With over 20 years of experience, we transform your digital presence. We specialize in website and E-Shop development, SEO and Digital Marketing, ERP software and smart automation that take your business to the next level.
Address:
154 Egnatia Street, Thessaloniki 546 36
Phone:
+30 231 231 4095
E-mail:
hello@twodots.gr
Ready for the next step?;
Το AI για πλημμύρες χρειάζεται temporal planning, dynamic replanning, ελέγξιμους περιορισμούς και ανθρώπινη εποπτεία πριν από πραγματική χρήση.
Στις πλημμύρες, μια γρήγορη απόφαση δεν αρκεί αν βάζει το σωστό όχημα, την κατάλληλη ομάδα και την κρίσιμη ενέργεια στη λάθος χρονική στιγμή. Η εργασία FRESCHED δείχνει ότι το temporal planning μπορεί να μετατρέψει triage, προσβασιμότητα, χωρητικότητα και παράλληλες αποστολές σε ελέγξιμο χρονοδιάγραμμα. Δεν αποδεικνύει όμως έτοιμη αυτόνομη διαχείριση κρίσεων: τα 50 σενάρια ήταν συνθετικά και η πραγματική χρήση χρειάζεται έγκυρα δεδομένα πεδίου, συνεχή επαλήθευση και ανθρώπινη αρμοδιότητα για τις τελικές εντολές.
Οι ερευνητές Fazlul Hasan Siddiqui, Md. Monjurul Islam και Sabah Binte Noor μοντελοποίησαν ολόκληρο τον κύκλο απόκρισης — μεταφορά ομάδων, διάσωση, ιατρική υποστήριξη, εκκένωση και διανομή εφοδίων — σε PDDL 2.1 και ANML. Δοκίμασαν δύο planners, Temporal Fast Downward (TFD) και FAPE, σε 50 συνθετικά σενάρια αυξανόμενης πολυπλοκότητας και εξέτασαν 49 περιπτώσεις επανασχεδιασμού κατά την εκτέλεση. Τα αποτελέσματα είναι ενθαρρυντικά για την υπολογιστική σκοπιμότητα, αλλά οι ίδιοι τονίζουν ότι απαιτείται επιπλέον επικύρωση με πραγματικά δεδομένα και πραγματικές επιχειρησιακές ροές.
Ο κλασικός automated planning αναζητά μια ακολουθία ενεργειών που μετατρέπει μια αρχική κατάσταση σε επιθυμητό στόχο. Αυτό όμως δεν αρκεί όταν οι ενέργειες έχουν διάρκεια. Η μεταφορά μιας ομάδας, η διάσωση και η παράδοση εφοδίων δεν γίνονται στιγμιαία, ούτε μπορούν όλα τα μέσα να χρησιμοποιούνται από δύο αποστολές ταυτόχρονα. Ο temporal planning προσθέτει χρόνο έναρξης, διάρκεια, συνθήκες που πρέπει να ισχύουν σε όλη την εκτέλεση και effects που εμφανίζονται στην αρχή ή στο τέλος.
Η διαφορά είναι πρακτική. Ένα σχέδιο με περισσότερα βήματα μπορεί να ολοκληρώνεται νωρίτερα αν επιτρέπει ασφαλή παραλληλία. Γι’ αυτό η μελέτη αξιολογεί τόσο το plan length όσο και το makespan, δηλαδή το συνολικό χρονικό διάστημα από την πρώτη έναρξη έως την ολοκλήρωση της τελευταίας ενέργειας. Για ένα κέντρο επιχειρήσεων, το makespan μπορεί να είναι πιο ουσιαστικό από τον αριθμό των γραμμών στο σχέδιο.
Το domain περιλαμβάνει ετερογενείς ομάδες διάσωσης και ιατρικής υποστήριξης, οχήματα μεταφοράς προσωπικού και φορτίου, ασφαλείς περιοχές, πληγείσες ζώνες, προσβάσιμες διαδρομές και ανάγκες σε εκκένωση ή εφόδια. Οι συγγραφείς ορίζουν εννέα durative action schemas: επιβίβαση και αποβίβαση ομάδας, κίνηση οχήματος, εκκένωση, αποβίβαση πολιτών, διάσωση, φόρτωση πόρων, παράδοση πόρων και παροχή ιατρικής υποστήριξης.
Οι ενέργειες συνδέονται αιτιακά. Για να μετακινηθεί μια ομάδα πρέπει να βρίσκεται στο ίδιο σημείο με το όχημα· για να προσφέρει υπηρεσία πρέπει να παραμείνει στην περιοχή σε όλη τη διάρκεια· για να γίνει νέα διαδρομή πρέπει ο δρόμος να είναι προσβάσιμος. Το όχημα «κλειδώνεται» χρονικά όσο ταξιδεύει ή εκτελεί εκκένωση, ώστε ο planner να μην το αναθέσει ταυτόχρονα αλλού. Αυτή η ρητή αναπαράσταση περιορισμών είναι το βασικό πλεονέκτημα απέναντι σε μια γενική, γλωσσική πρόταση ενεργειών.
Στο πλαίσιο, η triage προτεραιότητα δεν είναι απλώς ένας στόχος που ο planner μπορεί να θυσιάσει για καλύτερο score. Ενσωματώνεται ως hard precondition: μια χαμηλότερης προτεραιότητας ζώνη δεν μπορεί να αρχίσει τον ίδιο τύπο εξυπηρέτησης πριν ολοκληρωθεί η αντίστοιχη ανάγκη στην υψηλότερης προτεραιότητας ζώνη. Έτσι κάθε έγκυρο σχέδιο συμμορφώνεται με τον κανόνα «by construction», ανεξάρτητα από τη στρατηγική αναζήτησης.
Η επιλογή έχει και περιορισμό. Ένας σκληρός κανόνας είναι κατάλληλος μόνο όταν η επιχειρησιακή πολιτική όντως δεν επιτρέπει εξαίρεση. Στον πραγματικό κόσμο μπορεί να απαιτείται override, για παράδειγμα αν αλλάξει η επικινδυνότητα μιας ζώνης ή αν μια διαθέσιμη ομάδα μπορεί να βοηθήσει αλλού χωρίς να καθυστερήσει την κύρια αποστολή. Η μελέτη δείχνει τη δύναμη της τυπικής κωδικοποίησης· η επιχειρησιακή υλοποίηση θα πρέπει να ορίσει ποιος ενημερώνει τους κανόνες και πότε.
Για εκκενώσεις πολλαπλών διαδρομών και επαναλαμβανόμενες παραδόσεις, οι ερευνητές χρησιμοποιούν διακριτά milestones. Η κατάσταση μιας ανάγκης μετακινείται, για παράδειγμα, από ένα επίπεδο σε επόμενο μέσω έγκυρου βήματος που αντιστοιχεί στη χωρητικότητα του διαθέσιμου οχήματος. Με αυτόν τον τρόπο το μοντέλο αποφεύγει τη συνεχή μεταβολή αριθμητικών fluents, ενώ εξακολουθεί να αναπαριστά ότι χρειάζονται πολλές διαδρομές.
Η προσέγγιση βελτιώνει τη συμβατότητα με συμβολικούς planners και διατηρεί σαφείς τις μεταβάσεις. Δεν σημαίνει όμως ότι η πραγματική διαχείριση ποσοτήτων είναι πάντα διακριτή ή ακριβής. Οι αριθμοί πολιτών και αποθεμάτων μπορεί να αλλάζουν, οι χωρητικότητες μπορεί να εξαρτώνται από συνθήκες και οι απώλειες στη διανομή δεν είναι μηδενικές. Τα milestones αποτελούν σχεδιαστική αφαίρεση, όχι πλήρη ψηφιακή αναπαράσταση του πεδίου.
Στο ενδεικτικό σενάριο της εργασίας υπάρχουν δύο ασφαλείς και δύο πληγείσες περιοχές. Η βάση διαθέτει λεωφορείο χωρητικότητας 20 ατόμων ανά διαδρομή, φορτηγό, πενταμελή ομάδα διάσωσης, πενταμελή ιατρική ομάδα και 100 μονάδες εφοδίων. Η μία ζώνη χρειάζεται διάσωση, ιατρική βοήθεια και εφόδια, ενώ η άλλη διάσωση και εκκένωση 40 ανθρώπων. Οι χρόνοι μετακίνησης εξαρτώνται από όχημα και διαδρομή.
Ο planner παράγει σχέδιο 25 ενεργειών με makespan 275 χρονικών μονάδων. Στη χρονική στιγμή μηδέν φορτώνονται εφόδια στο φορτηγό ενώ οι δύο ομάδες επιβιβάζονται ταυτόχρονα στο λεωφορείο. Μετά την άφιξη, διάσωση και ιατρική υποστήριξη ξεκινούν παράλληλα. Η εκκένωση της δεύτερης ζώνης γίνεται σε δύο sorties. Το παράδειγμα δεν αποτελεί πραγματική επιχείρηση, αλλά κάνει ορατή την αξία του χρονικού συντονισμού και της επαναχρησιμοποίησης περιορισμένων μέσων.
Η PDDL 2.1 επεκτείνει την καθιερωμένη Planning Domain Definition Language με durative actions και χρονικά qualifiers. Στην αξιολόγηση τροφοδοτεί τον TFD, ο οποίος χρησιμοποιεί heuristic forward search. Η ANML αντιμετωπίζει τις μεταβλητές ως συναρτήσεις του χρόνου και εκφράζει καταστάσεις πάνω σε timelines· χρησιμοποιείται από τον FAPE, ο οποίος διατηρεί και προωθεί δίκτυα χρονικών και αιτιακών περιορισμών.
Η διπλή διατύπωση δεν είναι απλή μεταφραστική άσκηση. Επιτρέπει τη σύγκριση planners με διαφορετική εσωτερική λογική και δημιουργεί επιλογές υλοποίησης. Το domain παραμένει εννοιολογικά ίδιο, όμως η απόδοση και ο τύπος σχεδίου διαφέρουν. Αυτό έχει ανάλογο μάθημα για επιχειρησιακά AI projects: η ίδια απαίτηση μπορεί να μοντελοποιηθεί σε διαφορετικό τεχνικό stack, και η σωστή επιλογή εξαρτάται από χρόνο απόκρισης, ποιότητα σχεδίου και προβλεψιμότητα.
Τα 50 συνθετικά instances χωρίστηκαν σε πέντε tiers των 10 προβλημάτων. Η κλίμακα αυξήθηκε από 2–6 τοποθεσίες, 2–3 οχήματα και 2–5 ομάδες στο πρώτο tier, έως 26–32 τοποθεσίες, 12–17 οχήματα και 14–17 ομάδες στο πέμπτο. Ο εκτιμώμενος grounded action space έφθασε τις 84.579 ενέργειες. Κάθε planner είχε χρονικό όριο 3.600 δευτερολέπτων.
Ο TFD έλυσε 49 από τα 50 instances, με μέσο runtime 0,845 δευτερόλεπτα και μέγιστο 19,583. Ο FAPE έλυσε 43 από τα 50, με μέσο 194,951 δευτερόλεπτα και μέγιστο 2.429,159. Στο δυσκολότερο tier ο TFD έλυσε και τα 10 προβλήματα, ενώ ο FAPE 5. Η διαφορά υποστηρίζει τον TFD ως πιο γρήγορη και προβλέψιμη επιλογή για μεγάλα σενάρια του συγκεκριμένου benchmark, όχι ως καθολική απόδειξη υπεροχής σε κάθε πραγματική καταστροφή.
Τέσσερα επαληθευμένα μεγέθη από τα benchmarks
Οι τιμές προέρχονται από συνθετικά προβλήματα του συγκεκριμένου domain και δεν προβλέπουν απόδοση σε πραγματικές πλημμύρες.
Ο FAPE παρήγαγε συντομότερα σχέδια ως προς τον αριθμό βημάτων: διάμεσο 39 έναντι 57 για τον TFD σε όλα τα επιλυμένα instances. Όμως στις 42 περιπτώσεις που έλυσαν και οι δύο, ο TFD είχε διάμεσο makespan 469,1 έναντι 536,5 του FAPE. Η εικόνα δεν δίνει έναν απόλυτο νικητή: ο FAPE μπορεί να είναι ελκυστικός σε μικρότερες περιπτώσεις όπου υπάρχει περισσότερος χρόνος για αναζήτηση ποιότητας, ενώ ο TFD υπερέχει σε ταχύτητα και σταθερότητα.
Οι συγγραφείς προτείνουν πρακτικά συνδυαστική επιλογή. Για αρχικό σχεδιασμό ο TFD είναι ισχυρός default λόγω υπολογιστικής συνέπειας. Ο FAPE παραμένει επιλογή όταν το σενά είναι μικρής κλίμακας και η ποιότητα έχει μεγαλύτερο βάρος από τον χρόνο υπολογισμού. Κατά τη διάρκεια της εκτέλεσης, όπου η επιστροφή ενός χρήσιμου νέου σχεδίου πρέπει να είναι γρήγορη, ο TFD φαίνεται καταλληλότερος σύμφωνα με αυτά τα πειράματα.
TFD στο benchmark
Έδωσε πολύ χαμηλότερο και πιο προβλέψιμο runtime, έλυσε 49 από 50 instances και είχε μικρότερο median makespan στις 42 κοινές λύσεις.
FAPE στο benchmark
Παρήγαγε μικρότερο median plan length, αλλά με πολύ μεγαλύτερη και πιο μεταβλητή υπολογιστική καθυστέρηση όσο αυξανόταν η πολυπλοκότητα.
Production κριτήριο
Η επιλογή planner πρέπει να μετρά deadline, makespan, plan validity, variance, failure handling και ποιότητα των δεδομένων στο πραγματικό workflow.
Το αρχικό μοντέλο υποθέτει πλήρη και σωστή γνώση, ενώ στην πλημμύρα ένας δρόμος μπορεί να γίνει απροσπέλαστος ή ο αριθμός των εγκλωβισμένων να αυξηθεί. Η διαδικασία replanning ανακατασκευάζει την κατάσταση εφαρμόζοντας τα effects των ενεργειών που άρχισαν πριν από τον χρόνο έκπληξης, ενσωματώνει τα νέα facts και goals και δημιουργεί νέο residual πρόβλημα. Ό,τι έχει ήδη γίνει διατηρείται· το υπόλοιπο πρόγραμμα ξαναϋπολογίζεται.
Στο benchmark χρησιμοποιήθηκαν δύο perturbations κοντά στο μέσο του αρχικού σχεδίου: αποκλεισμός διαδρομής και αύξηση evacuees. Πριν αποκλειστεί route, ελέγχεται ότι κάθε πληγείσα περιοχή παραμένει προσβάσιμη από τουλάχιστον μία ασφαλή περιοχή· αλλιώς το instance μετατρέπεται σε αύξηση ζήτησης εκκένωσης. Πρόκειται για ελεγχόμενες συνθετικές αλλαγές, χρήσιμες για μέτρηση αλλά σαφώς απλούστερες από τη συνεχή αβεβαιότητα ενός πραγματικού συμβάντος.
Ο TFD έλυσε και τα 49 replanning instances. Σε 38 περιπτώσεις ο νέος υπολογισμός ολοκληρώθηκε γρηγορότερα από τον αρχικό, με μέσο λόγο runtime 0,79 και διάμεσο 0,71. Η εξήγηση που δίνουν οι συγγραφείς είναι ότι μέρος της επιχείρησης έχει ήδη εκτελεστεί, άρα το residual πρόβλημα είναι μικρότερο.
Οι αποκλεισμοί διαδρομών αύξησαν κατά μέσο όρο το makespan κατά 3,2% και το μήκος σχεδίου κατά 3,1%. Η αύξηση evacuees είχε μεγαλύτερο αποτύπωμα: μέση αύξηση makespan 15,7% και plan length 30,1%. Αυτοί οι αριθμοί προέρχονται από τη συγκεκριμένη συνθετική γεννήτρια και δεν πρέπει να μεταφερθούν ως πρόβλεψη για πραγματικές πλημμύρες. Δείχνουν, όμως, ότι διαφορετικός τύπος έκπληξης αλλάζει διαφορετικά το επιχειρησιακό κόστος.
Η αξία του research ξεπερνά την πολιτική προστασία. E-commerce logistics, field service, last-mile delivery και incident response έχουν κοινό πυρήνα: περιορισμένους πόρους, εξαρτήσεις, deadlines, παράλληλες εργασίες και αλλαγές κατά την εκτέλεση. Όπως ισχύει γενικότερα όταν μια αυτοματοποίηση αποτυγχάνει, πρέπει να φαίνονται το πρώτο λανθασμένο βήμα, η χρονική στιγμή και ο ιδιοκτήτης της ανάκαμψης. Ένα generative AI assistant μπορεί να εξηγεί το σχέδιο ή να μεταφράζει συμβάντα σε δομημένες εισόδους, αλλά ο πυρήνας της δέσμευσης πόρων χρειάζεται ελέγξιμους constraints, validator και governance που είναι μέρος της αρχιτεκτονικής.
Για μια επιχείρηση, το πρώτο βήμα δεν είναι να ζητήσει από ένα LLM «φτιάξε το καλύτερο πρόγραμμα». Η ασφαλής αυτοματοποίηση εργασιών με AI ξεκινά από τη χαρτογράφηση της πραγματικής διαδικασίας: αντικείμενα, διαθέσιμοι πόροι, ενέργειες, διάρκειες, προϋποθέσεις, αμετάβλητοι κανόνες, στόχοι και προτεραιότητες. Στη συνέχεια πρέπει να οριστούν τα δεδομένα που ενημερώνουν την κατάσταση, ο υπεύθυνος που εγκρίνει αλλαγές και ο τρόπος παρουσίασης του σχεδίου στους ανθρώπους. Αυτή είναι δική μας επιχειρησιακή ερμηνεία της μελέτης, όχι αποτέλεσμα που αξιολογήθηκε από τους συγγραφείς σε εμπορικό περιβάλλον.
Αρχιτεκτονική απόφαση
Χρησιμοποιήστε γλωσσικό μοντέλο για την αρχική συλλογή, τη σύνοψη και τη μετατροπή αναφορών σε ελεγχόμενα δεδομένα. Αναθέστε την κατανομή πόρων σε planner με ρητές διάρκειες, προϋποθέσεις και αμετάβλητους κανόνες. Κρατήστε σε άνθρωπο τις αλλαγές triage, τις εξαιρέσεις και κάθε εντολή που επηρεάζει ζωή, ασφάλεια ή μη αναστρέψιμη δέσμευση.
Από το ερευνητικό domain σε ασφαλές επιχειρησιακό pilot
Ξεκινήστε από ένα σαφές planning task, όπως κατανομή συγκεκριμένων οχημάτων σε ελεγχόμενο exercise, όχι από την υπόσχεση αυτόνομης διαχείρισης ολόκληρης κρίσης.
Καταγράψτε οχήματα, ομάδες, χωρητικότητες, routes, durations, preconditions και invariants με ιδιοκτήτη και έκδοση για κάθε επιχειρησιακό κανόνα.
Σημειώστε freshness, πηγή και αβεβαιότητα για προσβασιμότητα, ζήτηση και διάρκεια. Μη μετατρέπετε μια αβέβαιη αναφορά πεδίου σε σιωπηρό hard fact.
Ορίστε ποιοι κανόνες δεν παραβιάζονται, ποιος μπορεί να εγκρίνει εξαίρεση και ποιο audit record εξηγεί τη μεταβολή της προτεραιότητας.
Δοκιμάστε concurrency, resource conflicts, route failures και deadlines με validators και adversarial scenarios. Το πειστικό κείμενο δεν είναι απόδειξη ότι ένα σχέδιο εκτελείται με ασφάλεια.
Καθορίστε ποιο event ακυρώνει το plan, πώς διατηρούνται οι ήδη εκτελεσμένες ενέργειες και πότε η ροή σταματά για άνθρωπο. Τα deterministic controls και η ανεξάρτητη επαλήθευση προηγούνται μιας πειστικής εξήγησης.
Αξιολογήστε χρόνο από observation σε έγκυρο plan, makespan, ακυρώσεις, overrides, data freshness, missed constraints και δυνατότητα replay. Κλιμακώστε μόνο αν η βελτίωση επιβιώνει σε exercises με πραγματικούς operators.
Οι δοκιμές έγιναν σε παραγόμενα benchmarks και όχι σε ζωντανές επιχειρήσεις πλημμύρας. Το πλαίσιο θεωρεί ότι η τρέχουσα κατάσταση μπορεί να μεταφραστεί σε ακριβή facts, ότι οι διάρκειες και οι διαδρομές είναι γνωστές όταν γίνεται ο υπολογισμός και ότι οι εκπλήξεις εισάγονται ως διακριτές ενημερώσεις. Σε πραγματικό περιβάλλον υπάρχουν αβέβαιες εκτιμήσεις, καθυστερημένες αναφορές, επικοινωνιακά κενά, ανθρώπινη κόπωση, πολλαπλοί οργανισμοί και αντικρουόμενοι στόχοι.
Οι ίδιοι οι ερευνητές ζητούν validation με πραγματικά δεδομένα και workflows. Αναφέρουν ως επόμενα βήματα multi-objective optimization για makespan και αποδοτικότητα πόρων, post-processing που επιτρέπει στους υπεύθυνους να εξερευνούν trade-offs και interface που μετατρέπει το output του planner σε κατανοητές εντολές dispatch. Άρα το σημερινό αποτέλεσμα είναι ερευνητικό prototype με διαθέσιμο source code, όχι έτοιμο σύστημα αυτόνομης διαχείρισης κρίσεων.
Η μελέτη δείχνει ότι η απόκριση σε πλημμύρες μπορεί να εκφραστεί ως temporal planning domain και να παράγει έγκυρα χρονοδιαγράμματα με concurrency, triage, προσβασιμότητα, χωρητικότητα και επανασχεδιασμό. Στο συγκεκριμένο benchmark ο TFD πρόσφερε την καλύτερη ταχύτητα και προβλεψιμότητα, ενώ ο FAPE παρήγαγε συχνά λιγότερα βήματα και παρέμεινε χρήσιμος σε μικρές περιπτώσεις.
Το ουσιαστικό μήνυμα για επαγγελματίες δεν είναι ότι ένας αλγόριθμος «λύνει» την καταστροφή. Είναι ότι οι αποφάσεις υψηλού ρίσκου χρειάζονται ρητές σχέσεις μεταξύ χρόνου, πόρων, περιορισμών και στόχων. Η generative διεπαφή μπορεί να βοηθήσει στην κατανόηση, αλλά η επιχειρησιακή αξιοπιστία προκύπτει από τυπικό μοντέλο, επαληθεύσιμο σχέδιο, έγκαιρη ενημέρωση της κατάστασης και ανθρώπινη εξουσία πάνω στις τελικές εντολές.
Από το σχέδιο στο ελέγξιμο workflow
Η TWO DOTS χαρτογραφεί περιορισμούς, διασυνδέσεις, πύλες επαλήθευσης, αρχεία ελέγχου και ασφαλείς παραδόσεις σε άνθρωπο, ώστε ένα AI workflow να υποστηρίζει την επιχείρηση χωρίς να κρύβει τις κρίσιμες αποφάσεις.
Frequently Asked Questions (FAQs)
Είναι αυτοματοποιημένος σχεδιασμός όπου οι ενέργειες έχουν διάρκεια, χρονικές συνθήκες και δυνατότητα ασφαλούς παράλληλης εκτέλεσης με περιορισμένους πόρους.
Μοντελοποιεί μεταφορά ομάδων, διάσωση, ιατρική υποστήριξη, εκκένωση και διανομή εφοδίων με triage, προσβάσιμες διαδρομές, χωρητικότητες και χρόνους.
Ο Temporal Fast Downward πάνω σε PDDL 2.1 και ο FAPE πάνω σε ANML, δύο προσεγγίσεις με διαφορετικό search και constraint reasoning.
Στα 50 συνθετικά instances ο TFD ήταν σαφώς ταχύτερος και πιο προβλέψιμος, λύνοντας 49 προβλήματα έναντι 43 του FAPE.
Είναι ο συνολικός χρόνος από την έναρξη της πρώτης έως την ολοκλήρωση της τελευταίας ενέργειας, λαμβάνοντας υπόψη όσα μπορούν να γίνουν παράλληλα.
Ανακατασκευάζει την τρέχουσα κατάσταση από όσα έχουν ήδη εκτελεστεί, ενσωματώνει νέα facts ή goals και λύνει από την αρχή το μικρότερο residual πρόβλημα.
Όχι. Η αξιολόγηση έγινε σε συνθετικά benchmarks και οι συγγραφείς ζητούν πρόσθετη επικύρωση με πραγματικά δεδομένα και επιχειρησιακά workflows.
Η μελέτη δεν τεκμηριώνει αυτόνομη επιχειρησιακή χρήση. Χρειάζονται ανθρώπινη έγκριση, αξιόπιστα δεδομένα, validators, σαφής διαδικασία εξαίρεσης και ασκήσεις με πραγματικούς χειριστές.
