By Kyriakos Christodoulides, PhD, CFE, Data Science Consultant
“Δεν υπάρχει βασιλικός δρόμος για τη γεωμετρία” — αυτή ήταν η απάντηση του Ευκλείδη στον βασιλιά Πτολεμαίο, όταν τον ρώτησε αν υπήρχε κάποιος γρήγορος τρόπος να μάθει γεωμετρία. Αν και αυτή η αρχή ισχύει για κάθε μορφή γνώσης, αναγνωρίζοντας την καταιγιστική παραπληροφόρηση γύρω από την Τεχνητή Νοημοσύνη (AI) και τις ανησυχίες για τους κινδύνους της, αυτό το άρθρο προσφέρει μια γρήγορη και αποτελεσματική προσέγγιση στην κατανόηση αυτής της πολυδιάστατης και συχνά παρεξηγημένης έννοιας, χωρίς όμως να παραβλέπει τη σοφία του Ευκλείδη.
Το άρθρο στοχεύει να εφοδιάσει τους αναγνώστες με μια ξεκάθαρη και αντικειμενική βάση γύρω από την Τεχνητή Νοημοσύνη, επιχειρώντας να καλύψει ένα σημαντικό κενό που υπάρχει στις περισσότερες διαλέξεις και βιβλία για την AI: να δώσει μια απλή, καθημερινή και ρεαλιστική περιγραφή των μηχανισμών που κάνουν τις μηχανές να φαίνεται ότι ‘σκέφτονται σαν άνθρωποι’. Επιπλέον, εξηγούμε πώς η ΑΙ σχετίζεται και πώς διαφοροποιείται από συναφείς έννοιες, όπως η Μηχανική Μάθηση (Machine Learning), Business Intelligence και Advanced Data Analytics.
Η Δομή του Άρθρου
Το άρθρο λειτουργεί ως αντίβαρο στις ψευδο-συναισθηματικές προσεγγίσεις, τις υπεραπλουστεύσεις και τις υπερβολές γύρω από την ΑΙ. Αντιθέτως, διυλίζουμε την ΑΙ στις βασικές της αρχές παρουσιάζοντας με σαφήνεια τα αντικειμενικά ερωτήματα στα οποία αυτή απαντά.
Με γνώμονα το ρητό του Βολταίρου, ‘το τέλειο είναι ο εχθρός του καλού’, δεν θα προσποιηθούμε πως θα εξηγήσουμε την ΑΙ στην πληρότητα της. Aντιθέτως, ξεκινάμε με την παραδοχή ότι η πλήρης κατανόηση του όρου παραμένει, προς το παρόν, ανέφικτη, εστιάζοντας έτσι στις περιοχές της ΑΙ που είναι καλά κατανοητές και στις πρακτικές εφαρμογές τους.
Διευκρινίζοντας γιατί η ΑΙ είναι δυσνόητος και παρεξηγημένος όρος, εξηγώντας τις διαφορές μεταξύ Στενής και Γενικής Τεχνητής Νοημοσύνης, καθώς και μέσω μιας ιστορικής αναδρομής, ο αναγνώστης θα αποκτήσει ουσιαστική κατανόηση, κριτική σκέψη αλλά και και θα ενισχύσει τη δημιουργικότητά του για το πως να την εφαρμόσει στην επαγγελματική του ζωή.
Ας προχωρήσουμε τώρα στο κύριο μέρος του άρθρου.
Γιατί ο Ορισμός της ΑΙ Είναι Δύσκολο να Δωθεί με Ακρίβεια
Η δυσκολία εξήγησης της Τεχνητής Νοημοσύνης οφείλεται σε μια σειρά αλληλένδετων παραγόντων: την ασάφεια στην ίδια την έννοια της νοημοσύνης, τη διαρκώς μεταβαλλόμενη ορολογία από τους ειδικούς, την επικράτηση του branding σε βάρος της επιστημονικής ακρίβειας, αλλά και τους επικοινωνιακούς περιορισμούς που αντιμετωπίζουν ακόμη και οι πιο καταρτισμένοι ειδικοί. Αυτούς τους παράγοντες τους αναλύσαμε εκτενώς σε προηγούμενο άρθρο μου που εκδόθηκε απο το SpeakNews το οποίο και σας προσκαλώ να διαβάσετε αφού ολοκληρώσετε αυτό το άρθρο.
Τύποι Τεχνητής Νοημοσύνης
Η Τεχνητή Νοημοσύνη διακρίνεται σε δύο κύριους τύπους: τη Στενή Τεχνητή Νοημοσύνη (Narrow AI), που επικεντρώνεται κυρίως σε πρακτικές εφαρμογές και χρησιμοποιείται επίσης ως εργαλείο στην επιστήμη και την ακαδημαϊκή έρευνα και τη Γενική Τεχνητή Νοημοσύνη (General AI) που αποσκοπεί στην δημιουργία μηχανών και προγραμμάτων ικανών να εκτελούν οποιαδήποτε διανοητική εργασία που μπορεί να πραγματοποιήσει ο άνθρωπος.
Η μελέτη της Γενικής Τεχνητής Νοημοσύνης παραμένει μια εξαιρετικά περίπλοκη και βαθιά θεωρητική πρόκληση. Κατά συνέπεια, όταν ο οποιοσδήποτε αναφερεται στην Τεχνητή Νοημοσύνη στο πλαίσιο συγκεκριμένων υπαρκτών εφαρμογών, ουσιαστικά εννοεί τη Στενή Τεχνητή Νοημοσύνη.
Από εδώ και στο εξής, σε αυτό το άρθρο, όταν αναφερόμαστε στον όρο AI, εννοούμε την Narrow AI, στην οποία εστιάζουμε για την αποσαφήνιση των εννοιών και των εφαρμογών που την περιβάλλουν.
Η Narrow AI είναι ένα σύνολο τεχνολογιών που εκτελεί εξαιρετικά αποτελεσματικά συγκεκριμένες, εξειδικευμένες εργασίες. Δεν αντικαθιστά πλήρως την ανθρώπινη νοημοσύνη, αλλά συνήθως τη συμπληρώνει και την ενισχύει. Παραδείγματα Narrow AI περιλαμβάνουν αλγόριθμους ανίχνευσης απάτης για τραπεζικές συναλλαγές ή συστήματα πληρωμών, συστήματα αναγνώρισης προσώπου, chatbots όπως το ChatGPT, αυτοοδηγούμενα οχήματα και robot, μηχανές αναζήτησης όπως το Google Search, καθώς και πολλές άλλες εφαρμογές που κάνουν την προσωπική και επαγγελματική μας ζωή πιο εύκολη και αποτελεσματική.
Μετά την αναφορά στους βασικούς τύπους της Τεχνητής Νοημοσύνης, είναι σημαντικό να κατανοήσουμε τι δεν είναι η ΑΙ, ρίχνοντας φως σε κάποιους από τους πιο σημαντικούς μύθους και παρανοήσεις που κυριαρχούν γύρω από αυτήν.
Μύθοι και Παρανοήσεις γύρω από την AI
Μύθος 1: Η AI Μπορεί να Σκέφτεται και να Νιώθει όπως οι Άνθρωποι
Πραγματικότητα: Στην καλύτερη των περιπτώσεων, η AI απλώς φαίνεται να μιμείται τη συμπεριφορά των ανθρώπων βρίσκοντας μοτίβα και στατιστικές ανωμαλίες (παραξενιές) ανάμεσα σε δεδομένα. Όταν ακούτε τέτοιους ορισμούς, κάποιος πιθανώς προσπαθεί να θολώσει τα νερά παρουσιάζοντας μια εφαρμογή Narrow AI ως General AI. Είναι σημαντικό να ξεχωρίζουμε το όραμα από την πραγματικότητα και να κατανοούμε τι πραγματικά μπορεί να επιτευχθεί σήμερα.
Μύθος 2: Η AI Μπορεί να Μαθαίνει και να Βελτιώνεται Χωρίς Ανθρώπινη Παρέμβαση Πραγματικότητα: Παρά τον αυτοματισμό που την χαρακτηρίζει, η AI απαιτεί εποπτεία, ενημερώσεις και επανεκπαίδευση από ανθρώπους για να παραμένει λειτουργική και για να βελτιώνεται.
Μύθος 3: Η AI Είναι Μια Καινούρια Έννοια
Πραγματικότητα: Η τεχνολογία έχει εξελιχθεί σε βάθος δεκαετιών, αρχίζοντας από την δεκαετία του 1950, αν και οι πρόσφατες εξελίξεις έχουν απορροφήσει την προσοχή μεγάλου μέρους της κοινωνίας.
Μύθος 4: Η AI Αφορά Μόνο Ρομπότ
Πραγματικότητα: Κατά κύριο λόγο η AI αφορά εφαρμογές που σχετίζονται την ανάλυση δεδομένων χρησιμοποιώντας τεχνικές Μachine Learning. Ο σημαντικός αυτός όρος θα επεξηγηθεί σε μετέπειτα ενότητες του άρθρου.
Μύθος 5: Η AI Χρειάζεται Πάντα Τεράστιους Όγκους Δεδομένων
Πραγματικότητα: Αυτή είναι μια αντίληψη που προωθείται κατά κόρον από παροχείς υπηρεσιών που χρησιμοποιούν την ΑΙ ως αφορμή για την δημιουργία τεράστιων και ακριβών τεχνολογικών λύσεων (π.χ cloud solutions). Αν και ορισμένες από τις πιο εντυπωσιακές εφαρμογές της ΑΙ απαιτούν όντως τεράστιους όγκους δεδομένων, όχι μόνο μεγάλες αλλά και μικρομεσαίες επιχειρήσεις μπορούν να αποκομίσουν άμεσα και σημαντικά οφέλη από την ΑΙ, απευθυνόμενες στους κατάλληλους ειδικούς για παροχή υπηρεσιών.
Μύθος 6: Η AI θα Οδηγήσει Αναπόφευκτα στον Τεχνοκομμουνισμό
Πραγματικότητα: Η Τεχνητή Νοημοσύνη έχει τη δυνατότητα να απελευθερώσει τεράστια δύναμη αλλά και ευθύνη σε ατομικό επίπεδο. Ωστόσο, τεράστιο μέρος της τρομολαγνίας γύρω από την ΑΙ συχνά προέρχεται από οργανωμένα συμφέροντα που προσπαθούν να χρησιμοποιήσουν τη νομοθεσία ως προκρούστιο μέσο ελέγχου ενάντια στο ατομικό και κατά συνέπεια, στο συλλογικό συμφέρον. Όσο λαμπροί και αν είναι στα στενά όρια του τομέα τους, ειδικοί που προωθούν ιδέες όπως ότι η ΑΙ αναπόφευκτα οδηγεί σε μαζικούς έλεγχους, στο Universal Basic Ιncome και άλλες προσεγγίσεις που αποδυναμώνουν το άτομο, απλά μας υποδηλούν την αδυναμία τους να ξεφύγουν από πεπαλαιωμένα και συχνά αποτυχημένα πρότυπα διακυβέρνησης. Ο συνδυασμός φαντασίας, κριτικής σκέψης και θάρρους μεταξύ διανοουμένων είναι σχεδόν τόσο σπάνιος όσο και ο μονόκερος.
Μύθος 7: Η πρόοδος της AI Μπορεί να Σταματήσει Μια Για Πάντα
Πραγματικότητα: Όλες οι σπουδαίες τεχνολογίες που άλλαξαν την ανθρωπότητα, όπως το ηλεκτρικό ρεύμα, το αυτοκίνητο, το διαδίκτυο και ο ηλεκτρονικός υπολογιστής, μοιράζονται μια κοινή ιδιότητα: παραγνωρίζονται από τις μάζες για δεκαετίες πριν ωριμάσουν και γιγαντωθούν. Αυτήν την ιδιότητα την μοιράζεται και η AI. Εκτός και εάν συμβεί κάποια φυσική καταστροφή που θα μας πάει πίσω στην λίθινη εποχή, ο χρόνος θα εξακολουθήσει να είναι χρήμα και η AI θα συνεχίζει να κάνει ‘ότι αγγίζει’ γρηγορότερα και καλύτερα. Η AI ήρθε για να μείνει και ο λόγος είναι απλός και απόλυτα διαισθητικός: προσφέρει τεράστια οικονομικά ωφέλη και ανταγωνιστικό πλεονέκτημα.
Έχοντας αναγνωρίσει λοιπόν ότι η AI ήρθε για να μείνει, είναι ενδιαφέρον να παρατηρήσουμε πώς η ορολογία και τα θεμελιώδη ερωτήματα γύρω από αυτήν έχουν εξελιχθεί με την πάροδο του χρόνου, ειδικά στο πλαίσιο των εταιρικών εφαρμογών της.
Σύντομη Ιστορική Αναδρομή στην Ορολογία και τα Θεμελιώδη Ερωτήματα της ΑΙ
Η παρακάτω απλοποιημένη ιστορική ανασκόπηση της Τεχνητής Νοημοσύνης θα μας βοηθήσει να κατανοήσουμε το σημαντικότερο σημείο του άρθρου: τα κύρια ερωτήματα στα οποία απαντά η AI.
Ο πρώτος σχετικός όρος, Business Intelligence (BI), πρωτοεμφανίστηκε στα μέσα του 19ου αιώνα και αναφερόταν στη χρήση όποιασδήποτε πληροφορίας για τη λήψη αποφάσεων. Όταν ξεκίνησε η συστηματική μελέτη υπολογιστικών μοντέλων για την υποστήριξη της λήψης αποφάσεων, κατά την δεκαετία 1960, έκανε την εμφάνιση του ο όρος Decision Support Systems (Συστήματα Υποστήριξης Αποφάσεων).
Προχωρώντας στο 1989, ο όρος BI επαναπροσδιορίστηκε ως η ικανότητα να λαμβάνονται καλύτερες επιχειρηματικές αποφάσεις μέσω της αναζήτησης, συλλογής και υπολογιστικής ανάλυσης δεδομένων που διατηρούνται από έναν οργανισμό. Εκείνη την εποχή, η τεχνολογία επέτρεπε συνήθως μόνο την ανάλυση ιστορικών δεδομένων για να κατανοήσουμε «τι συνέβηκε» και «γιατί συνέβηκε». Έτσι, αρχικά η BI μπορούσε να ενισχύσει την κατανόηση προκλήσεων όπως τι ξοδεύει μια επιχείρηση ανά προμηθετή, ή που και γιατί να υπάρχουν υπερβολικές δαπάνες.
Περίπου στα μέσα της δεκαετίας του ’90, εμφανίστηκε ο όρος Data Analytics, λόγω των νέων τεχνολογιών (προγραμματισμού, λογισμικού και βάσεων δεδομένων), που επέτρεψαν την αύξηση συλλογής, αποθήκευσης και επεξεργασίας δεδομένων. Επίσης, οι γνώσεις στατιστικής έγιναν πιο προσβάσιμες και ευρέως διαδεδομένες μεταξύ αναλυτών δεδομένων.
Σημειώστε πως αν και ο πρωταρχικός σκοπός της BI παρέμεινε ο ίδιος, λόγω του ότι οι τεχνικές εξελίχθηκαν, αυτό που προηγουμένως ονομάζαμε BI άρχισε να αναφέρεται ως Basic Analytics, ενώ αλγόριθμοι που απαντούσαν σε ερωτήματα όπως «Τι θα συμβεί;» και «Πώς μπορούμε να το κάνουμε να συμβεί;» κατηγοριοποιήθηκαν ως Advanced Data Analytics (ADA). Τα Advanced Data Analytics μπορούν να βοηθήσουν για παράδειγμα στην πρόληψη ανθρώπινου λάθους και την βελτιστοποίηση αγορών.
Στη δεκαετία του 2000, η Machine Learning (ML) άρχισε να γίνεται δημοφιλής μεταξύ αναλυτών και ερευνητών. Αν και η διαφορά μεταξύ ADA και ML δεν είναι πάντα ξεκάθαρη, τυπικά η ML απαιτεί υψηλότερο επίπεδο μαθηματικών και στατιστικών γνώσεων, χρησιμοποιώντας πιο σύνθετα μοντέλα όπως decision trees, random forests και neural networks.
Η ML απαντά στα ίδια βασικά ερωτήματα με τα Advanced Data Analytics, τα οποία θα δούμε πιο κάτω, αλλά ενσωματώνει επιπλέον τεχνικές που επιτρέπουν στα μαθηματικά μοντέλα να διατηρούν την προβλεπτική τους ικανότητα σε παντελώς καινούρια δεδομένα.
Έτσι για παράδειγμα, η ML, πέρα από την κατανόηση των χαρακτηριστικών των ύποπτων χρηματοοικονομικών συναλλαγών, μπορεί να χρησιμοποιηθεί επιπλέον σαν εργαλείο εποπτείας τέτοιων συναλλαγών σε πραγματικό χρόνο, αυξάνοντας δραματικά την αποτελεσματικότητα ενός ελεγχτή, λογιστή ή άλλου παρόμοιου ειδικού.
Αυτή η διαφορά στην γενίκευση και άρα προβλεπτική ικανότητα των στατιστικών μοντέλων, είναι που έχει συνδέσει και την ML με την έννοια της μάθησης και της αυτονομίας και συνεπακόλουθα της νοημοσύνης.
Στην συντριπτική πλειοψηφία των περιπτώσεων, όταν οι ειδικοί μιλούν για εταιρικές εφαρμογές της AI, εννοούν αποτελέσματα που επιτυγχάνονται σε μεγάλο βαθμό με τη χρήση τεχνικών ML. Όταν οι μη ειδικοί μιλούν για AI, επηρεασμένοι ακόμη περισσότερο από τη δύναμη του branding, συνήθως εννοούν οτιδήποτε σχετίζεται με ανάλυση δεδομένων.
Τα Βασικά Συστατικά της ΑΙ και Πώς Αυτή Καταφέρνει να «Σκέφτεται σαν Άνθρωπος»
Ανεξάρτητα από το αν οι διάφορες εφαρμογές της ΑΙ φαίνονται διαφορετικές, η ML και κατ’ επέκτασην η AI μπορούν να διυλυστούν και και δεν μπορούν να ξεφύγουν, από το να απαντούν σε συνδυασμούς τριών βασικών ερωτημάτων: πόσο θα είναι το μέγεθος μιας ποσότητας στο μέλλον, πόσο πιθανό είναι να συμβεί κάτι και πόσο ομοιες είναι μεταξύ τους διάφορες καταστάσεις.
Ας κατανοήσουμε τώρα αυτά τα ερωτήματα ένα προς ένα μέσω παραδειγμάτων:
- Πόσο Μεγάλη θα είναι μια ποσότητα στο μέλλον;
Για παράδειγμα: Εκτίμηση της αύξησης του κόστους παραγωγής, εκτίμηση πωλήσεων προϊόντων για τον επόμενο μήνα, υπολογισμός των επιστροφών προϊόντων το επόμενο έτος κ.τ.λ
- Πόσο Πιθανό είναι να συμβεί κάτι;
Για παράδειγμα: Προβλέψεις για πιθανές καθυστερήσεις σε παραδόσεις αγαθών, εκτίμηση κινδύνου μελλοντικής εκδήλωσης ασθένειας, ανάλυση της πιθανότητας ύπαρξης απάτης σε χρηματοοικονομικές συναλλαγές κ.τ.λ
- Πόσο Παρόμοια είναι τα δεδομένα μεταξύ τους;
Για παράδειγμα: Σύγκριση χαρακτηριστικών πελατών για στοχευμένες προσφορές, ανίχνευση ανθρώπινου λάθους, ταξινόμηση προϊόντων με βάση τις κριτικές πελατών κ.τ.λ
Εδώ πρέπει να αναφέρουμε πως ο ανασυνδυασμός των πιο πάνω τριών ερωτημάτων, που αποτελούν και τα τρία θεμελειώδη ήδη μαθηματικών μοντέλων στα οποία βασίζεται το Machine Learning (regression, classification και unsupervised learning αντίστοιχα) μπορεί να περιοριστεί μόνο από την φαντασία και τους διαθέσιμους πόρους μιας επιχείρησης.
Ας δούμε τώρα ένα απλό παράδειγμα που δείχνει πως ο ανασυνδιασμός αυτών των ερωτημάτων δημιουργεί ΑΙ μοντέλα που φένεται να μιμούνται την ανθρώπινη νόηση και τα οποία βοηθούν στην καλύτερη λήψη αποφάσεων.
Στα πλαίσια της βιομηχανικής παραγωγής, η ΑΙ μπορεί να εκτιμήσει το πόση θα είναι η πιθανή ζημιά σε μηχανήματα, όπως σε μια μηχανή κοπής ή ένα ρομποτικό βραχίονα. Επίσης μπορεί να αξιολογήσει την πιθανότητα να συμβεί αυτή η ζημιά. Συνδυάζοντας αυτά τα ερωτήματα, μπορεί να υποδείξει για παράδειγμα 10% πιθανότητα για αμελητέα φθορά ή 90% πιθανότητα για σοβαρή φθορά που θα οδηγήσει σε μεγάλο χρόνο αδράνειας. Χρησιμοποιώντας αυτές τις πληροφορίες για διαφορετικά μηχανήματα, η AI μπορεί επιπλέον να ιεραρχήσει και να προτείνει την αναγκαιότητα επίβλεψης διαφόρων πιθανών ζημιών με βάση τη σπανιότητα και την κρισιμότητά τους. Έτσι η ΑΙ βοηθά ουσιαστικά την ανθρώπινη λήψη αποφάσεων, ‘αποφασίζοντας’ τι και πότε πρέπει να συντηρηθεί, μειώνοντας τις διακοπές παραγωγής και ενισχύοντας την συνολική αποδοτικότητα.
Συμπέρασματα
Αυτό το άρθρο, προσφέρει στους αναγνώστες μια πρώτη γερή και επιστημονική βάση όσο αφορά το τι πετυγχαίνει η AI αλλά και πως το πετυγχαίνει. Στοχεύσαμε στην καλλιέργεια μιας υγιούς περιέργειας που βασίζεται στην αντικειμενική πληροφόρηση, με σκοπό να μειώσουμε την αβάσιμη φοβία που πηγάζει από την άγνοια. Τα προαναφερθέντα στοιχεία μπορούν να προάγουν εποικοδομητικές, διαφανείς και πολυφωνικές συζητήσεις σχετικά με τον ρόλο της AI στη διαμόρφωση του κοινού μας μέλλοντος.
Η αληθινή γνώση μας προστατεύει από το να γίνουμε θύματα «κοινωνικών μηχανικών» και οργανωμένων συμφερόντων, τα οποία συχνά μεταμφιέζονται πίσω από χρώματα ισότητας και κινδυνολογίας. Επιπλέον, λειτουργεί ως διανοητική και ηθική αντίσταση σε τεχνολόγους και νομοθέτες που αλληλοπλασάρονται και ως αλάνθαστοι ειδικοί στην ηθική, την πλήρη κατανόηση της κοινωνικής πολυπλοκότητας και κατ’ επέκταση, της μελλοντολογίας.
Επιγραμματικά, σε αυτό το άρθρο:
- Αποκαλύψαμε γνώση που συνήθως περιορίζεται μεταξύ ειδικών, δίνοντας έμφαση στις αντικειμενικές έννοιες που αφορούν την ΑΙ και τα βασικά ερωτήματα που αυτή απαντά.
- Κατανοήσαμε τους κύριους λόγους που καθιστούν την ΑΙ δυσνόητη για το ευρύ κοινό, τους τύπους της, τις παρανοήσεις που την περιβάλλουν και τη σχέση της με άλλους συναφείς όρους.
- Εξηγήσαμε πως η βασική λογικη, οι τεχνικές και το όραμα πίσω από την ΑΙ, υπάρχουν εδώ και πολλές δεκαετίες. Πέρα από κάποιες καινούριες τεχνικές, αυτό που άλλαξε κυρίως είναι η διάδοση της υπολογιστικής δύναμης και γνώσης στατιστικών και μαθηματικών τεχνικών.
Κλείνουμε υπενθυμίζοντας ότι η Τεχνητή Νοημοσύνη είναι μία από τις πιο καθοριστικές τεχνολογικές καινοτομίες της εποχής μας. Επηρεάζει κάθε πτυχή της καθημερινότητας, από τις απλές δραστηριότητες μέχρι τις πιο σημαντικές επιστημονικές ανακαλύψεις, καθιστώντας την έναν κεντρικό πυλώνα της μελλοντικής μας εξέλιξης. Μέσα από την κατανόησή της, αποκτούμε τη δυνατότητα να αξιοποιούμε τις δυνατότητές της με μεγαλύτερη σαφήνεια και αυτοπεποίθηση. Έτσι, μπορούμε να προχωρήσουμε με αισιοδοξία προς έναν κόσμο όπου η AI συνδυάζει την καινοτομία με την κοινωνική πρόοδο, προάγοντας την αξιοκρατία και δημιουργώντας ευκαιρίες εξέλιξης για όλους.
Τα άρθρα και τα σχόλια που δημοσιεύονται στην ιστοσελίδα μας εκφράζουν αποκλειστικά τους συγγραφείς. Η ιστοσελίδα μας δεν λογοκρίνει τις γνώμες κανενός.