Τεχνητή Νοημοσύνη (ΑΙ) Θεωρία, Τεχνικές και Εφαρμογές

Elapsed Time: 00:00:00 -- 0/0 (0.00%)

1. Ποιος θεωρείται ο «πατέρας της Τεχνητής Νοημοσύνης» και εισήγαγε τον όρο το 1956 στο συνέδριο του Dartmouth;

α. Alan Turing
β. John McCarthy
γ. Marvin Minsky
δ. Nils Nilsson

2. Ποιο από τα παρακάτω αποτελεί παράδειγμα Ασθενής ΤΝ (Narrow AI);

α. Αυτόνομο όχημα που λαμβάνει πολύπλοκες αποφάσεις σε πραγματικό χρόνο
β. Η θεωρητική υπερνοημοσύνη που ξεπερνά τον άνθρωπο
γ. Ένας ψηφιακός βοηθός όπως το Siri
δ. Ένα υπολογιστικό σύστημα που αναπτύσσει νέα μαθηματικά θεωρήματα μόνο του

3. Το πρόγραμμα ELIZA (1966) αποτελεί παράδειγμα:

α. Expert System για διάγνωση ασθενειών
β. Πρώιμο πρόγραμμα επεξεργασίας φυσικής γλώσσας
γ. Συστήματος αναγνώρισης εικόνας
δ. Μηχανής reinforcement learning

4. Σύμφωνα με τον Stuart Russell και τον Peter Norvig, οι ορισμοί της ΤΝ κατατάσσονται σε τέσσερις κατηγορίες. Ποια από τις παρακάτω ΔΕΝ περιλαμβάνεται σε αυτές;

α. Συστήματα που σκέφτονται σαν άνθρωποι
β. Συστήματα που ενεργούν σαν άνθρωποι
γ. Συστήματα που λειτουργούν με τυχαίο τρόπο
δ. Συστήματα που ενεργούν ορθολογικά

5. Ποια από τις παρακάτω τεχνολογίες οδήγησαν στην «ψηφιακή επανάσταση» της ΤΝ;

α. Η διάδοση του διαδικτύου
β. Η ανάπτυξη GPUs και κατανεμημένων συστημάτων
γ. Η συλλογή Big Data
δ. Όλα τα παραπάνω

6. Η ισχυρή ΤΝ (General AI) είναι σήμερα πλήρως ανεπτυγμένη και χρησιμοποιείται σε καθημερινές εφαρμογές.

α. Σωστό
β. Λάθος

7. Το IBM Deep Blue που νίκησε τον Garry Kasparov στα σκάκια αποτελεί παράδειγμα αντιδραστικής μηχανής χωρίς μνήμη.

α. Σωστό
β. Λάθος

8. Η φιλοσοφική διάσταση της ΤΝ σχετίζεται με ερωτήματα γύρω από τη συνείδηση και την ηθική ευθύνη.

α. Σωστό
β. Λάθος

9. Παραδείγματα καθημερινής χρήσης της ΤΝ είναι η αναγνώριση προσώπου σε smartphones, οι προτάσεις ταινιών στο Netflix και τα chatbots υποστήριξης πελατών.

α. Σωστό
β. Λάθος

10. Ένα από τα βασικά κοινωνικά ζητήματα που προκύπτουν από την ΤΝ είναι:

α. Η υπερπληθώρα ψηφιακών υπηρεσιών
β. Η αργή ανάπτυξη των αλγορίθμων
γ. Η προστασία προσωπικών δεδομένων και η μεροληψία αλγορίθμων
δ. Η περιορισμένη χρήση σε στρατιωτικά πεδία

11. Τι είναι η Ρομποτική Αυτοματοποίηση Διεργασιών (RPA);

Α. Μια τεχνολογία λογισμικού που χρησιμοποιεί software bots για την αυτοματοποιημένη εκτέλεση επαναλαμβανόμενων διαδικασιών.
Μια μέθοδος κατασκευής φυσικών ρομπότ για βιομηχανικές εργασίες.
Ένα εργαλείο για την ανάπτυξη εφαρμογών Τεχνητής Νοημοσύνης
Μια πλατφόρμα για διαχείριση δεδομένων μεγάλου όγκου.

12. Ποιο είναι ένα βασικό χαρακτηριστικό των διεργασιών που είναι κατάλληλες για RPA;

Απαιτούν υποκειμενική κρίση και διαίσθηση.
Υψηλή γνωσιακή πολυπλοκότητα και δημιουργικότητα.
Επαναληπτικότητα και τυποποιημένη εκτέλεση.
Χαμηλός όγκος εργασιών και υψηλή μεταβλητότητα.

13. Ποιο είναι ένα κύριο όφελος από τη χρήση RPA;

Περιορισμός της κλιμακωσιμότητας σε υψηλούς φόρτους.
Αύξηση της ανάγκης για χειροκίνητες εργασίες.
Εισαγωγή πολυπλοκότητας στα υπάρχοντα συστήματα.
Μείωση ανθρώπινων σφαλμάτων και βελτίωση ακρίβειας.

14.Ποια είναι μια πρόκληση της RPA;

Αντίσταση στην οργανωσιακή αλλαγή και ανάγκη reskilling.
Αύξηση των ανθρώπινων σφαλμάτων λόγω αυτοματοποίησης.
Μείωση της παραγωγικότητας σε επαναλαμβανόμενες εργασίες.
Απλοποίηση της συντήρησης bots χωρίς ενημερώσεις.

15. Σε ποιο κλάδο μπορεί να εφαρμοστεί το RPA για επεξεργασία τιμολογίων;

Στη φυσική κατασκευή ρομπότ.
Στη λογιστική και οικονομική διαχείριση.
Στην ανάπτυξη βιντεοπαιχνιδιών.
Στη γεωργική παραγωγή.

16. Τι περιλαμβάνει η hyperautomation ως εξέλιξη του RPA;

Συνδυασμό RPA με AI, IoT και BPM.
Περιορισμό σε μόνο GUI αλληλεπίδραση.
Αποκλειστική χρήση σε legacy συστήματα.
Μείωση της κλιμακωσιμότητας.

17. Ποιο είναι ένα παράδειγμα εφαρμογής RPA στο HR;

Φυσική παρακολούθηση αποθεμάτων.
Χειροκίνητη επεξεργασία αιτήσεων δανείων.
Αυτοματοποιημένο onboarding νέων υπαλλήλων.
Ανάπτυξη φυσικών ρομπότ.

18. Γιατί το RPA είναι μη παρεμβατικό;

Απαιτεί ριζική αναδιάρθρωση υποδομών.
Λειτουργεί στο επίπεδο GUI χωρίς αλλαγές στα συστήματα.
Εστιάζει μόνο σε φυσικά ρομπότ.
Περιορίζεται σε μη δομημένα δεδομένα.

19. Ποιο είναι ένα όφελος στην εφοδιαστική αλυσίδα από RPA;

Εισαγωγή περισσότερων σφαλμάτων.
Αύξηση καθυστερήσεων παραγωγής.
Μείωση της διαλειτουργικότητας.
Παρακολούθηση αποθεμάτων σε πραγματικό χρόνο.

20. Τι είναι τα software bots στο RPA;

Αυτόνομα προγράμματα που μιμούνται ανθρώπινες ενέργειες.
Φυσικά μηχανήματα για βιομηχανικές εργασίες.
Εργαλεία για γραφικά σχέδια.
Πλατφόρμες για κοινωνικά δίκτυα.

21. Τι ορίζεται ως Γενική Τεχνητή Νοημοσύνη (ΓΤΝ);

A. Ένα εξειδικευμένο σύστημα για περιορισμένες εργασίες όπως η αναγνώριση εικόνων.
B. Ένα σύστημα ικανό να εκτελεί οποιαδήποτε γνωστική εργασία ανθρώπινου επιπέδου.
Γ. Ένα φυσικό ρομπότ για βιομηχανικές εφαρμογές.
Δ. Ένα εργαλείο για τη διαχείριση μόνο μαθηματικών δεδομένων.

22. Ποιο είναι ένα χαρακτηριστικό της ΓΤΝ;

A. Η ικανότητα αυτοβελτίωσης μέσω επαναληπτικής μάθησης.
B. Η περιορισμένη προσαρμογή σε προκαθορισμένες εργασίες.
Γ. Η εξάρτηση από χειροκίνητη επανεκπαίδευση.
Δ. Η απουσία γενίκευσης γνώσεων.

23. Ποιο επίπεδο εξέλιξης της ΤΝ περιλαμβάνει αυτόνομους πράκτορες;

A. Επίπεδο 2, με έμφαση μόνο σε λογική επίλυση προβλημάτων.
B. Επίπεδο 1, περιορισμένο σε βασικές συνομιλίες.
Γ. Επίπεδο 5, που λειτουργεί ως πλήρης οργάνωση.
Δ. Επίπεδο 3, με ικανότητα αλληλεπίδρασης με το περιβάλλον.

24. Ποια ιστορική εξέλιξη σηματοδότησε τη μετάβαση στη γνωστική συνεργασία ανθρώπου-μηχανής;

A. Η εμφάνιση των υπολογιστών τον 20ό αιώνα.
B. Η κατασκευή πέτρινων εργαλείων πριν από 2,6 εκατ. χρόνια.
Γ. Η εφεύρεση του τροχού το 3500 π.Χ.
Δ. Η ανάπτυξη του RPA τον 21ο αιώνα.

25. Ποιο είναι ένα όφελος της ΤΝ στην ελληνική δημόσια διοίκηση;

A. Η μείωση του χρόνου επεξεργασίας αιτήσεων στο Gov.gr κατά 50%.
B. Η αύξηση του διοικητικού κόστους.
Γ. Η μείωση της προσβασιμότητας σε υπηρεσίες.
Δ. Η επιβράδυνση της ψηφιοποίησης.

26. Ποιο είναι το βασικό ρυθμιστικό πλαίσιο της ΤΝ στην ΕΕ;

A. Μια πλήρης απαγόρευση της ΤΝ σε δημόσιες υπηρεσίες.
B. Ένα πλαίσιο χωρίς κατηγοριοποίηση κινδύνων.
Γ. Ο AI Act, που επιβάλλει διαφάνεια και ανθρώπινη εποπτεία.
Δ. Ένα σύστημα μόνο για ιδιωτικές εφαρμογές.

27. Ποιο είναι ένα παράδειγμα εφαρμογής ΤΝ στην ελληνική επιχειρηματικότητα;

A. Η αυτοματοποίηση επεξεργασίας τιμολογίων με UiPath σε λογιστική εταιρεία.
B. Η χειροκίνητη διαχείριση αποθεμάτων σε logistics.
Γ. Ο AI Act, που επιβάλλει διαφάνεια και ανθρώπινη εποπτεία.
Δ. Ένα σύστημα μόνο για ιδιωτικές εφαρμογές.

28. Ποια είναι μια πρόκληση της υιοθέτησης ΤΝ στην Ελλάδα;

A. Η υπερβολική υποδομή cloud.
B. Η έλλειψη ψηφιακών δεξιοτήτων στις ΜΜΕ.
Γ. Η μείωση της ψηφιακής ανισότητας.
Δ. Η απουσία ευρωπαϊκής χρηματοδότησης.

29. Ποια είναι μια μελλοντική τάση της ΤΝ στην Ελλάδα;

A. Η κατάργηση του RPA.
B. Η επιστροφή σε χειροκίνητες διαδικασίες.
Γ. Η μείωση επενδύσεων σε startups.
Δ. Η επέκταση της multimodal AI για εξατομικευμένες υπηρεσίες.

30. Ποιο είναι ένα περιβαλλοντικό όφελος της ΤΝ στον τουρισμό στην Ελλάδα;

A. Η μείωση της συμφόρησης και του περιβαλλοντικού αποτυπώματος στη Σαντορίνη.
B. Η αύξηση του μαζικού τουρισμού χωρίς βιωσιμότητα.
Γ. Η περιορισμένη ψηφιοποίηση της πολιτιστικής κληρονομιάς.
Δ. Η αύξηση εκπομπών CO₂ από τουριστικές δραστηριότητες.

31. Ποιο είναι ένα χαρακτηριστικό των μεγάλων δεδομένων (Big Data);

A.     Η αποκλειστική χρήση δομημένων δεδομένων.
B.     Ο όγκος, η ταχύτητα και η ποικιλία δεδομένων.
C.    Η περιορισμένη παραγωγή δεδομένων από IoT.
D.    Η απουσία προβλεπτικής αναλυτικής.

32. Ποιο είναι το κύριο πλεονέκτημα των δικτύων νέας γενιάς (NGN);

A. Η υποστήριξη μεταφοράς δεδομένων υψηλής ταχύτητας με 5G.
B. Η αποκλειστική χρήση καλωδιακών συνδέσεων.
C. Η μείωση της χρήσης IoT συσκευών.
D. Η αύξηση της καθυστέρησης δικτύου.

33. Ποιο είναι ένα παράδειγμα εφαρμογής του IoT στην Ελλάδα το 2025;

A. Χειροκίνητη παρακολούθηση κυκλοφορίας.
B. Αυξημένη κατανάλωση ενέργειας σε κτίρια.
C. Έξυπνοι αισθητήρες σε Smart Cities που μειώνουν την κατανάλωση ενέργειας κατά 20%.
D. Περιορισμένη ψηφιοποίηση στις πόλεις.

34. Ποιο είναι ένα στάδιο της αναλυτικής μεγάλων δεδομένων;

A. Η αποκλειστική αποθήκευση σε φυσικούς δίσκους.
B. Η ερμηνεία δεδομένων για τη λήψη αποφάσεων.
C. Η μη χρήση μηχανικής μάθησης.
D. Η αποφυγή συλλογής δεδομένων.

35. Ποιο είναι το πρώτο στάδιο της προβλεπτικής αναλυτικής;

A. Η χειροκίνητη ανάλυση χωρίς αλγορίθμους.
B. Η παράλειψη της ερμηνείας δεδομένων.
C. Η αποθήκευση χωρίς επεξεργασία.
D. Η συλλογή και προετοιμασία δεδομένων από πολλαπλές πηγές.

36. Ποιο είναι ένα πλεονέκτημα της αποθήκευσης σε βάσεις SQL;

A. Η αποκλειστική χρήση για μη δομημένα δεδομένα.
B. Η περιορισμένη κλιμάκωση δεδομένων.
C. Η αποτελεσματική διαχείριση δομημένων δεδομένων, π.χ. με MySQL.
D. Η απουσία ασφάλειας δεδομένων.

37. Ποιο είναι ένα όφελος της αποθήκευσης στο cloud στην Ελλάδα;

A. Η ευελιξία και η πρόσβαση μέσω του GRNET Cloud.
B. Η αύξηση του κόστους αποθήκευσης.
C. Η περιορισμένη κοινή χρήση δεδομένων.
D. Η μείωση της ψηφιακής προσβασιμότητας.

38. Ποια είναι μια πρόκληση της ανάλυσης μεγάλων δεδομένων στην Ελλάδα;

A. Η υπερβολική διαθεσιμότητα δεξιοτήτων.
B. Η έλλειψη ψηφιακών δεξιοτήτων στις ΜΜΕ (μόνο 15% χρησιμοποιούν ΤΝ).
C. Η πλήρης συμμόρφωση με το GDPR.
D. Η απουσία περιβαλλοντικού αποτυπώματος.

39. Ποια είναι μια μελλοντική τάση στην ανάλυση μεγάλων δεδομένων;

A. Η επιστροφή σε χειροκίνητη ανάλυση.
B. Η μείωση της χρήσης IoT.
C. Η κατάργηση της προβλεπτικής αναλυτικής.
D. Η χρήση edge computing για επεξεργασία δεδομένων σε πραγματικό χρόνο.

40. Ποιο είναι ένα όφελος της ΤΝ στην ανάλυση μεγάλων δεδομένων στην υγεία;

A. Η αύξηση του χρόνου διάγνωσης.
B. Η μείωση της ακρίβειας προβλέψεων.
C. Η διάγνωση ασθενειών με 90% ακρίβεια μέσω προβλεπτικής αναλυτικής.
D. Η περιορισμένη χρήση δεδομένων ασθενών.

41. Τι είναι η Μηχανική Μάθηση (ML);

A. Η ικανότητα ενός συστήματος να μαθαίνει από δεδομένα χωρίς ρητό προγραμματισμό.
B. Η χειροκίνητη επεξεργασία δεδομένων χωρίς αλγορίθμους.
C. Η αποκλειστική χρήση φυσικών ρομπότ.
D. Η παραγωγή δεδομένων χωρίς ανάλυση.

42. Ποιο είναι ένα είδος Μηχανικής Μάθησης;

A. Απουσία προβλεπτικών μοντέλων.
B. Μη αυτοματοποιημένη ανάλυση δεδομένων.
C. Χειροκίνητη ομαδοποίηση χωρίς αλγορίθμους.
D. Επιβλεπόμενη μάθηση, όπως η ταξινόμηση για διάγνωση ασθενειών.

43. Ποιο είναι ένα χαρακτηριστικό της Παραγωγικής ΤΝ;

A. Η παραγωγή νέου περιεχομένου, όπως κείμενο ή εικόνες, με GANs και LLMs.
B. Η περιορισμένη χρήση σε δομημένα δεδομένα.
C. Η απουσία δημιουργικότητας.
D. Η αποκλειστική χρήση σε φυσικά ρομπότ.

44. Ποιο είναι ένα παράδειγμα εφαρμογής Παραγωγικής ΤΝ στην Ελλάδα το 2025;

A. Χειροκίνητη δημιουργία διαφημίσεων.
B. Εξατομικευμένες καμπάνιες marketing με 30% αύξηση πωλήσεων.
C. Μείωση της ψηφιοποίησης στις επιχειρήσεις.
D. Αύξηση του κόστους marketing.

45. Ποιο είναι ένα όφελος της επιβλεπόμενης μάθησης;

A. Η πρόβλεψη αποτελεσμάτων με βάση επισημασμένα δεδομένα, π.χ. διάγνωση καρκίνου.
B. Η απουσία δεδομένων εκπαίδευσης.
C. Η περιορισμένη χρήση σε προβλέψεις.
D. Η μη αυτοματοποιημένη ανάλυση.

46. Ποιο είναι ένα χαρακτηριστικό της μη επιβλεπόμενης μάθησης;

A. Η αποκλειστική χρήση σε φυσικά συστήματα.
B. Η υποχρεωτική χρήση επισημασμένων δεδομένων.
C. Η ομαδοποίηση δεδομένων χωρίς ετικέτες, π.χ. για τμηματοποίηση πελατών.
D. Η απουσία ανάλυσης δεδομένων.

47. Ποιο είναι ένα παράδειγμα ενισχυτικής μάθησης;

A. Η εκπαίδευση αυτόνομων οχημάτων μέσω δοκιμής και λάθους.
B. Η χειροκίνητη οδήγηση χωρίς ΤΝ.
C. Η περιορισμένη χρήση σε logistics.
D. Η απουσία αυτοματοποίησης.

48. Ποια είναι μια πρόκληση της Παραγωγικής ΤΝ στην Ελλάδα;

A. Οι αλγοριθμικές προκαταλήψεις, π.χ. σε μοντέλα παραγωγής κειμένου.
B. Η υπερβολική διαθεσιμότητα δεξιοτήτων ΤΝ.
C. Η πλήρης κατάργηση της ΤΝ στις ΜΜΕ.
D. Η απουσία ψηφιακής υποδομής.

49. Ποιο είναι ένα όφελος του Deep Learning στην υγεία;

A. Η μείωση της ακρίβειας προβλέψεων.
B. Η αύξηση του χρόνου διάγνωσης.
C. Η ανίχνευση καρκίνου με 95% ακρίβεια μέσω νευρωνικών δικτύων.
D. Η περιορισμένη χρήση δεδομένων.

50. Ποια είναι μια μελλοντική τάση της ΤΝ στην Ελλάδα;

A. Η κατάργηση της Παραγωγικής ΤΝ.
B. Η επιστροφή σε χειροκίνητες διαδικασίες.
C. Η μείωση της ψηφιοποίησης.
D. Η ανάπτυξη multimodal μοντέλων για συνδυασμό κειμένου, εικόνας και ήχου.

51. Τι είναι η συστημική μάθηση;

Α. Η απουσία αυτοβελτίωσης.
Β. Η χειροκίνητη επεξεργασία δεδομένων χωρίς αλγορίθμους.
Γ. Η αποκλειστική χρήση δομημένων δεδομένων.
Δ. Η ικανότητα ενός συστήματος να μαθαίνει μέσω αλληλεπίδρασης με το περιβάλλον του.

52. Ποιο είναι ένα χαρακτηριστικό της ενισχυτικής μάθησης (RL);

Α. Η εκπαίδευση μέσω επιβράβευσης και ποινής, π.χ. με Q-Learning.
Β. Η υποχρεωτική χρήση επισημασμένων δεδομένων.
Γ. Η αποκλειστική εφαρμογή σε φυσικά ρομπότ.
Δ. Η απουσία αλληλεπίδρασης με το περιβάλλον.

53. Ποιο είναι ένα παράδειγμα εφαρμογής ενισχυτικής μάθησης σε παιχνίδια;

Α. Η χειροκίνητη ανάπτυξη παιχνιδιών χωρίς ΤΝ.
Β. Η εκπαίδευση μέσω επιβράβευσης και ποινής, π.χ. με Q-Learning.
Γ. Η μείωση της αυτοματοποίησης σε παιχνίδια.
Δ. Η περιορισμένη χρήση αλγορίθμων.

54. Ποιο είναι ένα παράδειγμα ενισχυτικής μάθησης στην Ελλάδα το 2025;

Α. Η αύξηση του κόστους συντήρησης υποδομών.
Β. Η χειροκίνητη επιθεώρηση γεφυρών.
Γ. Η χρήση drones με RL για επιθεώρηση υποδομών.
Δ. Η περιορισμένη ψηφιοποίηση στη ρομποτική.

55. Ποιο είναι ένα όφελος της ενισχυτικής μάθησης στις επιχειρήσεις;

Α. Η βελτιστοποίηση εφοδιαστικής αλυσίδας με 20% μείωση κόστους.
Β. Η αύξηση του κόστους logistics.
Γ. Η μείωση της αυτοματοποίησης.
Δ. Η περιορισμένη χρήση δεδομένων.

56. Ποια είναι μια πρόκληση της συστημικής μάθησης;

Α. Η υψηλή υπολογιστική πολυπλοκότητα, π.χ. 10^6 επαναλήψεις για DQN.
Β. Η υπερβολική διαθεσιμότητα υπολογιστικών πόρων.
Γ. Η πλήρης απουσία δεδομένων.
Δ. Η κατάργηση της ΤΝ.

57. Ποια τεχνική βελτιστοποίησης χρησιμοποιείται στην ενισχυτική μάθηση;

Α. Η χειροκίνητη επεξεργασία δεδομένων.
Β. Η παράλληλη επεξεργασία για μείωση του χρόνου εκπαίδευσης.
Γ. Η απουσία υπολογιστικών βελτιώσεων.
Δ. Η περιορισμένη χρήση αλγορίθμων.

58. Ποιο είναι ένα περιβαλλοντικό όφελος της ενισχυτικής μάθησης στην Ελλάδα;

Α. Η περιορισμένη χρήση ΤΝ.
Β. Η αύξηση της κατανάλωσης ενέργειας.
Γ. Η μείωση της ψηφιοποίησης.
Δ. Η μείωση εκπομπών CO₂ κατά 15% σε έξυπνα δίκτυα ενέργειας.

59. Ποιο είναι ένα ηθικό ζήτημα της ενισχυτικής μάθησης;

Α. Οι αλγοριθμικές προκαταλήψεις σε αποφάσεις, π.χ. σε επιχειρησιακά μοντέλα.
Β. Η πλήρης διαφάνεια όλων των αλγορίθμων.
Γ. Η υπερβολική πρόσβαση σε δεξιότητες ΤΝ.
Δ. Η απουσία αυτοματοποίησης.

60. Ποια είναι μια μελλοντική τάση της ενισχυτικής μάθησης;

Α. Η μείωση της χρήσης ΤΝ στη ρομποτική.
Β. Η επιστροφή σε χειροκίνητες διαδικασίες.
Γ. Η ανάπτυξη multi-agent RL για συνεργατικές εφαρμογές.
Δ. Η κατάργηση της ενισχυτικής μάθησης.

61. Τι είναι τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ);

1. Συστήματα που μιμούνται τη δομή του ανθρώπινου εγκεφάλου για επεξεργασία δεδομένων.
2. Χειροκίνητα συστήματα χωρίς αυτοματοποίηση.
3. Φυσικά ρομπότ για βιομηχανικές εφαρμογές.
4. Απλά προγράμματα χωρίς μάθηση

62. Ποιο είναι ένα χαρακτηριστικό των Συνελικτικών Νευρωνικών Δικτύων (CNNs);

1. Η επεξεργασία εικόνων για ταξινόμηση, π.χ. ανίχνευση καρκίνου.
2. Η αποκλειστική χρήση σε χρονοσειρές.
3. Η απουσία αυτοματοποιημένης ανάλυσης.
4. Η περιορισμένη εφαρμογή σε επιβλεπόμενη μάθηση.

63. Ποια είναι μια εφαρμογή των Επαναλαμβανόμενων Νευρωνικών Δικτύων (RNNs) στην Ελλάδα;

1. Η πρόβλεψη τουριστικών ροών με ανάλυση χρονοσειρών
2. Η χειροκίνητη ανάλυση τουριστικών δεδομένων.
3. Η αύξηση του κόστους πρόβλεψης.
4. Η περιορισμένη χρήση σε ΤΝΔ.

64. Γιατί η Python είναι ιδανική για ΤΝΔ;

1. Λόγω των βιβλιοθηκών όπως TensorFlow και PyTorch και της απλότητας κώδικα.
2. Λόγω της αποκλειστικής χρήσης σε φυσικά ρομπότ.
3. Λόγω της απουσίας κοινότητας υποστήριξης.
4. Λόγω της πολυπλοκότητας της γλώσσας.

65. Ποιο είναι το πρώτο στάδιο λειτουργίας ενός απλού νευρωνικού δικτύου σε Python;

1. Η αρχικοποίηση βαρών και η προετοιμασία δεδομένων.
2. Η χειροκίνητη επεξεργασία δεδομένων.
3. Η απουσία εκπαίδευσης.
4. Η περιορισμένη χρήση αλγορίθμων.

66. Ποιο είναι ένα όφελος των ΤΝΔ στην υγεία στην Ελλάδα το 2025;

1. Η ανίχνευση καρκίνου με 95% ακρίβεια μέσω CNNs.
2. Η αύξηση του χρόνου διάγνωσης.
3. Η μείωση της ακρίβειας προβλέψεων.
4. Η περιορισμένη χρήση δεδομένων.

67. Ποια είναι μια πρόκληση της Βαθιάς Μάθησης στην Ελλάδα;

1. Το υψηλό υπολογιστικό κόστος, π.χ. 1 TWh ετησίως για data centers.
2. Η υπερβολική διαθεσιμότητα υπολογιστικών πόρων.
3. Η πλήρης κατάργηση της ΤΝ.
4. Η απουσία ψηφιακής υποδομής.

68. Ποιο είναι ένα περιβαλλοντικό όφελος των ΤΝΔ στην Ελλάδα;

1. Η μείωση εκπομπών CO₂ κατά 15% σε έξυπνα δίκτυα ενέργειας.
2. Η αύξηση της κατανάλωσης ενέργειας.
3. Η μείωση της ψηφιοποίησης.
4. Η περιορισμένη χρήση ΤΝ.

69. Ποια είναι μια εφαρμογή της Βαθιάς Μάθησης στον τουρισμό;

1. Η εξατομικευμένη πρόβλεψη τουριστικών προτιμήσεων με RNNs.
2. Η χειροκίνητη ανάλυση τουριστικών δεδομένων.
3. Η αύξηση του κόστους τουριστικών υπηρεσιών.
4. Η περιορισμένη ψηφιοποίηση.

70. Ποια είναι μια μελλοντική τάση της Βαθιάς Μάθησης;

1. Η ανάπτυξη multimodal μοντέλων για συνδυασμό κειμένου, εικόνας και ήχου.
2. Η επιστροφή σε χειροκίνητες διαδικασίες.
3. Η μείωση της χρήσης ΤΝΔ.
4. Η κατάργηση της Python.

71. Τι είναι οι προσωπικοί βοηθοί ΤΝ;

Συστήματα που χρησιμοποιούν NLP για να παρέχουν φωνητική ή κειμενική υποστήριξη.
Φυσικά ρομπότ χωρίς διαλογικές δυνατότητες.
Χειροκίνητα συστήματα εξυπηρέτησης.
Απλά προγράμματα χωρίς μάθηση.

72. Ποια τεχνολογία υποστηρίζει τη λειτουργία των προσωπικών βοηθών;

Η Επεξεργασία Φυσικής Γλώσσας (NLP) με τεχνικές όπως transformers.
Η αποκλειστική χρήση φυσικών αισθητήρων.
Η χειροκίνητη ανάλυση κειμένου.
Η περιορισμένη χρήση αλγορίθμων.

73. Ποια είναι μια χρήση της διαλογικής ΤΝ στην Ελλάδα το 2025;

Η εξατομικευμένη μάθηση για 50.000 μαθητές μέσω πλατφορμών NLP.
Η χειροκίνητη διδασκαλία χωρίς ΤΝ.
Η αύξηση του χρόνου εκπαίδευσης.
Η περιορισμένη ψηφιοποίηση στην εκπαίδευση.

74. Ποιο είναι ένα όφελος των chatbots στην εξυπηρέτηση πελατών;

Η μείωση του χρόνου απόκρισης κατά 50% σε ελληνικές επιχειρήσεις.
Η αύξηση του κόστους εξυπηρέτησης.
Η μείωση της ικανοποίησης πελατών.
Η περιορισμένη χρήση NLP.

75. Ποια είναι μια τεχνική της Επεξεργασίας Φυσικής Γλώσσας (NLP);

Η χρήση tokenization για ανάλυση κειμένου.
Η χειροκίνητη επεξεργασία συνομιλιών.
Η απουσία αυτοματοποιημένων διαλόγων.
Η περιορισμένη χρήση transformers.

76. Ποιο είναι ένα παράδειγμα ανάλυσης συναισθήματος στην Ελλάδα;

Η βελτίωση καμπανιών marketing με 30% αύξηση ικανοποίησης πελατών.
Η χειροκίνητη ανάλυση πελατειακών σχολίων.
Η μείωση της ακρίβειας marketing.
Η περιορισμένη χρήση NLP.

77. Ποιο είναι ένα περιβαλλοντικό όφελος της διαλογικής ΤΝ;

Η μείωση κατανάλωσης ενέργειας κατά 15% σε ευφυή οικιακά περιβάλλοντα.
Η αύξηση της κατανάλωσης ενέργειας.
Η μείωση της ψηφιοποίησης.
Η περιορισμένη χρήση έξυπνων συσκευών.

78. Ποια είναι μια πρόκληση της διαλογικής ΤΝ στην Ελλάδα;

Η έλλειψη δεξιοτήτων, με μόνο 15% των ΜΜΕ να χρησιμοποιούν ΤΝ.
Η υπερβολική διαθεσιμότητα δεξιοτήτων.
Η πλήρης κατάργηση της ΤΝ.
Η απουσία ψηφιακής υποδομής.

79. Ποιο είναι ένα ηθικό ζήτημα της Επεξεργασίας Φυσικής Γλώσσας;

Η προστασία δεδομένων, με υποχρεωτική συμμόρφωση με GDPR.
Η πλήρης διαφάνεια όλων των chatbots.
Η υπερβολική πρόσβαση σε δεδομένα.
Η κατάργηση της NLP.

80. Ποια είναι μια μελλοντική τάση της διαλογικής ΤΝ;

Η ανάπτυξη multimodal ΤΝ για συνδυασμό κειμένου, εικόνας και ήχου.
Η επιστροφή σε χειροκίνητες διαδικασίες.
Η μείωση της χρήσης chatbots.
Η κατάργηση της NLP.

81. Τι είναι η Υπεύθυνη Τεχνητή Νοημοσύνη;

Η εφαρμογή της ΤΝ με διαφάνεια, δικαιοσύνη και ανθρώπινη εποπτεία.
Η χρήση ΤΝ χωρίς ηθικούς περιορισμούς.
Η αποκλειστική χρήση σε φυσικά ρομπότ.
Η κατάργηση της ΤΝ σε επιχειρήσεις.

82. Ποια είναι μια επίπτωση της κοινωνικής μηχανικής με ΤΝ;

Η χειραγώγηση δεδομένων που οδηγεί σε επιθέσεις phishing (60% το 2025).
Η πλήρης εξάλειψη κυβερνοεπιθέσεων.
Η μείωση της χρήσης ΤΝ σε επιχειρήσεις.
Η απουσία δεδομένων σε οργανισμούς.

83. Ποιο είναι ένα ηθικό ζήτημα της κοινωνικής μηχανικής στην Ελλάδα;

Η έλλειψη διαφάνειας σε αλγορίθμους που επηρεάζουν αποφάσεις.
Η υπερβολική διαφάνεια όλων των συστημάτων.
Η πλήρης κατάργηση της ΤΝ.
Η απουσία νομικών πλαισίων.

84. Ποιο κανονιστικό πλαίσιο ρυθμίζει την ασφάλεια δεδομένων στην ΕΕ;

Ο GDPR, που απαιτεί προστασία προσωπικών δεδομένων.
Ένα πλαίσιο χωρίς περιορισμούς δεδομένων.
Η κατάργηση της προστασίας δεδομένων.
Η αποκλειστική χρήση σε ιδιωτικές επιχειρήσεις.

85. Ποια είναι μια μελλοντική τάση στην κυβερνοασφάλεια το 2025;

Η ευφυΐα απειλών με ΤΝ για ανίχνευση σε πραγματικό χρόνο με 95% ακρίβεια.
Η επιστροφή σε χειροκίνητες μεθόδους ασφάλειας.
Η μείωση της χρήσης ΤΝ στην κυβερνοασφάλεια.
Η κατάργηση της κρυπτογραφίας.

86. Ποιο είναι ένα όφελος της Υπεύθυνης ΤΝ στην Ελλάδα;

Η ενίσχυση της διαφάνειας μέσω του AI Act της ΕΕ.
Η αύξηση των αλγοριθμικών προκαταλήψεων.
Η μείωση της ψηφιοποίησης.
Η περιορισμένη χρήση ΤΝ.

87. Ποια είναι μια πρόκληση πρόσβασης στην τεχνολογία στην Ελλάδα;

Το 37% του πληθυσμού χωρίς πρόσβαση σε ψηφιακές τεχνολογίες.
Η υπερβολική πρόσβαση σε τεχνολογίες.
Η πλήρης κατάργηση της ψηφιοποίησης.
Η απουσία εκπαιδευτικών προγραμμάτων.

88. Ποιο είναι ένα περιβαλλοντικό ζήτημα της ΤΝ;

Η κατανάλωση 1 TWh ετησίως από data centers.
Η πλήρης εξάλειψη περιβαλλοντικού αποτυπώματος.
Η μείωση της χρήσης υπολογιστικών πόρων.
Η απουσία data centers.

89. Ποιο είναι ένα παράδειγμα ελληνικής πρωτοβουλίας για Υπεύθυνη ΤΝ;

Το πρόγραμμα Pharos για εκπαίδευση σε δεξιότητες ΤΝ.
Η κατάργηση της εκπαίδευσης σε ΤΝ.
Η μείωση της ψηφιοποίησης.
Η περιορισμένη χρήση ΤΝ σε ΜΜΕ.

90. Ποια είναι μια μελλοντική τάση της Υπεύθυνης ΤΝ;

Η εξηγήσιμη ΤΝ για μεγαλύτερη διαφάνεια στις αποφάσεις.
Η επιστροφή σε μη αυτοματοποιημένες διαδικασίες.
Η μείωση της χρήσης ΤΝ σε επιχειρήσεις.
Η κατάργηση της κυβερνοασφάλειας.