AI-keskse arenduse tegevusmudel

Tarkvara loomine odavneb, andes eelise organisatsioonidele, kes suudavad langetada paremaid otsuseid ja turvaliselt tulemusi kontrollida.

Põhisõnumid juhtidele

  • Kuna AI vähendab tarkvara tootmise kulu, eeldab konkurentsieelise saavutamine tegevusmudeli muutmist. Organisatsioonid, kes kujundavad ümber meeskondade töökorralduse, mitte ei rakenda lihtsalt AI-assistente, saavutavad tõenäolisemalt püsiva kasu.

  • AI-keskne arendus vajab kaht teineteist täiendavat võimekust: klientide ja probleemidega tihedalt seotud rakendusmeeskondi ning platvormi- ehk „täitmiskeskkonna“ meeskondi, mis pakuvad inimestele ja AI-agentidele ühist konteksti, kaitsemeetmeid, hindamist ja juhtimist turvaliseks tegutsemiseks suures mahus.

  • Tehnoloogiajuhtimise fookus liigub tarnevõimekuse juhtimiselt arendus- ja tarneprotsessi kujundamisele. Juhid peaksid selgelt otsustama neli asja: mille eest rakendusmeeskonnad vastutavad, milline kontekst ja millised kontrollid on ühised, kus agendid vajavad inimese heakskiitu ning kuidas mõõta tõenduspõhist õppimist ja kliendiväärtust.

Vana mudeli peamine piirang oli teostusvõimekus

Suur osa tänapäeva arenduspraktikast kujunes maailmas, kus tarkvara loomine oli kallis. Töökorralduse põhiküsimus oli: kuidas saaks rohkem meeskondi tarnida rohkem tarkvara ja seda prognoositavamalt? See eeldus kujundas meeskondade struktuuri, platvormide rahastamist ja tarnimise mõõtmist. Kasv tähendas sageli inimeste lisamist ning edu väljendati tavaliselt süsteemi läbinud töö hulgana.

AI muudab seda eeldust. Meie hinnangul pole AI-keskne arendus lihtsalt traditsiooniline arendus paremate tööriistadega. See vajab teistsugust tegevusmudelit: väiksemaid, klientide probleemidega tihedalt seotud rakendusmeeskondi, mida toetavad platvormi- ehk „täitmiskeskkonna“ meeskonnad. Mõistega „täitmiskeskkond“ tähistame kontrollitud töökeskkonda, mis annab inimestele ja agentidele AI turvaliseks kasutamiseks suures mahus vajaliku konteksti, tööriistad, õigused, tagasisideahelad ja piirid.

Tehnoloogia- ja andmejuhtidele on see oluline, sest üksikisiku tootlikkuse kasv üksi ei taga turvalist kasutuselevõttu kogu organisatsioonis. Läbimõeldud tegevusmudelita ohustavad meeskondi killustatud tööriistad, dubleeritud lahendusmustrid, ebaselge vastutus, kontrollimatu andmete avaldumine ja ebaühtlane kvaliteet.

Ettevõtted peavad küsimuse „Kuidas aidata arendajatel AI-d kasutada?“ asendama küsimusega „Kuidas kujundada arendussüsteem ümber nii, et inimesed ja agendid saaksid kogu ettevõttes turvaliselt väärtust luua?“

Tootmise odavnedes muutuvad otsused olulisemaks

AI võimaldab arendajatel uurida rohkem ideid, kiiremini prototüüpe luua ja rohkem lähenemisi katsetada. Suurem toodang ei loo aga automaatselt rohkem väärtust. Hea kaalutlusvõime, asjakohase konteksti ja tõhusa hindamiseta võib töö maht kasvada kiiremini kui organisatsiooni võime otsustada, mida usaldada, juurutada või millest õppida.

AI võib vähendada koodi genereerimise ja katsete tegemise kulu. Kas väheneb ka tarkvara kogukulu, sõltub tööst, mida on endiselt vaja ülevaatuseks, lõimimiseks, käitamiseks, hooldamiseks ja ümbertegemiseks.

Eeldame, et arenduse konkurentsieelis sõltub üha enam neljast võimekusest:

  • Otsustamine, mida ja kuidas luua ning kuidas need valikud dokumenteerida.

  • Inimeste ja AI-süsteemide töö rajamine organisatsiooni asjakohasele teadmusele.

  • Turvaline kasv ühiste platvormide, kontrollide ja hindamise toel.

  • Selliste arhitektuuride kavandamine, kuhu saab lisada uusi tööriistu ja komponente korduvate häireteta.

Napp võimekus pole seega enam toodangu loomine, vaid sellest suurema kasu saamine: õige töö valimine, selle konteksti seadmine, toimivuse testimine ja teadmine, mida mitte välja lasta.

Katsetamise odavnedes kasvab ka dokumenteeritud otsuste väärtus. Organisatsioon peab teadma, mida prooviti, mis ebaõnnestus, mida õpiti ja miks eelistati üht teed teisele.

Arendussüsteemid peaksid soodustama kiiret valideerimist, turvalist järkjärgulist täiustamist ja õpitu dokumenteerimist, mitte üksnes tarnekiirust. See muudab nii arendaja rolli kui ka teda ümbritsevat meeskonda.

Arendajad koordineerivad suuremat osa süsteemist

Arendajatele ei tähenda see niivõrd eemaldumist loomisest, kuivõrd liikumist loodava kujundamise, hindamise ja koordineerimise poole.

AI loodud tarkvara ei kaota vajadust arendajate järele. See suurendab nende inimeste tähtsust, kes mõistavad süsteemi piiranguid, määratlevad liideseid, kavandavad hindamisi ning koordineerivad inimeste ja agentide tööd. Arendajad, kes ühendavad tehnilise süvapädevuse kaalutlusvõime, tootetunnetuse ja hindamisoskustega, loovad sageli rohkem väärtust kui need, kes keskenduvad üksnes üksikkomponentide teostamisele.

AI tõhustab toote- ja arendustöö ühist õppetsüklit

Varem otsustasid tootemeeskonnad, mida luua, ja arendusmeeskonnad selgitasid välja, kuidas seda teha. Tänapäeval ühendavad paljud organisatsioonid toote-, disaini- ja arendustöö. AI toob muutuse meeskonna sisse: odavamad prototüübid võimaldavad jõuda probleemi sõnastamisest teostuse ja hindamiseni ühe tsükli jooksul. Meeskonnad saavad katsetada rohkem variante, loobuda nõrkadest ideedest varem ja viia kontrollitud ideed tootmiskasutusele lähemale.

See soosib väikseid valdkonnaüleseid meeskondi, kus toote-, disaini-, arendus- ja valdkonnaspetsialistid töötavad ühes õppetsüklis. Tootealane ja tehniline otsustamine ei sulandu üheks rolliks, kuid peavad olema tihedamalt seotud. Tootejuhid vajavad piisavalt tehnilisi teadmisi, et luua prototüüpe ja hinnata võimalusi. Arendajad vajavad piisavat kliendi- ja ärikonteksti, et osaleda probleemi sõnastamises, mitte üksnes etteantud lahenduse teostamises.

Organisatsiooni kontekstist saab strateegiline vara

Arendusorganisatsioonid on traditsiooniliselt pidanud koodi üheks peamiseks varaks. Koodi genereerimise lihtsustudes peitub üha suurem osa püsivast väärtusest selle taustakontekstis: valdkonnateadmistes, klienditundmises, käituskogemuses, omaandmetes, hindamisandmestikes, masinloetavates reeglites ja arhitektuuriotsuste ajaloos, mis selgitab süsteemide toimimise põhjusi.

Koodibaasid on olulised osalt seetõttu, et neis kehastuvad vaevaga omandatud äri- ja klienditeadmised. AI muudab koodi loomiseks vajalikku pingutust, kuid ei kaota nende teadmiste omandamiseks vajalikku tööd. Seetõttu peaksid organisatsioonid vaatama koodimahust kaugemale ja investeerima kasvava väärtusega varadesse: hästi hallatud omaandmetesse, kasutatavatesse teadmussüsteemidesse, sügavasse klienditundmisse ja otsuste selgesse dokumenteerimisse.

IT- ja andmejuhtide jaoks muudab see infoarhitektuuri ja andmehalduse arenduse tulemuslikkuse keskseteks teguriteks. AI-agendid saavad kasutada vaid konteksti, millele neil on juurdepääsuõigus ja mida nad oskavad tõlgendada. Killustatud teadmus, ebaselge vastutus andmete eest ja vastuolulised õigused muutuvad seega arenduse piiranguteks, mitte pelgalt infohalduse probleemideks.

Kui kontekst saab tootmissüsteemi osaks, ei saa see jääda passiivseks dokumentatsiooniks. Sellest saab platvormi võimekus.

Hajus AI-arendus: kohalikud tiimid, ühised kaitsemeetmed

Kui kontekst, hindamine ja juhtimine saavad tootmissüsteemi osaks, ei saa AI-lahenduste arendust jätta täielikult üksikute meeskondade hooleks. Seda ei tohiks ka nii tugevalt tsentraliseerida, et meeskonnad kaotavad kontakti klientide tegelike probleemidega.

Föderatiivne mudel tasakaalustab need vajadused. Autonoomsed rakendusmeeskonnad jäävad probleemi lähedale. Neid toetavad ühised platvormi- ja täitmiskeskkonna võimekused: korduskasutatavad tööriistad, kontrollitud kontekstipääs, hindamismustrid, õigused ja juhtimine. Föderatiivne korraldus toimib vaid selge vastutusega: rakendusmeeskonnad vastutavad töövoo ja tulemuse eest, täitmiskeskkonna meeskonnad pakuvad turvaliseks tegutsemiseks ühiseid võimekusi ning riski-, turbe- ja juhtimisüksused säilitavad sõltumatu järelevalve.

Rakendusmeeskonnad ja valdkonnaeksperdid peaksid määrama ülesandepõhised hindamisjuhud ja vastuvõtukünnise. Täitmiskeskkonna meeskond peaks pakkuma nende hindamiste järjepidevaks läbiviimiseks taristut, ühiseid kontrolle ja aruandlust.

Valdkond

Rakendusmeeskond

Täitmiskeskkonna tiim

Risk, turve ja juhtimine

Toode ja tulemus

Valib probleemi, töövoo, kasutajakogemuse ja edumõõdikud; vastutab kliendi- ja äritulemuste eest

Annab korduskasutatavad mustrid, tööriistad ja telemeetria

Seab piirangud, kui kasutusjuht tekitab olulise riski

Kontekst ja juurdepääs

Määratleb töövoole vajaliku info ja toimingud

Pakub kontekstiliideseid, agendi identiteeti ja tööriistaõigusi

Kiidab heaks tundlike andmete juurdepääsu ja kontrollipiirid

Hindamine ja väljalase

Määrab vastuvõtukriteeriumid ja vaatab tulemused üle

Haldab hindamiskomplekte, auditilogisid ja heakskiidetud juurutusteid

Kiidab heaks suure riskiga kasutusjuhud, erandid ja olulised muudatused

Rahastamine ja vastutus

Saab rahastuse rakenduse tulemuse saavutamiseks ja vastutab selle eest

Rahastatakse ühise võimekusena; edu mõõdavad korduskasutus, katvus ja aeg ohutu tootmiskasutuseni

Vastutab sõltumatu järelevalve ja kontrolliotsuste eest

Töörütm ja õppimine

Täiustab koos valdkonnaekspertidega; vaatab üle tulemused, inimsekkumised ja intsidendid

Muudab õpitu uuteks testideks, kontrollideks ja taaskasutatavaks võimekuseks

Vaatab intsidendid ja muudatused üle kokkulepitud kinnitustel

See muudab ka seda, kuidas juhid peaksid meeskonna suurusest mõtlema. Rohkem tarkvara tootvad väiksemad meeskonnad ei ole eesmärk omaette. Eesmärk on rakendada inimeste kaalutlusvõimet seal, kus see loob enim väärtust: probleemi lähedal rakendusmeeskondades ning ühistes võimekustes, mis võimaldavad neil kiiresti liikuda kontrolli kaotamata.

Platvormist saab inimeste ja agentide täitmiskeskkond

Kui rakendusmeeskonnad kahanevad ja kasutavad enam AI abi, vajavad organisatsioonid tugevamat ühist tuge, et tarne oleks turvaline, ühtlane ja vastutus selge.

Traditsiooniline platvormiarendus on keskendunud peamiselt arendajate tootlikkusele ning selle põhikasutajad on olnud inimesed. AI-keskne platvorm peab toetama nii inimesi kui ka agente.

Agent ei kasuta arendusplatvormi samamoodi nagu inimene. Ta vajab masinliidese kaudu kättesaadavaid juhiseid ja tööriistu, selgeid õigusi ning usaldusväärseid viise oma töö hindamiseks. Täitmiskeskkond peab arvestama ka vaadeldavuse, turbe, nõuetele vastavuse ja teadmusjuhtimisega. Selle eesmärk on muuta autonoomia kasulikuks, seades sellele selged ja jõustatavad piirid.

Näide: AI abiga klienditugi reguleeritud pangas

Vaatleme panka, mis võtab kaarditehingute vaidlustamise päringute jaoks kasutusele AI-toega töövoo. Rakendusmeeskond alustab piiritletud ülesandest: juhtumi liigitamine, kehtivate reeglite leidmine ja vastuse koostamine klienditoe töötajale. Meeskond vastutab töövoo, kasutajakogemuse, eskaleerimiskünniste ja edumõõdikute eest. Ta ei määra regulatiivseid reegleid ega anna agendile uusi õigusi.

Agendid võiksid aidata lahendust teostada, teha ülesandepõhiseid teste ja valmistada ette väljalaske. Tootmiskeskkonda juurutamise kiidaksid endiselt heaks inimesed. Tootmiskasutuse tulemused suunaksid järgmist hindamis- ja arendusringi. Käitusaegsed kontrollid on eraldi: klienditoe agent tohib kasutada vaid heakskiidetud tööriistu ja andmeid ning peab järgima määratud õigusi ja eskaleerimisteid.

  • Kontekst: agent pääseb ligi käsilolevale juhtumile, lahenduseks vajalikele miinimumandmetele kliendi kohta, kinnitatud toote- ja kaebusemenetlustele ning masinloetavatele eskaleerimisreeglitele. Ta ei näe maksete algseid autentimisandmeid ega kõrvalisi kliendikirjeid ega saa juhtumihaldussüsteemi kirjutada.

  • Hindamine: enne väljalaset tuleb läbida esinduslikel varasematel juhtumitel ja ekspertide märgendatud erijuhtudel põhinevad testid. Need kontrollivad liigitustäpsust, reeglite järgimist, põhjendatud hoidumist, isikuandmete leket ning kaebuste ja rahaliselt tundlike juhtumite eskaleerimist.

  • Heakskiit: tooteotsuse eest vastutab rakendusmeeskond. Riski-, turbe- ja vastavusüksused kiidavad heaks andmepääsu, reeglite rakendamise ja juurutustee. Klienditoe töötaja kinnitab iga väljasaadetava sõnumi; kliendi raha või õigusi puudutavad otsused jäävad agendi autonoomiast välja.

  • Täitmiskeskkonna logi talletab igal käivitusel agendi identiteedi, mudeliversiooni, hangitud konteksti ja allikad, tööriistakutsed, reeglikontrollid, hindamistulemused, inimeste parandused või tühistamised ning intsidendid. Toimivast loob meeskond korduskasutatavaid kontekstiliideseid, hindamisjuhte, õigusemalle ja kinnitatud juurutusteid. Tõrked ja sekkumised viivad uute testide ja töövoo parandusteni.

Nii saab agendile anda tegutsemisruumi, kuid üksnes heakskiidetud konteksti ja tööriistade kaudu. Iga olulise piiri järgimisest jäävad kontrollitavad ja korduskasutatavad tõendid. Oluliste otsuste eest vastutavad endiselt inimesed. Aja jooksul saab pank tegelike juhtumite põhjal – mis agendil õnnestus, kus inimesed sekkusid ja mis ebaõnnestus – töövoogu täiustada ning otsustada, kas selle ulatust laiendada. Nii näevad piiritletud autonoomia ja tõenduspõhine õppimine välja praktikas.

Tööjaotus kajastub täitmiskeskkonna meeskonna süsteemides ja kontrollides. Meeskond võib vastutada järgmise eest:

  • Agendi identiteet: teenuseidentiteetide väljastamine, vastutaja ja keskkonna talletamine ning iga agendi mudeli-, viiba- ja tööriistaversioonide jälgimine.

  • Tööriistaõigused: lugemis- ja kirjutusõiguste, andmepääsu piiride, päringupiirangute, heakskiidupunktide ning agendi toimingute vaikekeeldude määramine.

  • Kontekstiliidesed: heakskiidetud teadmuse ja andmete pakkumine versioonitud, õigusi arvestavate liideste kaudu, märkides päritolu ja ajakohasust.

  • Hindamiskomplektid: esinduslike näidete, erijuhtude, ohutus-, turbe- ja regressioonitestide ning väljalaskekünniste haldamine.

  • Auditilogid ja vaadeldavus: agendi identiteedi, hangitud konteksti, tööriistakutsete, väljundite, heakskiitude, inimsekkumiste, tõrgete ja intsidentide talletamine sobivate säilitus- ja pääsureeglitega.

  • Heakskiidetud juurutusteed: liivakasti-, vari-, etapiviisiline ja tootmisjuurutus koos automaatkontrolli, tagasipöörde ja muudatuste kontrolliga.

Täitmiskeskkonna meeskond ei ole lihtsalt uus nimi kõigile senistele platvormifunktsioonidele. Masinõppe käituse, turbe, juhtimise ja platvormide meeskondadel on endiselt oma vastutusalad. Täitmiskeskkonna meeskond seob need kontrollid AI-töövoogude loomise ja käitamisega: reeglite jaoks õigused ja heakskiidupunktid, konteksti jaoks hallatud liidesed, hindamiseks testikomplektid ning logid, mis võimaldavad agentide käitumist auditeerida ja taaskasutada.

AI-keskse arenduse tegevusmudeli skeem, kus rakendusmeeskondi toetavad ühine platvorm ja täitmiskeskkond.

Mehitus, juhtimine ja mõõdikud peavad muutuma

Kui arendustöö jaguneb rakenduste tarnimiseks ja ühiste tugivõimekuste loomiseks, peavad sellega kaasa muutuma personalivalikud, juhtimine ja mõõtmine.

Rakendusmeeskonnad vajavad probleemi lähedal toote-, arendus- ja valdkonnapädevust. Platvormi- ja täitmiskeskkonna meeskonnad vajavad inimesi, kes oskavad kavandada ja käitada inimesi ning agente suures mahus toetavat ühiskeskkonda.

Tehnoloogiajuhid hakkavad kujundama arendus- ja tarneprotsessi

Tehnoloogia-, andme- ja IT-juhid peavad otsustama, mida võimaldada keskselt ja mis jätta üksikute meeskondade hooleks.

Rakendusmeeskonnad vajavad vabadust kiiresti töötada ja klientidega tihedat sidet hoida. Nad ei peaks ise uuesti looma turvalist andmepääsu, vaadeldavust, hindamist ega juhtimismehhanisme.

AI-keskses organisatsioonis peavad tehnoloogiajuhid suunama osa tähelepanust tarnevõimekuse juhtimiselt arendus- ja tarneprotsessi kujundamisele. See hõlmab järgmist:

  • värbamine ja arendamine kaalutlusvõime ja otsuste kvaliteedi järgi;

  • investeeringud ühisesse AI-taristusse: platvormid, hindamine, kaitsemeetmed, lubatud teed, teadmusvood ja pääsuviisid;

  • agentide, inimeste ja ühiste töövoogude tegevuspiiride määramine;

  • tõenduspõhise õppe, töökindluse, kliendimõju ja ohutu korduskasutuse mõõtmine ning

  • tehnoloogia piisav tundmine, et mõista, kus AI arenduse majanduslikke aluseid päriselt muudab.

Hästi kujundatud süsteemis on meeskondadel lihtsam leida sobivat konteksti, testida AI loodud tööd, taaskasutada tõestatud lahendusmustreid ja märgata, kus on endiselt vaja inimese heakskiitu

Praegused arendusmõõdikud näitavad vaid osa pildist

Paljud arendusmõõdikud loodi ajal, mil tarkvara tootmine oli peamine kitsaskoht. Arenduskiirus, loopunktid, läbilase ja juurutussagedus annavad endiselt kasulikku tegevusinfot, kuid eraldi võetuna ütlevad need vähem, kui AI vähendab tarkvara loomiseks vajalikku tööd.

Meeskond võib luua rohkem koodi ja teha rohkem katseid, kuid siiski langetada halbu otsuseid, lisada tarbetut keerukust või kasvatada riski.

Seega ei piisa tehnoloogiajuhtidel küsimusest, kui palju tarkvara toodetakse või kui laialt AI-tööriistu kasutatakse. Nad peavad mõistma, kas AI aitab organisatsioonil kiiremini õppida, klientide tulemusi parandada ja kokkulepitud piirides töökindlalt tegutseda.

Rakendusmeeskondade kasulikud mõõdikud võivad olla:

  • aeg tõendatud teadmiseni;

  • klientide tulemuste paranemine;

  • loodud äriväärtus;

  • kasutuselevõtt ja käitumismuutus;

  • põhjendatud otsusteni viivate katsete osakaal.

Tõendatud teadmiseni jõudmise aeg peab hõlmama kogu perioodi katse algusest kuni otsustamiseks piisavate tõendite kogumiseni. Esmaspäeval alustava, kolmapäeval juurutava ja reedel põhjendatud otsuseni jõudva meeskonna õppetsükkel kestab nädala, mitte kaks tarnepäeva.

Platvormi- ja täitmiskeskkonna meeskondade mõõdikuteks sobivad:

  • lubatud AI-mustrite taaskasutus;

  • hindamise katvus ja tulemuslikkus;

  • AI-intsidendid ja ümbertegemine;

  • aeg ideest ohutu tootmiskasutuseni;

  • agentide toimingute vaadeldavus ning

  • auditi- ja vastavusvalmidus.

Seotud kulumõõdikud peavad iga eduka tulemuse kohta hõlmama mudeli kasutust, inimülevaatust, ebaõnnestunud katseid, ümbertegemist ja käitustuge.

Ka need mõõdikud vajavad selgeid määratlusi, lähtetasemeid ja hindamismeetodeid. Eesmärk pole asendada üht universaalset mõõdikukomplekti teisega, vaid mõõta, kas arendus- ja tarneprotsess annab usaldusväärseid tulemusi.

Ka see mudel võib olla ajutine

Rakenduste ja täitmiskeskkonna mudel on üks vastus AI-keskse arenduse praegusele etapile. Seda ei tohiks pidada püsivaks lõppseisundiks.

Mitmed arengud võivad arendustöö põhiüksust taas muuta:

  • agendid võtavad vastutuse tervete töövoogude eest;

  • osa tarkvarast muutub ajutiseks, selle asemel et seda kaua hooldada;

  • kasutajad liiguvad rakendusliidestelt agendipõhiste kasutuskogemusteni;

  • alusmudelid võtavad üle rohkem platvormivõimekusi ning

  • regulatsioon muudab auditeeritavuse ja vastutuse arenduse peamiseks piiranguks.

Need on võimalused, mitte kindlad tulemused. Nende teostumisel võib isegi jaotus rakendus- ja platvormimeeskondadeks osutuda liiga kitsaks.

Ebakindluseks on kõige paremini valmis organisatsioonid, kes kohandavad oma tegevusmudelit. Nad lähtuvad selgetest põhimõtetest, heast kontekstist, piiritletud autonoomiast ja kiirest õppimisest, mitte jäikadest meeskondadest või tööriistavalikutest.

Usaldusväärne edasiminek on arenduse tipptaseme uus mõõdupuu

AI ei vähenda arendussüsteemide tähtsust. See suurendab nende hea kavandamise väärtust.

Tarkvara tootmise odavnedes saavad eelise organisatsioonid, kes langetavad paremaid otsuseid, kasvatavad kasuliku konteksti väärtust ja tegutsevad turvaliselt. AI-keskne arendus ei tähenda lihtsalt AI-tööriistade kasutamist. See kujundab end ümber uute piirangute järgi: otsuste kvaliteet, ühine kontekst, piiritletud autonoomia ja kiire õppimine.

Tehnoloogiajuhid saavad alustuseks teha neli selget otsust:

  1. Millised kliendi- ja tooteotsused peavad jääma rakendusmeeskondade lähedale?

  2. Milline kontekst, kontrollid ja hindamisvõimekus peaksid olema ühised?

  3. Kus võivad agendid tegutseda autonoomselt ja kus on vaja inimese heakskiitu?

  4. Millised mõõdikud näitavad tõenduspõhist õppimist, kliendiväärtust ja ohutut tööd?

Vastused neile küsimustele määravad AI kasutuselevõtu väärtuse rohkem kui organisatsioonis rakendatud assistentide arv.

Authors

Abbie Manning, Saurabh Singh