Μοντελοποίηση Κρυπτοοικονομικών Πρωτοκόλλων ως Πολύπλοκα Συστήματα - Μέρος 2

Στο πρώτο μέρος συζητήσαμε πώς, ως κρυπτοοικονομικοί σχεδιαστές, επιλέγουμε τους κανόνες, τις διεπαφές και τα κίνητρα του πρωτοκόλλου μας, για να σχεδιάσουμε ένα σύστημα που να εκπληρώνει τον επιδιωκόμενο σκοπό του. Προκειμένου να αξιολογηθεί ο σχεδιασμός τέτοιων πρωτοκόλλων, η παραδοσιακή οικονομική εργαλειοθήκη μάς προσφέρει μοντέλα από πάνω προς τα κάτω, τα οποία δεν λαμβάνουν υπόψη την πολυπλοκότητα, ή μοντέλα από κάτω προς τα πάνω, τα οποία είναι υπολογιστικά δύσκολα για σημαντικούς αριθμούς συμμετεχόντων.

Σε αυτή την ανάρτηση θα παρουσιάσουμε δύο τεχνικές μοντελοποίησης και προσομοίωσης οι οποίες χρησιμοποιούνται ευρέως στη μηχανική και στις κοινωνικές επιστήμες που επιχειρούν να αντιμετωπίσουν τις συγκεκριμένες προκλήσεις που θέτει η πολυπλοκότητα. Θα συζητήσουμε επίσης πώς το BlockScience θα εφαρμόζει αυτά τα εργαλεία στη μοντελοποίηση του The Graph.


Μοντέλα Δυναμικών Συστημάτων και Μηχανική Συστημάτων Ελέγχου

Τα Μοντέλα Δυναμικών Συστημάτων (DSM) μας επιτρέπουν να απεικονίζουμε συστήματα αλληλεπιδρώντων στοιχείων που αλλάζουν με την πάροδο του χρόνου. Πρόκειται για ένα εργαλείο γενικής χρήσης, εξίσου κατάλληλο για μηχανικά, ηλεκτρικά ή οποιαδήποτε άλλα δυναμικά συστήματα.

Είναι σύνηθες τα δυναμικά συστήματα να απεικονίζονται με τεχνικές διαγράμματος συγκεκριμένου σκοπού, όπως με ηλεκτρονικά κυκλώματα.

Τέσσερις τρόποι απεικόνισης σε διάγραμμα. Επάνω αριστερά: Διάγραμμα κυκλώματος ενός ηλεκτρονικού ταλαντωτή. Επάνω δεξιά: Διάγραμμα block ενός ταλαντωτή. Κάτω αριστερά: Διάγραμμα αιτιώδους βρόχου προσφοράς και ζήτησης. Κάτω δεξιά: Διάγραμμα stock and flow πληθυσμού ψαριών.

Είναι επίσης κοινό να χρησιμοποιούνται διαγράμματα block, διαγράμματα αιτιώδους βρόχου ή διαγράμματα stock and flow. Τα δύο πρώτα μάς επιτρέπουν να μοντελοποιήσουμε οποιαδήποτε σχέση αιτίου-αποτελέσματος μεταξύ διαφορετικών στοιχείων ενός συστήματος, όπως ρεύματα και τάσεις που αλλάζουν σε μια πλακέτα κυκλώματος ή την κινητική και δυνητική ενέργεια ενός συστήματος σχοινιού και τροχαλίας. Τα διαγράμματα stock and flow μάς επιτρέπουν να μοντελοποιήσουμε κάποιο είδος πόρου, όπως τα χρήματα ή το νερό, διατρέχοντας τα διάφορα μέρη ενός συστήματος.

Επιστρέφοντας στη συζήτησή μας, στην προηγούμενη δημοσίευση, για τους θεωρητικούς γενικών συστημάτων στα μέσα του 20ού αιώνα, μπορεί να παρατηρήσετε ότι τα παραπάνω συστήματα είναι συστήματα μεσαίου αριθμού — τα ίδια που λέγεται ότι είναι δύσκολο να μοντελοποιηθούν.

Πράγματι, ενώ μαθηματικά μπορούμε να παρουσιάσουμε τα παραπάνω μοντέλα ως συστήματα διαφορικών εξισώσεων, μόλις ο αριθμός των αλληλεπιδρώντων στοιχείων ξεπεράσει ένα ορισμένο σημείο, καθίσταται αδύνατο να τα λύσουμε αναλυτικά.

Εδώ μπαίνουν στο παιχνίδι λογισμικά προσομοίωσης όπως το SPICE ή το Simulink του Matlab. Αυτά μας επιτρέπουν να κάνουμε αυτό που οι επιστήμονες των αρχών του 20ού αιώνα δεν μπορούσαν: να αξιοποιήσουμε τους υπολογιστές για να προσομοιώσουμε και να προσεγγίσουμε τη συμπεριφορά διάφορων δυναμικών συστημάτων.

Οι μηχανικοί κάνουν περισσότερα από το να φτιάχνουν απλώς μοντέλα δυναμικών συστημάτων. Μπορούν επίσης να τα ελέγχουν.

Πιο συγκεκριμένα, σχεδιάζουν ελεγκτές που λαμβάνουν δεδομένα εισόδου από έναν ή περισσότερους αισθητήρες και ένα ή περισσότερα σήματα ελέγχου για να εξαγάγουν μια μεταβλητή ελέγχου η οποία διαμορφώνει έναν ενεργοποιητή, με στόχο να επηρεάσει την κατάσταση κάποιων δεδομένων εξόδου του συστήματος.

Για παράδειγμα, φανταστείτε ένα αυτοκινούμενο όχημα που προσπαθεί να παραμείνει σε μια λωρίδα: Οι αισθητήρες του μετρούν πόσο μακριά από το κέντρο της λωρίδας βρίσκονται, οπότε τα δεδομένα εισόδου μπορεί να είναι ένα σήμα που λέει ότι συνεχίζει ευθεία στη λωρίδα, και ο ενεργοποιητής θα είναι το σύστημα οδήγησης που επιτρέπει στο αυτοκίνητο να προσαρμόζει την κατεύθυνσή του απαντώντας στο σφάλμα, δηλαδή την απόσταση του αυτοκινήτου από την επιθυμητή κατεύθυνση.

Μια εικόνα που δείχνει συστήματα ελέγχου με διαφορετικές αναλογίες απόσβεσης. Ένα σύστημα «υπερβολικής απόσβεσης» ενδέχεται να μη φτάσει ποτέ την τιμή στόχο του, ενώ ένα «σύστημα χαμηλής απόσβεσης» μπορεί να την υπερβαίνει συνεχώς!

Οι αλγόριθμοι που χρησιμοποιούνται για ελεγκτές, καθώς και για την παραμετροποίηση αυτών των ελεγκτών με τον βέλτιστο τρόπο, είναι ο τομέας της μηχανικής συστημάτων ελέγχου, και υπάρχουν άμεσοι συσχετισμοί με την κρυπτοοικονομική μηχανική.

Σκεφτείτε πώς η διακυβέρνηση ορίζει τις παραμέτρους στο πρωτόκολλο Maker.

Στην ουσία, αυτός είναι ένας ακόμη βρόχος ανατροφοδότησης με έναν αισθητήρα, έναν ελεγκτή και έναν ενεργοποιητή. Ο αισθητήρας είναι οι κάτοχοι MKR που παρατηρούν την τιμή του DAI σε διάφορες συναλλαγές, καθώς και το σφάλμα μεταξύ αυτής και της τιμής στόχου του DAI ($1 USD). Σε απάντηση στο σφάλμα, οι κάτοχοι MKR λειτουργούν ως ελεγκτής που παράγει τη μεταβλητή ελέγχου, το Τέλος Σταθερότητας.

Ως απόκριση σε αλλαγές στο Τέλος Σταθερότητας (κόστος δανεισμού), οι δανειολήπτες στο σύστημα ενεργούν ως ενεργοποιητές, ανοίγοντας και κλείνοντας τις Εγγυημένες Θέσεις Χρέους (CDPs), για να δανειστούν ή να επιστρέψουν το DAI που δανείστηκαν. Οι διακυμάνσεις στην κυκλοφορία του DAI με τη σειρά τους μειώνουν ή αυξάνουν την τιμή του DAI αντίστοιχα. Οι κάτοχοι MKR παρατηρούν τη νέα τιμή και ο κύκλος επαναλαμβάνεται. Στο Dai Πολλαπλής Εγγύησης που κυκλοφόρησε πρόσφατα, υπάρχει παρόμοια δυναμική με το Ποσοστό Εξοικονόμησης Dai (DSR), το οποίο έχει σχεδιαστεί για να αυξήσει τη ζήτηση για συγκράτηση του DAI. Για μια πιο βαθιά ματιά στο Maker, μέσω ενός φακού θεωρίας ελέγχου, ρίξτε μια ματιά σε αυτό το άρθρο.

Μπορεί να έχετε παρατηρήσει μια βασική διαφορά μεταξύ των παραδειγμάτων του αυτοκινούμενου οχήματος και του Maker. Στο πρώτο δυναμικό σύστημα, όλα τα συστατικά, είτε ηλεκτρονικά είτε μηχανικά, διέπονται από τους νόμους της φυσικής. Αν και μπορεί να υπάρχουν ατέλειες σε οποιοδήποτε δεδομένο στοιχείο, η συμπεριφορά τους είναι εντελώς μηχανιστική.

Ωστόσο, στο παράδειγμα του Maker πολλά από τα στοιχεία — όπως οι κάτοχοι MKR που ορίζουν το τέλος σταθερότητας ή το άνοιγμα και το κλείσιμο των CDP των δανειστών — είναι στην πραγματικότητα διαφορετικές ομάδες ανθρώπινων πρακτόρων που λαμβάνουν αποφάσεις, με βάση τα μεμονωμένα κίνητρά τους, χρησιμοποιώντας τμηματικές πληροφορίες και οριοθετημένη λογική. Επιπλέον, αυτοί οι πράκτορες μπορούν να μάθουν και να τροποποιούν τη συμπεριφορά τους με την πάροδο του χρόνου.

Για να μοντελοποιήσουμε τα μέρη του συστήματός μας που διέπονται από την ανθρώπινη συμπεριφορά, πρέπει να υιοθετήσουμε μια διαφορετική προσέγγιση.

Μοντέλα που Βασίζονται σε Πράκτορες

Στα μοντέλα που βασίζονται σε πράκτορες (ABMs), αντί να λαμβάνονται στατιστικοί μέσοι όροι για το πώς συμπεριφέρονται οι πράκτορες αυτοί, οι συμπεριφορές των μεμονωμένων πρακτόρων αντιμετωπίζονται ως πρωταρχική ανησυχία. Προσομοιώνοντας τοπικές αλληλεπιδράσεις ετερογενών πρακτόρων που παρουσιάζουν πολλούς διαφορετικούς τύπους συμπεριφοράς, μπορούμε να παρατηρήσουμε ποια μακροσκοπικά αποτελέσματα προκύπτουν.

Ο στόχος δεν είναι να μοντελοποιήσουμε τέλεια την πραγματικότητα, αλλά να δείξουμε πώς θα συμπεριφέρεται το σύστημά μας δεδομένων διαφόρων υποθέσεων, συμπεριλαμβανομένων των εξωτερικών πρακτόρων, των τύπων συμπεριφορών των πρακτόρων, καθώς και της χωρικής τοπολογίας στην οποία αλληλεπιδρούν οι πράκτορες.



Από αριστερά προς τα δεξιά: Μια προσομοίωση Μοντέλου Διαχωρισμού Schelling εκτελεσμένη σε t=0, t=10 και t=40. Οι πράκτορες είναι «χαρούμενοι» εάν τουλάχιστον 3 από τους 8 γείτονές τους είναι παρόμοιοι με αυτούς. Σε κάθε βήμα, οι χαρούμενοι πράκτορες παραμένουν στη θέση τους, ενώ οι δυσαρεστημένοι πράκτορες μετακινούνται τυχαία σε μια νέα τοποθεσία στο πλέγμα. Με t=40, το πλέγμα είναι σχεδόν εντελώς διαχωρισμένο, παρά τους πράκτορες που είναι ευχαριστημένοι όταν περισσότεροι από τους μισούς γείτονές τους είναι διαφορετικοί από αυτούς!

Ένα κλασικό ABM είναι το μοντέλο διαχωρισμού του Thomas Schelling στο οποίο οι πράκτορες τοποθετούνται σε ένα πλέγμα και σε κάθε γύρο μπορούν να επιλέξουν να μετακινηθούν ή να παραμείνουν, με βάση τη δημογραφική σύνθεση των γειτόνων τους στο πλέγμα. Το Μοντέλο έδειξε ότι ακόμη και κοινωνίες που αποτελούνταν από σχετικά ανεκτικά άτομα — άτομα με ελάχιστη προτίμηση σε γείτονες με τα ίδια δημογραφικά χαρακτηριστικά — θα μπορούσαν να παρουσιάσουν διαχωρισμό σε μεγάλη κλίμακα. Αυτό το αποτέλεσμα προκάλεσε έκπληξη! Αμφισβήτησε τη συμβατική σκέψη της εποχής ότι ο διαχωρισμός στην κοινωνική κλίμακα πρέπει να είναι το αποτέλεσμα της μισαλλοδοξίας στο επίπεδο των ατόμων.

Αν και τα ABM έχουν ενισχυθεί σε μεγάλο βαθμό από την πρόοδο των υπολογιστών, δεν χρειάζεται να είναι υπερβολικά περίπλοκα για να είναι διορατικά. Σε τελική ανάλυση, στο Μοντέλο Διαχωρισμού του Schelling οι υπολογισμοί έγιναν αρχικά χειροκίνητα. Η ποιότητα των ABM συνίσταται στο ότι αντιπροσωπεύουν μια προσομοίωση από κάτω προς τα πάνω και βασίζεται σε χρήσιμες υποθέσεις σχετικά με τους πράκτορες του συστήματός μας.

Ένα από τα αγαπημένα μου πρόσφατα ABM είναι το βίντεο «How The Economic Machine Works» του Ray Dalio. Σε αυτό, ο Dalio δημιουργεί ένα μοντέλο για τη δημιουργία των κύκλων χρέους στην οικονομία, με βάση τις αλληλεπιδράσεις μεμονωμένων αγοραστών, πωλητών, δανειστών και δανειοληπτών. Αν και τεχνικά πρόκειται για βίντεο, και όχι για προσομοίωση, μπορείτε να στοιχηματίσετε ότι αντικατοπτρίζει τα είδη των μοντέλων που χρησιμοποιεί το Bridgewater του Dalio — ένα από τα πιο επιτυχημένα μακροοικονομικά επενδυτικά αντισταθμιστικά κεφάλαια στον κόσμο — για να πραγματοποιήσει τις επενδύσεις του.

Μέχρι εδώ εξετάσαμε δύο ισχυρά εργαλεία για τη μοντελοποίηση διαφορετικών τύπων συστημάτων. Πώς μπορούμε όμως να τα χρησιμοποιήσουμε για να σχεδιάσουμε τα κρυπτοοικονομικά πρωτόκολλα μας, τώρα που κατανοούμε τις μοναδικές προκλήσεις που παρουσιάζονται λόγω της πολυπλοκότητας;

Σε αυτό το σημείο μπαίνει το cadCAD του BlockScience.

Το BlockScience cadCAD

Η BlockScience είναι μια εταιρεία που ειδικεύεται στην έρευνα, την ανάλυση και τη μηχανική σύνθετων συστημάτων. Μια από τις βασικές γνώσεις που κατέχουν είναι ότι μπορούμε να εφαρμόσουμε την προσέγγιση μοντελοποίησης δυναμικών συστημάτων για να επικυρώσουμε σχέδια πρωτοκόλλων. Ωστόσο, στη θέση ενός ντετερμινιστικού ελεγκτή στο βρόχο ανατροφοδότησης, μπορούμε να αξιοποιήσουμε μοντέλα που βασίζονται σε πράκτορες, για να προσομοιώσουν πώς οι πράκτορες θα μπορούσαν να ενημερώσουν την κατάσταση του συστήματος ως αποτέλεσμα της αντίληψής τους για την τρέχουσα κατάσταση του συστήματος.

Στο παράδειγμα του Maker, δεν ήταν δυνατή η μοντελοποίηση του βρόχου ανατροφοδότησης χρησιμοποιώντας παραδοσιακές μεθόδους δυναμικών συστημάτων, επειδή ήταν αποτέλεσμα ανθρώπινων ενεργειών. Με την προσέγγιση BlockScience όμως, μπορούμε να συμπεριλάβουμε στο μοντέλο μας τις ανθρώπινες ενέργειες.

Για να διευκολύνει αυτό τον νέο τύπο μοντελοποίησης, η BlockScience έχει αναπτύξει ένα υπερσύγχρονο εργαλείο μοντελοποίησης, το cadCAD, το όνομα του οποίου προκύπτει από τη σύνθετη προσαρμοστική δυναμική σχεδίαση με βοήθεια υπολογιστή (complex adaptive dynamics Computer-Aided Design).

Μιλήσαμε για την πολυπλοκότητα, αλλά τι σημαίνει το επίθετο «προσαρμοστική»; Σημαίνει απλώς ότι οι πράκτορες στο σύστημά μας είναι ικανοί να μάθουν ως απάντηση στις αλληλεπιδράσεις τους με το σύστημα. Εκτός αυτού, οι κανόνες του πρωτοκόλλου μας μπορούν να εξελίσσονται ως απόκριση στη συμπεριφορά των πρακτόρων, μέσω διαδικασιών όπως η διακυβέρνηση.

Με άλλα λόγια, οι δυναμικές του συστήματός μας μπορούν να αλλάξουν με την πάροδο του χρόνου. Και είναι επιτακτική ανάγκη τα μοντέλα μας να το λάβουν υπόψη.

Οι τρεις βασικές έννοιες στο cadCAD είναι οι πολιτικές, οι καταστάσεις και οι ενημερώσεις κατάστασης. Οι πολιτικές περιλαμβάνουν ανθρώπινους και αυτόνομους πράκτορες, καθώς και τους εσωτερικούς κανόνες του συστήματος, που επηρεάζουν την κατάστασή του και ενδέχεται να προκαλέσουν ενημερώσεις κατάστασης. Για τους πράκτορες του συστήματος, το cadCAD υποστηρίζει τη χρήση ενός μοντέλου δικτύου για να καθορίσει πώς αλληλεπιδρούν.

Με αυτή τη ρύθμιση, μπορούμε να εκτελέσουμε μια ποικιλία προσομοιώσεων, ανάλογα με τις ερωτήσεις στις οποίες προσπαθούμε να απαντήσουμε.

Για παράδειγμα, αν είμαστε περίεργοι για το πόσο στιβαρός είναι ο σχεδιασμός του συστήματός μας, μπορούμε να εκτελέσουμε μια προσομοίωση Monte Carlo, στην οποία εισάγουμε στοχαστικά (τυχαιότητα) σε συγκεκριμένα μέρη του συστήματος, όπως οι συμπεριφορές ορισμένων πρακτόρων, και κάνουμε μια στατιστική ανάλυση πολλών εκτελέσεων με τις ίδιες παραμέτρους συστήματος. Μπορούμε να χρησιμοποιήσουμε τις λεγόμενες «fat-tail» στοχαστικές διανομές για να μας βοηθήσουν να εντοπίσουμε τα φαινόμενα που προκύπτουν, όπως περιστατικά μαύρου κύκνου, που ενδέχεται να παράγουν οι κανόνες του συστήματός μας.

Επιπλέον, μπορούμε να εκτελέσουμε δοκιμές A/B για να συγκρίνουμε πώς συμπεριφέρεται το σύστημά μας σε διαφορετικά σύνολα υποθέσεων. Μπορούμε επίσης να εκτελέσουμε σάρωση παραμέτρων για να εκτελέσουμε πολλές προσομοιώσεις στις οποίες μια μεταβλητή ελέγχου ή αρχικές συνθήκες τροποποιούνται ελαφρώς, ώστε να δούμε πόσο επηρεάζουν τη συνολική συμπεριφορά του συστήματος. Αυτό ονομάζεται ανάλυση ευαισθησίας.

Είναι σημαντικό να θυμόμαστε ότι η εργασία μας δεν έχει ολοκληρωθεί όταν έχουμε μοντελοποιήσει το σύστημά μας μία φορά και έχουμε ξεκινήσει το πρωτόκολλό μας. Μπορούμε επίσης να επιλέξουμε να επανεξετάσουμε, να επικυρώσουμε και να βελτιώσουμε τα μοντέλα μας χρησιμοποιώντας δεδομένα από τον πραγματικό κόσμο, τα οποία συλλέγονται από το σύστημά μας, που είναι σε λειτουργία.

Συμπέρασμα

Στο πρώτο μέρος συζητήσαμε πώς οι κρυπτοοικονομικοί σχεδιαστές επιλέγουν τους κανόνες, τις διεπαφές και τα κίνητρα του πρωτοκόλλου μας. Τα κίνητρα επηρεάζουν τη συμπεριφορά των πρακτόρων στο σύστημά μας, ενώ οι κανόνες και οι διεπαφές περιορίζουν την εν λόγω συμπεριφορά. Οι πράκτορες στο σύστημά μας ενεργούν χρησιμοποιώντας αποσπασματικές πληροφορίες και οριοθετημένη λογική, και τροποποιούν τη συμπεριφορά τους με την πάροδο του χρόνου μέσω της μάθησης, οπότε δεν μπορούμε να τους «υπολογίσουμε» σε κάποιο στατιστικό μοντέλο από πάνω προς τα κάτω. Με άλλα λόγια, σχεδιάζουμε σύνθετα προσαρμοστικά συστήματα, τα οποία απαιτούν μια πιο αυστηρή προσέγγιση από αυτήν που προσφέρει η παραδοσιακή οικονομική εργαλειοθήκη.

Σε αυτή τη δεύτερη ανάρτηση, δείξαμε πώς τα μοντέλα δυναμικών συστημάτων μπορούν να μας βοηθήσουν να μοντελοποιήσουμε συστήματα αλληλεπιδρώντων στοιχείων και ακόμη πώς μπορούμε να ελέγξουμε τέτοια συστήματα. Τα μοντέλα που βασίζονται σε πράκτορες γεμίζουν ένα σημαντικό κενό επιτρέποντάς μας να λάβουμε υπόψη τη συνολική συμπεριφορά των ανθρώπων που παρουσιάζουν διαφορετικές συμπεριφορές στα μοντέλα μας. Εξετάσαμε επίσης πώς το cadCAD, ένα πρωτοποριακό εργαλείο για τη μοντελοποίηση σύνθετων προσαρμοστικών συστημάτων, συνδυάζει απρόσκοπτα αυτές τις δύο προσεγγίσεις.

Είμαστε περήφανοι που συνεργαζόμαστε με την ομάδα της BlockScience για την επικύρωση της κρυπτοοικονομικής σχεδίασης του The Graph. Η BlockScience έχει αποδείξει ότι είναι ο ηγέτης σε αυτό τον αναδυόμενο τομέα. Με τον Dr. Michael Zargham επικεφαλής, έχει συγκεντρώσει μια ισχυρή διεπιστημονική ομάδα που αντλεί από πολύ διαφορετικά πεδία, όπως η επιστήμη δικτύων, οι κοινωνικές επιστήμες και η μηχανική ελέγχου. Έχει επίσης συνάψει ερευνητικές συνεργασίες με το Ινστιτούτο Έρευνας Κρυπτοοικονομικών της Βιέννης, σε συνεργασία με το οποίο δημοσίευσαν πρόσφατα επιστημονικό άρθρο σχετικά με τα κρυπτοοικονομικά και τα σύνθετα συστήματα. Συνιστώ να το διαβάσετε.

Πιστεύουμε ότι το The Graph, ένα έργο με πραγματική χρησιμότητα, που διαθέτει μια ισχυρή κοινότητα ήδη πριν από την έναρξη του αποκεντρωμένου δικτύου μας, συγκεντρώνει όλες τις αρετές ώστε να αποτελέσει μια εξαιρετική μελέτη περίπτωσης σχετικά με την ενσωμάτωση αυτών των αναδυόμενων βέλτιστων πρακτικών στον πλήρη κύκλο του σχεδιασμού και της μηχανικής του πρωτοκόλλου.

Ανυπομονούμε να μοιραστούμε περισσότερα σχετικά με αυτό το θέμα στο μέλλον. Ευχαριστούμε για την ανάγνωση!

Όπως πάντα, μπορείτε να μας βρείτε στο #research στο Discord μας, και μπορείτε να αρχίσετε να χτίζετε τον πρώτο σας υπογράφο στο The Graph σήμερα.


Πρωτότυπο Άρθρο (Αγγλική)Modeling Cryptoeconomic Protocols as Complex Systems — Part 2

Συντάκτης Πρωτότυπου ΆρθρουBrandon Ramirez

Ημερομηνία Συγγραφής Πρωτότυπου Άρθρου: 14 Ιανουαρίου 2020