Οδηγός Σπουδών

1. Βασικά στοιχεία

2. Περιγραφή του σεμιναρίου

Το σεμινάριο οδηγεί τον εκπαιδευόμενο από την κατανόηση του τρόπου με τον οποίο λειτουργεί η Τεχνητή Νοημοσύνη (ΤΝ) στον σχεδιασμό και στην κατασκευή ενός λειτουργικού πράκτορα ΤΝ (AI agent), χωρίς γραφή κώδικα. Στο σεμινάριο, πράκτορας ΤΝ είναι ένα σύστημα στο οποίο ένα γλωσσικό μοντέλο αποκτά εργαλεία, μνήμη και βρόχο εκτέλεσης, ώστε να διαβάζει αρχεία, να εκτελεί διαδοχικά βήματα, να ελέγχει το αποτέλεσμα και, όπου χρειάζεται, να ζητά την έγκριση του ανθρώπου.

Οι οκτώ διδακτικές ενότητες οργανώνονται σε τρία μέρη. Το πρώτο (Ενότητες 1 και 2) εξηγεί τι είναι η ΤΝ, πώς εκπαιδεύονται και πώς λειτουργούν τα γλωσσικά μοντέλα και ποια είναι τα όριά τους. Το δεύτερο (Ενότητες 3 και 4) αφορά τον τρόπο με τον οποίο δίνονται οδηγίες στο μοντέλο, δηλαδή τη μηχανική προτροπών και τη διαχείριση του συγκειμένου (context engineering). Το τρίτο (Ενότητες 5 έως 8) είναι αφιερωμένο στους πράκτορες: τι είναι, πότε χρειάζονται, πώς σχεδιάζονται ώστε να είναι αξιόπιστοι, με ποια εργαλεία υλοποιούνται και πώς κατασκευάζεται ένας πράκτορας βήμα προς βήμα σε πραγματικό περιβάλλον.

Η προσέγγιση είναι εφαρμοσμένη και τεκμηριωμένη. Οι έννοιες συνδέονται με συγκεκριμένες χρήσεις στην εργασία και, όπου είναι δυνατόν, στηρίζονται σε δημοσιευμένα ευρήματα και μετρήσεις, ώστε ο εκπαιδευόμενος να μπορεί να τις εφαρμόσει άμεσα και να κρίνει ο ίδιος τι αποδίδει. Ιδιαίτερη έμφαση δίνεται στα όρια των συστημάτων και στον ανθρώπινο έλεγχο, που διατρέχουν όλες τις ενότητες για τους πράκτορες.

Σημειώνεται ότι το άρθρο 4 του Κανονισμού (ΕΕ) 2024/1689 για την Τεχνητή Νοημοσύνη, το οποίο εφαρμόζεται από τις 2 Φεβρουαρίου 2025, υποχρεώνει τους παρόχους και τους φορείς εφαρμογής (deployers) συστημάτων ΤΝ να λαμβάνουν μέτρα για τον γραμματισμό του προσωπικού τους στην ΤΝ (AI literacy). Η υποχρέωση αφορά κάθε οργανισμό που χρησιμοποιεί τέτοια συστήματα στο πλαίσιο της δραστηριότητάς του.

3. Σε ποιους απευθύνεται

Το σεμινάριο απευθύνεται σε επαγγελματίες και φοιτητές που χρησιμοποιούν ή σκοπεύουν να χρησιμοποιήσουν εργαλεία ΤΝ στην εργασία τους, ανεξάρτητα από το τεχνικό τους υπόβαθρο. Ενδεικτικά:

Απευθύνεται επίσης σε κάθε ενδιαφερόμενο που θέλει να κατανοήσει τεκμηριωμένα τι μπορεί και τι δεν μπορεί να κάνει σήμερα η ΤΝ. Τα παραδείγματα του σεμιναρίου προέρχονται από τα παραπάνω πεδία, ενώ στην Ενότητα 2 κάθε φαινόμενο εξετάζεται χωριστά για δώδεκα επαγγελματικές ομάδες.

4. Προαπαιτούμενα και τεχνικές απαιτήσεις

Δεν απαιτούνται γνώσεις προγραμματισμού ή μαθηματικών. Αρκεί η εξοικείωση με τη χρήση υπολογιστή και διαδικτύου.

Για την πρακτική εφαρμογή της Ενότητας 8 χρειάζονται λογαριασμός ηλεκτρονικού ταχυδρομείου, ιδανικά Gmail, και λογαριασμός στην πλατφόρμα Zapier. Η ενότητα δείχνει βήμα προς βήμα την εγγραφή στο Zapier, εξηγεί τα διαθέσιμα πακέτα και το κόστος τους και συνιστά τη χρήση ξεχωριστού, δοκιμαστικού λογαριασμού. Η ολοκληρωμένη ροή της υποενότητας 8.6 χρησιμοποιεί λειτουργίες που είναι διαθέσιμες κατά τη δοκιμαστική περίοδο της πλατφόρμας ή σε πληρωμένο πακέτο.

5. Μορφή και μεθοδολογία

Ασύγχρονη παρακολούθηση. Το σεμινάριο παρέχεται σε μορφή ηχογραφημένων διαλέξεων και βίντεο, ώστε ο εκπαιδευόμενος να το παρακολουθεί με τον δικό του ρυθμό.

Επικαιροποιημένο περιεχόμενο. Το σεμινάριο ηχογραφείται τον Οκτώβριο και τον Νοέμβριο του 2026, και το περιεχόμενό του είναι πλήρως επικαιροποιημένο. Τα μοντέλα, οι πλατφόρμες, οι μετρήσεις και το ρυθμιστικό πλαίσιο που παρουσιάζονται αντιστοιχούν στην κατάσταση του πεδίου κατά τον χρόνο της ηχογράφησης.

Σύνδεση θεωρίας και πράξης. Κάθε έννοια συνοδεύεται από παραδείγματα, κανόνες και έτοιμες προτροπές που μπορούν να εφαρμοστούν από την πρώτη ημέρα. Το σεμινάριο περιλαμβάνει δεκάδες σύντομα βίντεο στα οποία η θεωρία εφαρμόζεται ζωντανά σε πραγματικά προβλήματα.

Τεκμηρίωση. Οι ισχυρισμοί και τα αριθμητικά στοιχεία συνοδεύονται από τις πηγές τους, ώστε ο εκπαιδευόμενος να μπορεί να τα ελέγξει.

Υλικό μελέτης. Οι 59 υποενότητες παρουσιάζονται σε 30 βίντεο, το καθένα με το δικό του αρχείο διαφανειών (PDF). Ο εκπαιδευόμενος έχει επίσης στη διάθεσή του σημειώσεις σε PDF, έτοιμες προτροπές, γλωσσάρι με τους βασικούς όρους και βιβλιογραφία με όλες τις πηγές που χρησιμοποιήθηκαν.

Ανακεφαλαίωση και αυτοέλεγχος. Οι Ενότητες 2 έως 7 κλείνουν με σύνοψη των σημείων που πρέπει να κρατήσει ο εκπαιδευόμενος. Στην Ενότητα 1, οι υποενότητες 1.1 έως 1.14 ολοκληρώνονται με ερωτήσεις ελέγχου που ζητούν εφαρμογή σε επαγγελματική απόφαση.

Αυτοαξιολόγηση. Κάθε ενότητα συνοδεύεται από ένα τεστ αυτοαξιολόγησης, με επεξήγηση για κάθε απάντηση. Τα τεστ είναι προαιρετικά, μπορούν να επαναληφθούν όσες φορές θέλει ο εκπαιδευόμενος και δεν επηρεάζουν τη Βεβαίωση Παρακολούθησης.

Πρακτικό αποτέλεσμα. Το σεμινάριο καταλήγει σε έναν λειτουργικό πράκτορα ΤΝ (AI Agent), έτοιμο να εργαστεί, τον οποίο ο εκπαιδευόμενος κατασκευάζει βήμα προς βήμα στην Ενότητα 8: ο πράκτορας διαβάζει τα εισερχόμενα μηνύματα ηλεκτρονικού ταχυδρομείου, αντλεί τις απαντήσεις από έγγραφο και πίνακα εγκεκριμένης γνώσης, καταγράφει κάθε αίτημα σε πίνακα και απαντά στον αποστολέα, με ανθρώπινη έγκριση πριν από κάθε αποστολή. Ο εκπαιδευόμενος μπορεί, αν το επιλέξει, να αφαιρέσει το βήμα της έγκρισης. Στην Ενότητα 5 δίνεται επίσης καμβάς μίας σελίδας, ως εργαλείο για τον σχεδιασμό του δικού του πράκτορα. Οι πρακτικές εφαρμογές δεν αποτελούν υποχρεωτικές εργασίες.

Βεβαίωση Παρακολούθησης. Με την παρακολούθηση όλων των βίντεο των 8 ενοτήτων, ο εκπαιδευόμενος λαμβάνει Βεβαίωση Παρακολούθησης σε PDF, στα ελληνικά ή στα αγγλικά, με μοναδικό κωδικό και QR για επαλήθευση. Δεν υπάρχει καμία άλλη υποχρέωση, ούτε εξετάσεις. Στη Βεβαίωση αναγράφεται το ονοματεπώνυμο ακριβώς όπως δηλώθηκε κατά τη δημιουργία του λογαριασμού, στα ελληνικά ή με λατινικούς χαρακτήρες, και δεν αλλάζει αργότερα.

Διά βίου πρόσβαση. Η πρόσβαση στο σεμινάριο είναι διά βίου. Το σεμινάριο εμπλουτίζεται συνεχώς και ο εκπαιδευόμενος αποκτά πρόσβαση και σε όσες νέες δυνατότητες προστεθούν στο μέλλον.

6. Προσδοκώμενα μαθησιακά αποτελέσματα

Με την ολοκλήρωση του σεμιναρίου ο εκπαιδευόμενος θα είναι σε θέση:

• να περιγράφει με ακρίβεια ένα σύστημα ΤΝ ως προς το είδος, τον τρόπο εκπαίδευσης και τα όριά του, και να αξιολογεί κριτικά ισχυρισμούς επίδοσης,
• να εξηγεί πώς ένα γλωσσικό μοντέλο παράγει κείμενο και πώς οι λεκτικές μονάδες, το παράθυρο συγκειμένου, η θερμοκρασία και η λειτουργία σκέψης επηρεάζουν την απάντηση,
• να αναγνωρίζει τις παραισθήσεις και την κολακεία των μοντέλων και να εφαρμόζει πρακτικές άμυνες απέναντί τους,
• να συντάσσει οδηγίες προς το μοντέλο με βάση εμπειρικά τεκμηριωμένες αρχές και τεχνικές, και να ελέγχει το αποτέλεσμα,
• να προστατεύει τα δεδομένα που μοιράζεται με ένα μοντέλο και να αναγνωρίζει τον κίνδυνο της έγχυσης προτροπής (prompt injection),
• να διαχειρίζεται το συγκείμενο μιας εργασίας και να κρίνει πότε χρειάζεται η τεχνική RAG (Retrieval-Augmented Generation),
• να αποφασίζει τεκμηριωμένα αν μια εργασία χρειάζεται πράκτορα και να τον σχεδιάζει σε μία σελίδα, με σαφή όρια και σημεία ανθρώπινης έγκρισης,
• να επιλέγει πλατφόρμα με ρητά κριτήρια και να κατασκευάζει, να δοκιμάζει και να θέτει σε λειτουργία έναν πράκτορα χωρίς κώδικα,
• να περιγράφει τις βασικές υποχρεώσεις του ευρωπαϊκού Κανονισμού για την ΤΝ που αφορούν τον επαγγελματία χρήστη.

7. Διάρθρωση του σεμιναρίου

Οι οκτώ διδακτικές ενότητες οργανώνονται σε τρία μέρη, με σταδιακή μετάβαση από την κατανόηση των μοντέλων στη σχεδίαση και στην κατασκευή πρακτόρων.

Εκτός από τα τρία μέρη, το σεμινάριο περιλαμβάνει ως μπόνους το Μέρος Δ, με περισσότερα από δέκα σύντομα βίντεο tutorials για μεγάλα γλωσσικά μοντέλα (LLMs) και εργαλεία ΤΝ. Πρόσβαση στο Μέρος Δ έχουν όσοι εγγράφονται με ομαδική εγγραφή τριών ή περισσότερων ατόμων ή κοινοποιούν το σεμινάριο στα μέσα κοινωνικής δικτύωσης, μετά από συνεννόηση, καθώς και όσοι γίνουν Loyal Members. Τα tutorials του Μέρους Δ θα αναρτώνται σταδιακά έως τις 10 Ιανουαρίου 2027.

8. Αναλυτική περιγραφή των διδακτικών ενοτήτων

Για κάθε ενότητα δίνεται μια συνοπτική περιγραφή, ακολουθούμενη από τις υποενότητές της.

Ενότητα 1. Εισαγωγή στην Τεχνητή Νοημοσύνη

Τι είναι, τι δεν είναι, και τι σημαίνει για τη δουλειά σας

1.0 Άνοιγμα

Παρουσιάζεται η δομή της ενότητας και τρεις διαδεδομένες παρανοήσεις: ότι Τεχνητή Νοημοσύνη σημαίνει ChatGPT, ότι ένα μεγαλύτερο μοντέλο είναι πάντα καλύτερο και ότι ό,τι λειτουργεί σε μια επίδειξη θα λειτουργήσει και στην πράξη. Ο εκπαιδευόμενος καταγράφει τη θέση του για καθεμία και την επανεξετάζει στο κλείσιμο της ενότητας με βάση μετρημένα στοιχεία.

1.1 Τι είναι νοημοσύνη, και τι σημαίνει τεχνητή

Η νοημοσύνη εξετάζεται ως συνδυασμός δεξιότητας και γενικότητας. Συγκρίνονται τα πεδία στα οποία υπερέχει η μηχανή με εκείνα στα οποία υπερέχει ο άνθρωπος και εξηγείται το παράδοξο του Moravec. Από τους τέσσερις κλασικούς ορισμούς της ΤΝ υιοθετείται εκείνος του ορθολογικού πράκτορα (rational agent), η έννοια πάνω στην οποία στηρίζεται όλο το σεμινάριο. Η υποενότητα κλείνει με μια τεκμηριωμένη εκτίμηση της απόστασης που χωρίζει τα σημερινά συστήματα από τη γενική τεχνητή νοημοσύνη (artificial general intelligence, AGI).

1.2 Δεδομένα, μοντέλα, εκπαίδευση

Οι τρεις όροι που επανέρχονται σε κάθε συζήτηση για την ΤΝ εξηγούνται με παραδείγματα από την καθημερινή εργασία. Ορίζονται το δεδομένο, το χαρακτηριστικό (feature), η ετικέτα (label) και το μοντέλο, και περιγράφεται τι ακριβώς συμβαίνει κατά την εκπαίδευση. Αναλύονται η διαφορά ανάμεσα σε ρητούς κανόνες και μάθηση από δεδομένα, ο διαχωρισμός των δεδομένων σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου, καθώς και οι έννοιες της υπερπροσαρμογής (overfitting) και της γενίκευσης (generalization). Δίνονται ερωτήσεις για την αξιολόγηση ενός προμηθευτή.

1.3 Νευρωνικά δίκτυα και βάρη

Χωρίς μαθηματικό φορμαλισμό εξηγούνται η λειτουργία του τεχνητού νευρώνα και η έννοια του βάρους (weight), με ένα αριθμητικό παράδειγμα που ο εκπαιδευόμενος υπολογίζει ο ίδιος. Στη συνέχεια φαίνεται πώς οι νευρώνες συνθέτουν ένα δίκτυο, τι μεταβάλλει η εκπαίδευση στα βάρη και γιατί ένα εκπαιδευμένο δίκτυο δεν μπορεί να διαβαστεί σαν σύνολο κανόνων. Με τη γνώση αυτή αποκτά συγκεκριμένο περιεχόμενο και ο όρος «ανοιχτά βάρη» (open weights).

1.4 Οι τέσσερις τρόποι μάθησης

Παρουσιάζονται η επιβλεπόμενη (supervised), η μη επιβλεπόμενη (unsupervised), η ενισχυτική (reinforcement) και η αυτοεπιβλεπόμενη μάθηση (self-supervised learning), μαζί με το κριτήριο που τις διακρίνει. Εξηγείται πώς η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (reinforcement learning from human feedback, RLHF) διαμορφώνει τον τρόπο με τον οποίο απαντούν οι σημερινοί βοηθοί συνομιλίας. Στο τέλος κάθε τρόπος μάθησης αντιστοιχίζεται σε είδος προβλήματος και στο κόστος που συνεπάγεται.

1.5 Βαθιά μάθηση

Εξετάζεται τι προσθέτει το «βάθος» σε ένα νευρωνικό δίκτυο και πώς σχηματίζεται η ιεραρχία αναπαραστάσεων. Παρουσιάζεται ποια αρχιτεκτονική ταιριάζει σε κάθε είδος δεδομένων (πίνακες, εικόνες, κείμενο), από τα πλήρως συνδεδεμένα και τα συνελικτικά δίκτυα (CNN) ως τον Transformer. Συζητούνται οι νόμοι κλίμακας (scaling laws), ο ρόλος των καρτών γραφικών, το κόστος της εκπαίδευσης και η μεταφορά μάθησης (transfer learning), καθώς και περιπτώσεις, όπως τα δεδομένα πίνακα (tabular data) μεσαίου μεγέθους, όπου η βαθιά μάθηση δεν είναι η κατάλληλη επιλογή.

1.6 Οι περιοχές της Τεχνητής Νοημοσύνης

Εννέα περιοχές της ΤΝ, μεταξύ των οποίων η μηχανική μάθηση, η επεξεργασία φυσικής γλώσσας, η υπολογιστική όραση, η ρομποτική και τα συστήματα σύστασης, παρουσιάζονται με ενιαία δομή: τι είναι, πού συναντώνται ήδη και ποια είναι τα μετρημένα όριά τους. Γίνεται έτσι φανερό ότι η ΤΝ είναι πολύ ευρύτερη από τα γλωσσικά μοντέλα. Εξηγείται επίσης γιατί η σωστή κατάταξη ενός προϊόντος έχει οικονομικές συνέπειες όταν αποφασίζεται η αγορά του.

1.7 Ιστορία της Τεχνητής Νοημοσύνης

Η ιστορική διαδρομή ξεκινά από το ερώτημα του Turing το 1950 και τη γέννηση του όρου στο Dartmouth και περνά από τους δύο «χειμώνες» της ΤΝ, το AlexNet (2012) και τον Transformer (2017), ως τη μετάβαση από τη συνομιλία στον πράκτορα. Μέσα από αυτήν αναδεικνύονται τρία μοτίβα που επαναλαμβάνονται και βοηθούν στην κριτική αποτίμηση των σημερινών υποσχέσεων.

1.8 Οι διαχωρισμοί των συστημάτων

Εννέα άξονες ταξινόμησης επιτρέπουν την ακριβή περιγραφή οποιουδήποτε συστήματος. Μεταξύ άλλων, ένα σύστημα διακρίνεται ως προς το αν βασίζεται σε κανόνες ή σε μάθηση, αν είναι προβλεπτικό ή παραγωγικό, αν είναι μονοτροπικό ή πολυτροπικό (multimodal), αν πρόκειται για μοντέλο, βοηθό ή πράκτορα και πού εκτελείται. Ο πίνακας των αξόνων χρησιμοποιείται ως φύλλο εργασίας. Εξετάζονται επίσης ο αυτοματισμός που δεν αποτελεί ΤΝ και οι διαφορετικές σημασίες του χαρακτηρισμού «έξυπνο» στην αγορά.

1.9 Γλωσσικά μοντέλα και παραγωγική Τεχνητή Νοημοσύνη

Εξηγούνται, χωρίς μαθηματικό φορμαλισμό, τα τρία στάδια εκπαίδευσης ενός μεγάλου γλωσσικού μοντέλου (large language model, LLM): η προεκπαίδευση με πρόβλεψη του επόμενου τεμαχίου ή λεκτικής μονάδας (token), η επιβλεπόμενη λεπτή ρύθμιση (supervised fine-tuning) και η ευθυγράμμιση (alignment) με μεθόδους όπως RLHF, DPO και Constitutional AI. Ακολουθούν ο τρόπος παραγωγής του κειμένου, ο ρόλος της θερμοκρασίας και του παραθύρου συγκειμένου και οι βασικές οικογένειες παραγωγικών μοντέλων. Εξηγείται επίσης γιατί το ελληνικό κείμενο απαιτεί περίπου διπλάσιες λεκτικές μονάδες και, κατά συνέπεια, κοστίζει περίπου διπλά.

1.10 Τι μπορεί και τι δεν μπορεί

Καταγράφονται συστηματικά οι αδυναμίες που συναντά κάθε χρήστης: παραισθήσεις (hallucinations), ανομοιόμορφη επίδοση σε εργασίες φαινομενικά ίδιας δυσκολίας (jagged technological frontier), κολακεία (sycophancy), σφάλματα αριθμητικής, γνώση που σταματά σε μια ημερομηνία και μεροληψίες. Διακρίνονται τα τέσσερα όρια που δεν αίρονται με ένα καλύτερο μοντέλο και εξετάζεται πού παραμένει η ευθύνη όταν το αποτέλεσμα αξιοποιείται στην εργασία.

1.11 Το τοπίο των μοντέλων

Εξηγείται η διάκριση ανάμεσα σε κλειστά και ανοιχτά μοντέλα, τι σημαίνει «ανοιχτό» σύμφωνα με τον ορισμό OSAID 1.0 της Open Source Initiative (2024) και ποιες είναι οι τέσσερις βαθμίδες αδειοδότησης. Προτείνονται επτά κριτήρια επιλογής που δεν παλιώνουν, με έμφαση στο πού καταλήγουν τα δεδομένα του χρήστη και στο συνολικό κόστος χρήσης. Περιλαμβάνονται τα μετρημένα αποτελέσματα ενός ελληνικού ανοιχτού μοντέλου και μια καταγεγραμμένη επίδειξη του ίδιου ερωτήματος σε τρία μοντέλα.

1.12 Πώς διαβάζεται μια δήλωση επίδοσης

Τρία ερωτήματα που πρέπει να τίθενται σε κάθε αριθμό επίδοσης εφαρμόζονται σε γνωστές περιπτώσεις, όπως το AlexNet, η Klarna και ο ισχυρισμός ότι «το 95% των έργων αποτυγχάνει». Εξηγούνται η μόλυνση (contamination) και ο κορεσμός (saturation) των δοκιμασιών αξιολόγησης (benchmarks), η σπάνια χρήση στατιστικού ελέγχου στις δημοσιευμένες συγκρίσεις και η απόσταση ανάμεσα σε επίδειξη και παραγωγή. Ολοκληρώνεται με άσκηση και λίστα ελέγχου οκτώ ερωτήσεων.

1.13 Τι αλλάζει στη δουλειά σας

Συγκρίνονται τρεις πηγές μετρημένων δεδομένων για την επίδραση της ΤΝ στην απασχόληση, οι οποίες καταλήγουν σε διαφορετικά συμπεράσματα, και εντοπίζονται τα σημεία στα οποία συμφωνούν. Διακρίνεται η αυτοματοποίηση (automation) από την ενίσχυση (augmentation) της εργασίας και εξετάζεται ο βαθμός έκθεσης κάθε ειδικότητας. Ο εκπαιδευόμενος χαρτογραφεί τις δέκα εργασίες που απορροφούν τον περισσότερο χρόνο του και διακρίνει τι τεκμηριώνεται από τα δεδομένα και τι όχι.

1.14 Πλαίσιο, λεξιλόγιο, κλείσιμο

Παρουσιάζεται ο Κανονισμός (ΕΕ) 2024/1689 για την ΤΝ, με το χρονοδιάγραμμα εφαρμογής όπως τροποποιήθηκε τον Ιούλιο του 2026, τις τέσσερις κατηγορίες κινδύνου και την υποχρέωση γραμματισμού στην ΤΝ (AI literacy), η οποία ισχύει ήδη. Ακολουθούν λεξιλόγιο σαράντα βασικών όρων, δέκα ερωτήσεις που ο εκπαιδευόμενος μπορεί να θέτει για κάθε σύστημα και κανόνες για τον έλεγχο των πηγών.

Ενότητα 2. Το γλωσσικό μοντέλο στην πράξη

Από την κατανόηση στη χρήση

2.1 Η λεκτική μονάδα (token)

Το μοντέλο επεξεργάζεται λεκτικές μονάδες, δηλαδή τμήματα κειμένου που άλλοτε συμπίπτουν με ολόκληρη λέξη και άλλοτε είναι μέρος λέξης ή σημείο στίξης. Εξηγείται πώς γίνεται ο τεμαχισμός (tokenization), γιατί οι κλιτοί τύποι των ελληνικών λέξεων, τα κεφαλαία και οι αριθμοί τεμαχίζονται με απρόβλεπτο τρόπο και γιατί ένα μοντέλο δυσκολεύεται να μετρήσει γράμματα. Μετρήσεις σε δώδεκα ζεύγη ισοδύναμων προτάσεων δείχνουν ότι, ανάλογα με το μοντέλο, το ίδιο κείμενο στα ελληνικά απαιτεί από 2,16 έως 4,90 φορές περισσότερες λεκτικές μονάδες από ό,τι στα αγγλικά, με συνέπειες στο κόστος και στην ποσότητα κειμένου που χωρά σε μία κλήση.

2.2 Το παράθυρο συγκειμένου (context window)

Το παράθυρο συγκειμένου δεν ταυτίζεται με μνήμη, και η δηλωμένη χωρητικότητά του διαφέρει από την αξιοποιήσιμη στην πράξη. Παρουσιάζονται ευρήματα για την απώλεια πληροφορίας στο μέσο ενός μακρού κειμένου (lost in the middle) και για τη φθορά της ποιότητας όσο το κείμενο μεγαλώνει (context rot). Ο εκπαιδευόμενος μαθαίνει πού να τοποθετεί την κρίσιμη πληροφορία και πώς να χειρίζεται ένα παράθυρο που έχει γεμίσει.

2.3 Θερμοκρασία και δειγματοληψία (temperature and sampling)

Βήμα προς βήμα φαίνεται πώς το μοντέλο μετατρέπει βαθμολογίες σε πιθανότητες για να επιλέξει την επόμενη λεκτική μονάδα και σε ποιο σημείο παρεμβαίνει η θερμοκρασία. Περιγράφονται οι μέθοδοι που περιορίζουν τις απίθανες επιλογές (top-k, top-p, min-p) και ο λόγος για τον οποίο, ακόμη και με μηδενική θερμοκρασία, η απάντηση δεν είναι πάντα ίδια. Δίνονται ενδεικτικές τιμές ανά είδος εργασίας.

2.4 Πόσο σκέφτεται το μοντέλο

Εξετάζεται τι συμβαίνει μηχανικά όταν ένα μοντέλο «σκέφτεται», δηλαδή παράγει αλυσίδα σκέψης (chain of thought), και γιατί το πρόχειρο αυτό βελτιώνει συχνά το αποτέλεσμα χωρίς να αποτελεί πιστή εξήγηση του τρόπου με τον οποίο το μοντέλο κατέληξε. Οι μετρήσεις δείχνουν ότι η ακρίβεια ακολουθεί καμπύλη ανεστραμμένου U: πέρα από ένα σημείο, περισσότερη σκέψη χειροτερεύει την απάντηση. Ο εκπαιδευόμενος μαθαίνει πότε αξίζει να ενεργοποιεί τη λειτουργία σκέψης.

2.5 Οι παραισθήσεις (hallucinations)

Το μοντέλο δεν ανατρέχει σε κάποια πηγή όταν απαντά, και με απλή αριθμητική φαίνεται ότι ένα ελάχιστο ποσοστό σφαλμάτων είναι αναπόφευκτο. Εξετάζεται γιατί οι συνήθεις τρόποι αξιολόγησης ανταμείβουν τη μαντεψιά αντί για την παραδοχή άγνοιας. Περιγράφονται τέσσερις τύποι παραισθήσεων και τρεις άμυνες που λειτουργούν: η παροχή της πηγής από τον χρήστη, η ρητή αποδοχή της απάντησης «δεν ξέρω» και η σύγκριση δύο ανεξάρτητων εκτελέσεων.

2.6 Η κολακεία (sycophancy)

Η τάση των μοντέλων να συμφωνούν με τον χρήστη αποδίδεται στην εκπαίδευσή τους με ανθρώπινη ανατροφοδότηση. Αναλύονται ένα περιστατικό του Απριλίου 2025, οι λόγοι για τους οποίους δεν εντοπίστηκε από τους ελέγχους και οι συνέπειες της κολακείας στην επαγγελματική χρήση. Προτείνονται τρεις άμυνες: ο χρήστης δεν δηλώνει εκ των προτέρων τη γνώμη του, ζητά ρητά το αντίθετο επιχείρημα και αναθέτει την κριτική σε ξεχωριστή, νέα συνομιλία.

Ενότητα 3. Μηχανική Προτροπών (Prompt Engineering)

Αρχές, τεχνικές, Vibe Coding και ασφάλεια

3.1 Εισαγωγή, βασικοί όροι και ιστορία

Η προτροπή (prompt) εξετάζεται ως προδιαγραφή της εργασίας που ανατίθεται στο μοντέλο. Ορίζονται οι όροι που χρησιμοποιούνται σε όλο το σεμινάριο, όπως οι οδηγίες συστήματος (system prompt) και η μάθηση εντός πλαισίου (in-context learning), με ιδιαίτερη προσοχή στην ελληνική τους απόδοση. Ακολουθούν σύντομη ιστορική αναδρομή, από τον Turing και την ELIZA ως τα σημερινά μοντέλα, η εξήγηση του λόγου για τον οποίο λειτουργεί η προτροπή και η συζήτηση για το αν η μηχανική προτροπών αποτελεί επιστήμη.

3.2 Οι αρχές

Αρχή ορίζεται μια διατύπωση που βελτιώνει το αποτέλεσμα κατά μέσο όρο, σε πολλές εργασίες και μοντέλα, χωρίς να το εγγυάται σε κάθε περίπτωση. Παρουσιάζονται τα έξι μέρη μιας πλήρους οδηγίας και έξι οικογένειες αρχών, από τη σαφήνεια και την παροχή πλαισίου ως τη χρήση παραδειγμάτων και την αποφυγή μεροληψίας, με ζεύγη παραδειγμάτων από διαφορετικές ειδικότητες. Εξετάζονται επίσης πέντε διαδεδομένες συμβουλές που δεν επιβεβαιώθηκαν όταν μετρήθηκαν, όπως η ευγένεια ή η «απειλή» προς το μοντέλο.

3.3 Οι τεχνικές

Με βάση συστηματική ανασκόπηση 1.565 εργασιών παρουσιάζεται ταξινομία (taxonomy) 58 τεχνικών σε έξι κατηγορίες: χωρίς παραδείγματα (zero-shot), με παραδείγματα (few-shot), παραγωγή σκέψης (thought generation), αποσύνθεση (decomposition), συνάθροιση (ensembling) και αυτοκριτική (self-criticism). Για κάθε κατηγορία εξηγείται πότε αξίζει και πού εμφανίζει τα όριά της, με παραδείγματα εφαρμογής. Η υποενότητα κλείνει με μια διαδικασία επιλογής τεχνικής και με ρεαλιστική εκτίμηση της προσπάθειας που απαιτεί η εφαρμογή της.

3.4 Vibe Coding

Εξετάζεται η παραγωγή λογισμικού με περιγραφή σε φυσική γλώσσα και η διαφορά της από την επαγγελματική ανάπτυξη λογισμικού με υποβοήθηση ΤΝ. Παρουσιάζονται τέσσερις δρόμοι (το παράθυρο συνομιλίας, πλατφόρμες όπως το Lovable, επεξεργαστές κώδικα με ενσωματωμένη βοήθεια όπως το Cursor και εργαλεία που εργάζονται μέσα σε φάκελο), η δομή μιας αποτελεσματικής προτροπής με δώδεκα εργασίες της καθημερινής πράξης και τρεις τρόποι ελέγχου του αποτελέσματος χωρίς ανάγνωση κώδικα. Συζητείται επίσης τι δεν μπορεί να κατασκευαστεί με αυτόν τον τρόπο.

3.5 Η ασφάλεια της προτροπής (prompt security)

Εξετάζονται δύο διακριτοί κίνδυνοι: οι πληροφορίες που δίνει ο χρήστης στο μοντέλο χωρίς να το σκεφτεί και οι οδηγίες που διαβάζει το μοντέλο μέσα σε εξωτερικό περιεχόμενο χωρίς να το γνωρίζει ο χρήστης, φαινόμενο γνωστό ως έγχυση προτροπής (prompt injection). Με ανάλυση του περιστατικού EchoLeak (2025) εξηγείται γιατί το δεύτερο πρόβλημα δεν έχει σήμερα οριστική λύση, και παρουσιάζεται ο «κανόνας των 2» (Agents Rule of Two) ως πρακτικό κριτήριο σχεδιασμού. Ολοκληρώνεται με κατάλογο πέντε ερωτήσεων πριν από την αποστολή κάθε αιτήματος στο μοντέλο και με το ζήτημα της ευθύνης.

Ενότητα 4. Context Engineering: η διαχείριση του συγκειμένου

Τι βλέπει το μοντέλο τη στιγμή που απαντά

4.1 Το συγκείμενο ως πεπερασμένος πόρος

Το συγκείμενο (context) ορίζεται ως το σύνολο των λεκτικών μονάδων που βλέπει το μοντέλο όταν απαντά. Εξηγείται γιατί το παράθυρο συγκειμένου λειτουργεί ως πεπερασμένος πόρος προσοχής και όχι ως αποθήκη, και γιατί η προσθήκη περισσότερου υλικού δεν βελτιώνει απαραίτητα την απάντηση.

4.2 Φθορά και κατάρρευση συγκειμένου

Η φθορά συγκειμένου (context rot) είναι η πτώση της ποιότητας καθώς μεγαλώνει η είσοδος, πολύ πριν γεμίσει το παράθυρο, όπως έδειξε μέτρηση σε 18 μοντέλα αιχμής. Η κατάρρευση συγκειμένου (context collapse) προκαλείται από διαδοχικές περιλήψεις του ίδιου υλικού. Μια ταξινόμηση τεσσάρων τρόπων αποτυχίας ενός μακρού συγκειμένου βοηθά τον χρήστη να αναγνωρίζει το σύμπτωμα.

4.3 Οι τέσσερις πράξεις

Η διαχείριση του συγκειμένου οργανώνεται σε τέσσερις πράξεις: καταγραφή εκτός παραθύρου (write), επιλογή (select), συμπίεση (compress) και απομόνωση (isolate). Για καθεμία φαίνεται πώς την εφαρμόζει ο χρήστης στην καθημερινή εργασία, με έτοιμες προτροπές, και πώς την εφαρμόζει ένα σύστημα. Ένας πίνακας αντιστοιχίζει κάθε σύμπτωμα στην πράξη που το αντιμετωπίζει.

4.4 RAG: παραγωγή επαυξημένη με ανάκτηση

Η τεχνική RAG (Retrieval-Augmented Generation) επιτρέπει στο μοντέλο να απαντά με βάση έγγραφα που ανακτώνται τη στιγμή της ερώτησης, όπως τα δικά σας ή πρόσφατα, και όχι μόνο με όσα έμαθε κατά την εκπαίδευση. Εξηγούνται τα τρία συστατικά της και ο κύκλος λειτουργίας σε τέσσερα βήματα, με τη χρήση ενσωματώσεων (embeddings), και γίνεται σύγκριση με τη λεπτή ρύθμιση του μοντέλου (fine-tuning) και με τη χρήση μεγάλου παραθύρου. Μετρήσεις σε δείκτη αναφοράς (44% ακρίβεια για την απλή μορφή, 63% για τα καλύτερα συστήματα) δείχνουν γιατί η απλή μορφή δεν επαρκεί, και παρουσιάζονται οι σύγχρονες μέθοδοι βελτίωσης.

4.5 Πράκτορες: μια πρώτη αναλυτική εισαγωγή

Παρουσιάζονται τρεις ορισμοί από διαφορετικές πηγές και η βασική διάκριση ανάμεσα σε μια προκαθορισμένη ροή εργασίας (workflow) και σε έναν πράκτορα που αποφασίζει ο ίδιος τα βήματα. Ακολουθούν τα τρία συστατικά ενός πράκτορα (μοντέλο, εργαλεία, ενορχήστρωση), οι πέντε κλασικοί τύποι, η κλίμακα αυτονομίας και οι περιπτώσεις στις οποίες ένας πράκτορας δεν χρειάζεται.

4.6 Πρακτικοί κανόνες και άσκηση

Οι τέσσερις πράξεις εφαρμόζονται σε εργασίες από διαφορετικά πεδία και συνοψίζονται σε έξι κανόνες που μπορούν να εφαρμοστούν αμέσως, σε οποιοδήποτε εργαλείο. Η ενότητα κλείνει με άσκηση συμπίεσης σε πέντε βήματα.

Ενότητα 5. Τι είναι πράκτορας και πότε τον χρειάζεστε

Από το παράθυρο συνομιλίας σε ένα σύστημα που δουλεύει μόνο του

5.1 Πού βρισκόμαστε τώρα

Ένα γλωσσικό μοντέλο από μόνο του δεν βλέπει, δεν ενεργεί, δεν θυμάται και δεν συνεχίζει χωρίς τον χρήστη. Σήμερα αυτές τις λειτουργίες τις επιτελεί ο ίδιος ο χρήστης. Σε έναν πράκτορα τις αναλαμβάνει η υποδομή γύρω από το μοντέλο (harness), όπως το συνοψίζει η εικόνα «το μοντέλο είναι η μηχανή, η υποδομή είναι το αυτοκίνητο».

5.2 Τι λείπει για να δράσει μόνο του

Για να δράσει αυτόνομα, ένα μοντέλο χρειάζεται εργαλεία, μνήμη και βρόχο εκτέλεσης. Διακρίνονται επίσης τρία είδη συστημάτων που στην αγορά ονομάζονται όλα «πράκτορες» (το γλωσσικό μοντέλο, ο πράκτορας κανόνων και ο πράκτορας με γλωσσικό μοντέλο), ώστε ο εκπαιδευόμενος να γνωρίζει τι ακριβώς αγοράζει ή κατασκευάζει.

5.3 Το ίδιο αίτημα με τρεις τρόπους

Ένα τυπικό αίτημα αντιμετωπίζεται με τρεις τρόπους: μέσω συνομιλίας, με προκαθορισμένη ροή εργασίας και με πράκτορα. Η σύγκριση δείχνει, βήμα προς βήμα, ποιος εκτελεί κάθε ενέργεια σε κάθε περίπτωση και πού βρίσκεται η ουσιαστική διαφορά.

5.4 Τι αλλάζει πραγματικά, και τα όρια από την αρχή

Εξετάζεται τι κερδίζεται και τι παραχωρείται όταν τη ροή την αποφασίζει το σύστημα αντί για τον άνθρωπο. Διευκρινίζεται τι δεν είναι πράκτορας και ποια εργαλεία καθημερινής χρήσης περιέχουν ήδη πράκτορα. Διατυπώνεται ο πρώτος κανόνας σχεδιασμού: πριν κατασκευαστεί οτιδήποτε, ορίζεται τι διαβάζει ο πράκτορας, τι γράφει (προσχέδια και σημειώσεις) και τι δεν αγγίζει μόνος του, δηλαδή ό,τι αλλάζει δεδομένα ή αποστέλλεται προς τα έξω.

5.5 Τα επτά μέρη ενός πράκτορα

Ο πράκτορας αναλύεται σε επτά μέρη: αφορμή ενεργοποίησης (trigger), οδηγίες, μοντέλο, εργαλεία, γνώση και μνήμη, όρια και έγκριση, καταγραφή. Για καθένα εξηγείται τι πρέπει να περιέχει και πού συνήθως αστοχεί. Ένας διαγνωστικός πίνακας δείχνει σε ποιο μέρος να αναζητηθεί το πρόβλημα όταν κάτι δεν λειτουργεί.

5.6 Ένα αίτημα από την αρχή ως το τέλος

Ένα μήνυμα ακολουθείται σε όλη τη διαδρομή του μέσα στον πράκτορα. Φαίνεται τι τον ενεργοποιεί, τι διαβάζει πριν αποφασίσει, πώς επαναλαμβάνεται ο κύκλος σκέψης, ενέργειας, παρατήρησης και ελέγχου, πώς εντοπίζεται ένα σφάλμα και τι συμβαίνει όταν ο πράκτορας φτάνει σε ένα όριο. Με τον τρόπο αυτό τα επτά μέρη αποκτούν απτή μορφή.

5.7 Χρειάζεστε πράκτορα;

Υιοθετείται ρητά μια συντηρητική αφετηρία: η προεπιλεγμένη απάντηση είναι «όχι». Παρουσιάζονται πέντε ενδείξεις ότι ένας πράκτορας χρειάζεται και έξι ότι δεν χρειάζεται, οι εναλλακτικές λύσεις, τα όρια που δεν εξαλείφονται και οι λόγοι για τους οποίους τέτοια έργα διακόπτονται. Η υποενότητα ολοκληρώνεται με έναν έλεγχο έξι ερωτήσεων πριν από την απόφαση.

5.8 Ο σχεδιασμός σε μία σελίδα

Ο πράκτορας αποτυπώνεται σε καμβά μίας σελίδας με εννέα πεδία, οργανωμένα σε τρεις ομάδες που περιγράφουν τι κατασκευάζεται, πώς λειτουργεί και πού μπορεί να αστοχήσει. Δίνονται ένα συμπληρωμένο παράδειγμα και οδηγίες για τη συμπλήρωση του καμβά σε 45 λεπτά. Ο καμβάς αποτελεί το πρακτικό εργαλείο σχεδιασμού της ενότητας και τη βάση για την υλοποίηση που ακολουθεί.

Ενότητα 6. Πώς στήνεται ένας πράκτορας

Τα σχήματα σχεδίασης και το σημείο όπου μπαίνει ο άνθρωπος

6.1 Πού δεν επαρκεί ένας βρόχος

Το σύστημα εισερχόμενων αιτημάτων εξετάζεται μία εβδομάδα μετά την έναρξη λειτουργίας του, για να φανούν οι ενδείξεις ότι ένας απλός βρόχος δεν αρκεί. Το κεντρικό συμπέρασμα είναι ότι η αξιοπιστία αποτελεί ιδιότητα του τρόπου με τον οποίο στήνεται το σύστημα. Ένα καλύτερο μοντέλο δεν την εξασφαλίζει από μόνο του.

6.2 Τα πέντε σχήματα

Παρουσιάζονται πέντε σχήματα οργάνωσης: η αλυσίδα (prompt chaining), η δρομολόγηση (routing), η παραλληλία (parallelization), ο συντονιστής με εργάτες (orchestrator-workers) και το ζεύγος κριτή και συντάκτη (evaluator-optimizer). Για καθένα εξηγείται τι κάνει, πότε ενδείκνυται και πού αστοχεί, καθώς και ποια σχήματα καθορίζονται εκ των προτέρων και σε ποια αποφασίζει το ίδιο το σύστημα.

6.3 Συνδυασμός και επιλογή σχήματος

Επειδή στην πράξη τα σχήματα σπάνια χρησιμοποιούνται μεμονωμένα, εξετάζεται πώς εντάσσεται το ένα μέσα στο άλλο. Δίνονται πέντε κριτήρια για την επιλογή του κατάλληλου σχήματος, τα οποία εφαρμόζονται πριν από κάθε υλοποίηση.

6.4 Πού μπαίνει ο άνθρωπος

Αφετηρία είναι ένα περιστατικό που περιγράφεται συχνά στη βιβλιογραφία: ένας πράκτορας συντήρησης διέγραψε τη νύχτα αρχεία που έκρινε παλιά. Οι ενέργειες ενός πράκτορα κατατάσσονται σε τέσσερα επίπεδα κινδύνου, συγκρίνεται η έγκριση πριν από την πράξη με τον έλεγχο μετά από αυτήν και ορίζεται τι πρέπει να βλέπει ο άνθρωπος για να κρίνει. Εξετάζονται επίσης οι τρεις μορφές ανθρώπινης εποπτείας (μέσα στον βρόχο ή human-in-the-loop, πάνω από τον βρόχο ή human-on-the-loop, χωρίς άνθρωπο) και οι συνθήκες υπό τις οποίες η έγκριση καταλήγει τυπική.

6.5 Το σύστημα ξαναστημένο

Το σύστημα του παραδείγματος στήνεται ξανά με τα κατάλληλα σχήματα και φαίνεται τι έλυσε κάθε προσθήκη. Εξίσου σημαντικό είναι τι δεν λύνει κανένα σχήμα: παρωχημένη γνώση, ασαφής σκοπός, εργαλείο που λείπει ή αίτημα εκτός αντικειμένου. Συζητείται επίσης πότε ο πράκτορας πρέπει να προσαρμόζεται στην πορεία και πότε να καταρτίζει πρώτα ολόκληρο το σχέδιο και έπειτα να το εκτελεί.

6.6 Αξιολόγηση: πώς ξέρετε ότι βελτιώθηκε

Εξετάζεται πώς τεκμηριώνεται ότι μια αλλαγή βελτίωσε πράγματι το σύστημα. Ορίζονται οι πέντε βασικοί όροι της αξιολόγησης πρακτόρων, εξηγείται τι αποκρύπτει ένας συνολικός βαθμός επιτυχίας και πώς εντοπίζεται η αιτία όταν κάτι αποτυγχάνει.

6.7 Τα τρία αντιμοτίβα

Η ενότητα κλείνει με τρία επαναλαμβανόμενα λάθη σχεδιασμού (anti-patterns): έναν πράκτορα για όλες τις εργασίες, πολύπλοκο σχεδιασμό για δουλειά που αποδεικνύεται προβλέψιμη και σύστημα που λειτουργεί χωρίς να το παρακολουθεί κανείς. Για καθένα δίνονται τα σημάδια που επιτρέπουν την έγκαιρη αναγνώρισή του και η αντίστοιχη λύση.

Ενότητα 7. Τα εργαλεία

Τι υπάρχει έτοιμο, τι φτιάχνεται με κώδικα και τι χωρίς

7.1 Οι έτοιμοι πράκτορες

Πριν από οποιαδήποτε κατασκευή ελέγχεται αν υπάρχει έτοιμη λύση, πρώτα στο εργαλείο που ήδη χρησιμοποιείται και έπειτα σε εργαλεία της ίδιας κατηγορίας. Παρουσιάζονται έτοιμοι πράκτορες ανά πεδίο: συνομιλία, αυτόνομοι πράκτορες γενικού σκοπού, φυλλομετρητής, προγραμματισμός, δεδομένα και υπολογιστικά φύλλα, έρευνα και βιβλιογραφία, γραφή, εξυπηρέτηση πελατών, εξειδικευμένα επαγγέλματα όπως τα νομικά, και υγεία. Για την υγεία παρουσιάζεται και μια δημοσιευμένη μέτρηση αποτελεσμάτων.

7.2 Πόσο αποδίδουν στην πράξη

Μια μέτρηση σε σύνθετες εργασίες πολλών βημάτων δείχνει ότι ο καλύτερος πράκτορας ολοκλήρωσε πλήρως μόλις το 20,6% των εργασιών. Αναλύονται οι τέσσερις κύριες αιτίες αποτυχίας, ώστε ο εκπαιδευόμενος να διαμορφώσει ρεαλιστικές προσδοκίες και να γνωρίζει πού απαιτείται ανθρώπινος έλεγχος.

7.3 Οι πράκτορες με κώδικα

Παρουσιάζονται συνοπτικά ο τρόπος κατασκευής πρακτόρων με κώδικα και τα πλαίσια (frameworks) που χρησιμοποιούνται, όπως τα LangGraph και CrewAI. Αν και το σεμινάριο δεν ακολουθεί αυτόν τον δρόμο, οι βασικές αρχές του ισχύουν και χωρίς κώδικα: η αρχιτεκτονική προηγείται της υλοποίησης και οι συνδέσεις με εργαλεία γίνονται μέσω κοινού προτύπου σύνδεσης, όπως το Model Context Protocol (MCP).

7.4 Τι σημαίνει «χωρίς κώδικα»

Διευκρινίζεται μια διάκριση που οι περισσότεροι κατάλογοι παραλείπουν: ανάμεσα σε πλατφόρμες πραγματικά χωρίς κώδικα (no-code) και σε πλατφόρμες που απαιτούν λίγο κώδικα (low-code) μόλις η ανάγκη ξεπεράσει τις έτοιμες λειτουργίες. Το κρίσιμο ερώτημα είναι τι συμβαίνει όταν αυτό που χρειάζεται ο χρήστης δεν υπάρχει έτοιμο.

7.5 Οι πλατφόρμες χωρίς κώδικα

Δεκατέσσερις πλατφόρμες, από το Zapier Agents, το Make και το n8n ως το Microsoft Copilot Studio και το Gemini Enterprise, παρουσιάζονται με ενιαίο τρόπο: σε ποιον ταιριάζει η καθεμία και τι πρέπει να προσέξει κανείς. Προηγείται ο ορισμός των τεσσάρων στοιχείων που ρυθμίζονται σε κάθε πλατφόρμα (μοντέλο, οδηγίες, γνώση, εργαλεία), ώστε η σύγκριση να γίνεται σε κοινή βάση.

7.6 Η επιλογή της πλατφόρμας

Η πλατφόρμα του εργαστηρίου, το Zapier Agents, επιλέγεται με βάση πέντε κριτήρια: χρήση χωρίς τεχνικές γνώσεις, εύρος συνδέσεων με άλλες εφαρμογές, ξεχωριστό βήμα ανθρώπινης έγκρισης, δυνατότητα αλλαγής μοντέλου και διαθέσιμο εκπαιδευτικό υλικό. Η αιτιολόγηση είναι ρητή, ώστε ο εκπαιδευόμενος να μπορεί να εφαρμόσει την ίδια αξιολόγηση και σε άλλες πλατφόρμες.

Ενότητα 8. Δημιουργία Πράκτορα Τεχνητής Νοημοσύνης με το Zapier

Από έναν απλό αυτοματισμό σε ελεγχόμενη αυτονομία

8.1 Περιήγηση στο Zapier

Παρουσιάζονται οι δυνατότητες της πλατφόρμας και η διαφορά ανάμεσα σε έναν πράκτορα και σε μια απλή συνομιλία με το ChatGPT ή το Claude. Ακολουθεί η δημιουργία λογαριασμού, με σύσταση για ξεχωριστό δοκιμαστικό λογαριασμό Google, και εξηγείται τι σημαίνει η παραχώρηση δικαιωμάτων πρόσβασης σε μια εφαρμογή. Η περιήγηση στο περιβάλλον εργασίας δίνει έμφαση στους δύο ξεχωριστούς μετρητές χρήσης, τις εργασίες (tasks) για τις ροές και τις δραστηριότητες (activities) για τους πράκτορες, από τους οποίους εξαρτάται το κόστος.

8.2 Γνωριμία με το Zapier Agents

Η υποενότητα εισάγει στο περιβάλλον δημιουργίας πρακτόρων: τις επιλογές δημιουργίας, έναν έτοιμο πράκτορα-παράδειγμα και τη λίστα δραστηριότητας, που αποτελεί το βασικό μέσο εντοπισμού λαθών. Ακολουθεί ανασκόπηση των έτοιμων προτύπων ανά κατηγορία εργασιών (πωλήσεις, υποστήριξη πελατών, έρευνα, εσωτερικές λειτουργίες), ώστε να φανεί τι είδους πράκτορες κατασκευάζονται στην πράξη.

8.3 Ο πρώτος πράκτορας

Κατασκευάζεται από το μηδέν ένας πράκτορας για ένα φανταστικό κέντρο διά βίου μάθησης, την «Ακαδημία». Ο πράκτορας ενεργοποιείται από κάθε νέο μήνυμα στο Gmail, αντλεί απαντήσεις από ένα έγγραφο με τα στοιχεία των σεμιναρίων, καταγράφει κάθε αίτημα σε πίνακα (Zapier Tables) και απαντά στον αποστολέα. Ακολουθούν δοκιμή, δημοσίευση, εντοπισμός και διόρθωση ενός σφάλματος που εμφανίστηκε σε ζωντανή εκτέλεση και δημοσίευση δεύτερης έκδοσης που ολοκληρώνει όλη τη ροή.

8.4 Τι έκανε μόνος του

Εξετάζεται η συμπεριφορά του πράκτορα όσο λειτουργούσε χωρίς επίβλεψη: απάντησε σε αυτοματοποιημένο μήνυμα της ίδιας της πλατφόρμας χωρίς να ζητήσει έγκριση, σε δύο άλλες περιπτώσεις σταμάτησε με δική του κρίση, και κάθε άσχετο μήνυμα κατανάλωσε πόρους. Από την παρατήρηση προκύπτουν τέσσερα συγκεκριμένα κενά και ένα σχέδιο με σαφή σειρά: πρώτα τα όρια και έπειτα μεγαλύτερη αυτονομία.

8.5 Πακέτα, κόστος και αναβάθμιση

Εξετάζονται τα όρια του δωρεάν πακέτου και τα κρυφά κόστη που έχει και η κατασκευή ενός πράκτορα από τον ίδιο τον χρήστη: φιλοξενία, διεπαφές προγραμματισμού εφαρμογών (APIs), εξοπλισμός, χρόνος. Αιτιολογείται η επιλογή του Zapier έναντι εναλλακτικών όπως το Make και το n8n, γίνεται η αναβάθμιση στο πακέτο Professional και εξηγείται πώς απενεργοποιείται η χρέωση ανά εργασία, ώστε το κόστος να παραμένει υπό έλεγχο. Επισημαίνεται ότι οι πράκτορες έχουν ξεχωριστό πακέτο και όριο χρήσης.

8.6 Από τον απλό αυτοματισμό στην ελεγχόμενη αυτονομία

Ο πράκτορας κατασκευάζεται ξανά ως ροή (Zap) με βήματα AI by Zapier και ελεγχόμενη αυτονομία. Ένα φίλτρο αναζήτησης στο Gmail και ένα πρώτο βήμα ταξινόμησης με ΤΝ απορρίπτουν τα άσχετα μηνύματα, ενώ ο κύριος πράκτορας αντλεί πληροφορίες από το έγγραφο, το ιστορικό της αλληλογραφίας και έναν πίνακα εγκεκριμένης γνώσης. Όταν λείπει πληροφορία, τη συμπληρώνει ο υπεύθυνος και αποθηκεύεται μόνο μετά από έγκριση. Κάθε απάντηση ελέγχεται από άνθρωπο πριν αποσταλεί. Αν το επιλέξει, ο εκπαιδευόμενος μπορεί να αφαιρέσει αυτό το βήμα. Η υποενότητα ολοκληρώνεται με δύο πλήρεις δοκιμαστικές εκτελέσεις, μία για κάθε διαδρομή.

Η εκφώνηση των βίντεο και η ανάγνωση κειμένων του σεμιναρίου γίνονται με φωνή που δημιουργήθηκε με Τεχνητή Νοημοσύνη (ElevenLabs).

Οι όροι συμμετοχής, όπως η πληρωμή και οι επιστροφές, η Βεβαίωση Παρακολούθησης και η χρήση Τεχνητής Νοημοσύνης στο σεμινάριο και στην επικοινωνία, περιγράφονται στους Όρους χρήσης της πλατφόρμας seminars.mentoracademy.gr.