Βελτιστοποίηση Ανάλυσης Δεδομένων Μέσω Τοπικών Μεγάλων Γλωσσικών Μοντέλων και Τεχνικών Κλιμακωτής Διαχείρισης Δεδομένων

Νικολακόπουλος, Αναστάσιος; Nikolakopoulos, Anastasios

dc.contributor.author	Νικολακόπουλος, Αναστάσιος
dc.contributor.author	Nikolakopoulos, Anastasios
dc.date.accessioned	2025-09-22T10:02:44Z
dc.date.available	2025-09-22T10:02:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62539
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30235
dc.rights	Default License
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	data science	en
dc.subject	artificial intelligence	en
dc.subject	data analysis	en
dc.subject	machine learning	en
dc.subject	large language models	en
dc.title	Βελτιστοποίηση Ανάλυσης Δεδομένων Μέσω Τοπικών Μεγάλων Γλωσσικών Μοντέλων και Τεχνικών Κλιμακωτής Διαχείρισης Δεδομένων	el
dc.title	Optimising Data Analysis Through Offline Large Language Models and Scalable Data Management Techniques	el
heal.type	doctoralThesis
heal.classification	Data Science	en
heal.classification	Data Analysis	en
heal.classification	Machine Learning	en
heal.classification	Artificial Intelligence	en
heal.classification	Επιστήμη Δεδομένων	el
heal.classification	Ανάλυση Δεδομένων	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-05-08
heal.abstract	The importance of data across various sectors demands innovative approaches to data management and analytics. This PhD thesis investigates the integration of offline large language models (LLMs) for automated code generation, aiming to streamline data analysis processes, and thus enhance the scalability and efficiency of data management systems. By leveraging offline LLMs, the proposed approach empowers users to perform data analyses without extensive programming skills, thereby democratizing data analytics. The research delves into the architecture and implementation of scalable data management systems that can efficiently handle datasets of several volumes. Based on an efficient data management platform, the capabilities of offline LLMs to generate analytical code are examined, showcasing how these models can transform user queries into executable scripts that facilitate data manipulation and interpretation. Through experiments and case studies, the practical applications and benefits of the proposed study are showcased. The results highlight the potential of offline Large Language Models in Data Science and Analysis. This thesis contributes to the field by presenting a study that integrates AI-driven code generation with robust data management practices, ultimately paving the way for more efficient and user-friendly data analytics solutions.	en
heal.abstract	Η σημασία που έχουν αποκτήσει τα δεδομένα σε ποικίλους τομείς, καθιστά αναγκαία την ανάπτυξη καινοτόμων προσεγγίσεων στη διαχείριση και ανάλυσή τους. Η παρούσα διδακτορική διατριβή ερευνά την ενσωμάτωση τοπικών Μεγάλων Γλωσσικών Μοντέλων (Offline LLMs) για την αυτόματη παραγωγή κώδικα, με στόχο την απλοποίηση των διαδικασιών ανάλυσης δεδομένων και, κατ’ επέκταση, τη βελτίωση της επεκτασιμότητας και αποδοτικότητας των συστημάτων διαχείρισης δεδομένων. Μέσω της αξιοποίησης τοπικά εκτελούμενων LLMs, η προτεινόμενη προσέγγιση δίνει τη δυνατότητα σε χρήστες χωρίς εκτεταμένες προγραμματιστικές γνώσεις να πραγματοποιούν αναλύσεις δεδομένων, συμβάλλοντας έτσι στη δημοκρατικοποίηση της επιστήμης των δεδομένων. Η έρευνα εστιάζει στην αρχιτεκτονική και την υλοποίηση επεκτάσιμων συστημάτων διαχείρισης δεδομένων, ικανών να διαχειρίζονται αποδοτικά σύνολα δεδομένων μεγάλου όγκου. Βασιζόμενη σε μια αποδοτική πλατφόρμα διαχείρισης δεδομένων, η εργασία εξετάζει τις δυνατότητες των offline LLMs για την παραγωγή αναλυτικού κώδικα, αναδεικνύοντας πώς αυτά τα μοντέλα μπορούν να μετασχηματίσουν φυσικές ερωτήσεις χρηστών σε εκτελέσιμα σενάρια, τα οποία διευκολύνουν τον χειρισμό και την ερμηνεία των δεδομένων. Μέσα από πειραματικές διαδικασίες και μελέτες περίπτωσης, παρουσιάζονται οι πρακτικές εφαρμογές και τα οφέλη της προτεινόμενης προσέγγισης. Τα αποτελέσματα αναδεικνύουν την αποδοτικότητα των τοπικά εκτελούμενων Μεγάλων Γλωσσικών Μοντέλων στην επιστήμη και ανάλυση δεδομένων. Η διατριβή συμβάλλει στο πεδίο παρουσιάζοντας μια μελέτη που συνδυάζει τεχνικές αυτόματης παραγωγής κώδικα μέσω τεχνητής νοημοσύνης με στιβαρές πρακτικές διαχείρισης δεδομένων, ανοίγοντας τον δρόμο για πιο αποδοτικές και φιλικές προς τον χρήστη λύσεις ανάλυσης δεδομένων.	el
heal.advisorName	Βαρβαρίγου, Θεοδώρα
heal.advisorName	Varvarigou, Theodora
heal.committeeMemberName	Varvarigos, Emmanouil
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ
heal.committeeMemberName	Papavasileiou, Symeon
heal.committeeMemberName	Παπαβασιλείου, Συμεών
heal.committeeMemberName	Tserpes, Konstantinos
heal.committeeMemberName	Τσερπές, Κωνσταντίνος
heal.committeeMemberName	Doulamis, Anastasios
heal.committeeMemberName	Δουλάμης, Αναστάσιος
heal.committeeMemberName	Askounis, Dimitrios
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.committeeMemberName	Litke, Antonios
heal.committeeMemberName	Λίτκε, Αντώνιος
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	189
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false