Εισαγωγή μιας Αίσθησης Όσφρησης στην Ανάπτυξη του AI

Μια νέα βάση δεδομένων AI διδάσκει τις μηχανές να μυρίζουν συσχετίζοντας δεδομένα όσφρησης με εικόνες, επιτρέποντας στα μοντέλα να ταιριάζουν οσμές με αντικείμενα, σκηνές και υλικά.

Πιθανόν λόγω του ότι οι μηχανές εξόδου όσφρησης έχουν ένα τόσο περίπλοκο ιστορικό, η όσφρηση είναι μια相 đối παραμελημένη αίσθηση στη βιβλιογραφία της έρευνας του AI. Εκτός αν σκόπευατε να παράγετε άλλο ένα επεισόδιο στη μακροχρόνια (περισσότερο από έναν αιώνα, μέχρι σήμερα) σάγκα της όσφρησης, οι περιπτώσεις χρήσης έχουν πάντα φαινόταν κάπως ‘ειδικές’ σε σύγκριση με την εκμετάλλευση των συνόλων δεδομένων εικόνων, ήχου και βίντεο, και τα μοντέλα AI που εκπαιδεύονται από αυτά.

Στην πραγματικότητα, η δυνατότητα αυτοματοποίησης, βιομηχανοποίησης και δημοτικότητας των εγκαταστάσεων ανίχνευσης που προσφέρονται από σκύλους βόμβας, σκύλους πτωμάτων, σκύλους ανίχνευσης ασθενειών και διάφορους άλλους τύπους μονάδων ανίχνευσης σκύλων, θα ήταν ένα αξιοσημείωτο οφέλους στις δημοτικές και ασφαλιστικές υπηρεσίες.尽管 υπάρχει υψηλή ζήτηση, πολύ πάνω από την προσφορά, η εκπαίδευση και συντήρηση σκύλων ανίχνευσης είναι μια ακριβή επιχείρηση που δεν πάντα προσφέρει καλή σχέση κόστους-αξίας.

Μέχρι σήμερα, η większość της έρευνας που εισβάλλει σε αυτήν την περιοχή της μελέτης έχει περιοριστεί σε ένα εργαστήριο, με κατηγοριοποιημένες συλλογές που συνήθως αποτελούνται από παραδείγματα με χειροποίητα χαρακτηριστικά – ένα προφίλ που προορίζεται περισσότερο για εξειδικευμένες λύσεις παρά για βιομηχανικές εφαρμογές.

Μπροστά με μια Μύτη

Σε αυτό το κάπως σκόρπιο κλίμα έρχεται ένα ενδιαφέρον νέο ακαδημαϊκό-βιομηχανικό συνεργάτη από τις ΗΠΑ, όπου μια ομάδα ερευνητών πέρασε几个 μήνες καταλογίζοντας διάφορες οσμές σε εσωτερικούς και εξωτερικούς χώρους στη Νέα Υόρκη – και, για πρώτη φορά, συλλέγοντας εικόνες που συνδέονται με τις αναγνωρισμένες οσμές:

Σημειώστε τον κεντρικό αισθητήρα, τη ‘μύτη’ της ολφακτικής συσκευής. Εκπαιδευμένο μόνο στην όσφρηση, το μοντέλο μαντεύει αν μυρίζει γρανίτη, πλαστικό ή δέρμα – και ακόμη και αναγνωρίζει το δωμάτιο που βρίσκεται, χωρίς να δει ούτε ένα pixel. Πηγή

Αυτή η έρευνα οδήγησε τους συγγραφείς του νέου έργου να επινοήσουν μια σπιν στην εξαιρετικά δημοφιλή Πλαίσιο Προετοιμασίας Γλώσσας-Εικόνας (CLIP) που συνδέει κείμενο και εικόνες, με τη μορφή Προετοιμασίας Ολφακτικής-Εικόνας (COIP) – η οποία συνδέει οσμές και εικόνες.

Πάνω: συγχρονισμένα βίντεο και ολφακτικά δεδομένα αισθητήρα καταγράφονται σε φυσικούς χώρους χρησιμοποιώντας μια κάμερα-αｉσθητήρα μύτης. Κάτω αριστερά (β): μια κοινή εμβέδωση μαθαίνεται μέσω αυτο-επιτήρησης. (γ): το σύστημα ανακτά οπτικές αντιστοιχίες με βάση μόνο μια ερώτηση όσφρησης. (δ): отдельные δείγματα οσμέων χρησιμοποιούνται για την ταξινόμηση κατηγοριών περιβάλλοντος, αντικειμένων και υλικών. (ε): πολύ παρόμοιες οσμές, όπως δύο τύποι χόρτου, διακρίνονται χωρίς οπτική είσοδο. Πηγή

Η νέα βάση δεδομένων, με τίτλο Νέα Υόρκη Όσφρηση, περιέχει 7.000 ζευγάρια οσμέων-εικόνων που εμφανίζουν 3.500 διαφορετικά αντικείμενα. Όταν εκπαιδεύτηκε σε δοκιμές, τα νέα δεδομένα βρέθηκαν να υπερτερούν των δημοφιλών χειροποίητων χαρακτηριστικών στις σχετικά λίγες παρόμοιες προηγούμενες βάσεις δεδομένων.

Οι συγγραφείς ελπίζουν ότι η αρχική τους έξοδος θα ανοίξει το δρόμο για μεταγενέστερες και επόμενες εργασίες προς συστήματα ανίχνευσης όσφρησης που σχεδιάζονται να λειτουργούν στο άγριο, με τον ίδιο τρόπο που λειτουργούν οι σκύλοι ανίχνευσης*:

‘Βλέπουμε αυτή τη βάση δεδομένων ως ένα βήμα προς την ολφακτική αντίληψη σε φυσικούς χώρους, καθώς και ένα βήμα προς τη σύνδεση της όρασης με την όσφρηση. Ενώ η όσφρηση έχει παραδοσιακά προσεγγιστεί σε περιορισμένους χώρους, όπως η εγγύηση ποιότητας, υπάρχουν πολλές εφαρμογές σε φυσικούς χώρους.

‘Για παράδειγμα, ως άνθρωποι, χρησιμοποιούμε συνεχώς την αίσθηση της όσφρησης για να αξιολογήσουμε την ποιότητα των τροφίμων, να αναγνωρίσουμε κινδύνους και να ανιχνεύσουμε невидимους αντικείμενα.

‘Επιπλέον, πολλά ζώα, όπως οι σκύλοι, οι αρκούδες και οι ποντίκι, εμφανίζουν υπεράνθρωπες ικανότητες όσφρησης ικανότητες, υποδεικνύοντας ότι η ανθρώπινη αντίληψη όσφρησης είναι μακράν από το όριο των ικανοτήτων της μηχανής.’

Αν και το νέο έγγραφο, με τίτλο Νέα Υόρκη Όσφρηση: Μια Μεγάλη Πολυμεσική Βάση Δεδομένων για Όσφρηση, υποσχέθηκε ότι τα δεδομένα και ο κώδικας θα κυκλοφορήσουν, ένα αρχείο δεδομένων 27GB είναι ήδη διαθέσιμο μέσω της ιστοσελίδας του έργου. Το έγγραφο παράχθηκε από εννέα ερευνητές σε πανεπιστήμια Columbia, Cornell και Osmo Labs.

Μέθοδος

Για τη συλλογή υλικού για τη νέα συλλογή, οι ερευνητές χρησιμοποίησαν το Cyranose 320 ηλεκτρονική μύτη, με ένα iPhone τοποθετημένο πάνω από την εμπρόσθια εισαγωγή για να καταγράψουν οπτικά τι οσμές καταγράφονταν:

Μια φορητή συσκευή αισθητήρα συλλέγει ζευγάρια βίντεο και οσμέων με τοποθετώντας μια κάμερα iPhone πάνω σε μια Cyranose 320 e-μύτη. Η μύτη στοχεύει στα αντικείμενα ενώ η έξοδος και η είσοδος καθαρισμού διαχειρίζονται τη ροή αέρα κατά τη δειγματοληψία. Μια κάμερα RGB‑D καταγράφει το βάθος, ενώ η συγκέντρωση οργανικών ενώσεων, η θερμοκρασία και η υγρασία καταγράφονται μέσω ολοκληρωμένων αισθητήρων, συμπεριλαμβανομένης μιας μονάδας PID και μιας περιβαλλοντικής сонίδας.

Η συσκευή Cyranose λειτουργεί σε 2Hz, καταγράφοντας 32-διάστατες ολφακτικές χρονικές βήματα. Οι συγκεντρώσεις των οργανικών ενώσεων καταγράφηκαν με einen MiniPID2 PPM WR αισθητήρα.

Η φορητή μονάδα λειτουργούσε ως μια ευέλικτη συσκευή αισθητήρα, μεταφέροντας δεδομένα σε μια πιο υπολογιστικά ικανή κινητή μονάδα για επεξεργασία.

Για να τοποθετήσετε την στόχο όσφρηση σε контекст, μια ‘βασική όσφρηση’ καταγράφηκε, πριν το συγκεκριμένο αντικείμενο στοχευτεί trực tiếp με τη ‘μύτη’ της Cyranose. Το δείγμα περιβάλλοντος λήφθηκε από μια πλευρική θύρα στη μονάδα, για να διασφαλιστεί ότι ήταν αρκετά μακριά από την πηγή της οσμέως για να μην μολυνθεί.

Δύο δείγματα λήφθηκαν από την κύρια εισαγωγή του αισθητήρα, με κάθε δέκα-δευτερόλεπτο εγγραφή να καταγράφεται από διαφορετικές θέσεις γύρω από το αντικείμενο, για να βελτιωθεί η αποτελεσματικότητα των δεδομένων. Τα δείγματα συνδυάστηκαν με το δείγμα περιβάλλοντος για να σχηματίσουν μια 28×32 πίνακα, που αντιπροσωπεύει την πλήρη ολφακτική μέτρηση:

Αυτό το παράδειγμα δείχνει το σήμα και την αντίστοιχη εικόνα για ένα λουλούδι. Το πλήρες ολφακτικό σήμα αποτελείται από einen 28×32 πίνακα, που συνδυάζει einen 14-πλαισιο ambient baseline με δύο 10-δευτερόλεπτα δείγματα που λήφθηκαν από διαφορετικές γωνίες γύρω από το στόχο αντικείμενο.

Δεδομένα και Δοκιμές

Τα μοντέλα Γλώσσας-Όρασης (VLMs) χρησιμοποιήθηκαν για να αυτοματοποιήσουν την ετικέτα αντικειμένων και υλικών που καταγράφηκαν από το iPhone στη συσκευή Cyranose, με GPT-4o που χρησιμοποιήθηκε για την εργασία. Tuy nhiên, οι κατηγορίες σκηνής κατηγοριοποιήθηκαν χειροκίνητα:

Ένα μικρό δείγμα από μια εκτεταμένη εικονογράφηση στο αρχικό έγγραφο που λεπτομερεί τις ποικίλες πηγές οσμέων και περιβάλλοντα που καταγράφηκαν στο έργο.

Η βάση δεδομένων χωρίστηκε σε εκπαιδευτικές και επικυρωτικές διαιρέσεις, με και τα δύο δείγματα από κάθε αντικείμενο να ανατεθούν στην ίδια διαιρέση για να αποφευχθεί η διασταύρωση. Η τελική συλλογή αποτελείται από 7.000 ολφακτικά-οπτικά ζευγάρια που προέρχονται από 3.500 ανετικεταγμένα αντικείμενα, μαζί με 70 ώρες βίντεο και 196.000 χρονικές βήματα ολφακτικών δεδομένων από cả τις φάσεις baseline και δειγματοληψίας.

Τα δεδομένα συλλέχθηκαν σε 60 συνεδρίες κατά τη διάρκεια δύο μηνών, που καλύπτουν πάρκα, πανεπιστημιακά κτήρια, γραφεία, δρόμους, βιβλιοθήκες, διαμερίσματα και τραπεζαρίες, με πολλές συνεδρίες που διεξήχθησαν σε κάθε τοποθεσία. Η αποτελεσματική βάση δεδομένων περιέχει 41% εξωτερικούς και 59% εσωτερικούς χώρους.

Για να αναπτύξουν γενικής χρήσης ολφακτικές αναπαραστάσεις, οι συγγραφείς εκπαίδευσαν ένα αντίθετο μοντέλο για να συσχετίσει συγχρονισμένα ζευγάρια εικόνων-οσμέων από τη βάση δεδομένων. Αυτή η προσέγγιση, η προαναφερθείσα COIP, χρησιμοποιεί μια συνάρτηση απώλειας που προσαρμόζεται από το CLIP για να ευθυγραμμίσει τις εμβέδωσεις των συνυπάρχουσων οπτικών και ολφακτικών σημάτων.

Η εκπαίδευση χρησιμοποίησε και einen οπτικό κωδικοποιητή και einen ολφακτικό κωδικοποιητή, με στόχο να διδάξει το μοντέλο να φέρει τις αντιστοιχίες οσμέων και εικόνων πιο κοντά σε ένα κοινό χώρο αναπαράστασης. Οι αποτελεσματικές αναπαραστάσεις υποστηρίζουν eine σειρά από κατωτέρω εργασίες, συμπεριλαμβανομένης της ανάκτησης οσμέων-εικόνων, της αναγνώρισης σκηνής και αντικειμένου, της ταξινόμησης υλικών και της λεπτομερούς διάκρισης οσμέων.

Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας δύο τύπους ολφακτικών εισόδων: το πλήρες сыρό ολφακτικό σήμα και eine缩小μένη περίληψη που ονομάζεται αποτύπωση οσμέων – που χρησιμοποιείται ευρέως στις έρευνες όσφρησης που συμπιέζουν κάθε απάντηση αισθητήρα σε einen αριθμό比較ντας την αντίσταση κατά τη δειγματοληψία με την μέση αντίσταση κατά τη φάση baseline.

Αντίθετα, η сыρή είσοδος που καταγράφηκε σε όλη τη Νέα Υόρκη αποτελείται από eine χρονική σειρά από 32 χημικούς αισθητήρες μέσα στη συσκευή Cyranose, καταγράφοντας πώς η ηλεκτρική αντίσταση κάθε αισθητήρα άλλαζε με το χρόνο καθώς ανταποκρίνεται στην όσφρηση.

Για την επιμέλεια της βάσης δεδομένων, αυτό το сыρό σήμα τροφοδοτήθηκε trực tiếp σε einen νευρωνικό ιστό, επιτρέποντας την εκμάθηση από άκρου σε άκρο με einen συνβολικό ή einen μετασχηματιστή-βάση ιστό.

Ανάκτηση Δια-Μοντέλων

Η ανάκτηση δια-μοντέλων αξιολογήθηκε με την εμβέδωση κάθε δείγματος οσμέων και της συνδεδεμένης εικόνας σε einen κοινό χώρο αναπαράστασης και με την δοκιμή εάν η σωστή εικόνα μπορεί να ανακτηθεί με βάση μόνο την ολφακτική είσοδο.

Η κατάταξη καθορίστηκε από την εγγύτητα κάθε εμβέδωσης εικόνας σε σχέση με το ερώτημα οσμέων μέσα σε αυτόν τον χώρο, και η απόδοση μετρήθηκε χρησιμοποιώντας μέσο βαθμό, μεσό βαθμό και ανακληση σε πολλαπλά κατώφλια:

Ακρίβεια ανάκτησης δια-μοντέλων για διαφορετικούς κωδικοποιητές οσμέων, δείχνοντας πώς καλά το κάθε μοντέλο αναγνωρίζει την σωστή εικόνα από ένα ερώτημα οσμέων. Τα αποτελέσματα συγκρίνουν αρχιτεκτονικές που εκπαιδεύτηκαν σε сыρά ολφακτικά σήματα με εκείνες που χρησιμοποιούν αποτυπώσεις οσμέων.

Σχετικά με αυτά τα αποτελέσματα, οι συγγραφείς δηλώνουν:

‘Η προετοιμασία αντίθετων χρησιμοποιώντας αποτύπωση οσμέων επιτυγχάνει καλύτερα από την τύχη σε όλα τα μετρητά. Tuy nhiên, η εκπαίδευση του κωδικοποιητή οσμέων στο сыρό ολφακτικό σήμα οδηγεί σε σημαντική βελτίωση σε σύγκριση με τον κωδικοποιητή αποτύπωσης, ανεξάρτητα από την αρχιτεκτονική.

‘Αυτό δείχνει την πλουσιότερη πληροφορία που υπάρχει στα сыρά ολφακτικά δεδομένα, ξεκλείδωνας ισχυρότερες δια-μοντέλες συσχετίσεις μεταξύ όρασης και όσφρησης.’

Λεπτομέρεια από την έβδομη εικονογράφηση στο αρχικό έγγραφο, η οποία είναι πολύ συμπυκνωμένη για να αναπαραχθεί με νόημα εδώ. Εδώ, παραδείγματα ανάκτησης δια-μοντέλων που δείχνουν πώς το μοντέλο συνδέει οσμές με αντιστοιχίες εικόνων. Κάθε σειρά αρχίζει με ένα ερώτημα οσμέων, ακολουθούμενο από τις κορυφαίες προβλέψεις εικόνων στην κοινή εμβέδωση. Η σωστή εικόνα για κάθε ερώτημα περιβάλλεται με πράσινο, δείχνοντας πώς οι οσμές από βιβλία, φυτά, μασίφ και άλλα υλικά οδηγούν το μοντέλο προς οπτικά και σεμαντικά συναφείς σκηνές.

Οι συγγραφείς σημειώνουν επίσης ότι τα αποτελέσματα ανάκτησης έδειξαν σαφείς σεμαντικές ομαδοποιήσεις:

‘Οι ανάκτησεις από το μοντέλο μας συχνά δείχνουν σεμαντικές ομαδοποιήσεις. Η όσφρηση ενός βιβλίου ανακτά εικόνες άλλων βιβλίων, η όσφρηση φύλλων ανακτά εικόνες φυλλώματος.

‘Αυτά τα αποτελέσματα υποδεικνύουν ότι η εκμαθημένη αναπαράσταση κατέχει σημαντική δια-μοντέλες δομή.’

Αναγνώριση Σκηνής, Αντικειμένου και Υλικού

Η ικανότητα του μοντέλου να αναγνωρίζει οσμές χωρίς οπτική είσοδο αξιολογήθηκε με την εκπαίδευση του να αναγνωρίζει σκηνές, αντικείμενα και υλικά με βάση μόνο ολφακτικά δεδομένα. Για αυτόν τον σκοπό, χρησιμοποιήθηκε ένας γραμμικός ανιχνευτής (ένας απλός ταξινομητής εκπαιδευμένος σε παγωμένα αναπαραστάσεις) για να αξιολογήσει πόση πληροφορία κωδικοποιείται στις εκμαθημένες εμβέδωσεις οσμέων.

Οι ετικέτες προήλθαν από τις συνδεδεμένες εικόνες στο σύνολο εκπαίδευσης χρησιμοποιώντας GPT-4o – αλλά μόνο το ολφακτικό σήμα χρησιμοποιήθηκε κατά τη διάρκεια της ταξινόμησης.

Δοκιμάστηκαν διάφοροι τύποι κωδικοποιητών: μερικοί αρχικοποιήθηκαν τυχαία, μερικοί εκπαιδεύτηκαν από το μηδέν, και άλλοι εκπαιδεύτηκαν χρησιμοποιώντας αντίθετη μάθηση για να ευθυγραμμίσει την όσφρηση και την όραση σε einen κοινό χώρο αναπαράστασης, με сыρά δεδομένα και αποτυπώσεις οσμέων που αξιολογήθηκαν:

Η ακρίβεια ταξινόμησης για σκηνές, υλικά και αντικείμενα αξιολογήθηκε χρησιμοποιώντας ολφακτικά δεδομένα μόνο. Τα сыρά δεδομένα αισθητήρα υπερέχουν των αποτυπώσεων οσμέων, με CNNs εκπαιδευμένα από το μηδέν να παράγουν τα υψηλότερα αποτελέσματα, συμπεριλαμβανομένων 99.5% για σκηνές. Η προετοιμασία SSL βοήθησε σε ορισμένες περιπτώσεις, αλλά γενικά ξεπεράστηκε από την επιτηρούμενη εκπαίδευση. Οι τυχαίες βάσεις υποδεικνύουν ότι η ικανότητα του μοντέλου αποδεικνύεται ανεπαρκής.

Σημαντικά υψηλότερη ακρίβεια επιτεύχθηκε όταν χρησιμοποιήθηκαν сыρά ολφακτικά δεδομένα, ιδιαίτερα σε μοντέλα που εκπαιδεύτηκαν με δια-μοντέλες επιτήρηση. Οι συγγραφείς σχολιάζουν**:

‘Τα μοντέλα που εκπαιδεύτηκαν σε сыρά αισθητήρια δεδομένα επιτύγχαναν επίσης υψηλότερη ακρίβεια από τα μοντέλα που εκπαιδεύτηκαν με τις χειροποίητες αποτυπώσεις οσμέων. Αυτά τα αποτελέσματα δείχνουν ότι η βαθιά μάθηση από сыρά ολφακτικά σήματα είναι σημαντικά καλύτερη από τις χειροποίητες λειτουργίες.’

Λεπτομερής Διάκριση

Για να αξιολογηθεί εάν λεπτομερείς διακρίσεις οσμέων μπορούν να μάθουν, ένας δείκτης κατασκευάστηκε από δύο είδη χόρτου που συνυπάρχουν στο ίδιο γκαζόν του πανεπιστημίου. Εναλλάσσονταν δείγματα συλλέχθηκαν σε έξι 30-λεπτά συνεδρίες, αποτέλεσαν 256 παραδείγματα. Ένας γραμμικός ταξινομητής εκπαιδεύτηκε σε χαρακτηριστικά από ολφακτική-οπτική αντίθετη μάθηση και αξιολογήθηκε σε ένα σύνολο 42 δειγμάτων:

Ακρίβεια ταξινόμησης ειδών χόρτου από μόνη της όσφρηση. Τα μοντέλα αξιολογήθηκαν στην ικανότητά τους να διακρίνουν μεταξύ δύο οπτικά παρόμοιων τύπων χόρτου χρησιμοποιώντας μόνο ολφακτική είσοδο. Η απόδοση συγκρίθηκε σε αποτυπώσεις οσμέων και сыρά δεδομένα αισθητήρα, με μοντέλα που είτε αρχικοποιήθηκαν τυχαία, εκπαιδεύτηκαν από το μηδέν, ή εκπαιδεύτηκαν χρησιμοποιώντας αυτο-επιτηρούμενη μάθηση (SSL) και στη συνέχεια ένα γραμμικό ανιχνευτή. Η υψηλότερη ακρίβεια, 92.9%, επιτεύχθηκε χρησιμοποιώντας сыρά ολφακτικά δεδομένα με SSL, υποδεικνύοντας ότι οι λεπτομερείς διακρίσεις οσμέων είναι καλύτερα κατεγραμμένες μέσω сыρών εισόδων και οπτικής καθοδήγησης.

Εδώ οι ερευνητές δηλώνουν:

‘Η εκπαίδευση στο сыρό ολφακτικό σήμα (αντί για χειροποίητες λειτουργίες) αποφέρει την υψηλότερη ακρίβεια – υπερβαίνοντας όλες τις παραλλαγές που βασίζονται σε αποτυπώσεις οσμέων.

‘Αυτά τα αποτελέσματα υποδεικνύουν ότι η ολφακτική-οπτική μάθηση διατηρεί περισσότερες λεπτομερείς πληροφορίες από τη μάθηση με αποτυπώσεις οσμέων, και ότι η οπτική καθοδήγηση παρέχει ένα σήμα για την εκμετάλλευση αυτής της πληροφορίας.’

Συμπέρασμα

Αν και η σύνθεση οσμέων φαίνεται να παραμένει ένα ανεπίλυτο πρόβλημα κάποιο διάστημα στο μέλλον, ένα αποτελεσματικό και προσιτό σύστημα ανάλυσης οσμέων στο άγριο έχει τεράστιο δυναμικό, όχι μόνο για αστυνομικές, ασφαλιστικές και ιατρικές εφαρμογές, αλλά και για την ποιότητα ζωής και την παρακολούθηση των πόλεων.

Στην παρούσα στιγμή, το εξοπλισμός που εμπλέκεται είναι ιδιαίτερος και συνήθως assez ακριβός. Έτσι, πραγματική πρόοδος στην ‘ολφακτική AI’ για ανίχνευση φαίνεται να απαιτεί μια ορατή και προσιτή αισθητήρα στη πνεύμα του Raspberry PI.

* Η μετατροπή των εσωτερικών αναφορών των συγγραφέων σε υπερσύνδεσμους.

** Παρακαλώ σημειώστε ότι υπάρχουν επιπλέον εικονογραφήσεις (εικόνα 8) στο αρχικό έγγραφο, αλλά είναι καλύτερα να τις δείτε σε εκείνο το контекст.

Πρώτη δημοσίευση Παρασκευή, 28 Νοεμβρίου 2025