Η παρούσα διπλωματική εργασία εστιάζει στην εκπαίδευση και εφαρμογή μεγάλων γλωσσικών μοντέλων τεχνητής νοημοσύνης μέσω της πλατφόρμας Ollama, με βασικό αντικείμενο την υποστήριξη της συγγραφής κώδικα SQL. Στόχος είναι να αξιολογηθεί η ικανότητα των μοντέλων να διευκολύνουν τη διαδικασία προγραμματισμού προσφέροντας αυτόματες προτάσεις, εντοπισμό σφαλμάτων και βελτιστοποιημένες λύσεις σε προγραμματιστικά προβλήματα. Η μελέτη δεν περιορίζεται μόνο στη θεωρητική ανάλυση, αλλά επικεντρώνεται στη χρήση των μοντέλων σε πραγματικά σενάρια και ακαδημαϊκά παραδείγματα, ώστε να εξεταστεί ο ρόλος τους στην εκπαιδευτική διαδικασία και στην πρακτική εφαρμογή της γλώσσας SQL.  

Η ερευνητική εργασία περιλαμβάνει τη συστηματική προσαρμογή των μοντέλων σε επιλεγμένα ακαδημαϊκά και πρακτικά προβλήματα SQL, τη σχεδίαση πειραμάτων για τη μέτρηση της απόδοσής τους, και την καταγραφή αποτελεσμάτων με βάση συγκεκριμένα ποσοτικά και ποιοτικά κριτήρια. Εξετάζεται επίσης η συμβατότητα των μοντέλων με διαφορετικά datasets, η αποτελεσματικότητα των τεχνικών fine-tuning και η δυνατότητα αυτοματοποίησης της παραγωγής προτάσεων και εντοπισμού σφαλμάτων, ώστε να διασφαλίζεται η επαναληψιμότητα και η ακρίβεια των αποτελεσμάτων σε πραγματικά εκπαιδευτικά περιβάλλοντα. 

Με βάση τα πειραματικά αποτελέσματα, τα μοντέλα τεχνητής νοημοσύνης αποδείχθηκαν ιδιαίτερα χρήσιμα για την υποστήριξη της συγγραφής SQL κώδικα, παρέχοντας ακριβείς προτάσεις και αναδεικνύοντας σφάλματα που συχνά παραλείπονται από τον χρήστη. Η αποτελεσματικότητα όμως των προτάσεων εξαρτάται από την ποιότητα των δεδομένων εκπαίδευσης και τις δυνατότητες του εκάστοτε μοντέλου. Ακόμα και όταν ο παραγόμενος κώδικας δεν είναι πλήρως ορθός, οι λύσεις που προσφέρονται λειτουργούν ως κατευθυντήριες γραμμές, συμβάλλοντας ουσιαστικά στην εκμάθηση και βελτίωση των δεξιοτήτων προγραμματισμού. Συμπερασματικά, η εργασία καταδεικνύει ότι τα γλωσσικά μοντέλα μπορούν να αποτελέσουν πολύτιμο εργαλείο τόσο στην εκπαίδευση όσο και στην πράξη, ενισχύοντας την αποτελεσματικότητα στη συγγραφή και κατανόηση SQL ερωτημάτων. 

This thesis focuses on the training and application of large language models (LLMs) through the Ollama platform, with a primary objective of supporting SQL code writing. The aim is to evaluate the ability of these models to facilitate the programming process by providing automated suggestions, identifying errors, and offering optimized solutions to programming tasks. The study is not limited to theoretical analysis but emphasizes the use of models in real scenarios and academic examples, examining their role in the educational process as well as in practical SQL applications.  

The research also involves the systematic adaptation of the models to selected academic and practical SQL problems, the design of experiments to measure their performance, and the recording of results based on specific quantitative and qualitative criteria. Additionally, the study evaluates the models’ compatibility with different datasets, the effectiveness of fine-tuning techniques, and the ability to automate suggestion generation and error detection, ensuring repeatability and accuracy of results in both educational and professional environments. 

Based on experimental results, the AI models proved particularly useful in supporting SQL code writing, offering accurate suggestions and highlighting errors that are often overlooked by the user. However, the effectiveness of these suggestions depends significantly on the quality of the training data and the capabilities of each model. Even when the generated code is not fully correct, the provided solutions serve as valuable guidelines, contributing substantially to learning and the improvement of programming skills. In conclusion, the study demonstrates that language models can be a highly valuable tool both in education and in practice, enhancing efficiency in writing and understanding SQL queries.