Bing Xu, Ιδρυτής και Διευθύνων Σύμβουλος της INT21 – Σειρά Συνεντεύξεων

Bing Xu, Ιδρυτής και Διευθύνων Σύμβουλος της INT21, είναι μηχανικός υποδομών AI και επιχειρηματίας με εκτενή εμπειρία που καλύπτει τη βελτιστοποίηση GPU, τα συστήματα μηχανικής μάθησης και τους αυτόνομους πράκτορες AI. Πριν ιδρύσει την INT21 το 2026, ο Xu ήταν Distinguished Engineer στη NVIDIA, όπου εργάστηκε στην ανάπτυξη λογισμικού με κεντρικό ρόλο τους πράκτορες και δημιούργησε πολλές γενιές κωδικοποιητικών πρακτόρων, συμπεριλαμβανομένης της εργασίας πίσω από το VibeTensor και το AVO. Εντάχθηκε στη NVIDIA μετά την εξαγορά της HippoML, της startup GPU inference που ίδρυσε και ηγήθηκε ως CEO. Πριν από αυτό, ο Xu υπηρέτησε ως Senior Staff Software Engineer στη Meta, όπου δημιούργησε το AITemplate και συνέβαλε στη βελτίωση της αποδοτικότητας του GPU inference σε παραγωγικά φορτία εργασίας, και κατείχε θέσεις μηχανικής και έρευνας στην OctoML, Facebook AI, Apple και Turi. Η καριέρα του έχει συνεχώς εστιάσει στη βελτίωση του λογισμικού και των υποδομών που υποστηρίζουν τα σύγχρονα συστήματα AI.

INT21 δημιουργεί υποδομές AI που αυτοβελτιώνονται, σχεδιασμένες να χρησιμοποιούν αυτόνομα σμήνη πρακτόρων για συνεχή ανάπτυξη, δοκιμή, benchmarking και βελτιστοποίηση του λογισμικού που τροφοδοτεί τα φορτία εργασίας AI. Η τρέχουσα εστίασή της είναι το Inference Engine Factory, το οποίο χρησιμοποιεί εξειδικευμένους πράκτορες για παράλληλη εξερεύνηση στρατηγικών βελτιστοποίησης και κατασκευή πλήρων μηχανών inference που καλύπτουν πυρήνες CUDA και PTX, οδηγούς και υποδομή εξυπηρέτησης, με απόδοση που επαληθεύεται άμεσα στο στοχευόμενο υλικό. Η τεχνολογία της εταιρείας βασίζεται στο SwarmOS, μια cloud‑native πλατφόρμα που επιτρέπει σε μεγάλο αριθμό πρακτόρων να συντονίζονται γύρω από μετρήσιμους μηχανικούς στόχους, διατηρώντας αποδείξεις και μαθήματα μεταξύ των γενεών. Η INT21 παρουσίασε αρχικά αυτήν την προσέγγιση μέσω του PTX Kernel Factory, το οποίο παρήγαγε και έβαλε σε benchmark πυρήνες GPU σε υλικό NVIDIA Hopper και Blackwell· από τότε η εταιρεία έχει μετατοπίσει τους υπολογιστικούς της πόρους προς τη βελτιστοποίηση πλήρων μηχανών inference.

Ιδρύσατε την INT21 μετά από επανειλημμένες δυσκολίες στην πρόσληψη εξειδικευμένων μηχανικών υποδομών γρήγορα αρκετά για την κατασκευή και βελτιστοποίηση συστημάτων AI. Τι σας έπεισε ότι η λύση δεν ήταν απλώς καλύτερα εργαλεία προγραμματιστών, αλλά αυτόνομα, αυτοβελτιώνοντα σμήνη πρακτόρων που μπορούν να αναλάβουν αυτή τη δουλειά;

Είναι γνωστό πρόβλημα ότι η ζήτηση για ταλέντα που εστιάζουν στην υποδομή AI σε διαφορετικές εξειδικεύσεις ξεπερνά πολύ την προσφορά, και είναι μια πρόκληση που αντιμετώπισα προσωπικά. Αυτό με ώθησε να εξετάσω τα αυτοβελτιώνοντα σμήνη πρακτόρων ως επιλογή. Τα τελευταία χρόνια εργάζομαι σε αυτοβελτιώσιμες λύσεις AI, και η τεχνολογία κινείται πλέον με τέτοιο ρυθμό που αυτά τα συστήματα είναι πραγματικά ικανά να κατασκευάσουν, να τρέξουν και να βελτιστοποιήσουν υποδομές αυτόνομα.

Η βασική φιλοσοφία πίσω από την INT21 είναι ότι, όπως οι άνθρωποι, οι πράκτορες γίνονται πιο έξυπνοι μέσω της συσσωρευμένης γνώσης. Αυτό διαφέρει θεμελιωδώς από τα παραδοσιακά εργαλεία προγραμματιστών, τα οποία εξακολουθούν να περιορίζονται από το πόσες ώρες μπορεί να εργαστεί κάποιος και τα προβλήματα που μπορεί να λύσει φυσικά. Η χρήση αυτοβελτιωμένων σμηνών πρακτόρων σημαίνει ότι γινόμαστε ταχύτεροι, πιο ακριβείς και πιο αποδοτικοί σε κάθε κύκλο παραγωγής. Επειδή οι πράκτορές μας είναι ικανοί και δεν περιορίζονται από υπάρχοντα πλαίσια, μπορούμε να χτίζουμε λύσεις απευθείας από το μηδέν για κάθε συγκεκριμένο φορτίο εργασίας.

Πριν από την INT21, ιδρύσατε την HippoML, η οποία εξαγοράστηκε από τη NVIDIA μόλις 14 μήνες μετά την έναρξη, και αργότερα ήσασταν Distinguished Engineer στη NVIDIA. Τι σας δίδαξαν αυτές οι εμπειρίες για τα εμπόδια στην υποδομή AI που τελικά διαμόρφωσαν την αρχιτεκτονική και την αποστολή της INT21;

Στην HippoML εξειδικευόμασταν στην υψηλής απόδοσης inference γενετικού AI, δημιουργώντας εργαλεία βελτιστοποίησης λογισμικού για ταχύτερη και πιο αποδοτική εκτέλεση μεγάλων γλωσσικών μοντέλων. Συνειδητοποιήσαμε ότι δεν μπορούσαμε να κλιμακώσουμε χωρίς να βασιζόμαστε σε ταλαντούχους συνεργάτες από την Ανατολική Ευρώπη και άλλες περιοχές, μόνο για να συμβαδίσουμε με τη ζήτηση για βελτιστοποίηση AI inference.

Μετά την εξαγορά μας από τη NVIDIA, ξεκίνησα να χτίζω μια προσέγγιση ανάπτυξης βασισμένη σε πράκτορες μέσα στην εταιρεία. Δημοσιεύσαμε έρευνα που αποδεικνύει ότι το harness (το στρώμα υποδομής γύρω από ένα μοντέλο) είναι αυτό που πραγματικά καθορίζει την απόδοση του πράκτορα, όχι το ίδιο το μοντέλο. Αυτό ήταν απόδειξη ότι το πραγματικό εμπόδιο στην υποδομή AI δεν είναι η εύρεση καλύτερων μοντέλων. Είναι η βελτιστοποίηση των συστημάτων που τα εκτελούν.

Καθώς τα μοντέλα βελτιώνονται, η υποδομή γύρω τους πρέπει να κλιμακωθεί ανάλογα. Αλλά οι κύκλοι βελτιστοποίησης που διενεργούνται από ανθρώπους δυσκολεύονται να συμβαδίσουν. Βελτιστοποιείς έναν βρόχο εκπαίδευσης για μια αρχιτεκτονική μοντέλου, τον αναπτύσσεις, και αν η αρχιτεκτονική του μοντέλου αλλάξει ή εμφανιστεί νέα γενιά GPU, πρέπει να ξεκινήσεις από την αρχή. Σήμερα φαίνεται ότι υπάρχει μια νέα ενημέρωση μοντέλου κάθε εβδομάδα· αυτή η παλιά προσέγγιση είναι μη βιώσιμη. Η συνειδητοποίηση αυτή με έπεισε ότι η επόμενη επανάσταση είναι στην αυτοβελτιωμένη υποδομή, κάτι που με οδήγησε στη δημιουργία της INT21.

Η INT21 περιγράφει την προσέγγισή της ως «αυτοβελτιωμένη υποδομή», κάτι που διαφέρει σημαντικά από την επαναληπτική αυτοβελτίωση όπου οι ερευνητές προσπαθούν να κάνουν το ίδιο το υποκείμενο μοντέλο AI πιο ικανό. Πώς λειτουργεί η προσέγγισή σας και γιατί πιστεύετε ότι η βελτίωση των συστημάτων γύρω από τα υπάρχοντα μοντέλα μπορεί να προσφέρει ουσιαστικά κέρδη πολύ πιο σύντομα;

Η προσέγγιση της επαναληπτικής αυτοβελτίωσης επικεντρώνεται στην εκπαίδευση ιδιόκτητων μοντέλων, στη συγκρότηση ερευνητικών ομάδων και στην άντληση τεράστιου κεφαλαίου. Είναι ένα δέκα ετών, ακριβό ταξίδι, επειδή ζητάς από το μοντέλο να λογίζεται τη δική του διαδικασία εκπαίδευσης.

Η προσέγγισή μας είναι διαφορετική. Στην INT21 δεν προσπαθούμε να βελτιώσουμε τα ίδια τα μοντέλα αιχμής, κάτι που θα απαιτούσε χρόνια και δισεκατομμύρια σε κεφάλαιο. Αντίθετα, χτίζουμε σμήνη πρακτόρων που βελτιστοποιούν το harness, το στρώμα υποδομής που βρίσκεται μεταξύ του μοντέλου και της απόδοσης. Αυτό είναι που αποδείχθηκε από την έρευνά μου στη Nvidia: ότι το harness, όχι το μοντέλο, καθορίζει την απόδοση του πράκτορα σε σύνθετα καθήκοντα. Ένας πράκτορας δεν χρειάζεται να κατανοήσει τις δυνατότητες του μοντέλου αιχμής για να βρει μια βελτίωση αποδοτικότητας 10 %. Απλώς χρειάζεται να εξερευνήσει το χώρο σχεδίασης, να μετρήσει, να επικυρώσει και να διατηρήσει ό,τι λειτουργεί.

Ένας τρόπος να σκεφτείς τις δύο διαφορετικές προσεγγίσεις είναι ότι η μία χτίζει ένα σταθμό παραγωγής ενέργειας, ενώ η άλλη χτίζει με την ηλεκτρική ενέργεια που ήδη υπάρχει. Μπορούμε να κινηθούμε πιο γρήγορα και να καλύψουμε ζήτηση που είναι πραγματική και άμεση. Και σημαίνει ότι βλέπουμε ήδη σημαντικά, μετρήσιμα κέρδη στην αυτοβελτιωμένη υποδομή σήμερα.

Η INT21 λανσάρε πρόσφατα το Inference Engine Factory, επεκτείνοντας την έννοια πέρα από μεμονωμένους πυρήνες GPU σε πλήρεις μηχανές inference. Τι σημαίνει πρακτικά για ένα σμήνος πρακτόρων να χτίζει και να βελτιστοποιεί αυτόνομα μια μηχανή inference, και ποια τμήματα της διαδικασίας απαιτούσαν παραδοσιακά την πιο εξειδικευμένη ανθρώπινη τεχνογνωσία;

Μια μηχανή inference είναι το λογισμικό που εκτελεί ένα μοντέλο σε υλικό. Είναι ένα σύνθετο σύστημα που παίρνει δεκάδες σχεδιαστικές αποφάσεις ταυτόχρονα, όπως το ποιες λειτουργίες τρέχουν μαζί σε έναν ενιαίο πυρήνα ή πώς προγραμματίζεται η εργασία μεταξύ των πυρήνων. Αυτές οι αποφάσεις είναι αλληλένδετες· αν αλλάξεις μία, πρέπει να επανελέγξεις τα πάντα τα υπόλοιπα.

Παραδοσιακά, ένας μηχανικός ρυθμίζει όλα αυτά χειροκίνητα για κάθε μοντέλο. Για βίντεο, μουσική και παραγωγή ομιλίας, αυτό αποτελεί πρόκληση επειδή πρόκειται για πολυεπίπεδες, πολυσυνθετικές αρχιτεκτονικές χωρίς έτοιμο πλαίσιο. Τα σμήνη πρακτόρων της INT21 χτίζουν το πλήρες stack από άκρη σε άκρη, από μεμονωμένους πυρήνες μέχρι την πλήρη μηχανή inference. Οι στοίβες μας για βίντεο και ήχο δεν απαιτούν ανθρώπινη ανασκόπηση κώδικα και υπερβαίνουν τις πιο σύγχρονες λύσεις inference υπό τις ίδιες συνθήκες ταυτόχρονης εκτέλεσης.

Το PTX Kernel Factory σας έχει παραγάγει υλοποιήσεις που υπερβαίνουν τα υπάρχοντα baseline έως και 59 % σε ορισμένα φορτία εργασίας. Σε τεχνικό επίπεδο, πού βρίσκουν οι πράκτορες βελτιώσεις απόδοσης που οι πολύ βελτιστοποιημένες υλοποιήσεις από ανθρώπους ή οι συμβατικοί μεταγλωττιστές δεν εντοπίζουν;

Το PTX Kernel Factory μας ξεπέρασε το καλύτερο διαθέσιμο baseline έως και 59 % έναντι του KDA (Kimi Linear Attention). Αυτό οφείλεται στο ότι τα αυτοβελτιωμένα σμήνη πρακτόρων μας μπορούν να εξερευνήσουν χιλιάδες παραλλαγές σε κλάσμα του χρόνου, μια διαδικασία που είναι πολύ δύσκολη και δαπανηρή για ανθρώπινους μηχανικούς.

Η διαφορά είναι ότι οι πυρήνες γραμμένοι από ανθρώπους βασίζονται σε γλώσσες-ειδικού σκοπού (DSL), πρότυπα και μεταγλωττιστές που δημιουργήθηκαν εκ των προτέρων για GPU. Μια DSL λειτουργεί καλά για κοινά μοτίβα, αλλά όταν αντιμετωπίζεις νέο φορτίο εργασίας, όπως το KDA, ο γενικού σκοπού μεταγλωττιστής συχνά δεν μπορεί να αποδώσει βέλτιστα. Οι πράκτορές μας παρακάμπτουν εντελώς αυτές τις αφαιρέσεις, πράγμα που σημαίνει ότι δεν περιορίζονται από υποθέσεις DSL ή μεταγλωττιστών. Αυτή η ελευθερία να εξερευνήσουν ολόκληρο το χώρο σχεδίασης χωρίς να δεσμεύονται σε προκαθορισμένα μοτίβα είναι η πηγή της βελτίωσης.

Η AI‑γεννημένη υποδομή δημιουργεί ένα ασυνήθιστο πρόβλημα επαλήθευσης: μια βελτιστοποίηση δεν είναι χρήσιμη αν είναι ταχύτερη αλλά ελαφρώς λανθασμένη. Πώς τα σμήνη πρακτόρων σας δοκιμάζουν, κάνουν benchmark, απορρίπτουν αποτυχίες και διατηρούν τις επιτυχημένες ανακαλύψεις, και πόσο σημαντικός είναι αυτός ο βρόχος ανατροφοδότησης για το να γίνει το σύστημα πραγματικά αυτοβελτιωμένο αντί για απλώς έναν AI κώδικα;

Ο βρόχος ανατροφοδότησης είναι κρίσιμος, επειδή μια βελτιστοποίηση είναι άχρηστη αν είναι σωστή μόνο υπό συγκεκριμένες υποθέσεις ή μόνο για συγκεκριμένο κατανομή εισόδων. Στην INT21 διασφαλίζουμε ότι ο βρόχος είναι αυστηρός.

Ξεκινάμε από το μοντέλο, τους περιορισμούς ανάπτυξης και το μέτρο εξυπηρέτησης που μετράει. Στη συνέχεια, τα αυτοβελτιωμένα σμήνη πρακτόρων εξερευνούν ταυτόχρονα διαδρομές διαμόρφωσης και βελτιστοποίησης, και αξιολογούν κάθε υποψήφιο έναντι στόχων ορθότητας και απόδοσης. Μόνο οι υλοποιήσεις που λειτουργούν διατηρούνται.

Αυτό που κάνει το σύστημα πραγματικά αυτοβελτιωμένο είναι ότι τα δεδομένα επικύρωσης βελτιώνονται από μόνα τους. Αυτά τα δεδομένα επιστρέφουν στα σμήνη πρακτόρων, ώστε να βελτιώνουν την κατανόησή τους για το τι λειτουργεί, κλείνοντας συνεχώς τον βρόχο. Χωρίς αυτή τη σκληρή προσέγγιση, θα είχαμε ένα σύστημα με κώδικα που φαίνεται εντυπωσιακό, μπορεί να παραδοθεί γρηγορότερα, αλλά δημιουργεί τεχνικό χρέος που συσσωρεύεται αόρατα και υποσκάπτει την εμπιστοσύνη στο τι κατασκευάζεται.

Στη NVIDIA, εργαστήκατε σε έργα όπως το VibeTensor και οι Agentic Variation Operators, όπου οι πράκτορες παρήγαγαν σημαντικό όγκο λογισμικού συστήματος και έψαχναν αυτόνομα για βελτιστοποιήσεις GPU. Τι αποκάλυψαν αυτά τα έργα για τους τύπους προβλημάτων μηχανικής που οι AI πράκτορες μπορούν ήδη να λύσουν, ενώ πολλοί προγραμματιστές μπορεί ακόμη να πιστεύουν ότι απαιτούν ανθρώπινους ειδικούς;

Το VibeTensor μου δίδαξε κάτι που αποκαλώ «το φαινόμενο Frankenstein». Η AI έκανε σωστή δουλειά σε κάθε επίπεδο, αλλά όταν συνέθετες όλα αυτά τα κομμάτια ως σύστημα, έλειπε από το τι μπορούν να χτίσουν οι ανθρώπινοι ειδικοί.

Η εργασία με τους Agentic Variation Operators ήταν το αντίθετο. Έδειξε ότι η AI μπορεί να υπερβεί τους ανθρώπινους ειδικούς σε στενά καθορισμένα προβλήματα. Η δημιουργία πυρήνων είναι ένα καλό παράδειγμα, επειδή το πρόβλημα είναι στενό, μετρήσιμο και έχει έναν μόνο στόχο.

Το «φαινόμενο Frankenstein» είναι ακριβώς αυτό που λύνει η INT21. Τα δείγματα μηχανικής από το Inference Engine Factory μας υπερβαίνουν υψηλών επιδόσεων, ανοιχτού κώδικα μηχανές inference όπως το SGLang και το vLLM, επειδή έχουμε μάθει να δομούμε το πρόβλημα σωστά. Δίνουμε στους πράκτορες σαφείς περιορισμούς, μετρήσιμους στόχους και στενούς βρόχους ανατροφοδότησης. Οι ανθρώπινοι ειδικοί παραμένουν ουσιώδεις, αλλά αντί να εκτελούν τη βελτιστοποίηση, παρέχουν πολύτιμη κατεύθυνση και ερμηνεύουν τα αποτελέσματα. Η AI ενισχύει την επίδραση του ειδικού εκτελώντας πιο γρήγορα και συστηματικά από ό,τι μπορεί οποιοσδήποτε άνθρωπος.

Η INT21 χρησιμοποιεί πολλαπλούς εξειδικευμένους πράκτορες αντί να βασίζεται σε έναν μόνο πράκτορα με ολοένα και μεγαλύτερο παράθυρο περιεχομένου. Γιατί θεωρείτε ότι η ορχήστρωση πολλαπλών πρακτόρων είναι πιο κλιμακώσιμη προσέγγιση σε σύνθετα προβλήματα μηχανικής, και πώς οι πράκτορες διαιρούν τη δουλειά, μοιράζονται τις ανακαλύψεις και αποφεύγουν την επικάλυψη ή σύγκρουση μεταξύ τους;

Ένα μεγαλύτερο παράθυρο περιεχομένου σας επιτρέπει να κρατάτε περισσότερες πληροφορίες ταυτόχρονα, αλλά δεν σας βοηθά να λύσετε πολυδιάστατα προβλήματα όπου όλα είναι αλληλένδετα. Χρησιμοποιούμε μια cloud‑native πλατφόρμα για την εκτέλεση εξειδικευμένων πρακτόρων, όλοι εργάζονται προς τον ίδιο μετρήσιμο στόχο. Οι πράκτορες εξερευνούν παράλληλα και συνεχώς συγκλίνουν σε ισχυρότερες λύσεις.

Αυτό είναι πιο κλιμακώσιμο για πολλούς λόγους. Πρώτον, κάθε πράκτορας παραμένει εστιασμένος. Δεύτερον, δεν ζητάτε από έναν μόνο πράκτορα να λογίζεται τα πάντα ταυτόχρονα, οπότε η διαδικασία είναι πιο αποδοτική. Και τέλος, αντικατοπτρίζει τον τρόπο που λειτουργούν οι ομάδες υποδομών στην πραγματικότητα, όπου κάθε ομάδα κατέχει τον δικό της τομέα, αλλά συγχρονίζεται όταν οι αποφάσεις επηρεάζουν η μία την άλλη.

Αν τα σμήνη πρακτόρων γίνουν ικανά να βελτιστοποιούν συνεχώς πυρήνες, μηχανές inference, μεταγλωττιστές και άλλα στρώματα του AI stack, πώς θα αλλάξει ο ρόλος του μηχανικού υποδομών; Αναμένετε αυτά τα συστήματα να αντιμετωπίζουν κυρίως την έλλειψη εξειδικευμένων μηχανικών ή τελικά να αυτοματοποιούν ένα σημαντικό τμήμα της ανάπτυξης υποδομής;

Η δουλειά του μηχανικού υποδομών πρόκειται να αλλάξει εντελώς. Δεν θα «τρίβει» πλέον κώδικα πυρήνων και ρυθμίσεις μνήμης. Αντίθετα, θα ορίζει στόχους, θα καθορίζει το χώρο σχεδίασης, θα θέτει περιορισμούς και θα ερμηνεύει τα αποτελέσματα.

Με την πάροδο του χρόνου, θα χρειάζονται λιγότεροι μηχανικοί υποδομών για τη διατήρηση και τη βελτίωση των συστημάτων. Αλλά η στρατηγική εργασία που θα απομένει γίνεται πιο πολύτιμη, όχι λιγότερη. Στην πράξη, αυτό σημαίνει ότι οι οργανισμοί μπορούν να λειτουργούν με πολύπλοκες υποδομές AI με πολύ λιγότερους εξειδικευμένους μηχανικούς από ό,τι απαιτούνται σήμερα. Αυτό είναι σημαντικό για κάθε εταιρεία που προσπαθεί να χτίσει παραγωγικά συστήματα AI.

Η μακροπρόθεσμη όρασή σας είναι τα σμήνη πρακτόρων να λειτουργούν σε κάθε στρώμα της υποδομής AI. Πώς φαίνεται αυτό το stack αν η όραση υλοποιηθεί, και θα μπορούσαμε τελικά να φτάσουμε σε ένα σημείο όπου η υποδομή AI συνεχώς ξαναγράφει και βελτιστοποιεί τον εαυτό της καθώς τα μοντέλα, τα φορτία εργασίας και το υλικό αλλάζουν;

Αυτή τη στιγμή, κάθε στρώμα του AI stack βελτιστοποιείται ανεξάρτητα, από τους χαμηλού επιπέδου πυρήνες μέχρι τα θεμελιώδη πλαίσια και τα interfaces. Αλλά δεν συντονίζονται μεταξύ τους. Έτσι, μπορείς να βελτιστοποιήσεις ένα στρώμα, αλλά να σπάσεις κατά λάθος κάτι άλλο στο επόμενο.

Στην INT21, η όραση είναι ότι τα σμήνη πρακτόρων μπορούν να συντονίζονται αυτόνομα σε όλα αυτά τα στρώματα, προσαρμόζοντας και προσαρμόζοντας συνεχώς. Όταν εμφανιστεί νέο μοντέλο, ολόκληρο το stack ξαναβελτιστοποιείται γι’ αυτό, ώστε η υποδομή να μην μένει ποτέ πίσω από ό,τι τρέχει πάνω της.

Αυτό δεν ήταν εφικτό, επειδή οι ανθρώπινοι μηχανικοί δεν μπορούν να κινηθούν γρήγορα αρκετά. Αλλά με σμήνη πρακτόρων που βελτιστοποιούν συνεχώς, η αυτοβελτιωμένη υποδομή αναδεικνύεται ως ξεχωριστή κατηγορία υπολογισμού. Η υποδομή που μπορεί να προσαρμόζεται όσο γρήγορα αλλάζουν τα μοντέλα και το υλικό θα νικήσει. Ό,τι άλλο γίνεται ευπάθεια.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν INT21.