Πραγματοποίηση Ερευνητικού Σεμιναρίου

Ερευνητικό Σεμινάριο “ML Compass: Navigating Capability, Cost, and Compliance Trade-offs in AI Model Deployment”

Το Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (ΔΕΤ), της Σχολής Διοίκησης Επιχειρήσεων του Οικονομικού Πανεπιστημίου Αθηνών (ΟΠΑ), στο πλαίσιο των δράσεων του Διδακτορικού Προγράμματος για την προώθηση της έρευνας και της ακαδημαϊκής εξωστρέφειας, φιλοξένησε τον Δρα. Βασίλη Διγαλάκη, Επίκουρο Καθηγητή Διοίκησης Λειτουργιών και Τεχνολογίας στο Boston University Questrom School of Business, ο οποίος παρουσίασε το ιδιαίτερα ενδιαφέρον ερευνητικό σεμινάριο με τίτλο: "ML Compass: Navigating Capability, Cost, and Compliance Trade-offs in AI Model Deployment".

Το σεμινάριο πραγματοποιήθηκε την Πέμπτη 2 Απριλίου, με τη συμμετοχή υποψήφιων διδακτόρων, μελών ΔΕΠ, καθώς και φοιτητών και φοιτητριών του Τμήματος.

Το ML Compass είναι ένα μαθηματικό μοντέλο για την επιλογή και ανάπτυξη συστημάτων τεχνητής νοημοσύνης (ΑΙ) σε πραγματικές εφαρμογές. Ξεκινά από το εξής βασικό πρόβλημα: ενώ σήμερα υπάρχουν ολοένα και περισσότερα ισχυρά μοντέλα AI, οι υψηλές επιδόσεις τους σε τεχνικά benchmarks δεν μεταφράζονται πάντα άμεσα σε πραγματική αξία για έναν οργανισμό. Στο πλαίσιο αυτό, μελετούμε ποιες δυνατότητες πρέπει πραγματικά να επιδιώκει ένας οργανισμός από ένα σύστημα AI — για παράδειγμα, ακρίβεια, ταχύτητα απόκρισης, ασφάλεια, αξιοπιστία ή ευκολία ελέγχου — και πώς αυτές πρέπει να συνδυάζονται δεδομένων του κόστους και των απαιτήσεων συμμόρφωσης. Η προσέγγιση βασίζεται σε εργαλεία από τη μαθηματική βελτιστοποίηση, τη στατιστική, την επιχειρησιακή έρευνα και την επιστήμη υπολογιστών.

Η πρακτική σημασία της έρευνας είναι ιδιαίτερα έντονη στην υγεία, όπου η επιλογή ενός μοντέλου δεν μπορεί να βασίζεται μόνο στο ποιο μοντέλο είναι το πιο ισχυρό ή το πιο ακριβές. Σε ορισμένα κλινικά περιβάλλοντα, μεγαλύτερη αξία μπορεί να έχει ένα μοντέλο που είναι αρκετά ακριβές, αλλά ταυτόχρονα πιο γρήγορο, πιο οικονομικό ή πιο εύκολο να ελεγχθεί και να χρησιμοποιηθεί με ασφάλεια. Το ML Compass βοηθά έτσι να προβλέψουμε ποιο προφίλ δυνατοτήτων είναι το καταλληλότερο για κάθε οργανισμό και κάθε περιβάλλον χρήσης, ώστε η επιλογή της τεχνητής νοημοσύνης να γίνεται με τρόπο πιο συστηματικό, τεκμηριωμένο και εφαρμόσιμο στην πράξη.

Η σχετική δημοσίευση “ML Compass: Navigating Capability, Cost, and Compliance Trade-offs in AI Model Deployment”, των Ερευνητών κκ. Βασίλη Διγαλάκη, Ramayya Krishnan, Gonzalo Martin Fernandez, και Αγνής Ορφανουδάκη, είναι διαθέσιμη στο σύνδεσμο https://arxiv.org/abs/2512.23487.

Το ερευνητικό σεμινάριο εντάσσεται στη συνεχή προσπάθεια του Διδακτορικού Προγράμματος του Τμήματος ΔΕΤ να ενισχύσει την ερευνητική δραστηριότητα, να προάγει τη διάχυση σύγχρονης γνώσης και να δημιουργεί ευκαιρίες ουσιαστικής επαφής των υποψήφιων διδακτόρων με διεθνώς αναγνωρισμένους/ες ερευνητές/ερευνήτριες.