{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5310492"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5310492","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη Chatbot για τη διαχείριση ερωτήσεων HR & Payroll με αξιοποίηση μηχανικής μάθησης: υλοποίηση σε Python","abstract":"Η παρούσα διπλωματική εργασία εξετάζει την ανάπτυξη ενός chatbot για τη διαχείριση ερωτήσεων που σχετίζονται με το ανθρώπινο δυναμικό (HR) και τη μισθοδοσία (Payroll), αξιοποιώντας τεχνικές μηχανικής μάθησης. Η αυξανόμενη υιοθέτηση συστημάτων τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP) στο HR επιτρέπει την αυτοματοποίηση κρίσιμων διαδικασιών, με στόχο τη βελτίωση της αποδοτικότητας και τη μείωση του λειτουργικού κόστους. Αρχικά πραγματοποιείται βιβλιογραφική ανασκόπηση στις τεχνολογίες ML και chatbot, όπως και στις εφαρμογές τους στο HR, ενώ αναλύονται υπάρχουσες λύσεις της αγοράς, όπως τα Workday Assistant και IBM Watson Assistant. Για την υλοποίηση, αξιοποιείται το BananaByte Employee Salary Dataset, το οποίο περιέχει πραγματικά δεδομένα μισθοδοσίας εργαζομένων. Αναπτύσσονται και συγκρίνονται τρεις προσεγγίσεις: (α) ένα chatbot βασισμένο σε κανόνες, (β) ένα μοντέλο SVM με TF-IDF για ταξινόμηση ερωτήσεων, και (γ) ένα προηγμένο chatbot με Sentence Transformers (BERT-based). Η αξιολόγηση πραγματοποιείται βάσει ακρίβειας, δυνατότητας κατανόησης, ταχύτητας απόκρισης και πρακτικής εφαρμοσιμότητας σε περιβάλλον HR. Τα αποτελέσματα καταδεικνύουν ότι το μοντέλο Sentence Transformers υπερέχει σε ακρίβεια και ποιότητα απαντήσεων, ενώ το Rule-Based chatbot παρέχει υψηλή σταθερότητα και ευκολία ενσωμάτωσης. Συνολικά, η μελέτη επιβεβαιώνει πως η αξιοποίηση ML-based chatbot μπορεί να ενισχύσει την αποδοτικότητα των HR διαδικασιών και να βελτιώσει την εμπειρία των εργαζομένων. Μελλοντικές βελτιώσεις περιλαμβάνουν την υποστήριξη πολυσταδιακών ερωτήσεων, τη χρήση μεγαλύτερων συνόλων δεδομένων και τη διασύνδεση με πραγματικά HR συστήματα.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει την ανάπτυξη ενός chatbot για τη διαχείριση ερωτήσεων που σχετίζονται με το ανθρώπινο δυναμικό (HR) και τη μισθοδοσία (Payroll), αξιοποιώντας τεχνικές μηχανικής μάθησης. Η αυξανόμενη υιοθέτηση συστημάτων τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP) στο HR επιτρέπει την αυτοματοποίηση κρίσιμων διαδικασιών, με στόχο τη βελτίωση της αποδοτικότητας και τη μείωση του λειτουργικού κόστους. Αρχικά πραγματοποιείται βιβλιογραφική ανασκόπηση στις τεχνολογίες ML και chatbot, όπως και στις εφαρμογές τους στο HR, ενώ αναλύονται υπάρχουσες λύσεις της αγοράς, όπως τα Workday Assistant και IBM Watson Assistant. Για την υλοποίηση, αξιοποιείται το BananaByte Employee Salary Dataset, το οποίο περιέχει πραγματικά δεδομένα μισθοδοσίας εργαζομένων. Αναπτύσσονται και συγκρίνονται τρεις προσεγγίσεις: (α) ένα chatbot βασισμένο σε κανόνες, (β) ένα μοντέλο SVM με TF-IDF για ταξινόμηση ερωτήσεων, και (γ) ένα προηγμένο chatbot με Sentence Transformers (BERT-based). Η αξιολόγηση πραγματοποιείται βάσει ακρίβειας, δυνατότητας κατανόησης, ταχύτητας απόκρισης και πρακτικής εφαρμοσιμότητας σε περιβάλλον HR. Τα αποτελέσματα καταδεικνύουν ότι το μοντέλο Sentence Transformers υπερέχει σε ακρίβεια και ποιότητα απαντήσεων, ενώ το Rule-Based chatbot παρέχει υψηλή σταθερότητα και ευκολία ενσωμάτωσης. Συνολικά, η μελέτη επιβεβαιώνει πως η αξιοποίηση ML-based chatbot μπορεί να ενισχύσει την αποδοτικότητα των HR διαδικασιών και να βελτιώσει την εμπειρία των εργαζομένων. Μελλοντικές βελτιώσεις περιλαμβάνουν την υποστήριξη πολυσταδιακών ερωτήσεων, τη χρήση μεγαλύτερων συνόλων δεδομένων και τη διασύνδεση με πραγματικά HR συστήματα.","abstract_has_math":false,"creators":["ΑΛΕΞΑΝΔΡΗ ΣΤΑΜΟΥΛΑ-ΜΑΡΙΑ","ALEXANDRI STAMOULA-MARIA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:40Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5310492"],"render_values":[{"text":"uoadl:5310492","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5310492","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5310492","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5310492","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΑΛΕΞΑΝΔΡΗ ΣΤΑΜΟΥΛΑ-ΜΑΡΙΑ","ALEXANDRI STAMOULA-MARIA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5310492","https://pergamos.lib.uoa.gr/uoa/dl/object/5310492"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει την ανάπτυξη ενός chatbot για τη διαχείριση ερωτήσεων που σχετίζονται με το ανθρώπινο δυναμικό (HR) και τη μισθοδοσία (Payroll), αξιοποιώντας τεχνικές μηχανικής μάθησης. Η αυξανόμενη υιοθέτηση συστημάτων τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP) στο HR επιτρέπει την αυτοματοποίηση κρίσιμων διαδικασιών, με στόχο τη βελτίωση της αποδοτικότητας και τη μείωση του λειτουργικού κόστους. Αρχικά πραγματοποιείται βιβλιογραφική ανασκόπηση στις τεχνολογίες ML και chatbot, όπως και στις εφαρμογές τους στο HR, ενώ αναλύονται υπάρχουσες λύσεις της αγοράς, όπως τα Workday Assistant και IBM Watson Assistant. Για την υλοποίηση, αξιοποιείται το BananaByte Employee Salary Dataset, το οποίο περιέχει πραγματικά δεδομένα μισθοδοσίας εργαζομένων. Αναπτύσσονται και συγκρίνονται τρεις προσεγγίσεις: (α) ένα chatbot βασισμένο σε κανόνες, (β) ένα μοντέλο SVM με TF-IDF για ταξινόμηση ερωτήσεων, και (γ) ένα προηγμένο chatbot με Sentence Transformers (BERT-based). Η αξιολόγηση πραγματοποιείται βάσει ακρίβειας, δυνατότητας κατανόησης, ταχύτητας απόκρισης και πρακτικής εφαρμοσιμότητας σε περιβάλλον HR. Τα αποτελέσματα καταδεικνύουν ότι το μοντέλο Sentence Transformers υπερέχει σε ακρίβεια και ποιότητα απαντήσεων, ενώ το Rule-Based chatbot παρέχει υψηλή σταθερότητα και ευκολία ενσωμάτωσης. Συνολικά, η μελέτη επιβεβαιώνει πως η αξιοποίηση ML-based chatbot μπορεί να ενισχύσει την αποδοτικότητα των HR διαδικασιών και να βελτιώσει την εμπειρία των εργαζομένων. Μελλοντικές βελτιώσεις περιλαμβάνουν την υποστήριξη πολυσταδιακών ερωτήσεων, τη χρήση μεγαλύτερων συνόλων δεδομένων και τη διασύνδεση με πραγματικά HR συστήματα.","This thesis investigates the development of a chatbot for managing human resources (HR) and payroll-related inquiries, leveraging machine learning techniques. The increasing adoption of artificial intelligence (AI) and natural language processing (NLP) in HR enables the automation of critical processes, aiming to improve efficiency and reduce operational costs. Initially, a literature review is conducted on ML technologies and chatbots, as well as their applications in HR, while existing market solutions, such as Workday Assistant and IBM Watson Assistant, are analyzed. For the implementation, the BananaByte Employee Salary Dataset, which contains real employee payroll data, is utilized. Three approaches are developed and compared: (a) a rule-based chatbot, (b) an SVM model with TF-IDF for question classification, and (c) an advanced chatbot using Sentence Transformers (BERTbased). Evaluation is conducted based on accuracy, comprehension capabilities, response speed, and practical applicability in HR settings. The results show that the Sentence Transformers-based model achieves the highest accuracy and quality of responses, while the rule-based chatbot offers stability and ease of integration. Overall, the study demonstrates that leveraging MLbased chatbots can enhance HR process efficiency and improve employee experience. Future improvements include supporting multi-step questions, using larger datasets, and integrating the chatbot with existing HR systems."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη Chatbot για τη διαχείριση ερωτήσεων HR & Payroll με αξιοποίηση μηχανικής μάθησης: υλοποίηση σε Python"]}]}],"canonical_facts":{"dc:creator":["ΑΛΕΞΑΝΔΡΗ ΣΤΑΜΟΥΛΑ-ΜΑΡΙΑ","ALEXANDRI STAMOULA-MARIA"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει την ανάπτυξη ενός chatbot για τη διαχείριση ερωτήσεων που σχετίζονται με το ανθρώπινο δυναμικό (HR) και τη μισθοδοσία (Payroll), αξιοποιώντας τεχνικές μηχανικής μάθησης. Η αυξανόμενη υιοθέτηση συστημάτων τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP) στο HR επιτρέπει την αυτοματοποίηση κρίσιμων διαδικασιών, με στόχο τη βελτίωση της αποδοτικότητας και τη μείωση του λειτουργικού κόστους. Αρχικά πραγματοποιείται βιβλιογραφική ανασκόπηση στις τεχνολογίες ML και chatbot, όπως και στις εφαρμογές τους στο HR, ενώ αναλύονται υπάρχουσες λύσεις της αγοράς, όπως τα Workday Assistant και IBM Watson Assistant. Για την υλοποίηση, αξιοποιείται το BananaByte Employee Salary Dataset, το οποίο περιέχει πραγματικά δεδομένα μισθοδοσίας εργαζομένων. Αναπτύσσονται και συγκρίνονται τρεις προσεγγίσεις: (α) ένα chatbot βασισμένο σε κανόνες, (β) ένα μοντέλο SVM με TF-IDF για ταξινόμηση ερωτήσεων, και (γ) ένα προηγμένο chatbot με Sentence Transformers (BERT-based). Η αξιολόγηση πραγματοποιείται βάσει ακρίβειας, δυνατότητας κατανόησης, ταχύτητας απόκρισης και πρακτικής εφαρμοσιμότητας σε περιβάλλον HR. Τα αποτελέσματα καταδεικνύουν ότι το μοντέλο Sentence Transformers υπερέχει σε ακρίβεια και ποιότητα απαντήσεων, ενώ το Rule-Based chatbot παρέχει υψηλή σταθερότητα και ευκολία ενσωμάτωσης. Συνολικά, η μελέτη επιβεβαιώνει πως η αξιοποίηση ML-based chatbot μπορεί να ενισχύσει την αποδοτικότητα των HR διαδικασιών και να βελτιώσει την εμπειρία των εργαζομένων. Μελλοντικές βελτιώσεις περιλαμβάνουν την υποστήριξη πολυσταδιακών ερωτήσεων, τη χρήση μεγαλύτερων συνόλων δεδομένων και τη διασύνδεση με πραγματικά HR συστήματα.","This thesis investigates the development of a chatbot for managing human resources (HR) and payroll-related inquiries, leveraging machine learning techniques. The increasing adoption of artificial intelligence (AI) and natural language processing (NLP) in HR enables the automation of critical processes, aiming to improve efficiency and reduce operational costs. Initially, a literature review is conducted on ML technologies and chatbots, as well as their applications in HR, while existing market solutions, such as Workday Assistant and IBM Watson Assistant, are analyzed. For the implementation, the BananaByte Employee Salary Dataset, which contains real employee payroll data, is utilized. Three approaches are developed and compared: (a) a rule-based chatbot, (b) an SVM model with TF-IDF for question classification, and (c) an advanced chatbot using Sentence Transformers (BERTbased). Evaluation is conducted based on accuracy, comprehension capabilities, response speed, and practical applicability in HR settings. The results show that the Sentence Transformers-based model achieves the highest accuracy and quality of responses, while the rule-based chatbot offers stability and ease of integration. Overall, the study demonstrates that leveraging MLbased chatbots can enhance HR process efficiency and improve employee experience. Future improvements include supporting multi-step questions, using larger datasets, and integrating the chatbot with existing HR systems."],"dc:identifier":["uoadl:5310492","https://pergamos.lib.uoa.gr/uoa/dl/object/5310492"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάπτυξη Chatbot για τη διαχείριση ερωτήσεων HR & Payroll με αξιοποίηση μηχανικής μάθησης: υλοποίηση σε Python"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:40Z"}