Η εν λόγω διπλωματική εργασία εστιάζει στην εφαρμογή Μεγάλων Γλωσσικών Μοντέλων
(Large Language Models – LLMs) και τεχνικών Μηχανικής Μάθησης (Machine Learning
– ML) με στόχο τη βελτιστοποίηση και την αυτοματοποίηση επιχειρησιακών διαδικασιών.
Η αυξανόμενη πολυπλοκότητα των επιχειρησιακών δεδομένων, σε συνδυασμό με την
ανάγκη για ταχύτερη και ακριβέστερη λήψη αποφάσεων, καθιστούν αναγκαία την
αξιοποίηση σύγχρονων τεχνολογιών μέσα σε αυτές και της τεχνητής νοημοσύνης.
Στην παρούσα εργασία, σχεδιάζεται και υλοποιείται ένα υβριδικό σύστημα που συνδυάζει
embedding-based μεθόδους, αλγορίθμους μηχανικής μάθησης και LLMs, με εφαρμογή
στην αντιστοίχιση περιγραφών προϊόντων, τη σύγκριση δεδομένων προμηθευτών και την
υποστήριξη επιχειρησιακών αποφάσεων, όπως η κοστολόγηση και οι παραγγελίες. Η
Python χρησιμοποιείται ως κύρια γλώσσα προγραμματισμού, ενώ ο Microsoft SQL Server
λειτουργεί ως κεντρικό σύστημα διαχείρισης δεδομένων. Παράλληλα, αξιοποιούνται
εργαλεία όπως το Excel για οπτικοποίηση και έλεγχο αποτελεσμάτων, καθώς και θα
εξεταστούν και χρησιμοποιηθούν βιβλιοθήκες μηχανικής μάθησης όπως οι scikit-learn,
pandas, NumPy, XGBoost και τα νευρωνικά δίκτυα.
Η προτεινόμενη προσέγγιση βασίζεται σε end-to-end ροή δεδομένων, η οποία περιλαμβάνει
τη συλλογή δεδομένων μέσω bots και APIs, τον καθαρισμό και την προετοιμασία τους, τον
υπολογισμό embeddings, τη χρήση semantic matching με cosine similarity και την
ενσωμάτωση κανόνων (rules) και thresholds για τον περιορισμό αβεβαιοτήτων και
hallucinations. Επιπλέον, εφαρμόζεται μηχανισμός επαλήθευσης αποτελεσμάτων μέσω
LLMs, ενισχύοντας την αξιοπιστία της τελικής απόφασης. Πλέον θα χρησιμοποιηθούν τα
LLMs και για έτερες διαδικασίες.
Τα αποτελέσματα δείχνουν ότι η υβριδική προσέγγιση υπερτερεί έναντι των καθαρά ML ή
LLM συστημάτων, προσφέροντας μεγαλύτερη ακρίβεια, ανθεκτικότητα στον θόρυβο και
βελτιωμένη επιχειρησιακή αποδοτικότητα. Η εργασία καταδεικνύει τη σημαντική
συνεισφορά των LLMs της Μηχανικής Μάθησης αλλά και της αυτοματοποίησης
διαδικασιών στο σύγχρονo ανταγωνιστικό επιχειρησιακό περιβάλλον.

This thesis focuses on the application of Large Language Models (LLMs) and Machine
Learning (ML) techniques with the aim of optimizing and automating business processes.
The increasing complexity of business data, combined with the need for faster and more
accurate decision-making, makes the adoption of modern technologies and artificial
intelligence within organizations essential.
In this work, a hybrid system is designed and implemented that combines embedding-based
methods, machine learning algorithms, and LLMs, applied to product description matching,
supplier data comparison, and the support of business decisions such as costing and
ordering. Python is used as the main programming language, while Microsoft SQL Server
serves as the central data management system. In parallel, tools such as Excel are utilized
for data visualization and result validation, and machine learning libraries such as scikit-learn, pandas, NumPy, XGBoost, and neural networks are examined and applied.
The proposed approach is based on an end-to-end data pipeline that includes data collection
via bots and APIs, data cleaning and preprocessing, embedding computation, semantic
matching using cosine similarity, and the integration of rules and thresholds to reduce
uncertainty and hallucinations. Additionally, a verification mechanism using LLMs is
implemented to enhance the reliability of the final decision. Furthermore, LLMs are also
employed for additional processes.
The results indicate that the hybrid approach outperforms purely ML-based or LLM-based
systems, offering higher accuracy, increased robustness to noise, and improved operational
efficiency. The thesis demonstrates the significant contribution of LLMs, Machine
Learning, and process automation within the modern competitive business environment.