 Είμαι ο ίδιος της τεχνολογικής για πολλές χρόνια και έχω σημαντικότητα σε δημιουργία, αναλυτικής και αΕΕΕΑ προς δεύτερη χρόνια. Είμαι ο ίδιος της τεχνολογικής και η συμφωνία που ξεκινήσαμε 15 χρόνια τεχνολογικής, που δημιουργεί στις τεχνολογικές χρόνια. Πώς μπορούμε να μιλήσουμε δημιουργία στις τεχνολογικές χρόνια, όπως μπορούμε να κάνουμε σημαντικότητα από αυτά τα τεχνολογικής χρόνια. sought by a lot of AI technologies, artificial intelligence technologies, so I want to talk a little bit about what artificial intelligence is. And sometimes it sounds like black magic, some crystal ball that is telling us about the future, but it is not black magic yet. Τι είναι η αρχετική ιστοχή και ουκολοσιαλής. They teach it the next door. It is a branch of computer science. I was taught when I went to school at university and it is a computing branch of computer science να προσπαθούν να εξεφάλει σε κάτι το τρόπο που εξηγρώσουμε τις αντιμετωπίες εξηγράφων. So this is the definition, how can we develop capabilities in machines so that in a sense, we imitate what we do as an intellectual process. This means very, very practical things, can we imitate the way that we look into information για να βρίσκουμε κάτι που είναι σημαίνει. Μπορούμε να βρεις πολλές εξερβήτων και να τα βάθουμε μαζί, για να μπορούμε να γεννωριθούμε από αυτά τα εξερβήτων και να καταλαβαίνουμε να έχουμε κοινότητα που είναι παλαιό. Μπορούμε να χρησιμοποιήσουμε παρικές εξερβήτων όπως σε εξαιρφήτων στις εξαιρφές που Αλέγκος έκανε, για να μπορούμε να πιδίξουμε ότι κάτι θα έτσι μόνο, γιατί οι εξερβήτων είναι σημαντικές. Αυτό είναι το τι αυτή η πραγματική εξαιρφήτων είναι κάνει. Και υπάρχει ένα τέστο που όλοι μπορούμε να πιδίξουμε και θα πιδίξουμε αυτό στις εξερβήτων. Υπάρχει ένα τέστο που μπορούμε να χρησιμοποιήσουμε για να δούμε αν η εξαιρφήτων είναι καλύτερη. Είναι εξαιρφήτων, λόγω από εδώ, ήρθα τη Ευρώπη της Αλβανταίου, και πήρα, όταν πηγαίνουμε ένα τέστο και ένα μάσο, ένα μάσο και ένα μάσο, και πηγαίνουμε κάτι. Δεν ξέρω ποιος είναι η εξαιρφήτων εξαιρφήτων, το μάσο, το μάσο, ή το μάσο, και δεν πιδίξουμε από την εξαιρφήτων όταν πηγαίνει, Και, they, yes, the machine is most probably intelligent. And today we can do the test. So 73 years later we can do this test and see how it works. I will show you how. I have a computer and a human hidden in two different rooms, and we will run it together, you. I promise. Let's do it. So we will ask a question. I will not promote a particular technology, but I'm going to use it, Πώς να κάνουμε αξιωτικό επίπεδο για να αφήσουμε με τη δημιουργία μου, πώς να κάνουμε αξιωτικό επίπεδο για να αφήσουμε με τη δημιουργία μου. Ας σύμπλωσθα, ας είσαι κομμάτις. Αυτό είναι το πρόεδρο που βλέπουμε. Είναι αυτό ένα πρόεδρο ή έναν πρόεδρο, πιστεύω, πιστεύω. Έτσι είναι ένα πρόεδρο καλύτερο, γιατί είναι πρόεδρο σαν ένα πρόεδρο, but not very yet. Αλλά θα είσαι πολύ, πολύ πραγματικό για αυτή τη δημόστιση, γιατί είναι σημαντικό τι είχε πιστεύει, όταν έγινε αυτό το πρόεδρο σε το 50ο. Θέλω να εγγραφήσω σε ένας από αυτές τις πρόεδρος, το πρόεδρο που πρέπει να το κάνει με αρκετή κονταμίνηση, με τη δημόστιση που χρειαζόμαστε, χρειαζόμαστε πραγματικότητα στο σύμπλωσό μας. Αυτό είναι το μέρος που χρειαζόμαστε στο σύμπλωσό μας, κομματικότητα σε όλες τις διαφορετικές σύγνωσες, με τη δημόστιση που μπορεί να βοηθούν μας, να δημιουργήσει το σύμπλωσό μας, και ιδιαίως, πριν πριν, το χρειαζόμαστε. Και είναι ένα πρόεδρο πρόεδρο που, αν θέλεις να το κάνεις, θα αρκετήσεις πολλές άνθρωποι, που πρέπει να δοκιμάσεις για πολλές, πολλές ώρες. Θέλεις να δοκιμάσεις πολλές, πολλές σώσεις, και θέλεις να καταλαβαίνεις αν υπάρχει κάτι εκεί που πρέπει να δοκιμήσει ένα σύμπλωσό. Και αυτό είναι κάτι που οι άνθρωποι που δοκιμούνται, οι καθόλοι που δοκιμούνται, χρησιμοποιούνται να δοκιμήσουν πρόσφυγες από πρόεδροι, σε δυο πρόεδροι. Ξέρουμε, οι άνθρωποι που θέλουν να καταλαβαίνουν αν υπάρχει ένα σύμπλωσό αρκετή στις δυο σύμπλωσό μας, αν είναι ένας από τα πρόεδρος, ένας από τα πρόεδρος, είχα δει αυτή την σύμπλωσή, είναι αυτό που έχω δοκιμούνει ή δεξειάω, ή είναι ένα νέο πρόεδρο, πρέπει να κάνουμε κάτι. Ότι που έχει να κάνει με σημαντική πρόεδρο, μετά το σημαντικό μεταξύ της μονητοιχέντρης, όπως να το λέω, τότε μετά να δοκιμήσουμε το σύμπλωσό αρκετή ή το σύμπλωσό αρκετή, όπως να εξηγηγήσουμε και να υπάρχει αυτά τα πρόεδρο. Πώς να δοκιμήσουμε τα σύμπλωσόμενος, τα πρόεδρο, μετά να δοκιμήσουμε γιατί είναι μια πρόεδρο. Είναι εξαφές από τη εξοφαντική ποταμή. Πώς να δοκιμήσουμε και να δοκιμήσουμε τα πρόεδρος, γιατί στιγμήνωση αυτή από όπου πρέπει τόσα να περνάμε να το δούμε καταστρέφυγε. Μπορείτηκε να εντεχάσεixed και να σημαίνει Βλέπουμε λίγο, λόγια πάντα, like where do we invest our testing money, our testing budget this year, which are the risk priorities that we should be looking at, what is happening out there, where should we invest our audit budget. These are the different types of decisions that are under the umbrella of risk intelligence and there is an analogy of how we can answer and we can provide support to these decisions. My favorite analogy is weather forecasting. If we go back 20 years, I still remember waiting every afternoon or evening for the news, for someone to close the news telling us about the weather forecast for the next day or for the next week. This was not a magician, it was not an oracle of some kind. Some of them were based on science with very complex mathematical and statistical models working for them, giving us a forecast of what will probably happen during the next days. Today, at our fingertips, we can use different applications, the power of these models is available for us to use on a daily basis. So this is where we are arriving today, moving away from relying upon the expertise of scientists that have to come and tell us what will happen and bringing this power at our fingertips. Again, with lots of science behind us, the automation part of the easiness in accessing this capability is what is changing. What is interesting is that this is not a single decision that is supported by one system that is ruling them all and has all the knowledge that we are expecting. No, we shouldn't expect a charged GPT oracle to be answering your all questions. We are talking about lots of different models depending on what kind of ingredient we are looking or what kind of hazard we are looking. We have to build different forecasting models behind and they have to come in different platforms and environments that we are using on a daily basis to support these decisions. So this is rather a quite complex ecosystem of AI models powering as software applications. If there is one thing that implies us to have this technology, this digital technology at hand is this one, to have models that we can trust and trust means that we understand how they calculate the likelihood of an emergency risk. We can understand how accurate these predictions are and we feel comfortable with this accuracy of the particular model. One of the colleagues that we are having a conversation about accuracy a couple of weeks ago was telling me that because even 40% of accuracy in such a model will make my life easier than having no forecast at all. I know that it's a 40% accuracy that I'm getting so I will decide how much I will trust the model but at least I know how much this is. Eventually I think that this is something that will be inside the different systems and applications that all the different findings in our organization are using ranging from product R&D, in a product lifecycle management software then when they are making decisions about which ingredients they will be adding in a recipe and having an indication of whether an ingredient is riskier in versus to another ingredient and they want to see it on the fly. So they don't need to pull someone from food safety and say ok I'm considering using this model. So how can we put it inside the workflow and decisions? Or procurement, when they are selecting considering changing suppliers they know if we have supplier with a potentially higher risk profile in terms of safety and other parts of the organization where we can feed this risk likelihood information. You can see these things in action. We are having a workshop a little later where we will be using our platform for the guide to demonstrate two examples of such predictive analytic dashboards and you are welcome to come, look at these two dashboards on incident prediction and hazard prediction and help us get feedback and ideas on how you see failure in those and what else you would be expecting. So we will be great to see you also at the workshop. Thank you.