{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5457135"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5457135","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Raw2ready A domain-adaptable multi-agent LLM system - Antoniades Michael - 7115152400027 - DSIT","abstract":"Η έρευνα σε σχεδόν κάθε πειραματικό πεδίο στηρίζεται σε δεδομένα που βρίσκονται διάσπαρτα σε ασύμβατες μεταξύ τους πηγές: ακατέργαστες μετρήσεις οργάνων, δομημένες βάσεις αναφοράς, τη δημοσιευμένη βιβλιογραφία και αδόμητη γνώση που υπάρχει μόνο στον ιστό. Η μετατροπή αυτού του κατακερματισμένου υλικού σε μία αξιόπιστη απάντηση είναι αργή και επιρρεπής σε λάθη. Τα μεγάλα γλωσσικά μοντέλα υπόσχονται να επιταχύνουν αυτή τη σύνθεση, όμως από μόνα τους παράγουν παραισθήσεις και επικαλούνται ανύπαρκτες πηγές, γεγονός που τα καθιστά επισφαλή όταν η ακρίβεια έχει σημασία. Η εργασία αυτή παρουσιάζει το raw2ready, ένα σύστημα που αντιμετωπίζει και τα δύο σκέλη του προβλήματος. Το πρώτο είναι μια αλυσίδα προετοιμασίας δεδομένων, που φορτώνει, συγχωνεύει, μετασχηματίζει και χαρακτηρίζει στατιστικά ετερογενή πειραματικά αρχεία χωρίς να απαιτείται προγραμματισμός. Το δεύτερο είναι ένα επίπεδο πολλαπλών πρακτόρων, όπου ένας ενορχηστρωτής συντονίζει εξειδικευμένους πράκτορες που ανακτούν τεκμήρια από τις δικές τους πηγές, και ένας τελικός πράκτορας τα συνθέτει σε μία θεμελιωμένη απάντηση. Κεντρική αρχή είναι ότι κάθε αριθμός που εμφανίζεται προέρχεται είτε από ζωντανή πηγή είτε από διαφανή υπολογισμό επί των δεδομένων του χρήστη· διαφορετικά δηλώνεται ρητά ως μη διαθέσιμος. Αν και το πρόβλημα είναι καθολικό, το σύστημα επιδεικνύεται στη βιοκατασκευή. Η αξιολόγηση δεν επιβεβαιώνει απλώς ότι το σύστημα εκτελείται· ελέγχει, για κάθε πράκτορα, αν εκτελεί σωστά τα βήματα που του έχουν οριστεί, και μετρά πόσο πιστά φτάνει η πληροφορία στο γλωσσικό μοντέλο. Επειδή η αλυσίδα και το συμβόλαιο των πρακτόρων είναι ανεξάρτητα πεδίου, ο ίδιος σχεδιασμός μεταφέρεται και σε άλλους τομείς.","abstract_html":"Η έρευνα σε σχεδόν κάθε πειραματικό πεδίο στηρίζεται σε δεδομένα που βρίσκονται διάσπαρτα σε ασύμβατες μεταξύ τους πηγές: ακατέργαστες μετρήσεις οργάνων, δομημένες βάσεις αναφοράς, τη δημοσιευμένη βιβλιογραφία και αδόμητη γνώση που υπάρχει μόνο στον ιστό. Η μετατροπή αυτού του κατακερματισμένου υλικού σε μία αξιόπιστη απάντηση είναι αργή και επιρρεπής σε λάθη. Τα μεγάλα γλωσσικά μοντέλα υπόσχονται να επιταχύνουν αυτή τη σύνθεση, όμως από μόνα τους παράγουν παραισθήσεις και επικαλούνται ανύπαρκτες πηγές, γεγονός που τα καθιστά επισφαλή όταν η ακρίβεια έχει σημασία. Η εργασία αυτή παρουσιάζει το raw2ready, ένα σύστημα που αντιμετωπίζει και τα δύο σκέλη του προβλήματος. Το πρώτο είναι μια αλυσίδα προετοιμασίας δεδομένων, που φορτώνει, συγχωνεύει, μετασχηματίζει και χαρακτηρίζει στατιστικά ετερογενή πειραματικά αρχεία χωρίς να απαιτείται προγραμματισμός. Το δεύτερο είναι ένα επίπεδο πολλαπλών πρακτόρων, όπου ένας ενορχηστρωτής συντονίζει εξειδικευμένους πράκτορες που ανακτούν τεκμήρια από τις δικές τους πηγές, και ένας τελικός πράκτορας τα συνθέτει σε μία θεμελιωμένη απάντηση. Κεντρική αρχή είναι ότι κάθε αριθμός που εμφανίζεται προέρχεται είτε από ζωντανή πηγή είτε από διαφανή υπολογισμό επί των δεδομένων του χρήστη· διαφορετικά δηλώνεται ρητά ως μη διαθέσιμος. Αν και το πρόβλημα είναι καθολικό, το σύστημα επιδεικνύεται στη βιοκατασκευή. Η αξιολόγηση δεν επιβεβαιώνει απλώς ότι το σύστημα εκτελείται· ελέγχει, για κάθε πράκτορα, αν εκτελεί σωστά τα βήματα που του έχουν οριστεί, και μετρά πόσο πιστά φτάνει η πληροφορία στο γλωσσικό μοντέλο. Επειδή η αλυσίδα και το συμβόλαιο των πρακτόρων είναι ανεξάρτητα πεδίου, ο ίδιος σχεδιασμός μεταφέρεται και σε άλλους τομείς.","abstract_has_math":false,"creators":["ΑΝΤΩΝΙΑΔΗΣ ΜΙΧΑΗΛ","ANTONIADIS MICHAIL"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:59Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5457135"],"render_values":[{"text":"uoadl:5457135","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5457135","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5457135","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%3A5457135","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΑΝΤΩΝΙΑΔΗΣ ΜΙΧΑΗΛ","ANTONIADIS MICHAIL"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5457135","https://pergamos.lib.uoa.gr/uoa/dl/object/5457135"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η έρευνα σε σχεδόν κάθε πειραματικό πεδίο στηρίζεται σε δεδομένα που βρίσκονται διάσπαρτα σε ασύμβατες μεταξύ τους πηγές: ακατέργαστες μετρήσεις οργάνων, δομημένες βάσεις αναφοράς, τη δημοσιευμένη βιβλιογραφία και αδόμητη γνώση που υπάρχει μόνο στον ιστό. Η μετατροπή αυτού του κατακερματισμένου υλικού σε μία αξιόπιστη απάντηση είναι αργή και επιρρεπής σε λάθη. Τα μεγάλα γλωσσικά μοντέλα υπόσχονται να επιταχύνουν αυτή τη σύνθεση, όμως από μόνα τους παράγουν παραισθήσεις και επικαλούνται ανύπαρκτες πηγές, γεγονός που τα καθιστά επισφαλή όταν η ακρίβεια έχει σημασία. Η εργασία αυτή παρουσιάζει το raw2ready, ένα σύστημα που αντιμετωπίζει και τα δύο σκέλη του προβλήματος. Το πρώτο είναι μια αλυσίδα προετοιμασίας δεδομένων, που φορτώνει, συγχωνεύει, μετασχηματίζει και χαρακτηρίζει στατιστικά ετερογενή πειραματικά αρχεία χωρίς να απαιτείται προγραμματισμός. Το δεύτερο είναι ένα επίπεδο πολλαπλών πρακτόρων, όπου ένας ενορχηστρωτής συντονίζει εξειδικευμένους πράκτορες που ανακτούν τεκμήρια από τις δικές τους πηγές, και ένας τελικός πράκτορας τα συνθέτει σε μία θεμελιωμένη απάντηση. Κεντρική αρχή είναι ότι κάθε αριθμός που εμφανίζεται προέρχεται είτε από ζωντανή πηγή είτε από διαφανή υπολογισμό επί των δεδομένων του χρήστη· διαφορετικά δηλώνεται ρητά ως μη διαθέσιμος. Αν και το πρόβλημα είναι καθολικό, το σύστημα επιδεικνύεται στη βιοκατασκευή. Η αξιολόγηση δεν επιβεβαιώνει απλώς ότι το σύστημα εκτελείται· ελέγχει, για κάθε πράκτορα, αν εκτελεί σωστά τα βήματα που του έχουν οριστεί, και μετρά πόσο πιστά φτάνει η πληροφορία στο γλωσσικό μοντέλο. Επειδή η αλυσίδα και το συμβόλαιο των πρακτόρων είναι ανεξάρτητα πεδίου, ο ίδιος σχεδιασμός μεταφέρεται και σε άλλους τομείς.","Research in almost every experimental field lean on evidence that is scattered across sources that were never meant to work together: raw instrument readings, curated ref erence databases, published literature, and knowledge that lives only on the open web. Pulling those fragments into a single trustworthy answer is slow, and it is easy to get wrong. Large language models promise to speed this up, but on their own they invent facts and cite papers that do not exist, which makes them unsafe precisely where accu racy matters most. This thesis presents raw2ready, a system built to handle both halves of that problem in one place. The first half is a no-code data-preparation pipeline that loads, merges, transforms, and statistically profiles heterogeneous experimental files. The second is a layer of specialized agents: an orchestrator decides which one a question needs, each agent gathers evidence from its own source, and a final agent weaves their findings into a single grounded answer. One rule that runs through the whole system every number the user sees is either retrieved from a live source or computed openly from their own data, and anything that cannot be sourced is labelled as unavailable rather than guessed. The problem is universal, but the system is shown at work on biomanufacturing, a do main demanding enough to make fabrication costly. The evaluation goes past “does it run”: for each agent it checks whether the steps it is supposed to follow produce the right answer, and it traces how faithfully the gathered evidence reaches the language model. Because neither the pipeline nor the agent contract knows anything about biolo gy, the same design carries over to other data-heavy fields by swapping in different agents."]},{"key":"dc:title","label":"Title","values":["Raw2ready A domain-adaptable multi-agent LLM system - Antoniades Michael - 7115152400027 - DSIT"]}]}],"canonical_facts":{"dc:creator":["ΑΝΤΩΝΙΑΔΗΣ ΜΙΧΑΗΛ","ANTONIADIS MICHAIL"],"dc:date":["2026"],"dc:description":["Η έρευνα σε σχεδόν κάθε πειραματικό πεδίο στηρίζεται σε δεδομένα που βρίσκονται διάσπαρτα σε ασύμβατες μεταξύ τους πηγές: ακατέργαστες μετρήσεις οργάνων, δομημένες βάσεις αναφοράς, τη δημοσιευμένη βιβλιογραφία και αδόμητη γνώση που υπάρχει μόνο στον ιστό. Η μετατροπή αυτού του κατακερματισμένου υλικού σε μία αξιόπιστη απάντηση είναι αργή και επιρρεπής σε λάθη. Τα μεγάλα γλωσσικά μοντέλα υπόσχονται να επιταχύνουν αυτή τη σύνθεση, όμως από μόνα τους παράγουν παραισθήσεις και επικαλούνται ανύπαρκτες πηγές, γεγονός που τα καθιστά επισφαλή όταν η ακρίβεια έχει σημασία. Η εργασία αυτή παρουσιάζει το raw2ready, ένα σύστημα που αντιμετωπίζει και τα δύο σκέλη του προβλήματος. Το πρώτο είναι μια αλυσίδα προετοιμασίας δεδομένων, που φορτώνει, συγχωνεύει, μετασχηματίζει και χαρακτηρίζει στατιστικά ετερογενή πειραματικά αρχεία χωρίς να απαιτείται προγραμματισμός. Το δεύτερο είναι ένα επίπεδο πολλαπλών πρακτόρων, όπου ένας ενορχηστρωτής συντονίζει εξειδικευμένους πράκτορες που ανακτούν τεκμήρια από τις δικές τους πηγές, και ένας τελικός πράκτορας τα συνθέτει σε μία θεμελιωμένη απάντηση. Κεντρική αρχή είναι ότι κάθε αριθμός που εμφανίζεται προέρχεται είτε από ζωντανή πηγή είτε από διαφανή υπολογισμό επί των δεδομένων του χρήστη· διαφορετικά δηλώνεται ρητά ως μη διαθέσιμος. Αν και το πρόβλημα είναι καθολικό, το σύστημα επιδεικνύεται στη βιοκατασκευή. Η αξιολόγηση δεν επιβεβαιώνει απλώς ότι το σύστημα εκτελείται· ελέγχει, για κάθε πράκτορα, αν εκτελεί σωστά τα βήματα που του έχουν οριστεί, και μετρά πόσο πιστά φτάνει η πληροφορία στο γλωσσικό μοντέλο. Επειδή η αλυσίδα και το συμβόλαιο των πρακτόρων είναι ανεξάρτητα πεδίου, ο ίδιος σχεδιασμός μεταφέρεται και σε άλλους τομείς.","Research in almost every experimental field lean on evidence that is scattered across sources that were never meant to work together: raw instrument readings, curated ref erence databases, published literature, and knowledge that lives only on the open web. Pulling those fragments into a single trustworthy answer is slow, and it is easy to get wrong. Large language models promise to speed this up, but on their own they invent facts and cite papers that do not exist, which makes them unsafe precisely where accu racy matters most. This thesis presents raw2ready, a system built to handle both halves of that problem in one place. The first half is a no-code data-preparation pipeline that loads, merges, transforms, and statistically profiles heterogeneous experimental files. The second is a layer of specialized agents: an orchestrator decides which one a question needs, each agent gathers evidence from its own source, and a final agent weaves their findings into a single grounded answer. One rule that runs through the whole system every number the user sees is either retrieved from a live source or computed openly from their own data, and anything that cannot be sourced is labelled as unavailable rather than guessed. The problem is universal, but the system is shown at work on biomanufacturing, a do main demanding enough to make fabrication costly. The evaluation goes past “does it run”: for each agent it checks whether the steps it is supposed to follow produce the right answer, and it traces how faithfully the gathered evidence reaches the language model. Because neither the pipeline nor the agent contract knows anything about biolo gy, the same design carries over to other data-heavy fields by swapping in different agents."],"dc:identifier":["uoadl:5457135","https://pergamos.lib.uoa.gr/uoa/dl/object/5457135"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Raw2ready A domain-adaptable multi-agent LLM system - Antoniades Michael - 7115152400027 - DSIT"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:59Z"}