Andrei Kulik, συνιδρυτής της XENOM – Σειρά συνεντεύξεων

Ο Andrei Kulik είναι συνιδρυτής και διευθύνων σύμβουλος της XENOM, φέρνοντας στις βιομηχανικές δραστηριότητες την εμπειρία του στην τεχνητή νοημοσύνη ενσωματωμένη σε συσκευές, στα κατανεμημένα συστήματα και στη μηχανική μάθηση. Προηγουμένως, συνίδρυσε την AIMatter, την οποία εξαγόρασε η Google, και εργάστηκε στην Google σε συστήματα τεχνητής νοημοσύνης για καταναλωτικές συσκευές. Η σταδιοδρομία του επικεντρώνεται στο να διασφαλίζει ότι η προηγμένη τεχνητή νοημοσύνη λειτουργεί αξιόπιστα μέσα στους πρακτικούς περιορισμούς του υλικού και των συνθηκών του πραγματικού κόσμου.

Η XENOM αναπτύσσει μια πλατφόρμα βιομηχανικής τεχνητής νοημοσύνης που συνδυάζει λογισμικό με έξυπνο προστατευτικό εξοπλισμό, προσφέροντας στους χειριστές εικόνα των χώρων εργασίας τους σε πραγματικό χρόνο. Το σύστημά της συνδυάζει δεδομένα εντοπισμού θέσης, επικοινωνίας του εργατικού δυναμικού, περιβαλλοντικής ανίχνευσης και ασφάλειας. Σε αυτή τη συνέντευξη, ο Kulik μιλά για την τεχνητή νοημοσύνη στην άκρη του δικτύου, τα έξυπνα κράνη, την ανθρώπινη εποπτεία, την ιδιωτικότητα των εργαζομένων και τη μετάβαση από τη βιομηχανική παρακολούθηση στην προγνωστική υποστήριξη λήψης αποφάσεων.

Προηγουμένως συνιδρύσατε την AIMatter, την οποία εξαγόρασε η Google, και περάσατε χρόνια αναπτύσσοντας συστήματα τεχνητής νοημοσύνης σχεδιασμένα να λειτουργούν απευθείας σε καταναλωτικές συσκευές. Τι σας ενέπνευσε να συνιδρύσετε την XENOM και πώς επηρέασε η εμπειρία σας στην Google το όραμά σας για την αξιοποίηση της τεχνητής νοημοσύνης σε βιομηχανικά περιβάλλοντα;

Μετά την εξαγορά, πέρασα χρόνια δουλεύοντας πάνω σε ένα συγκεκριμένο πρόβλημα: πώς μπορεί η προηγμένη τεχνητή νοημοσύνη να λειτουργεί αξιόπιστα σε μια συσκευή που χωρά στην τσέπη σας, με περιορισμένη μπαταρία, απρόβλεπτη συνδεσιμότητα και συνθήκες του πραγματικού κόσμου που κανένα εργαστήριο δεν μπορεί να προσομοιώσει πλήρως. Κυκλοφορήσαμε αυτή την τεχνολογία σε τηλέφωνα, γυαλιά και ακουστικά — σε δισεκατομμύρια συσκευές. Κάποια στιγμή άρχισα να αναρωτιέμαι πού αλλού θα μπορούσε να έχει σημασία αυτή η αρχιτεκτονική. Οι καταναλωτικές συσκευές είναι βολικές, αλλά στους βιομηχανικούς χώρους το κόστος μιας λανθασμένης απόφασης — ή της πλήρους απουσίας απόφασης — μετριέται σε ανθρώπινες ζωές και σε εκατομμύρια από την απώλεια παραγωγικότητας. Οι περισσότεροι βιομηχανικοί χώροι εξακολουθούν να μην έχουν εικόνα σε πραγματικό χρόνο για όσα συμβαίνουν. Αυτό το κενό μού φάνηκε ακριβώς το κατάλληλο πρόβλημα για την τεχνολογία που αναπτύσσαμε επί χρόνια.

Η XENOM συνδυάζει λογισμικό που αξιοποιεί την τεχνητή νοημοσύνη με έξυπνο προστατευτικό εξοπλισμό, προσφέροντας ορατότητα σε πραγματικό χρόνο στις βιομηχανικές δραστηριότητες. Ποια είναι τα σημαντικότερα σημεία που δεν καλύπτουν τα παραδοσιακά συστήματα βιομηχανικής ασφάλειας και πώς αντιμετωπίζει η πλατφόρμα σας προκλήσεις που δυσκολεύουν τις συμβατικές τεχνολογίες παρακολούθησης;

Το βασικό πρόβλημα είναι ότι τα περισσότερα συστήματα σχεδιάστηκαν για να καταγράφουν τι συνέβη, όχι για να αποτρέπουν να συμβεί. Η θέση ενός εργαζομένου ενημερώνεται κάθε λίγα λεπτά. Τα φύλλα καταγραφής ωρών συμπληρώνονται στο τέλος της βάρδιας. Οι παραβιάσεις των κανόνων ασφαλείας καταγράφονται αφού υποβληθεί αναφορά συμβάντος. Όταν ο διευθυντής δει τα δεδομένα, η βάρδια έχει τελειώσει ή το ατύχημα έχει ήδη συμβεί. Το δεύτερο σημείο που δεν καλύπτεται είναι ο κατακερματισμός: μια εταιρεία μπορεί να έχει σύστημα παρακολούθησης αερίων, ξεχωριστό σύστημα ελέγχου πρόσβασης, έντυπη λίστα ελέγχου για τα μέσα ατομικής προστασίας και χειροκίνητη διαδικασία καταγραφής ωρών, χωρίς κανένα από αυτά να επικοινωνεί με τα υπόλοιπα. Η XENOM τα αντικαθιστά όλα με μια ενιαία, συνεχή ροή δεδομένων από τον χώρο, η οποία υποβάλλεται σε επεξεργασία σε πραγματικό χρόνο και προσφέρει στον διευθυντή μια συνεκτική συνολική εικόνα αντί για πέντε ασύνδετες.

Μεγάλο μέρος της σταδιοδρομίας σας έχει επικεντρωθεί στη βελτιστοποίηση της μηχανικής μάθησης και της εκτέλεσης συμπερασματολογίας από μεγάλα γλωσσικά μοντέλα σε συσκευές με περιορισμένους πόρους. Πώς εφαρμόζετε αυτές τις αρχές σε βιομηχανικά περιβάλλοντα και ποια είναι τα τεχνικά πλεονεκτήματα της επεξεργασίας φορτίων εργασίας τεχνητής νοημοσύνης στην άκρη του δικτύου, αντί της εξάρτησης από υποδομές cloud;

Η εργασία με συσκευές περιορισμένων πόρων διδάσκει μία βασική αρχή: κάθε χιλιοστό του δευτερολέπτου, κάθε μιλιοβάτ και κάθε byte πρέπει να δικαιολογείται. Αυτή ακριβώς είναι η νοοτροπία που απαιτείται για ένα βιομηχανικό κράνος, επειδή φοριέται σε ολόκληρη τη βάρδια και πρέπει να λειτουργεί εξίσου σταθερά την ενδέκατη ώρα όπως και την πρώτη. Κατανέμουμε σκόπιμα τις εργασίες: οι κρίσιμες ως προς τον χρόνο και απαιτητικές σε δεδομένα εργασίες, όπως η επεξεργασία της ροής φωνής και των σημάτων των αισθητήρων ή ο εντοπισμός πτώσεων και προσκρούσεων, εκτελούνται στη μονάδα NPU του κράνους, με μοντέλα συμπιεσμένα και προσαρμοσμένα σε αυτό το υλικό, ενώ η συνολική εικόνα του χώρου και οι βαθύτερες αναλύσεις αναπτύσσονται στην πλευρά της πλατφόρμας.

Η επεξεργασία στην άκρη του δικτύου προσφέρει τέσσερα πρακτικά πλεονεκτήματα. Το πρώτο είναι η ταχύτητα: η συσκευή αντιδρά αμέσως σε ένα συμβάν, χωρίς να χρειάζεται να γίνει μετάβαση προς και από έναν διακομιστή. Το δεύτερο είναι η αξιοπιστία: ένα λιτό μοντέλο που εκτελείται στη συσκευή λειτουργεί με προβλέψιμο τρόπο, ενώ κάθε επιπλέον κρίκος στην αλυσίδα αποτελεί ένα ακόμη σημείο αστοχίας. Το τρίτο είναι ο φόρτος του δικτύου: εκατοντάδες κράνη δεν μπορούν να μεταδίδουν συνεχώς ακατέργαστα δεδομένα ήχου και αισθητήρων, γι’ αυτό το καθένα στέλνει το αποτέλεσμα της ανάλυσης. Το τέταρτο είναι η διάρκεια ζωής της μπαταρίας: η μετάδοση είναι μία από τις πιο ενεργοβόρες λειτουργίες μιας συσκευής, επομένως η τοπική επεξεργασία και η αποστολή λιγότερων δεδομένων παρατείνουν τον χρόνο λειτουργίας.

Η XENOM έχει αναπτύξει έξυπνα κράνη που ενσωματώνουν δυνατότητες εντοπισμού θέσης, επικοινωνίας, περιβαλλοντικής ανίχνευσης και τεχνητής νοημοσύνης. Ποιες ήταν οι μεγαλύτερες μηχανολογικές προκλήσεις κατά τον συνδυασμό αυτών των τεχνολογιών, ιδίως σε περιβάλλοντα όπου η συνδεσιμότητα, η διάρκεια ζωής της μπαταρίας και η αξιοπιστία μπορεί να είναι απρόβλεπτες;

Το δυσκολότερο πρόβλημα δεν αφορούσε κάποια μεμονωμένη τεχνολογία· ήταν να λειτουργούν όλες αξιόπιστα μαζί σε μία συσκευή, υπό συνθήκες που θα κατέστρεφαν τα περισσότερα ηλεκτρονικά είδη ευρείας κατανάλωσης. Οι βιομηχανικοί χώροι είναι βρόμικοι, απαιτητικοί από σωματική άποψη και εκτεθειμένοι σε ακραίες θερμοκρασίες. Το κράνος πέφτει, εκτίθεται στη βροχή και φοριέται σε βάρδιες δώδεκα ωρών. Η διάρκεια ζωής της μπαταρίας γίνεται πραγματικός περιορισμός όταν λειτουργούν ταυτόχρονα ο εντοπισμός θέσης, οι αισθητήρες, οι επικοινωνίες και η εκτέλεση συμπερασμάτων από την ΤΝ. Υπάρχει, επίσης, η αρχιτεκτονική συνδεσιμότητας: χρειαζόμασταν απρόσκοπτη μετάβαση από τον δορυφορικό εντοπισμό θέσης RTK σε εξωτερικούς χώρους στο ιδιόκτητο δίκτυο πλέγματος UWB σε εσωτερικούς χώρους, χωρίς καμία απώλεια ακρίβειας όταν ένας εργαζόμενος περνά από το ένα περιβάλλον στο άλλο. Η υλοποίηση αυτής της μετάβασης αυτόματα, αξιόπιστα και σε πραγματικό χρόνο ήταν ένα από τα τεχνικά πιο απαιτητικά εγχειρήματα που έχουμε αναλάβει.

Η ομάδα σας έχει αναπτύξει ένα μοντέλο φωνητικής ΤΝ που μπορεί να εντοπίζει ενδείξεις επήρειας αλκοόλ μέσω της ομιλίας και, σύμφωνα με τα αποτελέσματα, ξεπερνά προηγούμενες ακαδημαϊκές επιδόσεις αναφοράς. Ποιες τεχνολογικές καινοτομίες κατέστησαν εφικτό αυτό το επίτευγμα και πώς επικυρώνετε την αξιοπιστία του συστήματος σε διαφορετικές γλώσσες, προφορές, επίπεδα θορύβου στο παρασκήνιο και πραγματικές συνθήκες εργασίας;

Η βασική διαπίστωση ήταν ότι η μέθη αφήνει ένα ανιχνεύσιμο αποτύπωμα στα μικρομοτίβα της ομιλίας — όχι στις λέξεις, αλλά στα ακουστικά χαρακτηριστικά: τον χρονισμό, τις διακυμάνσεις του τόνου και την ακρίβεια της άρθρωσης. Κατασκευάσαμε ένα μοντέλο που αναλύει αυτά τα μοτίβα στο παρασκήνιο, κατά τη διάρκεια των συνηθισμένων φωνητικών επικοινωνιών, χωρίς να απαιτείται ειδική δοκιμή ή οποιαδήποτε ενέργεια από τον εργαζόμενο. Το ποσοστό ακρίβειας 86,7% προέκυψε από αυστηρές δοκιμές αξιολόγησης με βάση δημοσιευμένα ακαδημαϊκά σύνολα δεδομένων. Για την επικύρωση σε πραγματικές συνθήκες, πραγματοποιούμε δοκιμές σε διαφορετικές γλώσσες, προφορές και συνθήκες θορύβου στο παρασκήνιο, αντιπροσωπευτικές των πραγματικών βιομηχανικών χώρων — με βαριά μηχανήματα, άνεμο και πολλούς ομιλητές ταυτόχρονα. Το μοντέλο έπρεπε να είναι αρκετά ανθεκτικό ώστε να λειτουργεί σε συνθήκες εντελώς διαφορετικές από εκείνες μιας ελεγχόμενης μελέτης. Αυτό απαιτούσε μεγάλη ποικιλία στα δεδομένα εκπαίδευσης και επαναληπτικές βελτιώσεις.

Τα συστήματα ΤΝ που έχουν σχεδιαστεί για να εντοπίζουν μειωμένη ικανότητα ή κόπωση εργαζομένων εγείρουν σημαντικά ζητήματα σχετικά με τα ψευδώς θετικά αποτελέσματα και τη λογοδοσία. Πώς εξισορροπεί η XENOM την έγκαιρη ανίχνευση κινδύνων με την ανάγκη ανθρώπινης επαλήθευσης και ποιες δικλίδες ασφαλείας αποτρέπουν την άδικη επίδραση μιας ανακριβούς αξιολόγησης από την ΤΝ σε βάρος ενός εργαζομένου;

Το σκεφτήκαμε πολύ προσεκτικά από την αρχή. Το σύστημα έχει σχεδιαστεί ώστε να επισημαίνει μια ανησυχία σε έναν προϊστάμενο, όχι να ενεργεί αυτόνομα. Μια αξιολόγηση από την ΤΝ που υποδεικνύει πιθανή μειωμένη ικανότητα ενεργοποιεί ανθρώπινο έλεγχο — ο προϊστάμενος μπορεί να παρατηρήσει απευθείας τον εργαζόμενο, να του κάνει ερωτήσεις ή, αν κρίνεται σκόπιμο, να ζητήσει τη διενέργεια φυσικού ελέγχου. Η ΤΝ δεν απομακρύνει κανέναν από τον χώρο εργασίας. Παρέχει σε έναν άνθρωπο τις πληροφορίες που χρειάζεται για να κρίνει την κατάσταση ταχύτερα απ’ ό,τι θα μπορούσε διαφορετικά. Παρακολουθούμε επίσης τα ποσοστά ψευδώς θετικών αποτελεσμάτων κατά την εφαρμογή του συστήματος και βελτιώνουμε συνεχώς το μοντέλο. Στόχος είναι να μειωθούν τα περιστατικά που συμβαίνουν επειδή κανείς δεν τα αντιλήφθηκε — όχι να δημιουργηθεί ένα σύστημα που τιμωρεί τους εργαζομένους αποκλειστικά βάσει ενός αλγορίθμου.

Πριν ιδρύσετε την XENOM, διατελέσατε CTO της OneSoil, όπου εφαρμόσατε την υπολογιστική όραση και τη μηχανική μάθηση στην παρακολούθηση της γεωργικής δραστηριότητας και στην ανάλυση της παραγωγικότητας. Ποια διδάγματα από την εφαρμογή της ΤΝ στη γεωργία αποδείχθηκαν πιο πολύτιμα για την ανάπτυξη ευφυών συστημάτων σε εργοτάξια, ορυχεία, λιμάνια και ενεργειακές εγκαταστάσεις;

Η εφαρμογή της ΤΝ στον φυσικό κόσμο είναι μια θεμελιωδώς διαφορετική πρόκληση από την εφαρμογή της στο λογισμικό. Έχεις να αντιμετωπίσεις μεταβλητές συνθήκες, εξοπλισμό που δεν συμπεριφέρεται ποτέ με τον ίδιο τρόπο και χειριστές που κάνουν τη δουλειά τους εδώ και δεκαετίες και αντιμετωπίζουν με βαθιά δυσπιστία οτιδήποτε τους λέει να την κάνουν διαφορετικά. Στους βιομηχανικούς χώρους ισχύει το ίδιο. Η τεχνολογία πρέπει να κερδίσει την εμπιστοσύνη, αποδεικνύοντας ότι είναι αξιόπιστα σωστή συχνότερα απ’ όσο περιμένουν οι άνθρωποι, και να είναι αρκετά απλή ώστε να μπορεί να τη χρησιμοποιήσει όποιος διαχειρίζεται ένα συνεργείο πενήντα ατόμων, χωρίς εκπαίδευση. Ένα ακόμη δίδαγμα: η ποιότητα των δεδομένων στο πεδίο είναι σχεδόν πάντα χειρότερη απ’ ό,τι είχες προβλέψει. Πρέπει να κατασκευάζεις συστήματα ανθεκτικά στον θόρυβο, στα κενά και στις οριακές περιπτώσεις που δεν εμφανίζονται ποτέ σε ένα καθαρό σύνολο δεδομένων.

Οι πλατφόρμες βιομηχανικής ΤΝ μπορούν να συγκεντρώνουν λεπτομερείς πληροφορίες για τις τοποθεσίες, τις δραστηριότητες, τις επικοινωνίες και την παραγωγικότητα των εργαζομένων. Πώς προσεγγίζετε την προστασία της ιδιωτικότητας των δεδομένων, τη συναίνεση των εργαζομένων και τον κίνδυνο παρακολούθησής τους στον χώρο εργασίας, διασφαλίζοντας παράλληλα ότι αυτές οι τεχνολογίες βελτιώνουν ουσιαστικά την ασφάλεια και τη λειτουργική αποδοτικότητα;

Το προσεγγίζουμε με γνώμονα τον περιορισμό του σκοπού. Τα δεδομένα που συλλέγει η XENOM προορίζονται για την ασφάλεια και την εποπτεία των λειτουργιών — δεν αποτελούν εργαλείο παρακολούθησης της παραγωγικότητας και δεν θα πρέπει να χρησιμοποιούνται ως τέτοιο. Συνεργαζόμαστε με τους φορείς εκμετάλλευσης για να καθορίσουμε σαφείς πολιτικές διακυβέρνησης δεδομένων πριν από την εφαρμογή του συστήματος: ποια δεδομένα συλλέγονται, για πόσο διάστημα διατηρούνται, ποιοι έχουν πρόσβαση και υπό ποιες συνθήκες μπορούν να χρησιμοποιηθούν για τη λήψη αποφάσεων σχετικά με το προσωπικό. Τα δεδομένα τοποθεσίας των εργαζομένων συγκεντρώνονται και ανωνυμοποιούνται για την ανάλυση της παραγωγικότητας — η δυνατότητα παρακολούθησης μεμονωμένων εργαζομένων είναι διαθέσιμη στους επόπτες ασφάλειας για την αντιμετώπιση έκτακτων περιστατικών, όχι στους προϊσταμένους γραμμής παραγωγής για την αξιολόγηση της απόδοσης. Καθώς η Πράξη της ΕΕ για την Τεχνητή Νοημοσύνη επεκτείνεται και στα συστήματα βιομηχανικής ΤΝ, αναμένουμε ότι τα ρυθμιστικά πλαίσια θα θεσμοθετήσουν πολλά από αυτά. Προτιμούμε να βρεθούμε ένα βήμα μπροστά, παρά να τρέχουμε την τελευταία στιγμή για να συμμορφωθούμε.

Η μεταφορά της ΤΝ από ελεγχόμενα εργαστηριακά περιβάλλοντα σε βιομηχανικές λειτουργίες κρίσιμες για την ασφάλεια συνεπάγεται προκλήσεις που σπάνια αντιμετωπίζουν οι εταιρείες ΤΝ που δραστηριοποιούνται αποκλειστικά στον χώρο του λογισμικού. Ποιες ήταν οι μεγαλύτερες εκπλήξεις κατά τις πραγματικές εφαρμογές της XENOM και πώς μετράτε αν η τεχνολογία επιφέρει ουσιαστικές βελτιώσεις στην πρόληψη ατυχημάτων, τη λειτουργική αποδοτικότητα και την παραγωγικότητα του εργατικού δυναμικού;

Η μεγαλύτερη έκπληξη είναι το πόση αξία προκύπτει απλώς και μόνο από την ακριβή εικόνα του πού βρίσκονται οι άνθρωποι και του πώς αξιοποιείται ο χρόνος. Περιμέναμε ότι η ασφάλεια θα ήταν το κύριο θέμα συζήτησης με τους φορείς εκμετάλλευσης. Διαπιστώσαμε, όμως, ότι η εικόνα της παραγωγικότητας —η κατανόηση του πού χάνουν χρόνο οι βάρδιες, γιατί ορισμένες ομάδες αποδίδουν καλύτερα από άλλες και πού βρίσκονται τα σημεία συμφόρησης— συχνά αποφέρει ταχύτερα απόδοση της επένδυσης (ROI) και δημιουργεί πολύ γρηγορότερα εσωτερικούς υποστηρικτές της πλατφόρμας. Η δεύτερη έκπληξη είναι το πόσο διαφέρουν οι συνθήκες μεταξύ κλάδων, ακόμη και μεταξύ εγκαταστάσεων του ίδιου κλάδου. Οι κατασκευές στη Γερμανία λειτουργούν πολύ διαφορετικά από τις κατασκευές στα Ηνωμένα Αραβικά Εμιράτα. Δεν μπορείς να δημιουργήσεις ένα προϊόν και να θεωρήσεις ότι θα ταιριάζει παντού χωρίς σημαντικές προσαρμογές.

Μελλοντικά, η XENOM οραματίζεται έναν Βιομηχανικό Συνεργάτη ΤΝ ικανό να ξεπεράσει την παρακολούθηση, προβλέποντας κινδύνους και προτείνοντας λειτουργικές αποφάσεις. Πώς πιστεύετε ότι θα εξελιχθεί η φυσική ΤΝ τα επόμενα πέντε χρόνια και ποιες τεχνολογικές καινοτομίες εξακολουθούν να απαιτούνται προτού τα συστήματα βιομηχανικής ΤΝ μπορέσουν να λειτουργούν με μεγαλύτερη αυτονομία, διατηρώντας παράλληλα την ανθρώπινη εποπτεία;

Σήμερα, η βιομηχανική ΤΝ αφορά κυρίως την ορατότητα —το να γνωρίζουμε τι συμβαίνει. Το επόμενο στάδιο είναι η πρόβλεψη: ο εντοπισμός μοτίβων που προηγούνται ενός συμβάντος ή μιας απώλειας παραγωγικότητας, προτού συμβεί οτιδήποτε από τα δύο. Αυτό προϋποθέτει τη συσσώρευση δομημένων δεδομένων με ετικέτες, σε μεγάλη κλίμακα και με την πάροδο του χρόνου, ακριβώς αυτό που κάνει η XENOM από την πρώτη μέρα. Το επόμενο στάδιο είναι η παροχή συστάσεων: το σύστημα δεν σας ενημερώνει απλώς για το τι είναι πιθανό να συμβεί, αλλά προτείνει και τι να κάνετε —πώς να ανακατανείμετε τους ανθρώπους, πότε να διακόψετε μια λειτουργία, ποια σύνθεση ομάδας αποφέρει τα καλύτερα αποτελέσματα για μια συγκεκριμένη εργασία. Αυτό το τρίτο στάδιο είναι ο στόχος για τον οποίο αναπτύσσουμε τον Βιομηχανικό Συνεργάτη ΤΝ. Η τεχνολογική καινοτομία που απαιτείται δεν αφορά πρωτίστως την πρόοδο στη μοντελοποίηση —το ζήτημα είναι τα δεδομένα. Χρειάζονται αρκετά λειτουργικά δεδομένα υψηλής ποιότητας από αρκετές διαφορετικές εγκαταστάσεις, ώστε να εκπαιδευτεί ένα μοντέλο που γενικεύεται αξιόπιστα. Οι εταιρείες που θα αρχίσουν να συλλέγουν αυτά τα δεδομένα τώρα θα αποκτήσουν ένα πλεονέκτημα που θα είναι πολύ δύσκολο να αναπαραχθεί αργότερα.

Ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να εξερευνήσουν την ΤΝ στην παρυφή του δικτύου, τον έξυπνο προστατευτικό εξοπλισμό και την παρακολούθηση της βιομηχανικής ασφάλειας σε πραγματικό χρόνο μπορούν να επισκεφθούν τη XENOM.