Κατά τις τελευταίες δεκαετίες η Τεχνητή Νοημοσύνη εξελίχθηκε από θεωρητικά
συστήματα σε λειτουργικά εργαλεία που διευκολύνουν τη λήψη αποφάσεων, την ανάλυση δεδομένων και την αυτοματοποίηση πολύπλοκων μηχανισμών. Η ραγδαία αυτή ανάπτυξη της Τεχνητής Νοημοσύνης έχει δημιουργήσει νέες δυνατότητες για την εξέλιξη πολλών επιστημονικών και τεχνολογικών κλάδων. Στο πλαίσιο της Επιχειρησιακής Βελτιστοποίησης, η εργασία αυτή διερευνά την ενσωμάτωση της Τεχνητής Νοημοσύνης σε μεθόδους της Επιχειρησιακής Έρευνας ώστε να αξιολογηθεί η συνεισφορά της στην ενίσχυση της αποτελεσματικότητας και της αποδοτικότητας στα διάφορα στάδια των διαδικασιών.
Το κύριο μέρος της εργασίας εστιάζει στην ανάλυση των τριών βασικών σταδίων της
Επιχειρησιακής Έρευνας – Δημιουργία Παραμέτρων, Διαμόρφωση Μοντέλου και
Βελτιστοποίηση Μοντέλου – και διερευνά τον τρόπο με τον οποίο η Τεχνητή Νοημοσύνη
υποστηρίζει και ενισχύει κάθε στάδιο, μέσω προηγμένων τεχνικών και αλγορίθμων καθώς και των μηχανισμών μάθησης που διέπουν τη λειτουργία τους.
Η πρακτική εφαρμογή της Τεχνητής Νοημοσύνης στην Επιχειρησιακή Έρευνα εξετάζεται
μέσω δύο εφαρμογών. Η πρώτη αφορά τη διαδικασία παραλαβής πρώτων υλών στη Bosch της Ρουμανίας, ενώ η δεύτερη αφορά τον συντονισμό και τη βελτιστοποίηση μεγάλου στόλου ρομπότ στις αποθήκες της Amazon. Οι εφαρμογές αυτές αναδεικνύουν
διαφορετικούς τρόπους με τους οποίους η Τεχνητή Νοημοσύνη μπορεί να αξιοποιηθεί σε
πραγματικά επιχειρησιακά περιβάλλοντα.
Στόχος της διπλωματικής εργασίας είναι η παρουσίαση των δυνατοτήτων της Τεχνητής
Νοημοσύνης στην Επιχειρησιακή Έρευνα, με σκοπό να υποστηρίξει μελλοντικό
προβληματισμό και περαιτέρω μελέτη.

The rapid advancement of Artificial Intelligence (ΑI) has created new opportunities for the development of various scientific and technological fields, including Operations Research (OR). This thesis explores the integration of AI into the OR process, with the aim of enhancing its effectiveness and efficiency across different stages of the decision-making and optimization process.
The main part of this thesis focuses on how AI can be integrated into OR, with emphasis on three key aspects: parameter generation, model formulation, and model optimization. It examines how AI techniques and learning mechanisms can be incorporated into these stages to support the formulation and solution of optimization models. These approaches have the potential to facilitate the development of more accurate and efficient models, while offering innovative solutions to complex problems.
The practical application of AI in Operations Research is examined through two case
studies. The first focuses on the implementation of an AI-driven reception process for raw materials at Bosch in Romania, examining the transition from manual operations to
automated recognition. The findings validate the operational and financial advantages of AI-enabled warehouse management in achieving digital transformation in logistics. The second case study examines a suite of foundation models developed to support the
coordination and planning for large-scale mobile robot fleets in Amazon warehouses
worldwide. The results show that next-action prediction outperforms floor-state prediction, while a scaling study demonstrates that increasing model size, computational budget, and data size improves performance.
The aim of this thesis is to present the potential of AI in Operations Research with the
purpose of supporting further research in this field.