Comparthing Logo
στρατηγική τεχνητής νοημοσύνηςδιαχείριση επιχειρήσεωναξιολόγηση κινδύνουαυτοματοποίηση

Τεχνητή Νοημοσύνη με επίκεντρο την εκτέλεση έναντι Τεχνητής Νοημοσύνης με επίκεντρο τη διακυβέρνηση

Οι σύγχρονες επιχειρήσεις βρίσκονται παγιδευμένες ανάμεσα στην επιθυμία για ταχεία αυτοματοποίηση και την αναγκαιότητα αυστηρής εποπτείας. Ενώ η Τεχνητή Νοημοσύνη που εστιάζει στην εκτέλεση δίνει προτεραιότητα στην ταχύτητα, την απόδοση και την άμεση επίλυση προβλημάτων, η Τεχνητή Νοημοσύνη που εστιάζει στη διακυβέρνηση επικεντρώνεται στην ασφάλεια, την ηθική ευθυγράμμιση και τη συμμόρφωση με τους κανονισμούς, για να διασφαλίσει τη μακροπρόθεσμη οργανωτική σταθερότητα.

Κορυφαία σημεία

  • Η Τεχνητή Νοημοσύνη Εκτέλεσης εστιάζει στην «Πράξη», ενώ η Τεχνητή Νοημοσύνη Διακυβέρνησης εστιάζει στην «Απόδειξη».
  • Τα συστήματα που βασίζονται στη διακυβέρνηση συχνά χρησιμοποιούν μια προσέγγιση «Συνταγματικής Τεχνητής Νοημοσύνης» για την αυτοεπιτήρηση των αποτελεσμάτων.
  • Τα μοντέλα εκτέλεσης παρέχουν υψηλότερη άμεση απόδοση επένδυσης (ROI), αλλά ενέχουν υψηλότερο κίνδυνο πρόκλησης ζημιάς στη φήμη.
  • Οι πιο προηγμένες εταιρείες χρησιμοποιούν μοντέλα «Governor» για να παρακολουθούν τα μοντέλα «Executor» τους σε πραγματικό χρόνο.

Τι είναι το Τεχνητή Νοημοσύνη με επίκεντρο την εκτέλεση;

Συστήματα σχεδιασμένα για μεγιστοποίηση της λειτουργικής απόδοσης, αυτοματοποίηση εργασιών και άμεση απόδοση επένδυσης (ROI) μέσω επεξεργασίας δεδομένων υψηλής ταχύτητας.

  • Αυτά τα μοντέλα είναι βελτιστοποιημένα για την καθυστέρηση και τα ποσοστά ολοκλήρωσης εργασιών πάνω από όλες τις άλλες μετρήσεις.
  • Συχνά χρησιμοποιούν ροές εργασίας «Agentic» όπου η Τεχνητή Νοημοσύνη μπορεί να αναλαμβάνει αυτόνομα ενέργειες σε εξωτερικό λογισμικό.
  • Η επιτυχία μετριέται με τους παραδοσιακούς KPI παραγωγικότητας, όπως η εξοικονόμηση χρόνου, η μείωση κόστους και ο όγκος παραγωγής.
  • Συνήθως αναπτύσσονται στην εξυπηρέτηση πελατών, τη δημιουργία περιεχομένου και την τεχνική βοήθεια κωδικοποίησης.
  • Η υλοποίηση ευνοεί τις κουλτούρες «Κινήσου γρήγορα και σπάσε τα πράγματα» που δίνουν προτεραιότητα στην ταχεία επανάληψη έναντι της τέλειας ακρίβειας.

Τι είναι το Τεχνητή Νοημοσύνη με επίκεντρο τη διακυβέρνηση;

Αρχιτεκτονικές που έχουν κατασκευαστεί με «πρώτα τα κιγκλιδώματα» για τη διαχείριση του κινδύνου, τη διασφάλιση του απορρήτου των δεδομένων και τη διατήρηση της επεξηγηματικότητας στις αυτοματοποιημένες αποφάσεις.

  • Αυτά τα συστήματα δίνουν προτεραιότητα στην «Εξηγήσιμη Τεχνητή Νοημοσύνη» (XAI), ώστε οι άνθρωποι να μπορούν να ελέγξουν γιατί ελήφθη μια συγκεκριμένη απόφαση.
  • Ενσωματώνουν σημεία ελέγχου «Human-in-the-Loop» (HITL) για την αποτροπή μεροληπτικών ή παραισθησιογόνων εξόδων.
  • Η συμμόρφωση με τους παγκόσμιους κανονισμούς, όπως ο νόμος περί τεχνητής νοημοσύνης της ΕΕ ή ο HIPAA, αποτελεί βασική αρχιτεκτονική απαίτηση.
  • Είναι συνηθισμένα σε κλάδους υψηλού ρίσκου, όπως η υγειονομική περίθαλψη, οι τραπεζικές υπηρεσίες και οι νομικές υπηρεσίες.
  • Ο πρωταρχικός στόχος είναι η «Μείωση του Κινδύνου» και όχι η απλή ταχύτητα ή το δημιουργικό αποτέλεσμα.

Πίνακας Σύγκρισης

ΛειτουργίαΤεχνητή Νοημοσύνη με επίκεντρο την εκτέλεσηΤεχνητή Νοημοσύνη με επίκεντρο τη διακυβέρνηση
Πρωταρχικός στόχοςΠαραγωγή & ΠαραγωγικότηταΑσφάλεια & Συμμόρφωση
Βασική μέτρησηΑπόδοση / ΑκρίβειαΒαθμολογία Ελεγξιμότητας / Προκατάληψης
Ανοχή ΚινδύνουΥψηλή (Επαναληπτική αποτυχία)Χαμηλό (Εντολή μηδενικού σφάλματος)
ΑρχιτεκτονικήΑυτόνομοι ΠράκτορεςΕλεγχόμενα κιγκλιδώματα
Προσαρμογή στον κλάδοΜάρκετινγκ, Τεχνολογία, ΔημιουργικότηταΟικονομικά, Ιατρική Τεχνολογία, Κυβέρνηση
Λογική ΑποφάσεωνΜαύρο κουτί (συχνά)Διαφανές / Ιχνηλάσιμο

Λεπτομερής Σύγκριση

Ταχύτητα Καινοτομίας έναντι Σταθερότητας

Η Τεχνητή Νοημοσύνη που εστιάζει στην εκτέλεση λειτουργεί ως υπερσυμπιεστής για το εργατικό δυναμικό μιας εταιρείας, επιτρέποντας στις ομάδες να αποστέλλουν προϊόντα και να ανταποκρίνονται στους πελάτες με ρυθμό που ήταν προηγουμένως αδύνατος. Ωστόσο, αυτή η ταχύτητα μπορεί να οδηγήσει σε «παρέκκλιση της Τεχνητής Νοημοσύνης», όπου το σύστημα αρχίζει σιγά σιγά να παράγει αποτελέσματα εκτός επωνυμίας ή ανακριβή αποτελέσματα. Η Τεχνητή Νοημοσύνη που εστιάζει στη διακυβέρνηση επιβραδύνει σκόπιμα αυτή τη διαδικασία, εισάγοντας επίπεδα επικύρωσης που διασφαλίζουν ότι κάθε έξοδος είναι σταθερή, ακόμη και αν αυτό σημαίνει ότι το σύστημα χρειάζεται περισσότερο χρόνο για να επεξεργαστεί ένα αίτημα.

Η Πρόκληση των Αποτελεσμάτων του «Μαύρου Κουτιού»

Τα μοντέλα εκτέλεσης υψηλής απόδοσης συχνά δίνουν προτεραιότητα σε πολύπλοκα νευρωνικά μοτίβα που οι άνθρωποι δεν μπορούν εύκολα να ερμηνεύσουν, οδηγώντας στο πρόβλημα του «μαύρου κουτιού». Αντίθετα, η Τεχνητή Νοημοσύνη που εστιάζει στη διακυβέρνηση χρησιμοποιεί μικρότερα, πιο εξειδικευμένα μοντέλα ή αυστηρή καταγραφή που παρέχει ένα σαφές ίχνος εγγράφων για τους ελεγκτές. Ενώ μπορεί να λάβετε μια πιο «λαμπρή» απάντηση από ένα μοντέλο εκτέλεσης, θα λάβετε μια πιο «υπεράσπιστη» απάντηση από ένα μοντέλο που διέπεται από κυβερνήσεις.

Απόρρητο Δεδομένων και Προστασία Πνευματικής Ιδιοκτησίας

Τα εργαλεία εκτέλεσης συχνά αξιοποιούν δημόσια ή ευρέως προερχόμενα δεδομένα για να παραμείνουν ευέλικτα, γεγονός που μπορεί να θέσει σε κίνδυνο τα ιδιόκτητα εταιρικά μυστικά. Τα μοντέλα διακυβέρνησης συνήθως απομονώνονται ή χρησιμοποιούν «Τεχνολογίες Βελτίωσης της Απορρήτου» (PET) για να διασφαλίσουν ότι οι ευαίσθητες πληροφορίες δεν εγκαταλείπουν ποτέ το ασφαλές περιβάλλον. Αυτό καθιστά την Τεχνητή Νοημοσύνη που επικεντρώνεται στη διακυβέρνηση τη μόνη βιώσιμη επιλογή για τους τομείς που ασχολούνται με προσωπικές πληροφορίες υγείας ή διαβαθμισμένα κυβερνητικά δεδομένα.

Αυτονομία έναντι Εποπτείας

Ένας πράκτορας που επικεντρώνεται στην εκτέλεση μπορεί να έχει την εξουσιοδότηση να αγοράζει διαφημιστικό χώρο ή να μετακινεί αρχεία μεταξύ διακομιστών χωρίς να ζητά άδεια. Αυτό δημιουργεί τεράστια αποδοτικότητα, αλλά ενέχει επίσης τον κίνδυνο μιας «ανεξέλεγκτης» διαδικασίας. Τα πλαίσια διακυβέρνησης επιβάλλουν αυστηρή «Άδεια», που σημαίνει ότι η Τεχνητή Νοημοσύνη μπορεί να προτείνει μια ενέργεια, αλλά μια ανθρώπινη ή μια δευτερεύουσα Τεχνητή Νοημοσύνη «διαιτητή» πρέπει να υπογράψει πριν από την εκτέλεση.

Πλεονεκτήματα & Μειονεκτήματα

Τεχνητή Νοημοσύνη με επίκεντρο την εκτέλεση

Πλεονεκτήματα

  • +Τεράστια εξοικονόμηση χρόνου
  • +Υψηλή κλιμάκωση
  • +Δημιουργική επίλυση προβλημάτων
  • +Χαμηλότερο αρχικό κόστος

Συνέχεια

  • −Κίνδυνοι ψευδαισθήσεων
  • −Δεν έχει λογοδοσία
  • −Τρωτά σημεία ασφαλείας
  • −Πιθανή προκατάληψη

Τεχνητή Νοημοσύνη με επίκεντρο τη διακυβέρνηση

Πλεονεκτήματα

  • +Νομική συμμόρφωση
  • +Εξηγήσιμα αποτελέσματα
  • +Προβλέψιμη συμπεριφορά
  • +Βελτιωμένη ασφάλεια

Συνέχεια

  • −Αργότερη ανάπτυξη
  • −Υψηλότερο κόστος ανάπτυξης
  • −Μειωμένη ευελιξία
  • −Χαμηλότερη μέγιστη απόδοση

Συνηθισμένες Παρανοήσεις

Μύθος

Η Τεχνητή Νοημοσύνη που επικεντρώνεται στη διακυβέρνηση είναι απλώς «αργότερο» λογισμικό.

Πραγματικότητα

Δεν πρόκειται μόνο για ταχύτητα. Πρόκειται για την παρουσία μεταδεδομένων και αρχείων καταγραφής επαλήθευσης που επιτρέπουν σε μια επιχείρηση να υποστηρίζει κάθε απόφαση που λαμβάνει η Τεχνητή Νοημοσύνη.

Μύθος

Η εκτέλεση με τεχνητή νοημοσύνη δεν μπορεί να είναι ασφαλής.

Πραγματικότητα

Τα μοντέλα εκτέλεσης μπορεί να είναι ασφαλή, αλλά η κύρια βελτιστοποίησή τους είναι η ολοκλήρωση της εργασίας, πράγμα που σημαίνει ότι ενδέχεται να «συντομεύσουν» τα πρωτόκολλα ασφαλείας εάν δεν περιορίζονται ρητά.

Μύθος

Χρειάζεστε διακυβέρνηση μόνο εάν βρίσκεστε σε έναν ρυθμιζόμενο κλάδο.

Πραγματικότητα

Ακόμα και σε μη ρυθμιζόμενους χώρους, η διακυβέρνηση αποτρέπει την «σήψη της επωνυμίας» που προκαλείται από την τεχνητή νοημοσύνη που δημιουργεί προσβλητικό ή ανόητο περιεχόμενο που αποξενώνει τους πελάτες.

Μύθος

Η Τεχνητή Νοημοσύνη Εκτέλεσης (Execution AI) τελικά θα αντικαταστήσει όλους τους ανθρώπινους διαχειριστές.

Πραγματικότητα

Η Τεχνητή Νοημοσύνη Εκτέλεσης αντικαθιστά τις εργασίες, αλλά τα συστήματα που επικεντρώνονται στη διακυβέρνηση στην πραγματικότητα ενδυναμώνουν τους διαχειριστές παρέχοντας τα δεδομένα που απαιτούνται για την επίβλεψη αυτοματοποιημένων τμημάτων μεγάλης κλίμακας.

Συχνές Ερωτήσεις

Μπορώ να χρησιμοποιήσω μια Τεχνητή Νοημοσύνη που εστιάζει στην εκτέλεση για το τμήμα Ανθρώπινου Δυναμικού μου;
Δεν συνιστάται ιδιαίτερα η χρήση ενός μοντέλου που εστιάζει αποκλειστικά στην εκτέλεση για το HR λόγω κινδύνων μεροληψίας. Το HR απαιτεί μια προσέγγιση που εστιάζει στη διακυβέρνηση, ώστε να διασφαλίζεται ότι οι αποφάσεις πρόσληψης ή αξιολόγησης δεν βασίζονται σε στρεβλά δεδομένα. Χωρίς κατάλληλα προστατευτικά κιγκλιδώματα, ένα μοντέλο εκτέλεσης μπορεί ακούσια να μάθει να ευνοεί ορισμένα δημογραφικά στοιχεία απλώς και μόνο επειδή εμφανίζονται συχνότερα σε ιστορικά δεδομένα εκπαίδευσης.
Τι είναι η «Συνταγματική Τεχνητή Νοημοσύνη» στο πλαίσιο της διακυβέρνησης;
Η συνταγματική Τεχνητή Νοημοσύνη είναι μια μέθοδος διακυβέρνησης όπου σε μια Τεχνητή Νοημοσύνη δίνεται ένα γραπτό «σύνταγμα» ή ένα σύνολο αρχών που πρέπει να ακολουθεί. Πριν από την εξαγωγή μιας απάντησης, μια δευτερεύουσα διαδικασία ελέγχει την απάντηση με βάση αυτούς τους κανόνες. Εάν η απάντηση παραβιάζει μια αρχή — όπως η αγένεια ή η κοινοποίηση ιδιωτικών πληροφοριών — ξαναγράφεται ή μπλοκάρεται, λειτουργώντας ως αυτοματοποιημένος εσωτερικός ελεγκτής.
Πώς μπορώ να εξισορροπήσω και τα δύο σε ένα περιβάλλον εκκίνησης;
Οι νεοσύστατες επιχειρήσεις συνήθως ξεκινούν με Τεχνητή Νοημοσύνη που εστιάζει στην εκτέλεση, για να βρουν γρήγορα την προσαρμογή του προϊόντος στην αγορά. Ωστόσο, το «χρέος διακυβέρνησης» μπορεί να συσσωρευτεί γρήγορα. Η καλύτερη οδός είναι να χρησιμοποιήσετε μοντέλα εκτέλεσης για εσωτερική σύνταξη και ανταλλαγή ιδεών, αλλά να εφαρμόσετε ένα επίπεδο διακυβέρνησης σε οτιδήποτε απευθύνεται σε πελάτες ή χειρίζεται δεδομένα χρηστών, διασφαλίζοντας ότι δεν ανταλλάσσετε τη βραχυπρόθεσμη ανάπτυξη με μια μακροπρόθεσμη αγωγή.
Απαιτεί η Τεχνητή Νοημοσύνη που επικεντρώνεται στη διακυβέρνηση περισσότερη υπολογιστική ισχύ;
Γενικά, ναι. Επειδή τα μοντέλα διακυβέρνησης συχνά περιλαμβάνουν εργασία «διπλού ελέγχου» —είτε μέσω ενός δεύτερου μοντέλου είτε μέσω σύνθετων αλγορίθμων επαλήθευσης— απαιτούν περισσότερα FLOP (Floating Point Operations - Λειτουργίες Κινητής Υποδιαστολής) ανά έξοδο. Αυτό μεταφράζεται σε υψηλότερο κόστος API ή μεγαλύτερους χρόνους επεξεργασίας σε σύγκριση με ένα μοντέλο εκτέλεσης με ένα πέρασμα.
Ποιο είναι καλύτερο για την ανάπτυξη λογισμικού;
Για τη σύνταξη τυποποιημένου κώδικα ή επαναλαμβανόμενων συναρτήσεων, η Τεχνητή Νοημοσύνη που εστιάζει στην εκτέλεση είναι απίστευτη. Αλλά για την ανάπτυξη κώδικα στην παραγωγή σε μια τραπεζική εφαρμογή, χρειάζεστε ένα σύστημα που εστιάζει στη διακυβέρνηση και ελέγχει για ευπάθειες ασφαλείας και συμμόρφωση. Οι περισσότερες σύγχρονες ομάδες προγραμματιστών χρησιμοποιούν μοντέλα εκτέλεσης για να γράψουν τον κώδικα και μοντέλα διακυβέρνησης για να τον ελέγξουν πριν τεθεί σε λειτουργία.
Τι είναι η «Εξηγήσιμη Τεχνητή Νοημοσύνη» (XAI);
Το XAI είναι ένα υποσύνολο της Τεχνητής Νοημοσύνης που εστιάζει στη διακυβέρνηση και καθιστά τα «κρυφά» επίπεδα λήψης αποφάσεων ενός μοντέλου ορατά στους ανθρώπους. Αντί να λέει απλώς «Απόρριψη αυτού του δανείου», ένα σύστημα XAI θα παρέχει έναν χάρτη θερμότητας ή μια λίστα σταθμισμένων παραγόντων που δείχνουν ότι η απόφαση βασίστηκε στον λόγο χρέους προς εισόδημα και όχι σε ένα προστατευμένο χαρακτηριστικό όπως ο ταχυδρομικός κώδικας.
Μπορεί η διακυβέρνηση της Τεχνητής Νοημοσύνης να αποτρέψει τις παραισθήσεις της Τεχνητής Νοημοσύνης;
Δεν μπορεί να εμποδίσει ένα μοντέλο να «ονειρεύεται» εντελώς, αλλά μπορεί να εντοπίσει την παραίσθηση πριν φτάσει στον χρήστη. Διασταυρώνοντας τα αποτελέσματα της Τεχνητής Νοημοσύνης με μια βάση δεδομένων «Ground Truth» (όπως το εσωτερικό wiki μιας εταιρείας), ένα επίπεδο διακυβέρνησης μπορεί να επισημάνει οποιαδήποτε δήλωση δεν υποστηρίζεται από πραγματικά δεδομένα, μειώνοντας σημαντικά τον κίνδυνο παραπληροφόρησης.
Ποιος πρέπει να ηγηθεί της στρατηγικής για την Τεχνητή Νοημοσύνη: ο CTO ή ο Υπεύθυνος Κινδύνου;
Ο CTO συνήθως καθοδηγεί τη στρατηγική Τεχνητής Νοημοσύνης που επικεντρώνεται στην εκτέλεση, ενώ ο Chief Risk Officer ή ο Legal Counsel χειρίζεται τη διακυβέρνηση. Για τα καλύτερα δυνατά αποτελέσματα, πολλές εταιρείες δημιουργούν πλέον έναν ρόλο «Chief AI Officer» για να γεφυρώσουν το χάσμα, διασφαλίζοντας ότι η εταιρεία αυτοματοποιεί τις διαδικασίες όσο το δυνατόν γρηγορότερα χωρίς να καταρρέει σε κανονιστικά ή ηθικά τείχη.

Απόφαση

Αναπτύξτε Τεχνητή Νοημοσύνη με επίκεντρο την εκτέλεση όταν χρειάζεται να κλιμακώσετε περιεχόμενο, κώδικα ή υποστήριξη πελατών όπου ένα μικρό περιθώριο σφάλματος είναι αποδεκτό για λόγους ταχύτητας. Επιλέξτε Τεχνητή Νοημοσύνη με επίκεντρο τη διακυβέρνηση για οποιαδήποτε διαδικασία που περιλαμβάνει νομική ευθύνη, οικονομικές συναλλαγές ή κρίσιμες για την ασφάλεια αποφάσεις όπου ένα μη επαληθευμένο αποτέλεσμα θα μπορούσε να προκαλέσει ανεπανόρθωτη βλάβη.

Σχετικές Συγκρίσεις

OKR σε επίπεδο εταιρείας έναντι μεμονωμένων OKR

Αυτή η σύγκριση αναλύει τις διαφορές μεταξύ των OKR σε επίπεδο εταιρείας, οι οποίες θέτουν τον γενικό Βόρειο Αστέρα για ολόκληρο τον οργανισμό, και των Ατομικών OKR, οι οποίες επικεντρώνονται στην προσωπική ανάπτυξη και σε συγκεκριμένες συνεισφορές. Ενώ οι εταιρικοί στόχοι παρέχουν το όραμα, οι ατομικοί στόχοι μεταφράζουν αυτό το όραμα σε προσωπική υπευθυνότητα και ανάπτυξη.

Top-Down OKRs έναντι Bottom-Up OKRs

Αυτή η σύγκριση εξετάζει τις δύο κύριες κατευθύνσεις του στρατηγικού καθορισμού στόχων: τα Top-Down OKRs, τα οποία δίνουν προτεραιότητα στο εκτελεστικό όραμα και την ευθυγράμμιση, και τα Bottom-Up OKRs, τα οποία αξιοποιούν την εμπειρία και την αυτονομία σε επίπεδο ομάδας. Ενώ οι προσεγγίσεις top-down διασφαλίζουν ότι όλοι κινούνται προς μία κατεύθυνση, οι μέθοδοι bottom-up οδηγούν σε υψηλότερη εμπλοκή και πρακτική καινοτομία από την πρώτη γραμμή.

Γενικοί Διευθυντές έναντι Εξειδικευμένων Χειριστών

Η ένταση μεταξύ ευρείας εποπτείας και βαθιάς τεχνικής αριστείας καθορίζει τη σύγχρονη οργανωτική δομή. Ενώ οι γενικοί διευθυντές διαπρέπουν στη σύνδεση ανόμοιων τμημάτων και στην πλοήγηση σε πολύπλοκα ανθρώπινα συστήματα, οι εξειδικευμένοι χειριστές παρέχουν την υψηλού επιπέδου τεχνική εκτέλεση που είναι απαραίτητη για να διατηρήσει μια εταιρεία το ανταγωνιστικό της πλεονέκτημα σε μια συγκεκριμένη θέση.

Διαφανείς OKRs έναντι στόχων ιδιωτικού τμήματος

Η επιλογή μεταξύ ριζικής επιχειρησιακής ορατότητας και απορρήτου των τμημάτων διαμορφώνει ολόκληρη την κουλτούρα μιας εταιρείας. Ενώ οι διαφανείς OKRs προωθούν την ευθυγράμμιση, επιτρέποντας σε όλους να δουν πώς η εργασία τους συνδέεται με το όραμα του Διευθύνοντος Συμβούλου, οι ιδιωτικοί στόχοι προσφέρουν ένα θωρακισμένο περιβάλλον για εξειδικευμένες ομάδες, ώστε να μπορούν να επαναλαμβάνουν τις εργασίες τους χωρίς συνεχή εξωτερικό έλεγχο ή δευτερογενείς εικασίες από άλλες μονάδες.

Επιχειρησιακή Αποτελεσματικότητα έναντι Στρατηγικής Ευθυγράμμισης

Αυτή η ανάλυση αντιπαραβάλλει την εσωτερική ώθηση για παραγωγικότητα με την εξωτερική επιδίωξη των εταιρικών στόχων. Η λειτουργική αποτελεσματικότητα στοχεύει στη μείωση των αποβλήτων και στην εξοικονόμηση κόστους στο πλαίσιο των καθημερινών εργασιών, ενώ η στρατηγική ευθυγράμμιση διασφαλίζει ότι οι προσπάθειες κάθε τμήματος είναι συγχρονισμένες με την τελική αποστολή και την τοποθέτηση της εταιρείας στην αγορά.