Με έναν μοναδικό συνδυασμό ομιλητών διεθνούς φήμης πραγματοποιήθηκε το συνέδριο Data Conference 2019. Στόχος του συνεδρίου ήταν τόσο να επιμορφώσει τους Data Scientist σχετικά με τα νέα τεχνολογικά επιτεύγματα που μπορούν να αξιοποιήσουν, όσο και να τους εμφυσήσει τη νοοτροπία που θα τους χρησιμεύσει για να εναρμονιστούν ομαλά στο επιχειρηματικό περιβάλλον που εργάζονται.

Data science και data analysis
«Οι επιχειρήσεις που υιοθετούν από σήμερα το AI έχουν καλύτερα εφόδια ώστε να δημιουργήσουν μια μεταμόρφωση βιομηχανικής κλίμακας για τους εαυτούς τους και τους πελάτες τους» επισήμανε ο Tarry Singh, Founder & CEO της deepkapha.ai. Μέσω της πολυετής εμπειρίας του, παρουσίασε στο κοινό πρακτικές εφαρμογές της χρήσης του AI για την επίτευξη του πολυπόθητου ψηφιακού μετασχηματισμού. Επισήμανε επίσης την ανάγκη για καλύτερη κατανόηση των τεχνολογιών ώστε να διεξάγεται ομαλότερα η ενσωμάτωση τους στην εκάστοτε επιχείρηση όπως επίσης και την σπουδαιότητα της υγιούς επικοινωνίας και συνεργασίας μεταξύ των managers και των data scientists για την υλοποίηση των βέλτιστων αποτελεσμάτων. Οι 3 βασικοί πυλώνες της επιτυχίας του AI εντός της επιχείρησης είναι:

    Α) ο εντοπισμός του επιπέδου AI ωριμότητας της επιχείρησης,
    Β) η ύπαρξη ικανών διαχειριστών AI
    Γ) και τέλος η δημιουργία AI projects με ξεκάθαρα ROI.

Στη συνέχεια με την χρήση παραδειγμάτων αναλύθηκαν στρατηγικές επίτευξης αυτών των στόχων.

Στο αντικείμενο του Deep Learning επικεντρώθηκε ο Leonardo De Marchi Head of Data Scientist and Analytics στην Badoo ξεκινώντας αρχικά με μια αναφορά στην ταχύτατη εξέλιξη αυτών των τεχνολογιών. Στη συνέχεια μέσα από παραδείγματα στο χώρο του online dating έδειξε πως η τεχνητή νοημοσύνη μπορεί να προσφέρει λύσεις για μια ευρεία γκάμα ζητημάτων.

Μέσα από συγκεκριμένες ιστορίες ο Sergi Sergiev, Data Science Society Leader παρουσίασε τόσο τους κινδύνους της σύγχρονης εποχής όπως τα deepafake, όσο και τις ευκαιρίες, αναφέροντας τις εμπειρίες που προέκυψαν από διάφορα επιτυχημένα business cases.

Καθώς το ακροατήριο απαρτιζόταν από γνώστες του αντικειμένου, πραγματοποιήθηκαν και παρουσιάσεις που έδωσαν περισσότερη έμφαση στα τεχνικά χαρακτηριστικά νέων τεχνολογιών.

Στην ομιλία του Julien Simon, Amazon’s Global Artificial Intelligence & Machine Learning Evangelist, δόθηκε μια περιγραφική ανάλυση της τεχνικής του Reinforcement Learning. Η δημιουργία κατάλληλων βάσεων δεδομένων μέσω των τεχνικών Supervised και Unsupervised Learning, δεν καθίσταται δυνατή σε μεγαλύτερα και πιο περίπλοκα προβλήματα. Ιδιαίτερη δυσκολία παρουσιάζεται στις μεγάλες εφοδιαστικές αλυσίδες, στα συστήματα ενεργειακής διαχείρισης, στη ρομποτική, στα αυτόνομα οχήματα, όπως και στις κινήσεις του χρηματιστηρίου. Εκεί γίνεται εμφανής ο ρόλος του Reinforcement Learning μέσω του οποίου τα συστήματα εκπαιδεύονται χωρίς την ανάγκη ύπαρξης data sets. Τα συστήματα μαθαίνουν να αλληλεπιδρούν με το περιβάλλον τους και για κάθε δράση που λαμβάνουν δέχονται θετική ή αρνητική ανατροφοδότηση. Μέσω λοιπόν αυτής της διαδικασίας αναπτύσσεται η βέλτιστη στρατηγική επίτευξης του εκάστοτε στόχου.

Εμβαθύνοντας στο τεχνικό σκέλος ο Χριστόφορος Αναγνωστόπουλος, Hon Assoc. Professor Imperial College London, Head of Research στην Improbable (Enterprise) παρουσίασε στο κοινό σύγχρονες μεθόδους για την αυτοματοποίησης της διαδικασίας labeling. Εκσυγχρονίζοντας την έκφραση “data is the new oil” ο Χ. Αναγνωστόπουλος τόνισε πως “labeled data is the new new oil”. Καθώς αυτό το είδος δεδομένων αποτελεί πλέον αναπόσπαστο και απαραίτητο κομμάτι για τα προγράμματα αυτόματης μάθησης. Πραγματοποιήθηκε λοιπόν μια εις βάθος ανάλυση της χρήση των labeling functions για την αυτοματοποίηση του labeling των δεδομένων. Με αυτόν τον τρόπο επιτυγχάνεται η ραγδαία αύξηση της παραγωγικότητα με ταυτόχρονη μείωση του κόστους.

H διασύνδεση του data scientist και του data analyst
Ξεκίνησε με μια ιδιαίτερα διαδραστική συνέντευξη που πραγματοποίησε ο Γιάννης Μουρατίδης, Content Manager του συνεδρίου με τον Βαγγέλη Ανδρικόπουλο, Forbes 30 under 30, Analyst στην Outlier Ventures. Αρχικά ο Β. Ανδρικόπουλος μίλησε για την πορεία του και πως έφτασε εκεί που βρίσκεται σήμερα μέσα από μια σειρά επιμορφωτικών εμπειριών. Στη συνέχεια συζητήθηκαν τα στοιχεία που αναζητάει ένα VC σε μια startup καθώς και η κατάσταση που επικρατεί στην παγκόσμια σκηνή για κάποιον που θέλει να φύγει από την Ελλάδα. Χάρη στην δραστήρια συμμετοχή του κοινού, παρουσιάστηκαν θέματα όπως το brain drain μέσα από τη ματιά των νέων που συμμετείχαν στο ακροατήριο. Επίσης έντονοι ήταν οι προβληματισμοί σχετικά με την αξία των δεδομένων και την ισχύ των νέων τεχνολογιών όπως το blockchain και το machine learning.

Βεβαίως όλες αυτές οι νέες τεχνολογίες αποκτούν αξία μόνο αν εφαρμοστούν πρακτικά και με επιτυχία ώστε να αυξήσουν την επιχειρηματική αξία του οργανισμού όπως τόνισε και ο Στέφανος Τσολακίδης, Sales & Alliance Director της WITSIDE κάνοντας μια ζωντανή demo παρουσίαση των λύσεων που παρέχουν.

Για την αξία του Data Governance στην ψηφιακή εποχή μίλησε ο Γιώργος Βαγενάς, Senior Manager στην ΕΥ. Ενώ τους τρόπους με τους οποίους το AI μπορεί να βγει στην παραγωγή ανέλυσε ο Κωνσταντίνος Μπαχάς, Pre-Sales Manager, στην Ελλάδα και την Ανατολική Ευρώπη για την SAS. Επίσης η Σοφία Αργίτη, Data Science & AI Technical Sales Specialist, IBM Greece τονίζοντας ξανά την αξία της τεχνητής νοημοσύνη παρουσίασε τις IBM Watson λύσεις.

Για να κατανοήσουμε βέβαια καλύτερα τις επιθυμίες του καταναλωτή ιδιαίτερα χρήσιμο εργαλείο είναι και το Sentiment Analysis όπως επισήμανε ο Άγης Ανδρέου, Chief Data Scientist της Paloservices.

Στο πλαίσιο της διασύνδεσης του κόσμου του Data Science με την επιχειρηματική πραγματικότητα επικεντρώθηκε και η ομιλία του Sasa Radovanovic, Data Science & CLM Team Leader, B2B at Telenor. Τονίστηκαν τα πιο κομβικά σημεία για το επιτυχές γεφύρωμα αυτών των δύο κόσμων μέσω μιας σειράς παραδειγμάτων.

Κλείνοντας το συνέδριο ο Γεώργιος Πιερρής, Quantitative Researcher, Developer στην ING έδωσε πολύτιμες συμβουλές επιβίωσης για τους Data Scientist στον επιχειρηματικό κόσμο χρησιμοποιώντας παραδείγματα και ιστορίες από την ίδια του τη ζωή.


Sasa Radovanovic,
Data Science & CLM Team Leader,
B2B, Telenor

Συνδυάζοντας εμπειρία από τους τομείς του data science και του marketing, o Sasa Radovanovic προσπαθεί να δημιουργήσει γέφυρες ανάμεσα στον κόσμο της επιστήμης των δεδομένων και τον κόσμο της επιχειρηματικότητας, όπου οι αλγόριθμοι αποκτούν νόημα μόνο όταν αποφέρουν ορατά οφέλη στη λειτουργία και τα κέρδη.

    Βάση της εμπειρίας σας πόσο συχνά συναντώνται προβλήματα επικοινωνίας μεταξύ των data scientists και της επιχειρηματικής διοίκησης;

Θα έλεγα πως δεν υπάρχει ακριβώς πρόβλημα επικοινωνίας μεταξύ τους, αλλά πρόβλημα κατανόησης. Για να εντυπωσιάσουν τους διευθυντές των επιχειρήσεων οι Data Scientists μιλάνε για φανταστικούς αλγορίθμους με πολλά παρακλάδια στα δέντρα λήψης αποφάσεων, ή για μειωμένο αριθμό κόμβων στα νευρωνικά δίκτυα που επεξεργάζονται κείμενο ή εικόνες. Οι διευθυντές των επιχειρήσεων που βλέπουν τα πράγματα από την εμπορική οπτική έχουν πολλές έγνοιες (έσοδα, κέρδος, marketing, προϊόντα, τιμολόγηση και ανταγωνισμό) και είναι δύσκολο να καταλάβουν πως αυτά τα buzz word του data science μπορούν να βελτιώσουν την απόδοση.

    Πως μπορεί μια επιχείρηση να εκπαιδεύσει τους Data Scientist ώστε να ενστερνιστούν καλύτερα το επιχειρηματικό περιβάλλον;

Καταρχάς πρέπει να είναι ξεκάθαρο πως ο ρόλος των Data Scientists είναι να δημιουργήσουν και να αξιοποιήσουν εργαλεία και μοντέλα για να βοηθήσουν την επιχείρηση να βελτιώσει την τωρινή της απόδοση. Αλλιώς διακυβεύεται η βιωσιμότητα της μακροπρόθεσμης εξέλιξης του Data Science. Η επιτυχία τους εξαρτάται κυρίως από την ικανότητα τους να λύνουν επιτυχώς επιχειρηματικά προβλήματα. Το μυστικό κλειδί είναι πως οι Data Scientists, οι Marketers και οι άνθρωποι του Finance πρέπει να κάθονται στο ίδιο δωμάτιο, κάθε μέρα, δουλεύοντας στο ίδιο έργο.

    Ποια είναι τα μεγαλύτερα προβλήματα που αντιμετωπίζει ένας data scientist όταν συναντάει πρώτη φορά ένα νέο επιχειρηματικό περιβάλλον;

Οι Data Scientist μπορεί να βιώσουν ένα corporate-πολιτισμικό σοκ. Το corporate επιχειρηματικό περιβάλλον είναι διεπιστημονικό και συχνά λειτουργεί στην αγορά για αρκετά χρόνια. Οι ομάδες εργάζονται και λειτουργούν σε ένα πλαίσιο εδραιωμένων διαδικασιών, κανόνων, και πλήθους επιχειρησιακών καθηκόντων. Οι Data Scientists «ζουν» σε ένα κόσμο καινοτομιών. Ωστόσο, τα νέα και ανεξερεύνητα πράγματα μπορούν να παρουσιάσουν «ρίσκο» για τις εδραιωμένες επιχειρήσεις. Η αυτοματοποίηση, η ψηφιοποίηση, η ρομποτική, οι μηχανές είναι συνήθεις λέξεις στο λεξιλόγιο του Scientist, αλλά ακόμα χρειάζονται «μετάφραση» στην πλειοψηφία των επιχειρήσεων. Δεν θα ήθελα να παρεξηγηθώ εδώ, καθώς οι επιχειρήσεις δουλεύουν με υψηλή λειτουργική αποδοτικότητα, με lean οργάνωση σε αγορές υψηλής ανταγωνιστικότητας. Οι Data Scientists πρέπει να μάθουν πώς να αποτελούν προστιθέμενη αξία, και να αποβάλουν τη νοοτροπία «να τα αλλάξουμε όλα τώρα»

    Τι δεξιότητες πρέπει να αναζητά η επιχείρηση καθώς ψάχνει για τους νέους data scientist που θέλει να προσλάβει;

Καταρχάς οι επιχειρήσεις χρειάζεται να επιδείξουν αφοσίωση και επιμονή για να αρχίσει το ταξίδι του ψηφιακού μετασχηματισμού. Σε αυτό το ταξίδι, η συλλογή δεδομένων, η αποθήκευση, το καθάρισμα και η συγκομιδή τους θα είναι υψηλής σημασίας. Δεύτερον, η διοίκηση των επιχειρήσεων χρειάζεται να υποστηρίξει τον μετασχηματισμό στην οργάνωση των τμημάτων και των διαδικασιών λήψης αποφάσεων όπου η ανάλυση δεδομένων, οι προβλέψεις και οι αναφορές μπορούν να βοηθήσουν τη διοίκηση στη διαδικασία λήψης αποφάσεων. Τρίτον η επιχειρήσεις πρέπει να αναγνωρίσουν πως οι διαδικασίες του μετασχηματισμού απαιτούν νέες (data science) ικανότητες που πρέπει να αποτελούν μέρος του υπάρχοντος οργανισμού, όχι μια αντικατάσταση, ώστε να διατηρείται η επιχειρηματική συνέχεια. Έπειτα θα πρέπει να προσληφθούν διευθυντικά στελέχη που να κατανοούν καλά τις υπάρχουσες επιχειρηματικές διαδικασίες αλλά να είναι και ανοιχτοί στην καινοτομία. Τα διευθυντικά στελέχη θα πρέπει να παρέχουν πρόθυμα περιβάλλοντα που να καλλιεργούν την καινοτομία για τους Data Scientists και να τους κατευθύνουν προς τις καινοτομίες που είναι σημαντικές για τις επιχειρήσεις. Τέλος πρέπει να αρχίσουν να προσλαμβάνονται data scientists.

Leonardo De Marchi,
Head of Data Scientist
and Analytics, Badoo

Ο Leonardo De Marchi, αφού εργάστηκε ως data scientist στον τομέα στην αγορά του αθλητισμού, με πελάτες τους New York Knicks και τη Manchester United, αλλά και με μεγάλα κοινωνικά δίκτυα, όπως το Justgiving, καλείται τώρα να λύσει το παραπάνω πρόβλημα, ως Head of Data Scientist and Analytics στην εταιρεία Badoo. Επιπλέον, είναι lead instructor στην ideai.io, η οποία εξειδικεύεται σε Deep Learning και Machine Learning training.

    Ποιες είναι οι πρώτες περιοχές που το AI θα ξεπεράσει και θα αντικαταστήσεις τους εργαζόμενους;

Υπάρχουν κάποιες περιοχές που τα AI έχει ξεπεράσει ήδη τις ανθρώπινες επιδόσεις. Οι περισσότερες από τις βελτιώσεις δεν θα αντικαταστήσουν τους εργαζόμενους αλλά θα τους παρέχουν πιο αποδοτικά εργαλεία για να εκτελούν τη δουλειά τους. Αυτό φυσικά συνεπάγεται πως θα υπάρχουν λιγότεροι εργαζόμενοι ανά τομέα. Στη δουλειά μου για παράδειγμα θα χρειάζονται λιγότεροι άνθρωποι που θα προσπαθούν να βρουν τον καλύτερο τρόπο για να βελτιστοποιήσουν το προϊόν μας, καθώς κάποια από την βελτιστοποίηση θα γίνεται από το machine learning. Ένα άλλο παράδειγμα είναι η ραδιολογία, με τις νέες εξελίξεις στο computer vision υπολογίζεται πως θα εξοικονομείται το 80% του χρόνου που αφιερώνουν οι ραδιολόγοι. Από την άλλη πλευρά κάποιες δουλειές, όπως αυτές των οδηγών, φαίνεται πως θα αντικατασταθούν από το AI και τα αυτόνομα οχήματα.

    Πως βοηθάνε οι τεχνολογίες machine learning τα dating apps τη σήμερον ημέρα;

Υπάρχουν πολλοί τρόποι για να χρησιμοποιηθούν τεχνικές του Machine Learning για την βελτίωση της εμπειρίας των χρηστών μας. Ο βασικός είναι βεβαίως να βοηθήσουμε τους ανθρώπους να βρουν το κατάλληλο ταίρι μέσω του συστήματος συστάσεων. Επίσης έχουμε αυτοματοποιημένα συστήματα antispam, βελτιστοποίησης του ταξιδιού του καταναλωτή, εντοπισμού ανωμαλιών, και γενικά personalization.

    Ποιες είναι οι καλύτερες συμβουλές που θα δίνατε για την εφαρμογή λύσεων Deep Learning?

Η πρώτη συμβουλή είναι να βεβαιωθείτε πως λύνεται κάποιο επιχειρηματικό πρόβλημα. Στη συνέχεια προσπαθήστε να το διατηρήσετε απλό και να εφαρμόσετε τη λύση μέσω διαδοχικών βημάτων, μην είστε τελειομανής, επικυρώστε την ιδέα σας το συντομότερο δυνατό. Δώστε προσοχή στις λεπτομέρειες, να είσαστε σίγουροι πως ξέρετε τι κάνετε, ακόμα και ένα μικρό πρόβλημα μπορεί να αποσυντονίσει τελείως το μοντέλο σας.

    Πως πιστεύετε πως οι τεχνολογίες του machine learning και του deep learning θα αλλάξουν τον επιχειρηματικό κόσμο?

Προς το παρόν το βασικό πλεονέκτημα είναι πως πραγματοποιούν ένα είδος βελτιστοποίησης που δεν μπορούσε να πραγματοποιηθεί στο παρελθόν. Όλα θα επηρεαστούν, από τα μεγάλα έργα, όπως η βελτιστοποίηση των ηλεκτρικών υποδομών, μέχρι τα μικρά χαρακτηριστικά, όπως μικρές εφαρμογές με augmented reality. Το επόμενο κύμα πιθανώς να πρόκειται για AI που θα δημιουργεί πράγματα, όπως η ανακάλυψη χημικών στοιχείων και η λήψη περίπλοκων αποφάσεων.


Sergi Sergiev,
Data Science Society Leader

Με το motto ‘Explore Data Together’, η Data Science Society, της οποίας ηγείται ο Sergi Sergiev, έχει ήδη παρουσία σε 20 χώρες και και έχει οργανώσει Meetups και International Datathons. Η ψηφιακή κοινότητα αριθμεί ήδη 2000 συμμετοχές σε όλον τον κόσμο και έχει προσφέρει τις υπηρεσίες της σε δεκάδες εταιρείες, μεταξύ των οποίων οι SAP, VMWare, Microsoft, IBM και Telenor.

    Ποιες είναι οι μεγαλύτερες απειλές και οι μεγαλύτερες ευκαιρίες για τις επιχειρήσεις σε αυτή την εποχή του συνεχόμενου ψηφιακού μετασχηματισμού.

Τα δεδομένα και ο τρόπος με τον οποίο οι επιχειρήσεις αρχίζουν να δουλεύουν με τους πελάτες τους κάνει τα πάντα πιο πελατοκεντρικά. Μου θυμίζει πώς η εκπαίδευση και ο τρόπος που μαθαίνουμε αλλάζει. Για παράδειγμα, τώρα τα παιδιά είναι πιο οπτικά από ότι πριν. Χρησιμοποιούν άλλα μέσα για να μάθουν, συμπεριλαμβανομένων των βίντεο, των εικόνων και των παιχνιδιών. Με λίγες λέξεις, η βασική αλλαγή έγκειται στο πλήθος των δεδομένων που υπάρχει γύρω μας και στον τρόπο με τον οποίο μπορούν να χρησιμοποιηθούν. Οι επιχειρήσεις τώρα μπορούν να βελτιώσουν τις αποφάσεις τους στους τομείς λειτουργικούς, προμηθειών, πωλήσεων ή ακόμα και στο τρόπο που ενσωματώνουν νέα χαρακτηριστικά στα προϊόντα ή της υπηρεσίες τους.

    Ποια είναι η παρούσα κατάσταση της παγκόσμιας κουλτούρας ανοιχτού κώδικα;

Η κουλτούρα ανοιχτού κώδικα ή όπως την ονομάζουμε “crowd knowledge”, είναι πιο ισχυρή από ποτέ ειδικά στο χώρο του Data Science. Χάρη στο Github και την παγκόσμια ψηφιοποίηση γίνεται πολύ εύκολη η υιοθέτηση νέων εννοιών ή τεχνολογιών. Υπάρχουν διαφορετικές κοινότητες, όπως η Data Science Society που μοιράζονται τις ανακαλύψεις και τις νέες τάσεις σε διαφορετικά θέματα όπως το Deepmind, το Open.AI, το NVidiaLab και πολλά άλλα.

    Ποιες είναι οι νέες τάσεις στο Data Science και πως μπορούν να εφαρμοστούν στον επιχειρηματικό περιβάλλον;

Κάθε πλευρά της ζωής μας καλύπτεται από Data Science. Μίλησα μόνο για τις εικόνες, τα κείμενα και τη ρομποτική, αλλά υπάρχουν τόσες άλλες χρήσεις στις περιοχής της νευροεπιστήμης, του ήχου, των οικονομικών, του retail, του IoT και πολλών άλλων. Η περιοχή που μου αρέσει περισσότερο είναι η ανάπτυξη του IoT (αισθητήρες), πλέον κατέχουμε τόσο πλούσια και ποικίλα δεδομένα που δεν είχαμε πριν. Μπορούμε να κάνουμε θαύματα προβλέποντας τα failure patterns, τις συμπεριφορές των ανθρώπων, και τις συνήθειες. Ένα μεγάλο παράδειγμα αυτού είναι ένα από τα project μου που ονομάζεται Shopup.

    Βάση της εμπειρίας σας, με ποιο τρόπο πιστεύεται πως η εκπαίδευση πάνω στο Data Science μπορεί να βελτιωθεί;

Η περιέργεια επιλύει πρακτικά προβλήματα!
Πιστεύω πως υπάρχει πολύ γνώση γύρω μας και πως αν κάποιος θέλει να είναι καλός σε κάτι υπάρχουν αρκετά βίντεο από πανεπιστήμια όπως το Oxford, το MIT και άλλα, κορυφαία μαθήματα και πολύς ανοιχτός κώδικας. Εμείς στην Data Science Society πιστεύουμε πως η περιέργεια, η συγκέντρωση, οι μέντορες και το σωστό περιβάλλον είναι αυτά που οι νέοι data scientist χρειάζονται και γιαυτό δουλεύουμε προς αυτή την κατεύθυνση για να διατηρούμε ένα τέτοιο φιλικό περιβάλλον.

Tarry Singh,
Founder & CEO,
deepkapha.ai

Αυτήν την περίοδο ο Tarry Singh δαπανά τον περισσότερο του χρόνο στην εταιρεία deepkapha.ai, την οποία ίδρυσε, με στόχο να εκπαιδεύσει μηχανικούς και C-level εργαζόμενους σε μεγάλες διεθνείς εταιρείες, ώστε αν δημιουργήσουν μια ολιστική στρατηγική αξιοποίησης της τεχνητής νοημοσύνης. Έχει δώσει δεκάδες ομιλίες σε παγκόσμια συνέδρια για την τεχνητή νοημοσύνη. Συμμετέχει ως επιβλέπον σε Deep Learning PhD projects σε πανεπιστήμια στην Γερμανία, τις ΗΠΑ και την Κίνα.

    Πότε είναι μια επιχείρηση έτοιμη να εφαρμόσει AI λύσεις;

Μια επιχείρηση είναι έτοιμη να εφαρμόσει AI αν έχει καταφέρει να επιτύχει κάποιο επίπεδο ωριμότητας σε σχέση με τους ανταγωνιστές της στην εκάστοτε βιομηχανία.

Αυτό που εννοώ είναι το εξής: Δεν χρειάζεται να μιμηθείτε ή να αντιγράψετε την Google ή την Amazon, αν είσαστε μια επιχείρηση που πουλάει υδραυλικά εξαρτήματα. Αυτό που χρειάζεται είναι να κοιτάξετε την άμεση και ευρύτερη αγορά και να δείτε που βρίσκετε σε σχέση με τους άλλους.

Αν έχετε καταφέρει να ξεπεράσετε το βασικό επίπεδο AI ωριμότητας εν μέσω των ομοίων σας, είσαστε ήδη σε ένα καλό δρόμο. Η χάραξη της επιχειρηματικής στρατηγικής είναι ίσως το πιο βασικό στοιχείο ώστε να ασπαστείτε την κουλτούρα αλλαγής και data-driven νοοτροπίας εντός των βαθμίδων της επιχείρησης σας. Για παράδειγμα, συνάντησα έναν διευθύνον σύμβουλο που είχε αναλάβει την αρμοδιότητα της προώθησης του machine learning εντός της επιχείρησης του. Αντί να προωθήσει τη ροή πρωτοβουλιών εντός του οργανισμού, έδωσε μια διάλεξη για το πώς το machine learning μπορεί να ωφελήσει την παγκόσμια επιχείρηση. Αυτός ήταν ένας εξαιρετικός τρόπος να υποδείξει έμπρακτα πως η ηγεσία υιοθετεί μια αλλαγή κουλτούρας.

Το δεύτερο βήμα είναι να εξασφαλίσετε πως το προσωπικό σας είναι εκπαιδευμένο σε όλες τις ικανότητες που είναι σχετικές με το machine learning και το deep learning. Αυτή είναι η δεύτερη πιο σημαντική σκοπιά που πρέπει να ελέγξετε πριν να είσαστε έτοιμοι να εφαρμόσετε λύσεις AI εντός της επιχείρησης σας.

    Ποια είναι τα μεγαλύτερα ρίσκα που έχει η εφαρμογή των AI λύσεων;

Το να είσαστε απροετοίμαστοι και να ξεκινήσετε έργα AI που δεν είναι επικεντρωμένα στη οριζόντια αντιμετώπιση των αναγκών είναι ένα από τα μεγαλύτερα ρίσκα που πρέπει να ξεπεράσει μια επιχείρηση. Μια ευρύτερη και οριζόντια προσέγγιση θα βοηθήσει στον περιορισμό του ρίσκου της εφαρμογής μισό-προετοιμασμένων λύσεων AI εντός της επιχείρησης.

Έχω ζήσει πολλές επιχειρήσεις που ξεκινούν μεγάλα προγράμματα όπως για παράδειγμα όταν ο παγκόσμιος ηγέτης στα χημικά ανακοίνωσε επενδύσεις άνω των 300 εκατομμυρίων δολαρίων στο «AI και τις ψηφιακές λύσεις».

Μου ζητήθηκε να έχω μια συζήτηση με τον CEO τους και το άτομο που ήταν υπεύθυνο να τρέξει αυτό το πρόγραμμα. Όταν μπήκα στο γραφείο, ήταν ένα άδειο δωμάτιο και μετά από μερικές «καυτές ερωτήσεις» αμέσως πήρα την αίσθηση πως αυτή η επιχείρηση ήταν έντονα τμηματοποιημένη, χωρίς να έχει συναίσθηση των δικών τους κρυμμένων ταλέντων, ενώ συγχρόνως προσλάμβανε εξωτερικούς συνεργάτες καίγοντας έτσι μετρητά χωρίς κάποιες χειροπιαστές ή data-driven λύσεις.

Τέτοιες ιστορίες δεν είναι σπάνιες σε επιχειρήσεις που έχουν μια top-down οπτική χωρίς να έχουν συγχρόνως και μια διεξοδική κατανόηση των εσωτερικών αναγκών, της βασικής τους AI ωριμότητας και των AI ικανοτήτων τους.

Άπαξ και εδραιωθεί μια ομάδα, οι επιχειρήσεις χρειάζεται να έχουν συνεχώς αυτή την ομάδα ενήμερη με τις νέες τάσεις και έρευνες του AI. Για παράδειγμα, υπάρχουν πολλές πλευρές των λύσεων του AI που πρέπει να διασταυρωθούνε για να παταχτεί το πρόβλημα των biases στους αλγορίθμους τους.

Μετά υπάρχει επίσης το σχετικό πρόβλημα του πόσο εύκολα μπορεί να κατανοηθεί ή να μεταφραστεί κάτι. Αυτό απαιτεί μια in-house ομάδα που θα επιβεβαιώνει τους αλγορίθμους στην περίπτωση που ο ελεγκτής του GDPR ζητήσει μια λεπτομερή εξήγηση των αλγορίθμων.

    Ποιο είναι το σημαντικότερο σημείο κλειδί που μια επιχείρηση πρέπει να έχει υπόψη όταν θέλει να εφαρμόσει λύσεις AI;

Το πόσο οικονομικά συμφέρουσα θα αποβεί η AI λύση σας είναι ο πιο σημαντικός τρόπος μέτρησης που μπορείτε να έχετε υπόψη σας όταν επιλέγετε τα επικρατέστερα πιλοτικά projects. Ένα εντυπωσιακό project, που είναι δημοφιλές αλλά δεν δημιουργεί έσοδα ή δεν βελτιστοποιεί τα κόστη είναι μια χαμένη κίνηση.

Με έναν CFO που δούλεψα από κοντά, παλεύαμε να βρούμε τη σωστή ισορροπία ανάμεσα στη χρησιμότητα των project και το σωστό επίπεδο κινήτρων για ολόκληρη την ομάδα. Αποφασίσουμε να χωρίσουμε τις ομάδες βασιζόμενοι σε συγκεκριμένες ιδέες για κάθε κατηγορία και τους ζητήσαμε να μας φέρουν μια MVBC (minimum viable business case) που θα μπορούσε να οδηγήσει σε ένα πολλαπλασιαστικό αποτέλεσμα (δηλαδή: η λύση θα μπορούσε να επιλύει το πρόβλημα κατά ένα 5x ή να βελτιώνει τα περιθώρια κατά 5x ή να βελτιστοποιεί τα κόστη)

Αυτή η συγκεκριμένη πρόκληση δημιούργησε αυτή την υγιή αίσθηση ανταγωνισμού που οδήγησε τις ομάδες να συγκεντρωθούν τόσο στην παραγωγή όσο και στην οικονομική βιωσιμότητα. Αφού έχει ειπωθεί αυτό είναι εξίσου χρήσιμο να έχουμε το νου μας στραμμένο και στους πειραματισμούς και στην διευκόλυνση της εσωτερικής μελέτης, καθώς και τις ικανότητες έρευνας και ανάλυσης της ομάδας data science μας.

    Πως φαντάζεστε το επιχειρηματικό τοπίο σε βάθος 5 χρόνων;

Είναι δύσκολο να προβλέψετε το μέλλον αλλά σίγουρα πιστεύω πως οι περισσότερες επιχειρήσεις θα βρεθούν αντιμέτωπες με μια περίσσεια ροής δεδομένων εντός και εκτός των συστημάτων παραγωγής. Οι επιχειρήσεις θα συναντήσουν πολλές hardware και software λύσεις που θα εμπεριέχουν αρκετά μοντέλα machine learning και deep learning που θα αποκωδικοποιούν τα δεδομένα τους απλά εισάγοντας τα στο σύστημα. Την ίδια στιγμή θα βιώσουμε μια βελτίωση στα τωρινά συστήματα AI με πιο εκλεπτυσμένους και προσεγμένους αλγορίθμους.

Ο ρυθμός επιτάχυνσης της καινοτομίας επίσης θα αυξηθεί και προβλέπω μερικούς νικητές και επίσης ενοποιήσεις σε διάφορες βιομηχανίες όπως αυτήν της αυτοκίνησης. Σήμερα βλέπουμε την Renault και τη Nissan να προσπαθούν να ενωθούν και να δημιουργήσουν μια μεγαλύτερη επιχείρηση αυτοκίνησης, ο βασικός λόγος δεν είναι η Volkswagen, αλλά η αυξανόμενη πίεση από επιχειρήσεις όπως η Tesla που χρησιμοποιούν ιδιαίτερα εξελιγμένες τεχνολογίες AI για τα αυτοκινούμενα οχήματα τους. Η υιοθέτηση του AΙ δεν αποτελεί πλέον πολυτέλεια, αλλά έχει γίνει μια αναγκαιότητα.


Βαγγέλης Ανδρικόπουλος,
Forbes 30 under 30, Analyst,
Outlier Ventures

Στην ετήσια λίστα του Forbes 30 Under 30, ο Βαγγέλης Ανδρικόπουλος, Analyst στην εταιρεία Outlier Ventures, εξασφάλισε μια από τις 30 θέσεις. Η παρουσία ενός Έλληνα στη λίστα του Forbes τράβηξε τα φώτα της δημοσιότητας, τα οποία ανέδειξαν έναν ακόμα Έλληνα της διασποράς, στο ευρύ κοινό.

    Βάση της εμπειρίας σας ποια θεωρείτε πως είναι τα βασικά χαρακτηριστικά μιας επιτυχημένης Startup?

Οι πιο σημαντικοί παράγοντες που χρειάζεται μια startup για να πετύχει είναι το timing, η αγορά, η ομάδα και η ιδέα/λύση. Χρειάζεσαι μια αναπτυσσόμενη και μεγάλη αγορά με ένα μεγάλο πρόβλημα προς λύση. Ή ακόμα καλύτερα μια αγορά που δεν έχει δημιουργηθεί ακόμα, αλλά επρόκειτο να αναπτυχθεί στο κοντινό μέλλον. Για παράδειγμα πριν 20 χρόνια η αγορά των ιντερνετικών καταναλωτών ήταν αμυδρή, ούτε οι millenials ήταν διατεθειμένοι να ανοίξουν τα σπίτια τους σε αγνώστους πριν την παγκόσμια οικονομική κρίση του 2008(Airbnb). Μετά χρειάζεται μια ευέλικτη ομάδα της οποίας τα μέλη έχουν συμπληρωματικές δεξιότητες και επιμονή ώστε να κάνουν πολλές και γρήγορες αλλαγές για να φτάσουν στο σημείο που ακόμα και λίγοι χρήστες λατρεύουν το προϊόν τους (Product market fit). Όλα αυτά βέβαια δεν θα δουλέψουν αν το timing είναι λάθος. Έχετε ακούσει για την General Magic? Φαντάζομαι πως όχι. Έφτιαξαν τα πρώτα smartphones to 1990 και επειδή το timing δεν ήταν σωστό καθώς οι συμπληρωματικές τεχνολογίες και η αγορά δεν είχαν ωριμάσει, δεν πήγε πουθενά. Μετά από μερικά χρόνια έρχεται η Apple με τα iphones.

    Ποιο πιστεύετε πως είναι το μέλλον των τεχνολογιών blockchain?

To 2019 η αγορά είναι πιο «ήσυχη» και έχουν μείνει λιγότερες και καλές ομάδες που δίνουν βάση στην τεχνολογία και στα προβλήματα που λύνουν. Οι Distributed Ledgers έκλεισαν 10ετία και δεν βλέπουμε την ίδια πρόοδο που παρατηρούμε σε «παραδοσιακές» startups και τεχνολογίες καθώς τα blockchains είναι πιο πολύπλοκα. Εκτός από τα τεχνικά υπάρχουν και ζητήματα διακυβέρνησης των οργανισμών αυτών. Για παράδειγμα τί δικαιώματα θα έχουν οι χρήστες που κρατούν και χρησιμοποιούν το token ενός δικτύου; Ποιά είναι τα κίνητρα που έχουν οι χρήστες; Μπορούμε πλέον, χρησιμοποιώντας κρυπτογραφία και θεωρία παιγνίων να προγραμματίσουμε τα οικονομικά θεμέλια καθώς και τους όρους διακυβέρνησης αυτών των δικτύων. Όλα αυτά κάνουν τον χρόνο πειραματισμού μεγαλύτερο μέχρι να φτάσουμε σε επαρκή επίπεδα απόδοσης. Είμαι θετικός καθώς το 2019 είδαμε πολλές χρήσεις των blockchains στον πραγματικό κόσμο, μια τάση που θα συνεχιστεί.

    Ποια είναι η άποψη σας για την αξία των δεδομένων των χρηστών? Πιστεύετε πως θα καταφέρουν να υπερισχύσουν πλατφόρμες κοινωνικής δικτύωσης που ανταμείβουν οικονομικά τους χρήστες για τα προσωπικά δεδομένα που μοιράζονται?

Τα δεδομένα είναι πλέον το πιο σημαντικό αγαθό. Όποιος έχει περισσότερα δεδομένα έχει περισσότερη γνώση και επομένως περισσότερη δύναμη. Καθώς τα λογισμικά τρέχουν όλο και σε μεγαλύτερο βαθμό τον κόσμο μας, περισσότερα δεδομένα μαζεύονται, αποθηκεύονται και αναλύονται για να παρθούν αποφάσεις για τις ζωές μας από αλγορίθμους. Τα δεδομένα έχουν μαζευτεί στα χέρια λίγων μεγάλων επιχειρήσεων και οργανισμών, πράγμα που προκαλεί τεχνικά, οικονομικά και κοινωνικά προβλήματα όπως χακαρίσματα, θέματα ιδιωτικότητας και αθέμιτο ανταγωνισμό που εμποδίζει την καινοτομία. Ο κεντροποιημένος αυτός τρόπος συσσώρευσης, αποθήκευσης, ανάλυσης και κατανάλωσης δεδομένων δεν μπορεί να λύσει αυτά τα προβλήματα. Τα Blockchcains είναι τα θεμέλια δεδομένων για την βέλτιστη σύγκλιση του internet of things και της τεχνητής νοημοσύνης που μας φέρνουν το web3.0. Ο λόγος που θα υπερισχύσουν είναι επειδή οι ανερχόμενες startups έχουν καλύτερες λύσεις αλλά λίγα δεδομένα και ο μόνος τρόπος για να ανταγωνιστούν τις μεγάλες εταιρείες είναι να μοιραστούν τα δεδομένα με άλλες ανερχόμενες εταιρείες εντός και εκτός του τομέα τους. Έτσι θα καταφέρουν να πάρουν κι αυτές δεδομένα για να «εκπαιδεύσουν» τους αλγόριθμούς τους και να ανταγωνιστούν πιο αποτελεσματικά.

    Τι θα συμβουλεύετε κάποιον που επιθυμεί να ξεκινήσει τη δική του startup και τι θα συμβουλεύατε κάποιον που θέλει να ξεκινήσει να ασχολείται ενεργά με το investing?

Ευτυχώς οι ψηφιακές τεχνολογίες και το ιντερνέτ μείωσαν τα κόστη για να δημιουργήσει κάνεις μια σταρταπ δραματικά, ειδικά αν μιλάμε για λογισμικό. Την ίδια στιγμή, είναι πολύ δύσκολο να φτιάξει κανείς μια startup, επομένως είναι σημαντικό να σε ενδιαφέρει το πρόβλημα, η αγορά και οι πιθανοί πελάτες σου. Έτσι θα έχεις περισσότερη ευελιξία στο να δοκιμάσεις διαφορετικές λύσεις και να επιμείνεις όσο χρειάζεται για να πετύχεις τον σκοπό σου. Μετά πρέπει να έχεις ασύμμετρα πλεονεκτήματα και να αναρωτηθείς «τί χρειάζεται να κάνουμε για να είμαστε οι πιο κατάλληλοι να λύσουμε αυτό το πρόβλημα;» Μην συγκεντρωθείς στο να σηκώσεις χρήματα αμέσως. Πρώτα πρέπει να πείσεις και να τραβήξεις τα κατάλληλα μέλη στην ομάδα σου. Μετά να φτιάξετε ένα απλό πρωτότυπο και να το τεστάρετε με αληθινούς πιθανούς χρήστες και όχι τους φίλους σας, για να πάρετε άμεσα feedback. Οι πελάτες σας θα σας δείξουν αμέσως αν έχετε κάτι που χρειάζονται ή όχι. Σκοπός είναι να καταφέρετε να φτιάξετε μια έκδοση του προϊόντος σας έτσι ώστε έστω και λίγοι χρήστες να χρησιμοποιούν και να τους αρέσει. Σε αυτό το στάδιο έχετε αποδείξει ότι έχετε μια καλή ομάδα που μπορεί να συνεργαστεί και να φτιάξει ένα προϊόν που έστω και λίγοι χρήστες θέλουν, πράγματα που θέλουν να δουν οι επενδυτές.Όσον αφορά στο investing το αφήνω στον Warren Buffett και τα βιβλία που προτείνει να διαβάσουμε όπως το The Intelligent Investor του Benjamin Graham.


Γεώργιος Πιερρής,
Quantitative
Researcher/Developer, ING

Ο Γεώργιος με την ολοκλήρωση του διδακτορικού του στην Ουαλία το 2014, ανέλαβε την ανάπτυξη της ολοκληρωμένης πλατφόρμας για εφαρμογές Internet of Things, SYNAISTHISI στο Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του ΕΚΕΦΕ “Δημόκριτος”. Από το 2016 βρίσκεται στην Ολλανδία όπου βοήθησε μερικές από τις μεγαλύτερες εταιρείες στο κόσμο στην ανάλυση των δεδομένων τους. Τον τελευταίο χρόνο εργάζεται στην ομάδα eTrading της ING και μοιράζεται το χρόνο του μεταξύ Άμστερνταμ και Λονδίνου, καθώς είναι υπεύθυνος για την έρευνα ανάπτυξης στρατηγικών hedging στις παγκόσμιες αγορές συναλλάγματος.

    Βάση της εμπειρία σας, πόσο δύσκολο είναι για τον μέσο Data Scientist να εξοικειωθεί με το επιχειρηματικό περιβάλλον;

Η συνειδητή επιλογή του σημερινού επιστήμονα να μετασχηματιστεί σε Data Scientist προϋποθέτει ότι θα είναι έτοιμος/η να έρθει αντιμέτωπος με πάγιες τακτικές, απαρχαιωμένες διαδικασίες και καθημερινές γραφικές επικλήσεις σε δεκαετίες εμπειριών που δεν αλλάζουν με κανένα αλγόριθμο. Η αλήθεια βρίσκεται κάπου στη μέση και ο ευέλικτος και θετικός Data Scientist πρέπει να σκέφτεται σαν εσωτερικός consultant, να επιδιώκει ρεαλιστικά project, να τοποθετείται με ειλικρίνεια ώστε να κερδίσει την εμπιστοσύνη του υπόλοιπου οργανισμού και να επιδιώκει να υπηρετήσει το business και όχι να το κατακτήσει για να δικαιολογήσει το κόστος του. Όσο βρίσκει νόημα στη καθημερινότητά του, ο βαθμός ενσωμάτωσης του θα είναι υψηλός. Συνεπώς, ανοιχτές συζητήσεις με την ηγεσία για επιβεβαίωση ότι το Data-driven Decision Making παραμένει στο επίκεντρο της κουλτούρας της επιχείρησης είναι ο καταλύτης της επιτυχημένης συνεργασίας. Σε κάθε περίπτωση δε πρέπει να ξεχνάμε ότι το Data Science πρόβλημα είναι αυτό που μας γεμίζει ως Data Scientists, αλλά προς τα έξω πρέπει να παρουσιάσουμε μία συνοπτική ιστορία με συνοχή προς ακροατές με ετερογενή ενδιαφέροντα που προβάλει οποιονδήποτε συνδυασμό βελτίωσης κέρδους, μείωσης κόστους, ή καλύτερης κατανόησης των διαδικασιών, των προϊόντων ή των πελατών της επιχείρησης.

    Ποιες είναι οι βασικότερες συμβουλές που θα δίνατε σε μια επιχείρηση ώστε να ομαλοποιηθεί η ενσωμάτωση των Data Scientist της;

Η επιτυχής ενσωμάτωση των Data Scientists σε μία επιχείρηση προϋποθέτει αρχικά η ηγεσία της επιχείρησης να έχει προχωρήσει σε ένα ειλικρινές Analytics Maturity Assessment ώστε να υπάρχει κοινός παρονομαστής για την σημερινή ωριμότητα της επιχείρησης στη συλλογή δεδομένων, διαχείρισής τους, κατανόησης των προβλημάτων και περιορισμών καθώς επίσης και των στόχων που ζητείται να επιτευχθούν. Ως αποτέλεσμα, πρέπει να δημιουργηθεί και να επικοινωνήθει προς κάθε κατεύθυνση ένα απλό και κατανοητό Analytics Strategy. Το παραπάνω βήμα δίνει κατεύθυνση και δημιουργεί συνοχή και όραμα για τους Data Scientists ώστε να έχουν την «εντολή» για άμεση συνεργασία και σεβασμό από τους υπόλοιπους συνεργάτες στην επιχείρηση. Ανάλογα με τη κουλτούρα της επιχείρησης οι Data Scientists θα πρέπει να έχουν την ελευθερία για 10%-20% του χρόνου τους και budget για Study Days, Experience Days, Hackathons, και Greenfield projects, και συμμετοχή σε συνέδρια. Απαιτούνται κατ’ ελάχιστο δύο θέσεις (Senior και Junior) που θα συνοδεύονται με 3-6 μήνες interns / rotations / graduates ώστε να υπάρχει pool από υποψηφίους και exploration έξω από τις καθημερινές ανάγκες. Επιπλέον δίνεται η δυνατότητα στους Data Scientists να εξελιχθούν σε επίπεδο management ανθρώπων καθώς για την Ελληνική αγορά τα μεγέθη για ολοκληρωμένο career path ως Data Scientist δεν υπάρχουν.

    Με ποιο τρόπο πιστεύετε πως οι επιχειρήσεις πρέπει να αναζητήσουν και να αξιολογήσουν τους νέους Data Scientist τους;

Η διαλογή και αξιολόγηση αποτελεί ένα από τα μεγαλύτερα προβλήματα σε παγκόσμιο επίπεδο. Οι τεχνικές δεξιότητες θεωρούνται προαπαιτούμενο σε κάθε περίπτωση και με μικρά tests, προετοιμασία από use cases, ίσως sample projects από Kaggle competitions μπορείς άμεσα να σχηματίσεις άποψη.

Το δύσκολο είναι να κρίνουμε τη διάθεση και προσέγγιση που έχει ο υποψήφιος σε επαγγελματικό επίπεδο. Πρέπει να κατανοήσουμε μέσα από εκτενή συζήτηση πώς έχει αντιμετωπίσει διάφορα προβλήματα με απόκτηση δεδομένων, συνεργασίες με μη τεχνικούς συναδέλφους του, κατανόηση από θέματα ασφάλειας, εχεμύθειας δεδομένων, και τη δυνατότητα να εξηγεί σύνθετα θέματα με άνεση και συνοπτικά. Ο ολοκληρωμένος Data Scientist θα πρέπει να σεβαστεί τη κουλτούρα της εταιρίας και να αναγεννήσει το ενδιαφέρον των συναδέλφων με τη δική του/της οπτική ώστε να δημιουργεί θετικά disruptions στο τρόπο που λειτουργεί η επιχείρηση. Τα πραγματικά δυνατά ταλέντα στη πλειοψηφία των περιπτώσεων θα πρέπει να γίνουν head-hunted. Meetups και συγκεντρώσεις είναι μια καλή προσέγγιση για γνωριμία υποψηφίων αλλά θα πρέπει οι επιχειρήσεις να επενδύσουν σε employer branding και sponsoring ενεργειών/συνεδρίων ώστε να πείσουν ότι βλέπουν σοβαρά το Data Science. Η σοβαρότητα αντικατοπτρίζεται και στο budget της θέσης, ειδικά στην αγορά εργασίας του εξωτερικού όπου δίνεται πραγματικά αγώνας για τη διατήρηση και προσέλκυση ταλέντων.

    Πως φαντάζεστε τον ρόλο του Data Science να εξελίσσεται στα επόμενα 5 χρόνια;

Η αγορά βρίσκεται ακόμα σε αναβρασμό και θεωρώ πως θα υπάρξουν μεταβολές. Οι επιχειρήσεις που επένδυσαν επιθετικά ήδη σε αρκετές περιπτώσεις αντιμετωπίζουν hiring freeze και παλεύουν να δικαιολογήσουν τα κόστη των ομάδων που δημιουργήσαν. Οι επιφυλακτικές επιχειρήσεις που προχώρησαν σε 1-2 προσλήψεις και τους χρησιμοποιούσαν σαν Excel heroes ανά περίπτωση θα αναθεωρήσουν τις πρακτικές τους. Τα εργαλεία θα γίνουν ακόμα πιο αυτόνομα και εύκολα για χρήση και θα δημιουργηθεί μία ανωμαλία στην αγορά με ευκαιριακό και χαμηλότερης ποιότητας υποψηφίους που θα διεκδικήσουν το τίτλο του Data Scientist προκαλώντας θόρυβο στην αγορά. Συνεπώς, αναμένω τον καινούριο τίτλο να δημιουργηθεί για εμάς που δε θέλουμε να παραμείνουμε σε συσχέτιση με αυτό το κύμα. Οι καθημερινές προκλήσεις θα παραμείνουν ίδιες βέβαια. Προβλέπω ελάχιστες εξαιρέσεις ομάδων που θα καταφέρουν να αλλάξουν το business model των οργανισμών τους και να έρθουν πραγματικά στο επίκεντρο είτε μέσα από restructuring ή spin-offs των λύσεων που θα αναπτύξουν.