμε ότι η ανάλυση δεδομένων μέσω της μηχανικής μάθησης και ειδικά τα μοντέλα τεχνητής νοημοσύνης έχουν την δυνατότητα να προσφέρουν απαντήσεις που είναι αξιοπρεπείς.

In this thesis the topic is how and if modern models of artificial intelligence and especially the GPT (Generative Pre-training Transformer) can, with appropriate "training", be continuously enriched with new data, which they can process and then use to provide users with personalized advice, about the use of medicines.

An artificial intelligence assistant like Farmy can quickly, instantly and continuously update itself with the latest data. This means fewer errors, more reliability and better patient service. Farmy can provide any time of the day, detailed and understandable instructions, reducing mistakes and misunderstandings. Personalized advice even in the most isolated part of the country! In addition, it significantly reduces the workload of health professionals as well as the operating costs of the corresponding structures.

Now, the collection and processing of data requires reliable sources and accurate analyzes for correct decisions. The speed of collection and the size of data in the health sector led to the improvement of computer training in patterns which in turn bring better results. New treatments, fewer side effects, better health structures are just a few examples of machine learning in medical data. The dosages of the drugs, their interactions with other active substances and their possible contraindications, are our main points of control.

The aim of this diploma is to better train the GPT for better drug counseling and to relieve staff to deal with more complex tasks. Specifically, the data used, their analysis and processing methods as well as the conclusions obtained from the use of GPT are described. In conclusion we can say that data analysis through machine learning and especially artificial intelligence models can offer spectacular improvements.