Η εκρηκτική εξάπλωση της τεχνολογίας των chatbot στους επιστήμονες πληροφορικής αλλά και στο ευρύ κοινό έχει ήδη δημιουργήσει τις προϋποθέσεις για την ανάπτυξη εφαρμογών που μπορούν να βασίζονται στις τεχνολογίες αυτές και να αντιλαμβάνονται τη σημασία της ανθρώπινης γλώσσας.

Η παρούσα διπλωματική εργασία πραγματεύεται τον σχεδιασμό και την υλοποίηση ενός Ψηφιακού Βοηθού (Chatbot) που αξιοποιεί Μεγάλα Γλωσσικά Μοντέλα (LLM) για την παροχή εξατομικευμένης βοήθειας, με κύριο στόχο την καταγραφή γεγονότων σε ηλεκτρονικό ημερολόγιο. Ο ψηφιακός βοηθός δέχεται φυσική γλώσσα από τον χρήστη (π.χ. «Έχω συνάντηση με τον Γιάννη αύριο στις 3») και επιστρέφει ένα κατάλληλα δομημένο JSON, το οποίο μπορεί να καταχωρηθεί αυτόματα σε εφαρμογές όπως το Google Calendar.

Η εργασία περιλαμβάνει βιβλιογραφική επισκόπηση της τεχνολογίας των LLMs, σύγχρονων τεχνικών NLP, και των chatbots. Στη συνέχεια, περιγράφεται η μεθοδολογία για την αξιολόγηση διαφορετικών κατηγοριών μοντέλων: εμπορικών (Frontier), ανοικτού κώδικα (Open Source) και εξειδικευμένα εκπαιδευμένων (Fine-Tuned). Δημιουργήθηκαν συνθετικά δεδομένα για την εκπαίδευση και αξιολόγηση των μοντέλων, ενώ παράλληλα σχεδιάστηκε και υλοποιήθηκε το σύστημα chatbot και ημερολογίου.

Τα αποτελέσματα έδειξαν ότι τα Frontier LLMs επιτυγχάνουν υψηλότερη ακρίβεια στη μετατροπή φυσικής γλώσσας σε JSON, ωστόσο τα μοντέλα ανοικτού κώδικα προσφέρουν μεγαλύτερη ευελιξία και δυνατότητα περαιτέρω προσαρμογής. Η διαδικασία fine-tuning απέδωσε ενθαρρυντικά αποτελέσματα, ειδικά όταν τα μοντέλα εκπαιδεύτηκαν σε προσεκτικά επιλεγμένα δεδομένα.

Η εργασία καταλήγει ότι η χρήση LLMs σε εξατομικευμένες εφαρμογές είναι εφικτή, πρακτική και αποτελεσματική. Τέλος, προτείνονται κατευθύνσεις για μελλοντικές επεκτάσεις, όπως η ενσωμάτωση φωνητικής εισόδου και η αποθήκευση ιστορικού χρήστη για βελτιωμένη προσωποποίηση.

This thesis focuses on the design and implementation of a Digital Assistant (Chatbot) that utilizes Large Language Models (LLMs) to provide personalized assistance, specifically by converting natural language descriptions of events into structured calendar entries. The assistant accepts inputs from the user in natural language (e.g., “I have a meeting with John tomorrow at 3”) and returns a properly formatted JSON object that can be automatically registered in applications such as Google Calendar.

The study includes a literature review on LLMs, natural language processing (NLP), and chatbot technologies. It then presents the methodology used to evaluate different types of models: commercial (Frontier), open-source, and fine-tuned models. Synthetic datasets were generated to train and test the models, and a complete chatbot-calendar system was designed and implemented.

Results showed that Frontier LLMs perform with high accuracy in transforming natural language into structured JSON, while open-source models offer greater flexibility and customization potential. The fine-tuning process yielded promising results, particularly when models were trained on carefully curated datasets.

The thesis concludes that using LLMs for personalized applications is feasible, practical, and efficient. Future directions include incorporating voice input and storing user history for improved personalization and usability.