ΑνKIT Άρヤ, Διευθυντής Τεχνητής Νοημοσύνης στην Inscope – Σειρά Συνεντεύξεων

ΑνKIT ΆρЯ, Διευθυντής Τεχνητής Νοημοσύνης στην Inscope, φέρνει βαθιά εμπειρία σε ηγεσία προϊόντων Τεχνητής Νοημοσύνης, μηχανική μάθηση, αυτοματοποίηση επιχειρήσεων και εφαρμοσμένη έρευνα. Ως μέρος της ιδρυτικής ομάδας της Inscope, βοηθά στην κατασκευή λογισμικού που επιτρέπει στις εταιρείες να μοιράζονται ακριβή και συμμορφούμενη οικονομική δεδομένα με τους μετόχους. Το υπόβαθρό του περιλαμβάνει την υπηρεσία ως Συνιδρυτής και Διευθυντής Τεχνολογίας της Mariana, όπου εργάστηκε σε ανάλυση αγοράς και ανταγωνιστική έρευνα με Τεχνητή Νοημοσύνη, καθώς και ηγεσία στρατηγικής προϊόντων μηχανικής μάθησης και Τεχνητής Νοημοσύνης στην HackerRank. Νωρίτερα στην καριέρα του, ο ΆρЯ εργάστηκε στην Meta σε αυτοματοποίηση भरσεων με Τεχνητή Νοημοσύνη και παραγωγικότητα Εικονικής Πραγματικότητας, βοήθησε στην ανάπτυξη αυτοματοποίησης υπηρεσιών επιχειρήσεων με βάση chatbot ως ιδρυτικός μηχανικός στην Astound, και κατασκεύασε συστήματα μηχανικής μάθησης σε κλίμακα παραγωγής στην Collective[i]. Η καριέρα του περιλαμβάνει πρακτική εφαρμογή Τεχνητής Νοημοσύνης, στρατηγική προϊόντων, αυτοματοποίηση και συστήματα βασισμένα σε δεδομένα σε cả startups και μεγάλες επιχειρήσεις.

Inscope είναι μια πλατφόρμα οικονομικής αναφοράς που βασίζεται στην Τεχνητή Νοημοσύνη, κατασκευασμένη για λογιστικές εταιρείες, οικονομικές ομάδες και επιχειρήσεις που χρειάζονται να προετοιμάσουν, να αναθεωρήσουν και να παραδώσουν ακριβείς οικονομικές αναφορές με μεγαλύτερη αποτελεσματικότητα. Η πλατφόρμα επικεντρώνεται στην αυτοματοποίηση του χειροκίνητου έργου πίσω από τις οικονομικές αναφορές, συμπεριλαμβανομένων των roll-forwards, μορφοποίησης, αποκαλύψεων, υπολογισμών και ελέγχων συνεπαγωγής. Η Inscope θέτει την τεχνολογία της ως τρόπο για να μειώσει τα λάθη αναφοράς, να缩σει τους κύκλους προετοιμασίας και να κάνει τις αναφορές που είναι έτοιμες για ελέγχους πιο εύκολες στην παραγωγή. Η εταιρεία ανακοίνωσε μια σειρά Α 14,5 εκατομμυρίων δολαρίων τον Φεβρουάριο του 2026 για να επεκτείνει την πλατφόρμα οικονομικής αναφοράς που βασίζεται στην Τεχνητή Νοημοσύνη, με το προϊόν της να στοχεύει στην αντικατάσταση των κατακερματισμένων ροών εργασίας με βάση τα φύλλα εργασίας με μια πιο συστηματική, συμμορφούμενη και κλιμακωτή διαδικασία αναφοράς.

Έχετε εργαστεί σε αυτοματοποίηση επιχειρήσεων, μηχανική μάθηση, भरσεις με Τεχνητή Νοημοσύνη, παραγωγικότητα Εικονικής Πραγματικότητας και ηγεσία προϊόντων Τεχνητής Νοημοσύνης πριν από την ανάληψη του ρόλου του Διευθυντή Τεχνητής Νοημοσύνης στην Inscope. Πώς η εξέλιξη αυτή σας προέτοιμασε για την αντιμετώπιση ενός από τα πιο χειροκίνητα και ευαίσθητα ροών εργασίας της οικονομίας;

Σε αυτοματοποίηση επιχειρήσεων, μηχανική μάθηση, भरσεις με Τεχνητή Νοημοσύνη, παραγωγικότητα Εικονικής Πραγματικότητας και ηγεσία προϊόντων Τεχνητής Νοημοσύνης, συνέχισα να κάνω παραλλαγές του ίδιου δύσκολου πράγματος: να παίρνω χειροκίνητο έργο ανθρώπων και να το κάνω να γίνεται αξιόπιστα από ένα σύστημα Τεχνητής Νοημοσύνης, ώστε να εξαρτώνται από αυτό πραγματικές ομάδες. Κάθε τομέας δίδαξε ένα διαφορετικό κομμάτι. Η ανάπτυξη προϊόντων μηχανικής μάθησης σε κλίμακα δίδαξε τι αντέχει στην πραγματική ποσότητα. Η κατασκευή με μεγάλες γλώσσες μοντέλων ως ιδρυτής δίδαξε πώς αυτά τα μοντέλα συμπεριφέρονται στην πραγματικότητα, πού σπάζουν και πώς τα σχήματιζες προς πραγματική ακρίβεια αντί για έξοδο που μοιάζει καλή μόνο σε μια επίδειξη. Και όπου εργάστηκα, τα προϊόντα που κέρδισαν την εμπιστοσύνη διατήρησαν τον άνθρωπο στον έλεγχο και αντέγραψαν τον τρόπο με τον οποίο ο εμπειρός ήδη δούλευε, αντί να τον αναγκάζουν να ενταχθεί στη λογική της μηχανής.

Αυτό που με έ drew προς την οικονομία ήταν μια συνειδητοποίηση από την κατασκευή με μεγάλες γλώσσες μοντέλων: για πρώτη φορά, μπορούσες να πάρεις πραγματικά μη δομημένα δεδομένα και να κατασκευάσεις αξιόπιστη αυτοματοποίηση πάνω σε αυτά, κάτι που δεν ήταν δυνατό πριν. Από όλα τα χειροκίνητα, ανθρώπινα οδηγούμενα διαδικασίες που πρόκειται να μεταμορφωθούν από την Τεχνητή Νοημοσύνη, η προετοιμασία οικονομικών αναφορών είναι μια από τις πιο καθαρές. Η θέση που ήρθα με, και αυτή που όλα όσα κατασκευάζουμε επιστρέφουν σε, είναι απλή: το έργο του προετοιμαστή πρέπει να μετατοπιστεί σε αυτό του αναθεωρητή. Αυτή είναι η αλλαγή που αξίζει να δουλέψω.

Η προετοιμασία και αναθεώρηση οικονομικών αναφορών έχει παραμείνει επιμόνως χειροκίνητη για χρόνια. Τι σας έκανε να πιστεύετε ότι αυτό ήταν τελικά μια κατηγορία όπου η Τεχνητή Νοημοσύνη θα μπορούσε να φέρει σημαντική αλλαγή;

Αν κοιτάξετε στενά τι κάνει ένας οικονομικός προετοιμαστής, είναι πραγματικά μια διαδικασία μετασχηματισμού δεδομένων. Παράγετε δεδομένα από δώδεκα συστήματα που δεν μιλούν μεταξύ τους, όπως το ERP, το σύστημα ισότητας, και PDF με συμβάσεις και προγράμματα. Τα μετατρέπετε όλα αυτά σε εύχρηστα εξόδους όπως ισοζύγια, καταστάσεις εισοδήματος και πίνακες υποσημειώσεων. Στη συνέχεια, προσθέτετε ένα επίπεδο κρίσης από πάνω: το σχόλιο που εξηγεί τι σημαίνουν τα νούμερα. Παρέμεινε χειροκίνητο για τόσο καιρό, επειδή αυτά τα συστήματα δεν συνδέονταν ποτέ, και η παλαιότερη αυτοματοποίηση όπως οι μηχανές κανόνων και η RPA, τα σκιωμένα bots που μιμούνται κλικ, ήταν πολύ εύθραυστα για να επιβιώσουν την ποικιλία και τις περιπτώσεις ακραίων τιμών.

Δύο πράγματα άλλαξαν. Πρώτον, τα μοντέλα μπορούν τώρα να πάρουν εξαιρετικά ποικίλα εισόδους και να τα δομήσουν, και εξίσου σημαντικά, να επιφέρουν τις περιπτώσεις ακραίων τιμών για έναν άνθρωπο να ελέγξει αντί να σιωπηλά σπάσουν, εφόσον κατασκευάσετε το βήμα επαλήθευσης πίσω από αυτά. Δεύτερον, μπορούν να κατασκευάσουν εύλογο σχόλιο, επειδή η οικονομία δεν είναι καθαρά υποκειμενική. Υπάρχει ένα πραγματικό βιβλίο κανόνων να στηρίξετε, από το FASB σχετικά με το πώς αναγνωρίζονται και μετρώνται τα πράγματα έως το SEC σχετικά με το πώς ανακοινώνονται, με χιλιάδες προηγούμενες υποβολές να μάθετε. Αυτό που με έπεισε ότι αυτό ήταν πραγματικό ήταν το να δω μια επιβεβαίωση που ένα μοντέλο δεν θα μπορούσε ποτέ να κάνει σωστά, το είδος που λαμβάνει πολλά εξαρτημένα βήματα, να αρχίσει να λειτουργεί αξιόπιστα μια φορά που το εκτελέσαμε σε ένα σύνολο συντονισμένων πρακτόρων. Με την σωστή αρχιτεκτονική, προβλήματα που φαίνονται αδύνατα σε ένα μοντέλο γίνονται εφικτά.

Γιατί η επιχειρηματική οικονομία έχει sido πιο δύσκολο να μεταμορφωθεί με Τεχνητή Νοημοσύνη από ό,τι πολλοί άνθρωποι περίμεναν;

Η άκρη είναι ότι αυτό είναι έργο που οι άνθρωποι μπορούν να πάνε στη φυλακή. Τα στοιχήματα είναι εξαιρετικά υψηλά, οπότε η μπάρα για να αυτοματοποιήσετε οποιοδήποτε από αυτά είναι αντίστοιχα υψηλή. Αυτό είναι ένα διαφορετικό σύμπαν από ένα καταναλωτικό προϊόν όπου ένα λάθος είναι μια ενοχλή. Εδώ, ένας seul λάθος αριθμός μπορεί να φέρει νομικές και ρυθμιστικές συνέπειες, και ο άνθρωπος που υπογράφει τις φέρει προσωπικά.

Επάνω από αυτό, κάθε εταιρεία το κάνει λίγο διαφορετικά, και το έργο είναι γεμάτο εξαιρέσεις. Κανόνες και προτύπου χειρίζονται το κοινό μονοπάτι και στη συνέχεια σπάζουν ακριβώς εκεί που ζει το πραγματικό έργο. Αυτό που νίκησε το προηγούμενο λογισμικό δεν ήταν ποτέ ένα単ικό νούμερο, ήταν η ανάγκη να κατανοήσετε μια ολόκληρη διαδικασία εργασίας από την αρχή έως το τέλος με όλα τα εάν και τα αλλά. Υψηλά στοιχήματα, βαθιά προσαρμογή και πραγματικά μπλεγμένα ροή εργασίας είναι οι λόγοι για τους οποίους αυτή η κατηγορία παρέμεινε ακατοίκητη ενώ η Τεχνητή Νοημοσύνη μετέτρεψε πιο φανταχтерές κατηγορίες.

Τι είναι ο χώρος μεταξύ γενικών εργαλείων Τεχνητής Νοημοσύνης και του είδους ειδικά κατασκευασμένων εργαλείων Τεχνητής Νοημοσύνης που απαιτούνται για οικονομική αναφορά και συμμόρφωση;

Αυτό είναι όπου θα αντιταχθώ στην ιδέα ότι όλα girouvται γύρω από το μοντέλο. Όλοι έχουν τα ίδια μοντέλα. Η διαφορά είναι όλα γύρω από αυτά: ποιο контекст βάζετε μπροστά στο μοντέλο, σε ποιο σημείο, με ποια έλεγχους. Ένα ειδικά κατασκευασμένο σύστημα επίσης συνεισφέρει. Όσο περισσότερο λειτουργεί μέσα σε μια οργάνωση, τόσο περισσότερο μαθαίνει τα συγκεκριμένα μοτίβα και συμβάσεις της εταιρείας, τα οποία ένα γενικό εργαλείο αρχίζει από το μηδέν σε κάθε περίπτωση.

Για την οικονομία, υπάρχουν μερικά πράγματα που δεν μπορείτε να παραλείψετε. Η έξοδος πρέπει να είναι γειωμένη στα δεδομένα πηγής, και κάθε νούμερο πρέπει να είναι ιχνηλατόμενο πίσω στην πηγή του, ποιος ή τι το παρήγαγε, και γιατί. Και το σύστημα πρέπει να γνωρίζει τα όρια της δικής του εμπιστοσύνης, σηματοδοτώντας τι δεν είναι βέβαιο για έναν άνθρωπο αντί να υποθέτει. Η πραγματική τέχνη είναι στην εμπειρία γύρω από όλα αυτά. Δεν μπορείτε να ρίχνετε απλά μια απάντηση στον τοίχο και να αφήσετε τον χρήστη να την υπερασπιστεί. Σχεδιασμός για γειωμένη, ιχνηλατόμενη και μια εύκολη παράδοση στον άνθρωπο είναι αυτό που διακρίνει ένα γενικό εργαλείο από κάτι που θα υπογράψει ένας ελεγκτής.

Τι είναι τα μεγαλύτερα προκλήματα μηχανικής μάθησης στην κατασκευή συστημάτων που μπορούν να κατανοήσουν αξιόπιστα τη δομή, τις σχέσεις και τη λογική πίσω από τις οικονομικές αναφορές;

Αρχίστε με ένα συγκεκριμένο παράδειγμα. Ένα tie-out είναι όταν βεβαιώνετε ότι ένας αριθμός συμφωνεί όπου εμφανίζεται: ένας πίνακας ενάντια σε άλλους πίνακες, ένας πίνακας ενάντια στο περιβάλλον κείμενο, το κείμενο ενάντια σε αυτόเอง, σε όλη την υποβολή. Οι προετοιμαστές το κάνουν κάθε μέρα. Φαίνεται εύκολο, αλλά δεν можете απλά ρίχνετε όλο το έγγραφο σε ένα μοντέλο με ένα έξυπνο prompt και να εμπιστεύεστε το αποτέλεσμα, όχι στην ακρίβεια που αυτό το έργο απαιτεί. Για να το κάνουμε αξιόπιστο, έπρεπε να το σπάσουμε σε ένα συντονισμένο σύστημα μικρότερων, ελέγξιμων βημάτων. Ακόμη και ο πιο ρουτίνας έλεγχος στην οικονομία δεν μπορεί να αντικατασταθεί απλά με μια μονή κλήση μοντέλου.

Αυτό είναι το κεντρικό πρόβλημα μηχανικής μάθησης, και έχει τρία επίπεδα. Το σύστημα πρέπει να κατανοήσει πώς λειτουργεί ένας συγκεκριμένος πελάτης και να συνεχίσει να μαθαίνει από την ανάδραση του. Πρέπει να κατανοήσει πραγματικά τις σχέσεις μέσα σε μια οικονομική αναφορά,既然 τα νούμερα ταιριάζουν σε αναφορές, υποσημειώσεις, και περιόδους που κυλάνε προς τα εμπρός, αντί να διαβάζουν απλά το κείμενο. Και όταν πολλά πράκτορες συνεργάζονται, έχετε ήδη αναλάβει ένα πρόβλημα κατανεμημένων συστημάτων: να πάρετε το σωστό контекστ στο σωστό βήμα, να βάλετε έλεγχους και φρουρούς στη θέση τους, να αναμιχθείτε αυτόματη αναθεώρηση με ανθρώπινη αναθεώρηση, και να κατασκευάσετε τα εσωτερικά σύνολα δεδομένων που σας επιτρέπουν να μετρήσετε αν κάτι από αυτά είναι πραγματικά σωστό. Το σκληρό μέρος δεν ήταν ποτέ να πάρει ένα μοντέλο να διαβάσει μια οικονομική αναφορά. Είναι το σύστημα γύρω από αυτό που μπορεί να συλλογιστεί, να ελέγξει τον εαυτό του, και να εξηγήσει από πού προέρχεται κάθε αριθμός.

Πώς σκέφτεστε την ακρίβεια μοντέλου, την ερμηνευσιμότητα και την ανεκτικότητα σφαλμάτων όταν η Τεχνητή Νοημοσύνη εφαρμόζεται σε οικονομικές ροές εργασίας όπου μικρά λάθη μπορούν να έχουν μεγάλες συνέπειες;

Δεν υπάρχει μια seule ακρίβεια μπάρα, και το να υποτιμάτε ότι είναι αλλιώς είναι όπου οι άνθρωποι πηγαίνουν λάθος. Αυτά τα συστήματα δεν είναι 100% ακριβή, και τι είναι επιτεύξιμο ποικίλλει πολύ ανάλογα με την εργασία. Οπότε η πραγματική δουλειά είναι να επικοινωνείτε ειλικρινά για τι έκανε το σύστημα και όπου καθίσταται το ρίσκο. Αντί να κυματίζετε μια γενική ποσοστιαία επιτυχία, δείχνετε τον αναθεωρητή στα στοιχεία που φέρουν το μεγαλύτερο ρίσκο, τα υλικά, και είστε σαφείς για τι το σύστημα δεν άγγιξε. Αυτός είναι ο τρόπος που κλείνετε το χάσμα, αντί να υποτιμάτε ότι δεν υπάρχει.

Η ερμηνευσιμότητα πρέπει να είναι συγκεκριμένη, όχι ένα αρχή σε μια διαφάνεια. Όταν τρέχουμε ελέγχους υπολογισμών σε einen πίνακα, δείχνουμε einen mini υπολογιστή: τις ακριβείς κελιά που συνδυάστηκαν και την αριθμητική που το σύστημα χρησιμοποίησε. Αν έκανε ένα λάθος, μπορείτε να το δείτε σε μια στιγμή. Στο πλευρό του μοντέλου, το πιο σημαντικό εργαλείο είναι ισχυρά σύνολα αξιολόγησης που μετρούν την ακρίβεια σε πραγματικές εργασίες. Πέρα από αυτό, έρχεται να δείτε με τα μάτια του μοντέλου. Είναι αξιοπρεπές να ξεχάσετε τι μπορεί πραγματικά να δει το μοντέλο. Οπότε μελετάτε τι είναι μπροστά του, μελετάτε πώς ένας εμπειρός συλλογιστεί το ίδιο πρόβλημα, και κλείνετε την απόσταση δίνοντας στο μοντέλο το контекστ που θα είχε ο εμπειρός.

Τι χρειάζεται για να κερδίσετε την εμπιστοσύνη των CFOs, ελεγκτών και ελεγκτών όταν αναπτύσσετε Τεχνητή Νοημοσύνη σε περιβάλλοντα που είναι φορτωμένα με συμμόρφωση;

Η εμπιστοσύνη αρχίζει με το να κάνετε εύκολο να δείτε τι έκανε το σύστημα. Ένας χρήστης δεν βλέπει την αξιολόγησή σας και δεν ενδιαφέρεται ότι μέσως 95%. Μπλέκει στο δικό του φύλλο, και στο δικό του φύλλο το σύστημα μπορεί να κάνει χειρότερα από το μέσο, ίσως την χειρότερη εκτέλεση της ημέρας. Καμία συνολική ποσοστιαία επιτυχία δεν παρηγορεί κανέναν σε εκείνη τη στιγμή.

Οπότε όλα στροβιλίζονται γύρω από την εμπειρία γύρω από την Τεχνητή Νοημοσύνη. Δείχνετε σαφώς τι έγινε, κάνετε το εύκολο να ελέγξετε και να διορθώσετε, και βεβαιώνεστε ότι η διόρθωση πραγματικά διδάσκει το σύστημα. Αυτοί είναι άνθρωποι που είναι προσωπικά υπεύθυνοι για τα νούμερα, οπότε δεν θέλουν μια μαύρη κουτί. Θέλουν να μείνουν στον έλεγχο και να δουν το έργο.

Πού πιστεύετε ότι πολλές επιχειρήσεις πηγαίνουν λάθος όταν προσπαθούν να εισαγάγουν Τεχνητή Νοημοσύνη σε κρίσιμες οικονομικές ροές εργασίας;

Το πιο συνηθισμένο λάθος είναι να στοχεύουν στην πλήρη αυτοματοποίηση την πρώτη μέρα. Η διάθεση είναι να αφαιρέσετε τον εμπειρό. Η καλύτερη κίνηση είναι να κάνετε τον εμπειρό πολύ πιο παραγωγικό και να στοχεύσετε την κρίση του εκεί που πραγματικά μετράει. Όταν προσπαθείτε να αφαιρέσετε完全 τον άνθρωπο, παίρνετε κάτι που κανείς δεν εμπιστεύεται και κανείς δεν χρησιμοποιεί.

Το δεύτερο είναι να το αντιμετωπίζετε ως ένα καθαρό πρόβλημα μοντέλου και να λιμοκτονείτε το μέρος που ο χρήστης πραγματικά αγγίζει. Πώς το έργο παρουσιάζεται, πώς εύκολο είναι να ελέγξετε και να διορθώσετε, συχνά αποφασίζει αν ένα εργαλείο θα υιοθετηθεί ή θα εγκαταλειφθεί σιωπηλά. Πολλά 팀 ανακαλύπτουν πολύ αργά ότι το μοντέλο ήταν το εύκολο μέρος.

Αν σας συμβούλευα έναν CFO που ξεκινά σήμερα: επιλέξτε một στενό, đauερό, καλά κατανοητό έργο αντί να βράζετε την θάλασσα, κρατήστε τους εμπειρογνώμονες σας σταθερά στη θέση του οδηγού και επενδύστε τόσο στην εμπειρία και τον βρόχο ανάδρασης όσο και στο μοντέλοเอง. Αυτή είναι η διαφορά μεταξύ ενός πιλότου που πεθαίνει σιωπηλά και ενός που αλλάζει τον τρόπο με τον οποίο εργάζεται η ομάδα.

Όπως η Τεχνητή Νοημοσύνη γίνεται πιο ενσωματωμένη στις αναφορές και την αναθεώρηση, πώς βλέπετε τον ρόλο των οικονομικών επαγγελματιών να αλλάζει τα επόμενα χρόνια;

Αυτή είναι η θέση όπου η θέση που άνοιξα με πληρώνει. Η αλλαγή είναι από την προετοιμασία στην αναθεώρηση. Σήμερα, η większość του χρόνου του προετοιμαστή πηγαίνει στα μηχανικά: τραβώντας δεδομένα από-scattered συστήματα, κατασκευάζοντας πίνακες, τρέχοντας τις ίδιες ελέγχους ξανά και ξανά. Όπως η Τεχνητή Νοημοσύνη απορροφά αυτό, η δουλειά μετατοπίζεται προς την αναθεώρηση της εξόδου, εφαρμόζοντας κρίση όπου πραγματικά χρειάζεται ένας άνθρωπος, και χειρίζονταν τις εξαιρέσεις.

Το βλέπω αυτό ως κάνωντας τους οικονομικούς επαγγελματίες πιο πολύτιμους, όχι λιγότερους. Η κρίση τους, η ιδρυτική τους μνήμη και η ευθύνη που φέρουν ξοδεύονται στις αποφάσεις που μετράει αντί για την εργασία συναρμολόγησης που μπορεί να κάνει μια μηχανή. Οι καλύτεροι από αυτούς θα είναι εξαιρετικοί στο να κατευθύνουν και να ελέγχουν την έξοδο της Τεχνητής Νοημοσύνης, να πιάνουν το πράγμα που φαίνεται να είναι λάθος, και να εργάζονται ομαλά μαζί με αυτά τα συστήματα.

Όταν κοιτάζετε σε όλη την τοπική Τεχνητή Νοημοσύνη, τι διακρίνει τις εταιρείες που λύνουν βαθιά λειτουργικά προβλήματα από αυτές που απλά καβαλικεύουν την Τεχνητή Νοημοσύνη;

Το κρίνω με ένα τεστ, και δεν έχει να κάνει με Τεχνητή Νοημοσύνη: πόσο θα πονέσει ένας πελάτης αν το προϊόν εξαφανιστεί αύριο; Αν η απάντηση είναι “πολύ”, είναι μια πραγματική εταιρεία. Αν η ειλικρινής απάντηση είναι “θα παρατήσουν几乎”, είναι μια εταιρεία που καβαλικεύει την Τεχνητή Νοημοσύνη. Η Τεχνητή Νοημοσύνη δεν αλλάζει αυτό το τεστ. Απλά το κάνει φθηνότερο να κατασκευάσετε μια έξυπνη επίδειξη που το αποτυγχάνει.

Πηγαίνετε ένα επίπεδο πιο sâu και η ανθεκτική πλεονεκτική θέση έρχεται από το πόσο βαθιά είστε διατεθειμένοι να πάνε. Η τελευταία γενιά λογισμικού κατασκεύασε τον τόπο όπου γίνεται η δουλειά, την επιφάνεια που οι άνθρωποι εργάζονται. Αυτή η γενιά μπορεί να κατασκευάσει συστήματα που κάνουν την δουλειά τους, συμπεριλαμβανομένων των σύνθετων, πολλαπλών βημάτων περιπτώσεων επιχείρησης που τα περισσότερα εργαλεία σιωπηλά παρακάμπτουν. Μόλις πάνε τόσο βαθιά, με το συσσωρευμένο контекστ και την εμπιστοσύνη που παίρνει χρόνια να κερδίσετε, μια μεγάλη εργαστήριο δεν μπορεί να μπει και να πάρει την επιχείρηση με ένα καλύτερο βασικό μοντέλο. Αυτό το βάθος είναι το ganze παιχνίδι, και είναι εκεί που abbiamo đặtει την στοίχημά μας στην Inscope.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Inscope.