Η παρούσα πτυχιακή εργασία, πραγματεύεται τη σχεδίαση και υλοποίηση ενός έξυπνου chatbot βασισμένου στην αρχιτεκτονική Retrieval-Augmented Generation (RAG), με εφαρμογή στον ξενοδοχειακό κλάδο.

Κίνητρο για την ανάπτυξη του συστήματος αποτέλεσαν οι σημαντικοί περιορισμοί της παραδοσιακής ανθρώπινης εξυπηρέτησης πελατών, όπως το υψηλό λειτουργικό κόστος, οι περιορισμένες ώρες διαθεσιμότητας και η ανομοιογένεια στην ποιότητα της εξυπηρέτησης. Η αρχιτεκτονική RAG επιλέχθηκε ως η πλέον κατάλληλη προσέγγιση, καθώς συνδυάζει τα πλεονεκτήματα των Μεγάλων Γλωσσικών Μοντέλων (LLMs) με μηχανισμούς ανάκτησης πληροφοριών από εξωτερικές βάσεις γνώσης, ξεπερνώντας έτσι τους περιορισμούς της στατικής γνώσης των παραδοσιακών μοντέλων.

Για την υλοποίηση αξιοποιήθηκαν σύγχρονες τεχνολογίες όπως: η Python ως κύρια γλώσσα προγραμματισμού, το LangChain για τη διαχείριση της ροής δεδομένων και τη διασύνδεση με το γλωσσικό μοντέλο DeepSeek, η βιβλιοθήκη FAISS για αποθήκευση διανυσματικών αναπαραστάσεων (embeddings) και ταχεία σημασιολογική αναζήτηση, το Streamlit για τη δημιουργία φιλικού γραφικού περιβάλλοντος και η SQLite ως ελαφριά βάση δεδομένων για τα στοιχεία του ξενοδοχείου και τις κρατήσεις.

Το σύστημα σχεδιάστηκε με βάση συγκεκριμένες προδιαγραφές και περιπτώσεις χρήσης, και αξιολογήθηκε μέσω δομημένης μεθοδολογίας με ποσοτικές μετρικές. Το τελικό chatbot είναι ικανό να απαντά σε ερωτήσεις σχετικά με τις παροχές, τις πολιτικές και τη διαθεσιμότητα δωματίων ενός ξενοδοχείου, τόσο στα Ελληνικά όσο και στα Αγγλικά.

Τα αποτελέσματα επιβεβαιώνουν την αποτελεσματικότητα της αρχιτεκτονικής RAG ως ολοκληρωμένης λύσης για ξενοδοχειακές εφαρμογές, με άμεση μείωση λειτουργικού κόστους και βελτίωση της εμπειρίας χρήστη. Η εργασία ολοκληρώνεται με ανάλυση SWOT και πρόταση μελλοντικών επεκτάσεων, θέτοντας τις βάσεις για περαιτέρω ανάπτυξη έξυπνων συστημάτων εξυπηρέτησης στον τουριστικό τομέα.

This undergraduate thesis addresses the design and implementation of an intelligent chatbot based on the Retrieval-Augmented Generation (RAG) architecture, applied to the hospitality sector.

The motivation behind the development of this system lies in the significant limitations of traditional human customer service, such as high operational costs, restricted availability hours, and inconsistency in service quality. The RAG architecture was selected as the most suitable approach, as it combines the advantages of Large Language Models (LLMs) with information retrieval mechanisms from external knowledge bases, thereby overcoming the static knowledge constraints of conventional models.

The implementation leverages modern technologies including: Python as the primary programming language, LangChain for managing the data flow and interfacing with the DeepSeek language model, the FAISS library for storing vector representations (embeddings) and enabling fast semantic search, Streamlit for building a user-friendly graphical interface, and SQLite as a lightweight database for hotel information and reservations.

The system was designed according to specific requirements and use cases, and evaluated through a structured methodology using quantitative metrics. The final chatbot is capable of answering questions related to hotel amenities, policies, and room availability, in both Greek and English.

The results confirm the effectiveness of the RAG architecture as a complete solution for hospitality applications, delivering direct reductions in operational costs and an improved user experience. The thesis concludes with a SWOT analysis and proposals for future extensions, laying the groundwork for further development of intelligent customer service systems in the tourism sector.