Λιόρ Κοριάτ, Διευθύνων Σύμβουλος της Quali – Σειρά Συνεντεύξεων

Λιόρ Κοριάτ, Διευθύνων Σύμβουλος της Quali, είναι ένας έμπειρος τεχνολογικός εκτελεστής και επιχειρηματίας με σχεδόν δύο δεκαετίες στην Quali, όπου έχει βοηθήσει να διαμορφώσει την εταιρεία από τις πρώτες της τεχνικές και επιχειρησιακές βάσεις σε einen παγκόσμιο παρόχο λύσεων Environment as a Service για DevOps, IT και πλατφόρμες. Από τότε που έγινε Διευθύνων Σύμβουλος και μέλος του Διοικητικού Συμβουλίου το 2011, έχει ηγηθεί της επέκτασης της Quali στις Ηνωμένες Πολιτείες, την Ευρώπη, την Ασία και το Ισραήλ, βασίζοντας την πορεία της εταιρείας σε προηγούμενους ρόλους ως Αντιπρόεδρος Ερευνών και Ανάπτυξης, Chief Operating Officer και Διευθύνων Σύμβουλος, όπου καθιέρωσε την μηχανική, τις πωλήσεις, την υποστήριξη πελατών, το δίκαιο, την ανάπτυξη επιχειρήσεων και τις διεθνείς επιχειρήσεις. Το ιστορικό του περιλαμβάνει επίσης την ίδρυση και ηγεσία της Intellitech Engineering, μιας εταιρείας συστημάτων και μηχανολογικής μηχανικής που εξαγοράστηκε και εξυπηρετούσε αμυντικούς και πολιτικούς πελάτες, καθώς και ρόλους συμβούλου με το Google Launchpad Accelerator και το Κέντρο Επιχειρηματικότητας και Τεχνολογίας του Πανεπιστημίου της Καλιφόρνιας στο Μπέρκλεϊ, όπου συμβουλεύει startups για στρατηγική προϊόντων, εκτέλεση go-to-market, DevOps και κλιμάκωση.

Quali αναπτύσσει λογισμικό αυτοματοποίησης υποδομής και μηχανικής πλατφόρμας που σχεδιάζεται για να βοηθήσει τις οργανώσεις να παρέχουν διακυβέρνηση, αυτοεξυπηρέτηση cloud περιβάλλοντα χωρίς να επιβραδύνουν τις ομάδες ανάπτυξης. Η πλατφόρμα Torque παρέχει ένα κατάλογο-βασισμένο επίπεδο αυτοεξυπηρέτησης για τις ομάδες πλατφόρμας, ενεργοποιώντας εγκεκριμένα blueprints, έλεγχο πρόσβασης με βάση τον ρόλο, διαχείριση κύκλου ζωής, απόδοση κόστους, επιβολή πολιτικής και πραγματική ορατότητα σε όλα τα περιβάλλοντα. Η Quali θέτει την Torque ως τρόπο για να τυποποιήσει την παράδοση υποδομής σε multi-cloud και hybrid-cloud ρυθμίσεις, με υποστήριξη για περιπτώσεις χρήσης που περιλαμβάνουν ανάπτυξη λογισμικού, δοκιμές, demos, εκπαίδευση, proof-of-concept αναπτύξεις, MLOps, agentic AI, αυτοματοποίηση CI/CD pipeline και GPU-as-a-Service. Το ευρύτερο χαρτοφυλάκιο προϊόντων της περιλαμβάνει επίσης το CloudShell, το οποίο μετατρέπει την υποδομή σε επαναχρησιμοποιήσιμα low-code ή no-code δομικά στοιχεία για σύνθετα περιβάλλοντα σε υποδομή εντός εγκαταστάσεων και cloud.

Ιδρύσατε και κλιμάκωσα πολλές τεχνολογικές εταιρείες πριν από την ηγεσία της Quali, και η καριέρα σας περιλαμβάνει στρατιωτικά συστήματα, ρομποτική, μηχανική υποδομής και αυτοματοποίηση cloud. Πώς έχουν επηρεάσει αυτές οι εμπειρίες την όρασή σας για την κατασκευή πλατφόρμων υποδομής AI, και τι σας έπεισε ότι αυτή ήταν η σωστή στιγμή για να εστιάσετε στην διαχείριση υποδομής AI-γενικής;

Η καριέρα μου έχει επικεντρωθεί συνεχώς σε σύνθετα συστήματα που πρέπει να λειτουργούν αξιόπιστα υπό απαιτητικές συνθήκες. Ξεκίνησα στη ρομποτική και την αεροδιαστημική, αναπτύσσοντας συστήματα αυτοματοποίησης και προσομοίωσης για αμυντικές εφαρμογές, όπου η επαναληψιμότητα και η διακυβέρνηση ήταν απαιτήσεις λειτουργίας και όχι προτιμήσεις μηχανικής. Αυτά τα περιβάλλοντα με δίδαξαν ότι τα πιο δύσκολα προβλήματα προκύπτουν όπου πολλά συστήματα και διαδικασίες πρέπει να λειτουργούν μαζί συνεχώς με την πάροδο του χρόνου.

Αυτή η προοπτική με συνόδευσε στην Quali. Κατά τη διάρκεια της τελευταίας δεκαετίας, η entreprise υποδομή έχει γίνει ολοένα και περισσότερο κατανεμημένη σε διαφορετικά επίπεδα. Κάθε νέο επίπεδο λύσε ένα συγκεκριμένο τεχνικό πρόβλημα, αλλά εισήγαγε επίσης μια άλλη διασύνδεση διαχείρισης, μια άλλη εργοστασιακή ροή και μια άλλη πηγή πολυπλοκότητας. Οι οργανώσεις έγιναν πολύ καλές στην δημιουργία υποδομής, αλλά πολύ λιγότερο αποτελεσματικές στη διακυβέρνηση της μια φορά που υπήρχε.

Το AI επιτάχυνε αυτή την ανισορροπία, και οι λειτουργικές προκλήσεις ολοένα και περισσότερο καθορίζουν εάν μια πρωτοβουλία AI θα φτάσει στην παραγωγή ή θα παραμείνει στην πειραματική φάση. Αυτός είναι ο λόγος για τον οποίο πιστεύω ότι η διαχείριση υποδομής AI-γενικής έχει γίνει απαραίτητη. Η πρόκληση είναι η λειτουργία της υποδομής AI συνεχώς σε ετερογενή περιβάλλοντα ενώ διατηρείται η διακυβέρνηση, η ασφάλεια και ο έλεγχος κόστους ενώ βελτιώνεται η利用.

Η κυριαρχική AI έχει γίνει γρήγορα προτεραιότητα για τις κυβερνήσεις και τις επιχειρήσεις. Τι περισσότερες οργανώσεις δεν καταλαβαίνουν σχετικά με την κυριαρχία, και γιατί πιστεύετε ότι η διακυβέρνηση υποδομής γίνεται τόσο σημαντική όσο και η ιδιοκτησία μοντέλου;

Πολλές συζητήσεις σχετικά με την κυριαρχική AI εστιάζουν στη διαμονή δεδομένων και την ιδιοκτησία υποδομής. Αυτά είναι απαραίτητα συστατικά, αλλά αντιμετωπίζουν μόνο ένα μέρος της λειτουργικής πραγματικότητας.

Μόλις οι οργανώσεις αρχίσουν να αναπτύσσουν αυτόνομους πράκτορες, η πρωταρχική ερώτηση μετατοπίζεται από το πού βρίσκεται η υποδομή στο πώς λειτουργούν τα συστήματα AI μέσα σε αυτήν. Σύγχρονοι πράκτορες προβλέπουν πόρους, ανακτούν πληροφορίες, ξεκινούν εργοστασιακές διαδικασίες και αλληλεπιδρούν με συστήματα παραγωγής. Κάθε μια από αυτές τις ενέργειες απαιτεί επιβολή πολιτικής.

Αυτή η αλλαγή στην κυριαρχία πρέπει να αξιολογηθεί. Η ιδιοκτησία της υποδομής δεν παρέχει αυτόματα λειτουργική έλεγχο εάν τα συστήματα AI μπορούν να εκτελέσουν ενέργειες χωρίς καθοριστική διακυβέρνηση. Οι επιχειρήσεις πρέπει να αποδείξουν ποιος προκάλεσε μια ενέργεια, ποίες πολιτικές τη διέπουν, ποιοι πόροι προσεγγίστηκαν και πώς αυτές οι αποφάσεις μπορούν να ελεγχθούν. Η πρόκληση είναι η λειτουργία της υποδομής AI συνεχώς σε ετερογενή περιβάλλοντα ενώ διατηρείται η διακυβέρνηση, η ασφάλεια και ο έλεγχος κόστους ενώ βελτιώνεται η利用.

Περιμένω ότι η διακυβέρνηση υποδομής θα γίνει τόσο στρατηγικά σημαντική όσο και η ανάπτυξη μοντέλου, γιατί παρέχει το λειτουργικό πλαίσιο που επιτρέπει στις οργανώσεις να κλιμακώσουν το AI ευθύνη. Όσο οι επιχειρήσεις υιοθετούν πολλαπλά μοντέλα, πολλαπλά cloud και αυξανόμενη αυτόνομη εργοστασιακή διαδικασία, η διακυβέρνηση γίνεται το επίπεδο που διατηρεί αυτά τα περιβάλλοντα ασφαλή και υπεύθυνα σε όλη την υποδομή.

Οι πράκτορες AI λαμβάνουν ολοένα και περισσότερο την εξουσία να προβλέπουν πόρους, να αναπτύσσουν φορτία εργασίας και να λαμβάνουν λειτουργικές αποφάσεις. Ποια φραγμούς πρέπει να υπάρχουν πριν από τις επιχειρήσεις να μπορέσουν να εμπιστευτούν αυτονομούς συστήματα με κρίσιμη υποδομή;

Πολυάριθμες οργανώσεις έχουν ήδη αναπτύξει πράκτορες AI σε παραγωγή. Η ερώτηση είναι πώς αυτοί οι πράκτορες λειτουργούν μέσα σε σαφώς καθορισμένα όρια.

Η πρώτη απαιτούμενη προϋπόθεση είναι η καθοριστική επιβολή πολιτικής στο επίπεδο εκτέλεσης. Οι πράκτορες δεν πρέπει να μπορούν να εκτελέσουν ενέργειες που δεν συμμορφώνονται με προκαθορισμένες πολιτικές υποδομής. Αυτές οι πολιτικές δεν πρέπει να βασίζονται στο μοντέλο που决定ει εάν μια ενέργεια είναι κατάλληλη. Πρέπει να επιβάλλονται ανεξάρτητα από το ίδιο το μοντέλο.

Ο έλεγχος πρόσβασης είναι εξίσου σημαντικός. Μόνιμες άδειες δημιουργούν περιττό λειτουργικό ρίσκο. Η πρόσβαση πρέπει να προβλέπεται για την συγκεκριμένη εργασία που εκτελείται, να περιορίζεται στους απαραίτητους πόρους και να ανακαλείται αυτόματα μια φορά που η εργασία ολοκληρώνεται. Αυτό το μοντέλο επιτρέπει στις οργανώσεις να επεκτείνουν την αυτοματοποίηση χωρίς να επεκτείνουν την επιφάνεια επίθεσης.

Κάθε ενέργεια χρειάζεται επίσης μια πλήρη ιχνηλασία. Όσο τα συστήματα AI γίνονται πιο αυτόνομα, οι επιχειρήσεις χρειάζεται να κατανοούν ποιος πράκτορας εκτέλεσε μια ενέργεια, πότε συνέβη, ποια πολιτική την εξουσιοδότησε και ποιες αλλαγές έγιναν. Αυτό το επίπεδο ιχνηλασιμότητας υποστηρίζει λειτουργική αντιμετώπιση προβλημάτων καθώς και συμμόρφωση με κανονισμούς.

Πιστεύω επίσης ότι η αυτονομική υποδομή πρέπει να λειτουργεί μέσα σε διακυβερνημένα περιβάλλοντα και όχι σε απελευθερωμένη υποδομή. Καλώς καθορισμένα περιβάλλοντα παρέχουν ρητές πόρους, έλεγχο κύκλου ζωής και λειτουργικές πολιτικές πριν από einen πράκτορα αρχίσει να εκτελεί φορτία εργασίας. Αυτό επιτρέπει στις οργανώσεις να αυξάνουν την αυτοματοποίηση ενώ διατηρούν προβλέψιμη λειτουργική συμπεριφορά καθώς οι αναπτύξεις AI συνεχίζουν να κλιμακώνονται.

Συχνά συζητάτε τη μετατόπιση από την παραδοσιακή αυτοματοποίηση σε αυτό που ονομάζετε έξυπνο επίπεδο ελέγχου. Τι αλλάζει θεμελιωδώς όταν η υποδομή αρχίζει να λειτουργεί γύρω από πρόθεση και όχι στατική κανόνες και εργοστασιακές διαδικασίες;

Η παραδοσιακή αυτοματοποίηση εκτελεί προκαθορισμένα βήματα. Αυτό λειτουργεί όταν η υποδομή είναι προβλέψιμη, τα φορτία εργασίας είναι σταθερά και οι αλλαγές συμβαίνουν μέσω ανθρώπινης διαχείρισης εργοστασιακών διαδικασιών. Η υποδομή AI δεν λειτουργεί με αυτόν τον τρόπο.

Τα φορτία εργασίας AI είναι δυναμικά. Η ζήτηση GPU αλλάζει γρήγορα, τα περιβάλλοντα δημιουργούνται και καταστρέφονται συχνά και οι πράκτορες μπορεί να χρειαστούν πρόσβαση σε πόρους για συγκεκριμένες εργασίες. Ένα έξυπνο επίπεδο ελέγχου κατανοεί τον σκοπό ενός περιβάλλοντος, ποιος το ιδιοκτητεί, ποιο κόστος έχει, ποίες πολιτικές εφαρμόζονται και εάν η ζωντανή κατάσταση vẫn αντιστοιχεί στην προβλεπόμενη κατάσταση.

Αυτή η контекστ αλλάζει τη διαχείριση υποδομής. Το σύστημα μπορεί να ανιχνεύσει παρέκκλιση, να προτείνει βελτιστοποίηση, να επιβάλει πολιτική και να διαχειριστεί αποφάσεις κύκλου ζωής ενάντια στην προβλεπόμενη έκβαση και όχι μια στατική δέσμη εντολών.

Η υποδομή GPU έχει γίνει ένας από τους μεγαλύτερους κολλώδεις σε ανέγερση AI. Πιστεύετε ότι η βιομηχανία προσεγγίζει την利用 GPU λανθασμένα, και ποιες λειτουργικές αλλαγές θα μπορούσαν να βελτιώσουν δραματικά την αποτελεσματικότητα χωρίς απλώς να προσθέτουν περισσότερο υλικό;

Η βιομηχανία συχνά αντιμετωπίζει το πρόβλημα GPU ως ένα πρόβλημα προμήθειας. Σε πολλές επιχειρήσεις, το πιο άμεσο ζήτημα είναι η利用.

Βλέπουμε οργανώσεις με κλώνους GPU που προβλέπονται για πικρότητα, παραμένουν ανενεργές μεταξύ εκτελέσεων εκπαίδευσης, ή παραμένουν συνδεδεμένες με περιβάλλοντα μετά την ολοκλήρωση της εργασίας. Αυτό δημιουργεί υψηλό κόστος χωρίς να αντιστοιχεί στην επιχειρηματική αξία.

Η βελτίωση της αποτελεσματικότητας GPU αρχίζει με τον έλεγχο κύκλου ζωής. Τα περιβάλλοντα πρέπει να προβλέπονται κατά demande, να αντιστοιχούν στο φορτίο εργασίας, να αποδίδονται σε μια ομάδα ή ένα έργο και να καταστρέφονται αυτόματα όταν η εργασία ολοκληρώνεται. Οι επιχειρήσεις χρειάζονται επίσης ορατότητα στην利用, το κόστος ανά φορτίο εργασίας και τον επιχειρηματικό σκοπό πίσω από κάθε περιβάλλον.

Πολλές επιχειρήσεις λειτουργούν τώρα σε δημόσιο cloud, ιδιωτικό cloud, περιβάλλοντα εντός εγκαταστάσεων και υποδομή περιφέρειας. Πώς βλέπετε τα υβριδικά περιβάλλοντα AI να εξελίσσονται τα επόμενα πέντε χρόνια, και ποιες προκλήσεις παραμένουν ανεπίλυτες σήμερα;

Τα υβριδικά περιβάλλοντα AI θα γίνουν το προεπιλεγμένο επιχειρηματικό μοντέλο. Οι οργανώσεις θα χρησιμοποιούν δημόσιο cloud για ευελιξία, υποδομή εντός εγκαταστάσεων για έλεγχο και διαχείριση κόστους, και περιβάλλοντα περιφέρειας όπου η υστέρηση, η τοπικότητα δεδομένων ή οι λειτουργικές απαιτήσεις το απαιτούν.

Η ανεπίλυτη πρόκληση είναι η συνενοχή. Οι περισσότερες επιχειρήσεις ήδη λειτουργούν σε πολλαπλά προμηθευτές, cloud, εργαλεία αυτοματοποίησης και τύπους υποδομής. Το AI προσθέτει κλώνους GPU, περιβάλλοντα εξυπηρέτησης μοντέλων, трубες fine-tuning, και αυτονομούς φορείς εργασίας σε αυτό το μείγμα.

Τα επόμενα πέντε χρόνια, οι ηγέτες οργανώσεις θα είναι εκείνες που δημιουργούν ένα λειτουργικό πρότυπο σε όλα αυτά τα περιβάλλοντα. Θα χρειαστούν συνεπή προβλέψη, επιβολή πολιτικής, απόδοση κόστους, ιχνηλασιμότητα και έλεγχο κύκλου ζωής, ανεξάρτητα από το πού εκτελείται το φορτίο εργασίας.

Η DevOps μετέβαλε την παράδοση λογισμικού κατά τη διάρκεια της τελευταίας δεκαετίας. Πιστεύετε ότι η υποδομή AI απαιτεί ένα εντελώς νέο λειτουργικό μοντέλο, ή είναι η φυσική εξέλιξη της DevOps και της μηχανικής πλατφόρμας;

Η υποδομή AI επεκτείνει την DevOps, αλλά επίσης εισάγει απαιτήσεις που οι παραδοσιακές πρακτικές DevOps δεν были σχεδιασμένες να χειριστούν.

Η DevOps βελτίωσε την παράδοση λογισμικού με την τυποποίηση трубων, την αυτοματοποίηση επαναλαμβανόμενου έργου και την ταχύτερη πρόσβαση των ομάδων στα απαραίτητα πόρους. Η υποδομή AI απαιτεί την ίδια πειθαρχία, αλλά τα φορτία εργασίας είναι πιο πόρων-εντατικά, λιγότερο προβλέψιμα και πιο εξαρτημένα από εξειδικευμένη υποδομή.

Η μηχανική πλατφόρμας γίνεται κεντρική σε αυτό το περιβάλλον. Οι ομάδες χρειάζονται διακυβερνημένη αυτοεξυπηρέτηση πρόσβαση σε επικυρωμένα περιβάλλοντα, αντί για ticket-βασισμένη προβλέψη ή χειροκίνητη διαμόρφωση. Το λειτουργικό μοντέλο vẫnτιμά την ταχύτητα και την αυτοματοποίηση, αλλά επίσης απαιτεί ισχυρότερη διακυβέρνηση, έλεγχο κόστους και контекστ υποδομής από την αρχή.

Η λειτουργία zero-touch έχει υπάρξει ένα στόχο στη διαχείριση υποδομής. Πόσο κοντά είμαστε σε πραγματικά αυτόνομη υποδομή, και ποιες είναι οι μεγαλύτερες τεχνικές και οργανωτικές προκλήσεις που ακόμη εμποδίζουν;

Είμαστε πολύ κοντά στην αυτόνομη υποδομή από ότι οι περισσότεροι άνθρωποι συνειδητοποιούν, αλλά ο περιορισμός είναι η διακυβέρνηση και όχι η αυτοματοποίηση. Οι πράκτορες AI μπορούν ήδη να προβλέπουν περιβάλλοντα, να αναπτύσσουν φορτία εργασίας, να ερευνώνται ανωμαλίες και να προτείνουν αντιμετώπιση. Η πρόκληση είναι να διασφαλίσουμε ότι αυτές οι ενέργειες συμβαίνουν μέσα σε σαφώς καθορισμένα πολιτικά όρια.

Οι οργανώσεις χρειάζονται επίσης εμπιστοσύνη ότι τα αυτόνομα συστήματα μπορούν να εξηγήσουν τι έκαναν, γιατί το έκαναν και υπό ποια πολιτική ενέργησαν. Αυτό το επίπεδο ιχνηλασιμότητας ακόμη λείπει σε πολλά επιχειρηματικά περιβάλλοντα. Η αυτόνομη υποδομή θα γίνει mainstream όταν η διακυβέρνηση, η ιχνηλασιμότητα και η επιβολή πολιτικής θα είναι ενσωματωμένες στο λειτουργικό επίπεδο αντί να προστίθενται μετά.

Όσο τα φορτία εργασίας AI γίνονται πιο δυναμικά και πόρων-εντατικά, οι υπερβάσεις κόστους γίνονται μια μεγάλη ανησυχία. Ποια είναι τα πιο συνηθισμένα λάθη που κάνουν οι επιχειρήσεις όταν προσπαθούν να κλιμακώσουν την υποδομή AI, και πώς μπορούν να τα αποφύγουν;

Πολυάριθμες οργανώσεις εστιάζουν στην απόκτηση περισσότερης υπολογιστικής ισχύος πριν από την κατανόηση πώς αποτελεσματικά χρησιμοποιούν την υποδομή που ήδη έχουν.

Βλέπουμε περιβάλλοντα που παραμένουν ενεργά μετά την ολοκλήρωση έργων, πόρους GPU που προβλέπονται για φορτία εργασίας που δεν τρέχουν, και μικρή ορατότητα στο ποια ομάδες ή εφαρμογές οδηγούν σε κόστος υποδομής. Τα φορτία εργασίας AI ενισχύουν αυτές τις ανεπάρκειες γιατί η ζήτηση αλλάζει γρήγορα και η υποδομή GPU είναι ακριβή.

Η λύση αρχίζει με τη διακυβέρνηση. Κάθε περιβάλλον πρέπει να έχει καθορισμένο ιδιοκτήτη, επιχειρηματικό σκοπό, κύκλο ζωής και προφίλ κόστους από τη στιγμή που προβλέπεται. Όταν οι οργανώσεις συνδυάζουν πολιτική-οδηγούμενη προβλέψη με αυτοματοποιημένη κατεδάφιση και συνεχή ορατότητα στην utiliser, η δαπάνη υποδομής γίνεται πολύ πιο εύκολη να προβλεφθεί και να δικαιολογηθεί.

Κοιτάζοντας μπροστά, τι θα διακρίνει τις οργανώσεις που θα επιτύχουν την λειτουργική AI σε κλίμακα από εκείνες που θα παλέψουν, και ποιες τεχνολογικές τάσεις πρέπει οι ηγέτες της τεχνολογίας να προσεχθούν τώρα που είναι ακόμη κάτω από το ραντάρ;

Οι οργανώσεις που θα επιτύχουν θα αντιμετωπίσουν την υποδομή AI ως μια λειτουργική ικανότητα και όχι ως μια συλλογή τεχνολογιών. Τα μοντέλα θα συνεχίσουν να βελτιώνονται, και το υλικό θα συνεχίσει να γίνεται πιο ισχυρό. Η λειτουργία αυτών των περιβαλλόντων συνεχώς σε πολλαπλά 팀 και πλατφόρμες θα παραμείνει η πιο δύσκολη πρόκληση.

Μια τάση που αξίζει περισσότερη προσοχή είναι η μετατόπιση προς την υποδομή-πνεύμα. Οι πλατφόρμες υποδομής αρχίζουν να κατανοούν το контекστ του τι διαχειρίζονται, ποιος ιδιοκτητεί ένα περιβάλλον, ποιο φορτίο εργασίας υποστηρίζει, πόσο κοστίζει, εάν συμμορφώνεται με πολιτική και πότε πρέπει να βελτιωθεί ή να απομακρυνθεί. Αυτός ο λειτουργικός контекστ θα γίνει ολοένα και πιο πολύτιμος καθώς οι επιχειρήσεις αναπτύσσουν περισσότερους αυτονομούς πράκτορες και πιο ετερογενή υποδομή.

Πιστεύω επίσης ότι η διακυβέρνηση θα γίνει ένα конкурεντικό πλεονέκτημα. Οι οργανώσεις που μπορούν να προβλέψουν υποδομή γρήγορα ενώ διατηρούν ορατότητα, επιβολή πολιτικής, έλεγχο κόστους και ιχνηλασιμότητα θα μεταφέρουν τα έργα AI από πειραματική φάση σε παραγωγή πολύ πιο γρήγορα από εκείνες που εξακολουθούν να βασίζονται σε θραυσματικές λειτουργικές μοντέλα.

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