С повече от 20 години опит ние променяме вашето цифрово присъствие. Специализирани сме в разработването на уебсайтове и електронни магазини, SEO и цифров маркетинг, ERP софтуер и интелигентна автоматизация, които извеждат бизнеса ви на следващото ниво.
Адрес:
Егнатия 154, Солун 546 36
Телефон:
+30 231 231 4095
Електронна поща:
hello@twodots.gr
Готови ли сте за следващата стъпка?;
Ελεγχόμενη μελέτη δείχνει πότε οι εξειδικευμένοι AI agents βελτιώνουν αριθμητικές εργασίες και πότε η σύνθετη κρίση χρειάζεται GRPO post-training.
Στο συγκεκριμένο benchmark, οι εξειδικευμένοι AI agents βελτίωσαν το aggregate των τοπικών αριθμητικών εργασιών από 78,9% σε 94,7%, αλλά άφησαν τη σύνθετη κρίση στο 47,4%. Το GRPO post-training ενός μικρότερου Qwen3.5-9B βελτίωσε ακριβώς το δεύτερο bottleneck: η σωστή επιλογή δεν είναι «περισσότεροι agents», αλλά αρχιτεκτονική ανά τύπο εργασίας.
Η ελεγχόμενη μελέτη Larix κρατά σταθερά μοντέλο, evidence, task instructions, JSON schema και deterministic scorer. Έτσι προσφέρει χρήσιμο design principle για χρηματοοικονομική ανάλυση και business automation, χωρίς να αποδεικνύει ότι η ίδια συνταγή μεταφέρεται αυτούσια σε κάθε εταιρεία ή σε αυτόνομες επενδυτικές αποφάσεις.
Οι εισηγμένες εταιρείες ακινήτων στην Ευρώπη δεν λειτουργούν μέσα σε ένα ενιαίο κανονιστικό και λογιστικό πλαίσιο. Η μελέτη αναφέρει ότι μια γαλλική SIIC έχει νομοθετημένες υποχρεώσεις διανομής μεγάλου μέρους του επαναλαμβανόμενου εισοδήματος, ενώ η Aroundtown, με έδρα το Λουξεμβούργο και ακίνητα κυρίως στη Γερμανία και την Ολλανδία, δεν έχει αντίστοιχη υποχρέωση και δεν κατέβαλε μέρισμα για το οικονομικό έτος 2024. Ακόμη και το κατάλληλο μέτρο επαναλαμβανόμενης απόδοσης αλλάζει ανάμεσα σε EPRA Earnings, FFO I και κέρδη ανά μετοχή χωρίς αναπροσαρμογές.
Αυτό σημαίνει ότι η σωστή απάντηση συχνά εξαρτάται από μια ταξινόμηση που προηγείται του υπολογισμού: ποιο νομικό και reporting regime ισχύει για τη συγκεκριμένη εταιρεία. Ένα μοντέλο μπορεί να εντοπίσει τον σωστό αριθμό μέσα σε μια έκθεση, αλλά να εφαρμόσει λάθος κανόνα. Η γλωσσική του ευχέρεια μπορεί να κάνει το λάθος να φαίνεται πειστικό. Για μια επιχείρηση, αυτό είναι κρίσιμη υπενθύμιση ότι η ανάκτηση δεδομένων και η εφαρμογή πολιτικής είναι δύο διαφορετικά επίπεδα αξιοπιστίας. Η ίδια ανάγκη για ιχνηλάσιμη evidence εμφανίζεται σε αρχιτεκτονικές γνώσης που συνδέουν κανόνες, πηγές και απαντήσεις AI.
Το Larix οργανώνει 16 αναλυτικούς φακούς σε οκτώ ρόλους: financials, asset quality, management, valuation, macro overlay, catalyst, bear και screen sourcing. Οι ρόλοι δεν είναι απλές περιγραφές χαρακτήρα. Κάθε φακός συνδέεται με συγκεκριμένη αποκάλυψη, υπολογισμό ή inference operation. Ένας deterministic router στέλνει κάθε task στον specialist που κατέχει τον αντίστοιχο φακό.
Το benchmark της εργασίας χρησιμοποιεί μόνο τρεις από τους οκτώ specialists. Ο financials agent χειρίζεται την επιλογή του κατάλληλου metric, μια συμφωνία προσαρμογών και την ταξινόμηση payout regime. Ο asset-quality agent υπολογίζει στοιχεία implied cap rate. Ο macro-overlay agent αξιολογεί covenant stress. Κάθε item εκτελεί έναν μόνο specialist, χωρίς ανταλλαγή μηνυμάτων μεταξύ agents. Ο downstream synthesizer, η βαθμονόμηση conviction και το position sizing μένουν εκτός αξιολόγησης. Άρα τα αποτελέσματα αφορούν την ανάθεση στενά ορισμένων εργασιών, όχι ολόκληρη μια αυτόνομη επενδυτική διαδικασία.
Τέσσερα επίπεδα εξειδίκευσης που δεν πρέπει να συγχέονται
Ξεχωρίζει localized υπολογισμούς από integrative judgment πριν επιλεγεί agent, prompt ή training strategy.
Ο specialist βλέπει μόνο τους σχετικούς analytical lenses, αντί για ολόκληρο framework που προσθέτει άσχετο context.
Deterministic αντιστοίχιση στέλνει κάθε task στον κάτοχο του σωστού lens χωρίς να αλλάζει evidence ή scorer.
Το GRPO αλλάζει την πολιτική του μοντέλου με task-aligned reward όταν η αναδιάταξη prompt δεν αρκεί για σύνθετη κρίση.
Οι ερευνητές χωρίζουν προκαθορισμένα τις εργασίες σε δύο ομάδες. Οι αριθμητικές εργασίες περιλαμβάνουν την αναγνώριση του σωστού λειτουργικού metric, τον υπολογισμό implied cap rate και την εξαγωγή payout regime από διανομές και νομικούς κανόνες. Πρόκειται για τοπικές, επαληθεύσιμες λειτουργίες με συγκεκριμένα outputs.
Οι judgment tasks απαιτούν συνδυασμό πολλών πεδίων ή disclosures: εντοπισμό της σωστής προσαρμογής σε μια συμφωνία στοιχείων και αξιολόγηση covenant με τύπο, μονάδα, όριο και breach status. Αυτός ο διαχωρισμός έχει άμεση εφαρμογή πέρα από τα χρηματοοικονομικά. Σε ένα e-commerce workflow, η εξαγωγή τιμής ή SKU μοιάζει με localized task, ενώ η απόφαση αν ένα προϊόν πρέπει να αποκλειστεί από καμπάνια λόγω περιθωρίου, stock, κανονισμών και brand policy είναι integrative judgment. Η διάκριση βοηθά να αποδοθεί σωστά πού αποτυγχάνει ένας AI agent μέσα σε μια αυτοματοποίηση.
Η κύρια σύγκριση αφορά 19 εταιρείες σε επτά κανονιστικά wrappers και παράγει 95 συνδυασμούς task και εταιρείας ανά condition. Το πλήρες evaluation universe έχει 25 εταιρείες και οκτώ wrappers, με έξι ελβετικές εταιρείες να χρησιμοποιούνται στις αναλύσεις μεταφοράς. Στη frontier σύγκριση χρησιμοποιείται Claude Opus 4.8 σε τρεις συνθήκες: γενικό monolithic prompt, monolithic prompt που περιέχει ολόκληρο το 16-lens framework και task-specific specialist prompt.
Και στις τρεις συνθήκες παραμένουν ίδια η διαθέσιμη evidence, η ερώτηση, το schema, το μέγιστο μήκος απάντησης και ο scorer. Η αξιολόγηση απαιτεί έγκυρο JSON. Τα αριθμητικά πεδία έχουν προκαθορισμένες ανοχές, ενώ οι κατηγορίες ελέγχονται με exact matching μετά από normalization. Δεν χρησιμοποιείται LLM judge. Αυτό μειώνει έναν συνηθισμένο παράγοντα σύγχυσης: το σύστημα δεν βαθμολογείται από ένα δεύτερο μοντέλο που μπορεί να προτιμά πιο καλογραμμένες αλλά όχι ακριβέστερες απαντήσεις.
Στο primary benchmark, το specialist decomposition αύξησε το αριθμητικό aggregate από 78,9% σε 94,7%, δηλαδή κατά 15,8 ποσοστιαίες μονάδες. Η βελτίωση ήταν 26,3 μονάδες στην επιλογή του regime-specific metric και 21,1 μονάδες στο implied cap rate, ενώ η ταξινόμηση payout regime παρέμεινε στο 100% και στις δύο συνθήκες. Η αριθμητική υπεροχή ήταν θετική και στα τέσσερα frozen-template dispatches, αν και το μέγεθός της κυμάνθηκε.
Στις εργασίες κρίσης, η κύρια εκτέλεση έδωσε ακριβώς 47,4% τόσο στο monolithic όσο και στο specialist condition. Η αναγνώριση προσαρμογής μειώθηκε κατά 5,2 μονάδες, ενώ το covenant stress αυξήθηκε κατά 5,3. Στις επαναλήψεις η επίδραση στη συνολική κρίση κυμάνθηκε από μηδέν έως 10,5 μονάδες. Συνεπώς, η μελέτη δεν υποστηρίζει ότι οι specialists αποτυγχάνουν πάντα στην κρίση. Υποστηρίζει ότι δεν προσφέρουν την ίδια αξιόπιστη και καθαρή βελτίωση που εμφανίζουν στις εντοπισμένες αριθμητικές λειτουργίες.
Τι βελτίωσε κάθε μορφή εξειδίκευσης
Οι τιμές είναι τα δημοσιευμένα aggregates του συγκεκριμένου benchmark και των αναφερόμενων splits. Δεν αποτελούν πρόβλεψη απόδοσης για άλλο οικονομικό ή επιχειρησιακό workflow.
Το Claude-Spec αύξησε το numerical aggregate από 78,9% σε 94,7% στην κύρια same-model σύγκριση.
Το judgment aggregate έμεινε στο 47,4% τόσο στο monolithic όσο και στο specialist condition της κύριας εκτέλεσης.
Στο development split του Qwen3.5-9B, το judgment aggregate αυξήθηκε από 58,6% σε 72,8%.
Η μεγαλύτερη held-out άνοδος εμφανίστηκε σε άγνωστες εταιρείες, από 38,1% σε 78,5%.
Ο πιο αποκαλυπτικός έλεγχος ήταν το Claude-Full: ένας μοναδικός agent έλαβε ολόκληρο το framework των 16 φακών, περίπου 4.800 χαρακτήρες με ονόματα, ορισμούς metrics και διαγνωστικές ερωτήσεις. Αν η βελτίωση προερχόταν απλώς από περισσότερη domain γνώση μέσα στο prompt, αυτό το condition θα έπρεπε να αναπαράγει το αποτέλεσμα των specialists.
Δεν το έκανε. Στο overall score το Claude-Full ισοφάρισε το απλό monolith στο 66,3%. Στην επιλογή metric μάλιστα υποχώρησε κατά 10,5 μονάδες, ενώ βελτίωσε κατά 10,5 μονάδες ένα judgment task. Οι συγγραφείς ερμηνεύουν το αποτέλεσμα ως ένδειξη ότι το scoped lens ownership, δηλαδή η παρουσίαση μόνο του σχετικού υποσυνόλου οδηγιών, βοηθά τη μηχανική εκτέλεση. Αναγνωρίζουν όμως ότι το πείραμα δεν απομονώνει πλήρως το routing, το μήκος prompt και την ταυτότητα του specialist.
Το δεύτερο μέρος της έρευνας εξετάζει διαφορετικό είδος εξειδίκευσης: αλλαγή των παραμέτρων ενός Qwen3.5-9B μέσω Group Relative Policy Optimization. Πρόκειται για διαφορετικό μονοπάτι από τη χρήση μικρών τοπικών μοντέλων με τυπικούς, επαληθεύσιμους κανόνες, αλλά μοιράζεται την απαίτηση για σαφές output contract. Το μοντέλο παράγει δομημένο JSON και λαμβάνει ως reward τον ίδιο deterministic task score που χρησιμοποιείται στην αξιολόγηση. Δεν ανταμείβεται για γενική ευφράδεια, αλλά για τα συγκεκριμένα πεδία και τους κανόνες απόφασης κάθε task.
Η εκπαίδευση χρησιμοποίησε LoRA rank 32, το framework veRL, vLLM rollouts και μία H100 GPU. Το corpus είχε 195 πραγματικές rows από το benchmark και πέντε training-only counterfactual παραδείγματα θετικού covenant breach. Μετά τους διαχωρισμούς, 70 rows χρησιμοποιήθηκαν για training και 25 για development. Το αρχικό πλάνο ήταν 90 updates, αλλά η εκτέλεση σταμάτησε στα 30 για λόγους budget. Αξιολογήθηκε το checkpoint του βήματος 20, το τελευταίο που διατηρήθηκε μετά από απώλεια storage του training pod.
Στο development split, το συνολικό score του Qwen3.5-9B αυξήθηκε από 72,2% σε 84,2%, βελτίωση 12 μονάδων. Το judgment aggregate ανέβηκε από 58,6% σε 72,8%, δηλαδή κατά 14,2 μονάδες. Η T1 έμεινε στο ceiling του 99,5%, ενώ βελτιώθηκαν και οι τέσσερις εργασίες που βρίσκονταν κάτω από το ceiling. Η μεγαλύτερη βελτίωση εκεί ήταν 18,9 μονάδες στο implied cap rate, ενώ η αναγνώριση προσαρμογής και το covenant stress κέρδισαν 13,3 και 15 μονάδες.
Οι συγγραφείς κάνουν μια σημαντική διευκρίνιση για την T3: μέρος της διαφοράς οφείλεται σε zero-shot baseline που πιέστηκε από sampling σε temperature 0,7. Με greedy decoding το zero-shot ήταν ήδη 98,7% και το post-trained μοντέλο το ισοφάρισε. Ακόμη όμως και στο greedy protocol, η κρίση βελτιώθηκε κατά 7,5 μονάδες. Η σωστή ανάγνωση δεν είναι ότι το RL κερδίζει παντού, αλλά ότι άλλαξε αποτελεσματικά την πολιτική απόφασης στις εργασίες όπου η απλή αναδιάταξη prompt δεν αρκούσε.
Για να ελέγξουν την απομνημόνευση, οι ερευνητές χρησιμοποίησαν τρία held-out splits. Σε άγνωστες εταιρείες μέσα σε γνωστά wrappers, το συνολικό score αυξήθηκε από 67,4% σε 82,6%, δηλαδή 15,2 μονάδες. Σε άγνωστα regulatory wrappers αυξήθηκε κατά 4,3 μονάδες και σε μεταγενέστερες περιόδους κατά 2,5. Η μεγαλύτερη μεμονωμένη άνοδος ήταν στο covenant stress για άγνωστες εταιρείες: από 38,1% σε 78,5%, κέρδος 40,4 μονάδων.
Τα αποτελέσματα δεν ήταν ομοιόμορφα. Στο covenant stress για άγνωστα wrappers δεν υπήρξε βελτίωση, ενώ το payout regime παρέμεινε κοντά στο floor και για τα δύο checkpoints. Οι συγγραφείς σημειώνουν επίσης ότι ο μικρός αριθμός scored generations κάνει τις μεταβολές κάτω από περίπου επτά μονάδες περισσότερο directional παρά αποφασιστικές. Αυτή η ειλικρίνεια είναι επιχειρηματικά χρήσιμη: ένα θετικό aggregate δεν πρέπει να κρύβει ποια υποκατηγορία παραμένει αδύναμη. Σε κάθε πολυ-agent workflow με validators και checkpoints, η ανάλυση ανά task παραμένει σημαντικότερη από έναν μοναδικό συνολικό μέσο όρο.
Η προσεκτική επιχειρηματική ερμηνεία είναι ότι η αρχιτεκτονική πρέπει να ακολουθεί την ταξινομία των εργασιών. Για extraction, normalization, υπολογισμούς με γνωστούς κανόνες και outputs που μπορούν να ελεγχθούν αυτόματα, ένας specialist με περιορισμένο context και αυστηρό schema μπορεί να μειώσει τον θόρυβο. Για αποφάσεις που συνδυάζουν πολιτικές, πολλαπλές πηγές, εξαιρέσεις και αλληλεξαρτώμενα πεδία, η διάσπαση μπορεί να αφαιρέσει το context που χρειάζεται η σύνθεση.
Αυτό δεν αποτελεί άδεια για άμεσο RL σε κάθε επιχειρηματικό workflow. Η μελέτη είχε deterministic ground truth, δομημένο reward και σαφείς tasks. Πριν μια ομάδα marketing ή e-commerce εξετάσει post-training, χρειάζεται versioned rubric, ρητά output fields, πραγματικά examples και ξεχωριστά held-out sets. Η απαίτηση αυτή συμφωνεί με τη λογική ότι ένα AI σύστημα πρέπει να ενεργοποιεί τον σωστό τρόπο σκέψης για το συγκεκριμένο task και όχι απλώς να παράγει εύγλωττη απάντηση. Αν η επιχείρηση δεν μπορεί να ορίσει με συνέπεια τι σημαίνει «σωστή» απόφαση, το reward κινδυνεύει να κωδικοποιήσει ασάφεια αντί για γνώση.
Κανόνας επιλογής: χρησιμοποιήστε specialist decomposition όταν το task έχει περιορισμένο evidence, μηχανικό output και deterministic validation. Διατηρήστε κοινό context ή explicit synthesis για αποφάσεις που ενώνουν κανονισμούς, εξαιρέσεις και πολλαπλές πηγές. Εξετάστε post-training μόνο όταν υπάρχει versioned rubric, αρκετό ground truth, held-out αξιολόγηση και ασφαλές rollback.
Πρώτα χαρτογράφησε κάθε εργασία ως localized operation ή integrative judgment. Μετά όρισε ποια στοιχεία πρέπει να βλέπει ο agent, ποια πεδία πρέπει να επιστρέφει και πώς θα ελεγχθεί κάθε πεδίο. Στις localized εργασίες δοκίμασε monolith και specialist με ακριβώς ίδια evidence και scorer. Στις κρίσεις, έλεγξε αν το specialist χάνει στοιχεία από άλλους φακούς και αν χρειάζεται explicit synthesis stage.
Η αξιολόγηση πρέπει να γίνεται ανά task και όχι μόνο με ένα συνολικό score. Κράτησε frozen prompts, πολλαπλές dispatches, company ή customer-level grouping και tests σε νέες χρονικές περιόδους. Η μελέτη δείχνει επίσης ότι prompt, schema και scorer πρέπει να ζητούν και να βαθμολογούν τα ίδια πεδία. Σε παλαιότερη εκδοχή του harness, η ασυμφωνία αυτών των πεδίων δημιουργούσε μηδενικές επιδόσεις «by construction» και όχι λόγω πραγματικής αδυναμίας του μοντέλου.
Έξι βήματα για evidence-controlled pilot AI agents
Καταγράψτε ποια tasks είναι extraction, normalization ή υπολογισμός και ποια απαιτούν σύνθεση πολιτικών, εξαιρέσεων και πολλών disclosures.
Δώστε σε κάθε condition τις ίδιες πηγές, χρονική περίοδο, μονάδες και κανόνες πρόσβασης ώστε η σύγκριση να μην ευνοεί κρυφά μία αρχιτεκτονική.
Κάθε πεδίο που βαθμολογείται πρέπει να ζητείται ρητά και κάθε ζητούμενο output να έχει documented normalization, tolerance ή exact rule.
Κρατήστε σταθερά μοντέλο και generation settings, κάντε πολλαπλά frozen dispatches και εξετάστε τα αποτελέσματα ανά task, όχι μόνο ως συνολικό score.
Χρησιμοποιήστε held-out πελάτες, εταιρείες, regimes και χρονικές περιόδους για να εντοπίσετε απομνημόνευση και κατηγορίες που μένουν στο floor.
Μην αυτοματοποιείτε οικονομική ή εμπορική κρίση χωρίς approval thresholds, audit trail, monitoring ανά failure type και επιστροφή σε ασφαλές baseline.
Το benchmark είναι εξειδικευμένο: 19 εταιρείες στην κύρια σύγκριση, επτά wrappers, πέντε tasks και τρεις ενεργοί specialists. Οι εκτιμήσεις ανά wrapper βασίζονται σε λίγες εταιρείες. Το ground truth συνδυάζει 45 expert-blinded tuples και 50 author-curated tuples για την continental cohort, αν και διατηρεί provenance ανά cell. Το RL corpus είναι μικρό και η αξιολόγηση βασίζεται σε ένα διατηρημένο checkpoint.
Η σύγκριση αφορά μία frontier model family και ένα ανοικτό μοντέλο 9B. Το post-training αποτέλεσμα είναι εντός του Qwen, zero-shot έναντι RL, και δεν αποδεικνύει γενική υπεροχή του μικρού μοντέλου. Δεν αξιολογήθηκαν ο downstream synthesizer, το conviction calibration ή το position sizing. Επίσης, μια frontier σύγκριση πάνω στα expanded held-out splits παραμένει μελλοντική εργασία. Επομένως η μελέτη προσφέρει design principle, όχι έτοιμη συνταγή για αυτόνομες χρηματοοικονομικές αποφάσεις.
Το πιο ισχυρό συμπέρασμα είναι ότι prompt-level decomposition και parameter-level adaptation λύνουν διαφορετικά bottlenecks. Η στενή ανάθεση βοηθά όταν η εργασία μπορεί να περιοριστεί, να εκτελεστεί μηχανικά και να επαληθευτεί. Η σύνθετη κρίση χρειάζεται ενοποίηση evidence και μπορεί να απαιτεί εκπαίδευση πάνω σε καθαρά ορισμένες αποφάσεις, όχι απλώς περισσότερους agents ή περισσότερο prompt text.
Για μια επιχείρηση, το σωστό επόμενο βήμα δεν είναι να αντιγράψει το Larix. Είναι να δημιουργήσει δική της task taxonomy και ένα evidence-controlled benchmark. Μόνο τότε μπορεί να διαπιστώσει αν ο θόρυβος βρίσκεται στο context, στο routing, στο output contract ή στην ίδια την πολιτική απόφασης. Η ίδια πειθαρχία χρειάζεται και σε benchmarks που συγκρίνουν διαφορετικές αρχιτεκτονικές AI: η επιχειρησιακή επιλογή πρέπει να πατά σε μετρήσεις του πραγματικού workload. Η αξία της έρευνας είναι ακριβώς αυτή: μεταφέρει τη συζήτηση από το «πόσους agents έχουμε» στο «ποια γνωστική λειτουργία προσπαθούμε να βελτιώσουμε και πώς αποδεικνύουμε ότι βελτιώθηκε».
Από το paper σε ελεγχόμενο business pilot
Η TWO DOTS χαρτογραφεί επιχειρησιακές αποφάσεις, integrations, output contracts, human approvals και failure metrics, ώστε οι AI agents να δοκιμάζονται σε πραγματική ροή πριν αποκτήσουν ευθύνη παραγωγής.
Често задавани въпроси
Είναι AI agent του οποίου το prompt και η ευθύνη περιορίζονται σε συγκεκριμένους αναλυτικούς φακούς και σαφώς ορισμένες λειτουργίες, όχι απλώς σε μια γενική επαγγελματική περσόνα.
Μόνο σε συγκεκριμένες εργασίες. Στη μελέτη βελτίωσαν καθαρά το aggregate των τοπικών αριθμητικών tasks, αλλά δεν έδωσαν την ίδια αξιόπιστη βελτίωση στις εργασίες σύνθετης κρίσης.
Η προσθήκη ολόκληρου του 16-lens framework σε έναν monolithic agent δεν αναπαρήγαγε το αριθμητικό όφελος. Το αποτέλεσμα συνδέεται με το στενό task-relevant scope, χωρίς να απομονώνει πλήρως routing, μήκος prompt και specialist identity.
Είναι μέθοδος reinforcement learning όπου πολλές απαντήσεις συγκρίνονται μέσα σε ομάδα και ενημερώνουν το μοντέλο μέσω σχετικών ανταμοιβών. Εδώ το reward ήταν ο ίδιος deterministic task scorer της αξιολόγησης.
Όχι χωρίς δικό του benchmark. Η λογική της task taxonomy μεταφέρεται, αλλά τα αποτελέσματα προέρχονται από ευρωπαϊκή εισηγμένη ακίνητη περιουσία και συγκεκριμένες χρηματοοικονομικές εργασίες.
Όχι. Η κύρια σύγκριση του Qwen είναι εντός του ίδιου μοντέλου, zero-shot έναντι post-trained checkpoint. Το paper δεν κάνει ισχυρισμό γενικής υπεροχής ενός μικρού μοντέλου.
Στο covenant stress για άγνωστες εταιρείες, το score αυξήθηκε κατά 40,4 ποσοστιαίες μονάδες. Σε άγνωστα regulatory wrappers η ίδια εργασία δεν βελτιώθηκε.
Να χωρίσει τις λειτουργίες σε τοπικές, επαληθεύσιμες πράξεις και σύνθετες κρίσεις και να ορίσει κοινά evidence, schema και scorer πριν συγκρίνει αρχιτεκτονικές.
Източници
