Transformational Leadership, Literature & Cinema!

 

It's true that 'Transformational Leadership' can be 'Joker' for many things...! Perhaps some of you may have understood so far not only the power of storytelling but 'data storytelling', that makes a connection between social networking and content (to be successful). Everything that happens in businesses, politics, arts, internal and external environments, institutions, or simply what happens to us, to a case or to someone else, can be explained by reading it as a story. Good storytelling techniques are the norm for everything including management and leadership. Explaining missions and visions, decision making, the obsession of management people on the definition of things, risks, etc, can be articulated with pen and paper. That's why there's strong correlation between leadership and literature, enhanced by the mean of audio-visual content suggesting that cinematographic metaphors can also play a part in storytelling if expressed by words. It's all about what goes in and out of a script stretching the importance of strong and robust vocabulary. Hence, transformational leadership can just prove that the leader's storytelling arsenal and talent, are on a good pathway even if he can't foresee everything yet. It's all about storytelling that reaches a leading paradigm. Nevertheless it's also a subject of the rule that "one size doesn't fit all"...

Πώς λειτουργεί η ανθρώπινη μνήμη;

Βραχυπρόθεσμη μνήμη, μακροπρόθεσμη μνήμη, αποθήκευση, μνήμη εργασίας, λήθη και άλλα πολλά για την κατανόηση του ανθρώπινου εγκεφάλου. Μιας και αυτό αφορά το πώς λειτουργεί ο καθένας... Από το Psychology Now!

Πώς αποθηκεύονται οι λέξεις και πώς οι εικόνες; Που εδρεύει η μνήμη στον εγκέφαλο; Πώς να βελτιώσουμε τη μνήμη μας; Πώς εξηγείται το φαινόμενο της λήθης;

---

Η ανθρώπινη μνήμη μπορεί να συγκρατεί έναν απεριόριστο αριθμό πληροφοριών και είναι σε θέση να τις ανακαλεί. Τα πληροφοριακά ερεθίσματα (ακουστικά, οπτικά, αισθητικοκινητικά) που προσλαμβάνονται από τις αισθήσεις επεξεργάζονται από τον εγκέφαλο. Πρώτα, όμως, εισέρχονται στην άμεση μνήμη, που συγκρατεί αυτές τις πληροφορίες για μισό δευτερόλεπτο. Σε αυτό το στάδιο γίνεται επιλογή των πληροφοριών βάσει του σημασιολογικού τους περιεχομένου και στη συνέχεια οι επιλεχθείσες πληροφορίες περνούν από την άμεση μνήμη στη βραχυπρόθεσμη μνήμη.

Η βραχυπρόθεσμη μνήμη αποτελεί δομικό στοιχείο του μνημονικού συστήματος, στο οποίο γίνεται η πιο ενεργητική επεξεργασία των πληροφοριών και η αποθήκευση του μεγαλύτερου ποσοστού πληροφοριών σε σχέση με τα άλλα στάδια μνήμης. Πιο συγκεκριμένα, η ακουστική βραχυπρόθεσμη μνήμη αποθηκεύει τις πληροφορίες στο άνω τμήμα του κροταφικού λοβού, η οπτική βραχυπρόθεσμη μνήμη στον ινιακό λοβό και η αισθητικοκινητική βραχυπρόθεσμη μνήμη στο βρεγματικό λοβό.

Η λειτουργία της έγκειται αφενός στο να επιλέγει και να συγκρατεί για σχετικά σύντομο χρονικό διάστημα τις πληροφορίες που έχουν ήδη αναγνωρισθεί και προσεχθεί στην αισθητηριακή συγκράτηση και προορίζονται για άμεση χρήση και αφετέρου στο να προετοιμάζει και να διατηρεί σε ενεργό κατάσταση τις επεξεργασμένες πληροφορίες. Τελικός στόχος της συγκεκριμένης διεργασίας είναι οι πληροφορίες να μεταβιβαστούν στη μακροπρόθεσμη μνήμη για σταθερή και μόνιμη χρήση.

Οι πληροφορίες που επαναλαμβάνονται περνούν στη μακροπρόθεσμη μνήμη, όπου και γίνονται εμπειρίες για όλη τη ζωή και μπορούν να ανακληθούν από το άτομο ανά πάσα στιγμή. Σημαντικό, επίσης στοιχείο της μνημονικής λειτουργίας αποτελεί και η εργαζόμενη μνήμη. Με τον όρο αυτό νοείται ο μηχανισμός της μνήμης που αντλεί πληροφορίες από τη μακρόχρονη μνήμη προκειμένου να τις επαναφέρει στο παρόν. Χρησιμοποιείται από το άτομο προκειμένου να ανταποκριθεί στην εκτέλεση μιας διαδικασίας στην οποία εμπλέκονται πληροφορίες που έχουν αποκτηθεί στο παρελθόν.

Πώς λειτουργεί η μνήμη;

Έχουμε το λιγότερο δύο είδη μνήμης: την βραχυπρόθεσμη και την μακροπρόθεσμη μνήμη.

Κάθε είδος χωρίζεται σε πολλές υποκατηγορίες που όλες προκαλούνται από νευρικά σήματα σε διαφορετικές περιοχές του εγκεφάλου.

Βραχυπρόθεσμη μνήμη

Δυνατότητες αποθήκευσης: η βραχύχρονη μνήμη μπορεί να θυμάται λίγες πληροφορίες, τα λεγόμενα «στοιχεία». Στοιχείο ίσως είναι κάποιο γράμμα, ένας αριθμός ή μικρή αριθμητική σειρά, λέξη ή σχήμα που εκλαμβάνουμε ως ενότητα. Έρευνες δείχνουν ότι η βραχυπρόθεσμη μνήμη μπορεί να περιλάβει μόνο 4 στοιχεία. Έχει αποδειχθεί ότι η βραχυπρόθεσμη μνήμη λειτουργεί με πληροφορίες στο λεγόμενο «στοιχείο» που δεν είναι μόνος ένας αριθμός ή ένα γράμμα αλλά και μια μικρή αριθμητική σειρά, συλλαβή ή λέξη που αντιλαμβανόμαστε αμέσως ως μια ενότητα. Είναι δύσκολο να θυμηθεί κανείς έναν οκταψήφιο αριθμό τηλεφώνου. Αν όμως τον διαιρέσουμε σε 2 ενότητες των 4 αριθμών, καθώς η μνήμη συγκρατεί μόνο 2 στοιχεία γίνεται πολύ πιο εύκολη η αποθήκευση. Η μέθοδος αυτή να συγκεντρώνονται μεμονωμένα στοιχεία σε λίγο μεγαλύτερες ενότητες ονομάζεται «ομαδοποίηση». Θεωρείται αποτελεσματική για τη διεύρυνση του δυναμικού της βραχυπρόθεσμης μνήμης, που χρησιμοποιούμε συνειδητά ή ασυνείδητα.

Διάρκεια μνήμης: η μνήμη διατηρείται μόνο μερικά δευτερόλεπτα και υπάρχει μόνο με τη μορφή ενεργού νευρικού σήματος. Γι αυτό κάθε νέα μνήμη πρέπει να επαναλαμβάνεται διαρκώς στον εγκέφαλο, διαφορετικά πολύ γρήγορα λησμονιέται.

Μακροπρόθεσμη μνήμη

Δυνατότητες αποθήκευσης: μπορεί να αποθηκεύσει τεράστιο όγκο πληροφοριών.
Διάρκεια μνήμης: η μνήμη είναι αιώνια καθώς είναι ενσωματωμένη στον εγκέφαλο. Τα στοιχεία που την απαρτίζουν κωδικοποιούνται μέσω νευρικών κυττάρων τα οποία συνδέονται μεταξύ τους και οικοδομούν ένα μόνιμο δίκτυο.

Πώς αποθηκεύονται οι λέξεις και πώς οι εικόνες;

Αποθήκευση λέξεων
Φωνολογική αναπαράσταση: μόλις ακούσουμε μια λέξη, η εσωτερική φωνή μας την επαναλαμβάνει συνεχώς στον εγκέφαλο. Με αυτόν τον τρόπο διατηρείται ζωντανή αρκετό χρόνο στη βραχυπρόθεσμη μνήμη, ώστε αν χρειαστεί, να μπορεί να μεταφερθεί αργότερα για αποθήκευση στη μακροπρόθεσμη μνήμη.

Αποθήκευση εικόνων
Οπτικοχωρική αποτύπωση: όταν βλέπουμε μια εικόνα αυτή επαναλαμβάνεται συνεχώς στην εσωτερική μας όραση. Με αυτόν τον τρόπο η εμπειρία μας διατηρείται αρκετό διάστημα, για να «καρφωθεί» αν χρειάζεται στη μακροπρόθεσμη μνήμη μας. Ο εγκέφαλος χρησιμοποιεί δύο διαφορετικούς μηχανισμούς για να θυμόμαστε εικόνες και λέξεις.

ΜΝΗΜΗ ΕΡΓΑΣΙΑΣ

Η μνήμη εργασίας είναι δομικό στοιχείο του μνημονικού συστήματος και κύριος ρόλος της είναι η επεξεργασία και προσωρινή αποθήκευση ακουστικών και οπτικών ερεθισμάτων.

Μοντέλο Βaddeley και Hitch (1986) για τη μνήμη εργασίας.
Η μνήμη εργασίας αποτελείται από το κεντρικό εκτελεστικό σύστημα (central executive) το οποίο συντονίζει τα διάφορα επίπεδα επεξεργασίας των ερεθισμάτων και επιλέγει τις κατάλληλες στρατηγικές και μεθόδους που πρέπει να ακολουθηθούν για την καλύτερη επεξεργασία και αφομοίωση των πληροφοριών και δύο άλλα υποσυστήματα που ελέγχονται από αυτό:
1. Το φωνολογικό κύκλωμα (phonological loop) που είναι υπεύθυνο για τη συγκράτηση ακουστικών ερεθισμάτων, του οποίου η χωρητικότητα και η διάρκεια συγκράτησης των φωνολογικών στοιχείων στο κύκλωμα αυτό είναι 7 τεμάχια για 1,5 με 2 δευτερόλεπτα.
2. Το οπτικοχωρικό συνδυασμό ή σημειωματάριο (visuospatial scrach pad) που είναι υπεύθυνο για τη συγκράτηση οπτικοχωρικών ερεθισμάτων και η διάρκεια συγκράτησης των οπτικοχωρικών ερεθισμάτων στο υποσύστημα αυτό είναι περίπου 200 με 400 χιλιοστά του δευτερολέπτου.
3. Την επεισοδιακή συγκράτηση ( episodic buffer) που ελέγχεται και αυτή από το κεντρικό εκτελεστικό σύστημα και έχει συνδέεται άμεσα με την επεισοδιακή διαρκή μνήμη. Έργο της είναι η αποθήκευση πληροφοριών από το φωνολογικό σύστημα και τον οπτικοχωρικό συνδυασμό και η ανάκληση πληροφοριών από τη επεισοδιακή μνήμη βοηθώντας το κεντρικό εκτελεστικό σύστημα στην επεξεργασία των πληροφοριών.

Οι νέες μνήμες αναπαριστώνται

Έρευνες έχουν δείξει ότι μπορούμε πιο εύκολα να θυμηθούμε αναγνωρίσιμες και με σημασία λέξεις ή εικόνες, καθώς η βραχυπρόθεσμη μνήμη χρησιμοποιεί την επανάληψη για να αποθηκεύει νέες μνήμες. Στην περίπτωση όμως που η επανάληψη αναιρεθεί, η μνήμη εξαφανίζεται εντός ολίγων δευτερολέπτων.

Οι επαναλήψεις εγγράφονται

Με τη βοήθεια της φωνολογικής αναπαράστασης και της οπτικοχωρικής αποτύπωσης τα μνημονικά ίχνη μπορούν να διατηρηθούν στη βραχυπρόθεσμη μνήμη. Αλλά και οι δύο μέθοδοι απασχολούν μεγάλο μέρος του δυναμικού του εγκεφάλου γι αυτό και δεν είναι κατάλληλες για τη διατήρηση της μνήμης παρά μόνο για μερικά δευτερόλεπτα. Έτσι η μακροπρόθεσμη μνήμη παρεμβαίνει κρυφακούοντας τη φωνολογική αναπαράσταση και κρυφοκοιτάζοντας την οπτικοχωρική αποτύπωση, την ώρα που η βραχύχρονη μνήμη επαναλαμβάνει τις πληροφορίες. Για να αποθηκευτούν οι πληροφορίες στη μακροπρόθεσμη μνήμη πρέπει να επαναληφθούν πολλές φορές. Οι επιστήμονες πιστεύουν ότι αρχικά η επανάληψη γίνεται από τη φωνολογική αναπαράσταση και την οπτικοχωρική αποτύπωση αλλά όταν οι πληροφορίες εξαφανίζονται από τη βραχύχρονη μνήμη (μέσα σε μερικά δευτερόλεπτα) τότε το έργο αναλαμβάνει η μακροπρόθεσμη μνήμη επαναλαμβάνοντας για τον εαυτό της τις πληροφορίες-μνήμες.

Οι Glanzer και Cunitz (1966, πανεπιστήμιο Νέας Υόρκης) απέδειξαν ότι ο οι μηχανισμοί της μνήμης είναι 2. Η βραχυπρόθεσμη και η μακροπρόθεσμη. Στο πείραμά τους έδειξαν στους συμμετέχοντες 20 λέξεις σε σύντομο χρόνο, από μία κάθε φορά. Στη συνέχεια ζήτησαν να επαναλάβουν τις ίδιες λέξεις με όποια σειρά ήθελαν. Τα αποτελέσματα έδειξαν ότι οι μετέχοντες μπορούσαν να θυμηθούν τις περισσότερες λέξεις από την αρχή και το τέλος , ενώ ήταν πολύ δύσκολο να ανακαλέσουν στη μνήμη τους όσες ήταν στο μέσο της λίστας. Οι επιστήμονες εξήγησαν αυτό ως εξής: οι πρώτες λέξεις είχαν ήδη μεταφερθεί στη μακροπρόθεσμη μνήμη, ενώ οι τελευταίες παρέμειναν στη βραχυπρόθεσμη μνήμη. Οι λέξεις στο μέσο ήταν μετέωρες, καθώς βρίσκονταν στη διαδικασία της μεταφοράς από τον ένα μηχανισμό μνήμης στον άλλο.

Μακροπρόθεσμη μνήμη

Η μακροπρόθεσμη μνήμη διακρίνεται σε 3 τύπους.

Α. Επεισοδιακή μνήμη: αποταμιεύει μνήμες από γεγονότα που έχουμε ζήσει ή ενέργειες που έχουμε κάνει (προσωπικές μας εμπειρίες, αναμνήσεις παιδικής ηλικίας κλπ).
Β. Σημασιολογική μνήμη: αποταμιεύει συγκεκριμένες γνώσεις, π.χ. 2+2=4, τα ονόματα συγγενών και φίλων, το χιόνι είναι άσπρο κλπ. Η Επεισοδιακή και η Σημασιολογική μνήμη αποτελούν την έκδηλη μνήμη. Αυτή καλύπτει όλη τη συνειδητή γνώση, όλες τις γνώσεις που μπορούμε να εξηγήσουμε.
Γ. Άδηλη μνήμη: Εδώ αποθηκεύονται μη συνειδητοποιημένες γνώσεις, τις οποίες δεν μπορούμε πάντα να εξηγήσουμε. Περιέχει όλες τις αποθηκευμένες γνώσεις για το πώς λειτουργούμε διάφορα πράγματα, όπως πώς κάνουμε ποδήλατο, παίζουμε πιάνο, αλλάζουμε ταχύτητα στην οδήγηση. Είναι γνώσεις που χρησιμοποιούμε σχεδόν αυτόματα, χωρίς ιδιαίτερη σκέψη, και γι αυτό δυσκολευόμαστε συνήθως να τις περιγράψουμε.
Κοινός παρονομαστής και των 3 τύπων μακροπρόθεσμης μνήμης είναι ότι στρέφονται στο παρελθόν καθιστώντας μας ικανούς να ανακαλέσουμε μνήμες από προσωπικά βιώματα, γεγονότα ή γνώσεις που αποκτήσαμε. Γι αυτό κάνουμε λόγο για την ανακλητική μνήμη για να τη διαχωρίσουμε από τη μνήμη, την προοπτική, που μας βοηθά να θυμόμαστε πράγματα που προγραμματίζουμε να κάνουμε αργότερα (π.χ. το πρωί πρέπει να θυμηθούμε να πάμε στη δουλειά κλπ). Ενώ την ανακλητική μνήμη μπορούμε να την ανακαλέσουμε όποτε θέλουμε, για την προοπτική μνήμη συνήθως κάποιος χρονικός παράγοντας είναι αυτός που μας βοηθά για να έρθει αυτή η μνήμη στην επιφάνεια.

Που εδρεύει η μνήμη στον εγκέφαλο;

Ανατομία της Βραχυπρόθεσμης Μνήμης
- Βρεγματικός λοβός για αισθητικοκινητική μνήμη
- Άνω κροταφικός λοβός για ακουστική Μνήμη
- Ινιακός λοβός για οπτική Μνήμη

Βραχυπρόθεσμη μνήμη

4 περιοχές του εγκεφάλου είναι σημαντικές για τη βραχυπρόθεσμη μνήμη. Και οι 4 βρίσκονται στις έλικες του εγκεφαλικού φλοιού. Ένα επιτελικό κέντρο πολύ μπροστά στον εγκέφαλο έχει τη γενική εποπτεία όλων των πληροφοριών από τα αισθητήρια όργανα και ελέγχει που θα στραφεί η προσοχή μας. Ως προς την προσοχή μας, αυτή έχει την έδρα της στο βρεγματικό λοβό, κύριο έργο του οποίου είναι ο συντονισμός των αισθητήριων ερεθισμάτων. Οι πληροφορίες διαβιβάζονται στη συνέχεια στον πρόσθιο έξω προμετωπιαίο φλοιό όπου γίνεται ο διαχωρισμός χρήσιμης ή άχρηστης πληροφορίας. Σε όλη αυτή τη διαδικασία η μνήμη παραμένει ζωντανή, επαναλαμβανόμενη συνεχώς σε ένα ειδικό σημείο του μετωπιαίου λοβού. Ο ρόλος τη βραχυπρόθεσμης μνήμης είναι καταλυτικός στη μεταφορά πληροφοριών σε διάφορα είδη μνήμης και στην αποθήκευση τους στη μακροπρόθεσμη μνήμη. Μέσα σε λίγα δευτερόλεπτα λαμβάνεται η απόφαση αν μία εμπειρία, σκέψη, ένας γεγονός θα το θυμόμαστε για πολύ καιρό ή όχι.

Μακροπρόθεσμη μνήμη

Εδρεύει στο βάθος του εγκεφάλου. Ιππόκαμπος και Μετωπιαίος λοβός για συναισθηματική μνήμη και μνήμη γεγονότων. Κροταφικοί λοβοί για αφηρημένη μνήμη. Θάλαμος για όλα τα είδη της Μακροπρόθεσμης μνήμης. Πιο συγκεκριμένα ο ιππόκαμπος και περιοχές του μέσου κροταφικού λοβού είναι κύριες περιοχές όπου εδρεύει και ελέγχεται η έκδηλη μνήμη δηλαδή γνώσεις, συμβάντα και εικόνες από προσωπικές μας εμπειρίες. Ενώ έδρα της άδηλης μνήμης (δηλαδή πληροφορίες για το πώς ενεργούμε για να παίξουμε ένα μουσικό όργανο, ή κολυμπάμε) είναι τα βασικά γάγγλια (πρόκειται για καμπυλωτές δομές κοντά στις βάσεις των 2 ημισφαιρίων) και η παρεγκεφαλίδα.

Θυμόμαστε διαφορετικά γράμματα και σχήματα

Και αυτό το απέδειξε η έρευνα του Khader (2007). Στο πείραμά του έδειξε στους μετέχοντες για ένα δευτερόλεπτο στην οθόνη είτε ένα σχήμα είτε μια μικρή σειρά αριθμών. Ύστερα από διακοπή 5 δευτερολέπτων, τους έδειξε ίδιες εικόνες ή παραλλαγές τους. Στη συνέχεια τους ζήτησε να απαντήσουν μέσα σε 2 δευτερόλεπτα αν πρόκειται για τις ίδιες εικόνες ή όχι. Ταυτόχρονα ηλεκτροεγκεφαλογράφος (EEG) κατέγραφε την ηλεκτρική δραστηριότητα του εγκεφάλου, για να εξακριβωθούν τα σημεία στα οποία γινόταν η διεργασία. Η καταγραφή με EEG γίνεται με τη βοήθεια ηλεκτροδίων που έχουν στερεωθεί σε ειδικό σκουφάκι που φορούν οι μετέχοντες την ώρα που κάθονται μπροστά στην οθόνη. Όταν οι εθελοντές του πειράματος προσπαθούσαν να θυμηθούν τα σχήματα, η δραστηριότητα εντοπίστηκε στον ινιακό λοβό, στο πίσω και κάτω μέρος του εγκεφάλου. Τελείως διαφορετική εικόνα έδειξε το EEG όταν προσπαθούσαν να θυμηθούν τα γράμματα. Είχε ενεργοποιηθεί ο μετωπιαίος και ο κροταφικός φλοιός του αριστερού ημισφαιρίου του εγκεφάλου.

Πώς να βελτιώσουμε τη μνήμη μας

Οι πληροφορίες αποθηκεύονται στη μνήμη καθώς μετατρέπονται σε λέξεις ή εικόνες που επαναλαμβάνονται πολλές φορές στο υποσυνείδητο. Για να ενισχύσουμε αυτή τη διαδικασία θα πρέπει να επαναλαμβάνουμε συνειδητά π.χ. το όνομα του ανθρώπου που μόλις συναντήσαμε είτε σιωπηλά στο μυαλό μας είτε φωναχτά.

Καλός νυχτερινός ύπνος. Κατά τη διάρκεια του ύπνου η μακροπρόθεσμη μνήμη επαναλαμβάνει όλες τις νέες γνώσεις προκειμένου να αποθηκευτούν ως μνήμες. Η έκδηλη μνήμη επαναλαμβάνεται στο βαθύ ύπνο, ενώ ο ύπνος με τα όνειρα είναι της άδηλης μνήμης.

Το φαινόμενο της λήθης

Για το φαινόμενο της λήθης υπάρχουν δύο βασικές θεωρητικές εξηγήσεις. Η μία βλέπει τη λήθη σαν ένα σταδιακό χάσιμο των συγκρατημένων πληροφοριών. Σαν μία παρακμή των μνημονικών ιχνών στον εγκέφαλο. Η άλλη υποστηρίζει ότι η λήθη είναι αποτέλεσμα γνωστικών ή συγκινησιακών παραγόντων, που επενεργούν κατά τη διάρκεια της επανάληψης και ανάκλησης και μ’αυτόν τον τρόπο, προκαλείται κάποια φθίση των πληροφοριών. Οι υποστηρικτές της δεύτερης θέσης στηρίζονται στο γεγονός ότι, όταν οι γνωστικοί ή συγκινησιακοί παράγοντες λείπουν ή εξαφανισθούν, τότε επανέρχονται αυθόρμητα οι ξεχασμένες μνήμες.

Source: Psychology Now

Venture Capitalists...!

Venture capital (VC) is a form of private equity financing that is provided by venture capital firms or funds to startups, early-stage, and emerging companies that have been deemed to have high growth potential or which have demonstrated high growth (in terms of number of employees, annual revenue, scale of operations, etc). Venture capital firms or funds invest in these early-stage companies in exchange for equity, or an ownership stake. Venture capitalists take on the risk of financing risky start-ups in the hopes that some of the firms they support will become successful. Because startups face high uncertainty, VC investments have high rates of failure. The start-ups are usually based on an innovative technology or business model and they are usually from the high technology industries, such as information technology (IT), clean technology or biotechnology.

The typical venture capital investment occurs after an initial "seed funding" round. The first round of institutional venture capital to fund growth is called the Series A round. Venture capitalists provide this financing in the interest of generating a return through an eventual "exit" event, such as the company selling shares to the public for the first time in an initial public offering (IPO) or doing a merger and acquisition (also known as a "trade sale") of the company. Alternatively, an exit may come about via the private equity secondary market.

In addition to angel investing, equity crowdfunding and other seed funding options, venture capital is attractive for new companies with limited operating history that are too small to raise capital in the public markets and have not reached the point where they are able to secure a bank loan or complete a debt offering. In exchange for the high risk that venture capitalists assume by investing in smaller and early-stage companies, venture capitalists usually get significant control over company decisions, in addition to a significant portion of the companies' ownership (and consequently value). Start-ups like Uber, Airbnb, Flipkart, Xiaomi & Didi Chuxing are highly valued startups, commonly known as unicorns, where venture capitalists contribute more than financing to these early-stage firms; they also often provide strategic advice to the firm's executives on its business model and marketing strategies.

Venture capital is also a way in which the private and public sectors can construct an institution that systematically creates business networks for the new firms and industries so that they can progress and develop. This institution helps identify promising new firms and provide them with finance, technical expertise, mentoring, talent acquisition, strategic partnership, marketing "know-how", and business models. Once integrated into the business network, these firms are more likely to succeed, as they become "nodes" in the search networks for designing and building products in their domain. However, venture capitalists' decisions are often biased, exhibiting for instance overconfidence and illusion of control, much like entrepreneurial decisions in general.

Source Wikipedia

Business Angels & Angel Investors...!

An angel investor (also known as a business angel, informal investor, angel funder, private investor, or seed investor) is an individual who provides capital for a business start-up, usually in exchange for convertible debt or ownership equity. Angel investors usually give support to start-ups at the initial moments (where risks of the start-ups failing are relatively high) and when most investors are not prepared to back them. A small but increasing number of angel investors invest online through equity crowdfunding or organize themselves into angel groups or angel networks to share investment capital, as well as to provide advice to their portfolio companies. Over the last 50 years, the number of angel investors has greatly increased.

Etymology and origin

The application of the term "angel" originally comes from Broadway theater, where it was used to describe wealthy individuals who provided money for theatrical productions that would otherwise have had to shut down. In 1978, William Wetzel, a then-professor at the University of New Hampshire and founder of its Center for Venture Research, completed a pioneering study on how entrepreneurs raised seed capital in the US. He began using the term "angel" to describe the investors who supported them. A similar term, "patron", is commonly used in arts.

Angel investors are often retired entrepreneurs or executives, who may be interested in angel investing for reasons that go beyond pure monetary return. These include wanting to keep abreast of current developments in a particular business arena, mentoring another generation of entrepreneurs, and making use of their experience and networks on a less than full-time basis. Because innovations tend to be produced by outsiders and founders in startups, rather than existing organizations, angel investors provide (in addition to funds) feedback, advice and contacts. Because there are no public exchanges listing their securities, private companies meet angel investors in several ways, including referrals from the investors' trusted sources and other business contacts; at investor conferences and symposia; and at meetings organized by groups of angels where companies pitch directly to investor in face-to-face meetings.

According to the Center for Venture Research, there were 258,000 active angel investors in the U.S. in 2007. According to literature reviewed by the US Small Business Administration, the number of individuals in the US who made an angel investment between 2001 and 2003 is between 300,000 and 600,000. In the late 1980s, angels started to coalesce into informal groups with the goal of sharing deal flow and due diligence work, and pooling their funds to make larger investments. Angel groups are generally local organizations made up of 10 to 150 accredited investors interested in early-stage investing. In 1996 there were about 10 angel groups in the United States. There were over 200 as of 2006.

Source and extent of funding

Angels typically invest their own funds, unlike venture capitalists, who manage the pooled money of others in a professionally managed fund. Although typically reflecting the investment judgment of an individual, the actual entity that provides the funding may be a trust, business, limited liability company, investment fund, or other vehicle. A Harvard report by William R. Kerr, Josh Lerner, and Antoinette Schoar provides evidence that angel-funded startups are more likely to succeed than companies that rely on other forms of initial financing. The paper by Kerr et al., found "that angel funding is positively correlated with higher survival, additional fundraising outside the angel group, and faster growth measured through growth in web site traffic".

Angel capital fills the gap in seed funding between "friends and family" and more robust start-up financing through formal venture capital. Although it is usually difficult to raise more than a few hundred thousand dollars from friends and family, most traditional venture capital funds are usually not able to make or evaluate small investments under US$1–2 million. On an annual basis, the combined value of all angel investments in the US almost reaches the combined value of all US venture capital funds, while angel investors invest in more than 60 times as many companies as venture capital firms (US$20.1 billion vs. $23.26 billion in the US in 2010, into 61,900 companies vs. 1,012 companies).

There is no "set amount" for angel investors; investments can range from a few thousand to a few million dollars. In a large shift from 2009, in 2010 healthcare/medical accounted for the largest share of angel investments, with 30% of total angel investments (vs. 17% in 2009), followed by software (16% vs. 19% in 2007), biotech (15% vs. 8% in 2009), industrial/energy (8% vs. 17% in 2009), retail (5% vs. 8% in 2009) and IT services (5%). While more readily available than venture financing, angel investment is still extremely difficult to raise. However some new models are developing that are trying to make this easier.

Much like other forms of private equity, the angel investment decision-making has been shown to suffer from cognitive biases such as illusion of control and overconfidence.

Source Wikipedia

Cinematic AI: AI for Filmmaking!

Analysing cinema is a time-consuming process. In the cinematography domain alone, there's a lot of factors to consider, such as shot scale, shot composition, camera movement, color, lighting, etc. Whatever you shoot is in some way influenced by what you've watched. There's only so much one can watch, and even lesser that one can analyse thoroughly.

This is where neural networks offer ample promise. They can recognise patterns in images that weren't possible until less than a decade ago, thus offering an unimaginable speed up in analysing cinema. I've developed a neural network that focuses on one fundamental element of visual grammar: shot types. It's capable of recognising 6 unique shot types, and is ~91% accurate. The pretrained model, validation dataset (the set of images used to determine its accuracy), code used to train the network, and some more code to classify your own images is freely available.

What is Visual Language, and Why Does it Matter?

When you're writing something — an email, an essay, a report, a paper, etc, you're using the rules of grammar to put forth your point. Your choice of words, the way you construct the sentence, correct use of punctuation, and most importantly, what you have to say, all contribute towards the effectiveness of your message.

Cinema is about how ideas and emotions are expressed through a visual form. It's a visual language, and just like any written language, your choice of words (what you put in the shot/frame), the way you construct the sentence (the sequence of shots), correct use of punctuation (editing & continuity) and what you have to say (the story) are key factors of creating effective cinema. The comparison doesn't apply rigidly, but is a good starting point to start thinking about cinema as a language.

The most basic element of this language is a shot. There's many factors to consider while filming a shot — how big should the subject be, should the camera be placed above or below the subject, how long should the shot be, should the camera remain still or move with the subject, and if it's moving, how should it move? Should it follow the subject, observe it from a certain point while turning right/left or up/down and should the movement be smooth or jerky. There are other major visual factors, such as color and lighting, but we'll restrict our scope to these factors only. A filmmaker chooses how to construct a shot based on what he/she wants to convey, and then juxtaposes them effectively to drive home the message. 

Neural Networks 101

'AI' is most often a buzzword for deep learning, the field that uses neural networks to learn from data.

The key idea is that instead of explicitly specifying patterns to look for, you specify the rules for the neural network to autonomously detect patterns from data. The data could be something structured, like a database of customers' purchasing decisions, or something unstructured, like images, audio clips, medical scans, or video. Neural networks are good at tasks like predicting a customer's desired products, differentiating the image of a dog and a cat, the mating calls of dolphins and whales, a video of a goal being scored vs. the goalkeeper saving the day, or whether a tumor is benign or malignant.

With a large enough labelled dataset (say 1000 images of dogs and cats stored separately), you could use a neural network to learn patterns from these images. The network puts the image through a pile of computation, and spits out two probabilities: P(cat) and P(dog). You calculate how wrong the network was using a loss function, then use calculus (chain rule) to tweak this pile of computation to produce a lower loss (a more correct output). Neural networks are nothing but a sophisticated mechanism of optimising this function.

If the network's output is far off from the truth, the loss is larger, and so the tweak made is also larger. Tweaks that are too large are bad, so you multiply the tweaking factor with a tiny number known as the learning rate. One pass through the entire dataset is known as an epoch. You'd probably run through many epochs to reach a good solution; it's a good idea to tweak the images non-invasively (such as flipping them horizontally), so that the network sees different numbers for the same image and can more robustly detect patterns. This is known as data augmentation.

Neural networks can transfer knowledge from one project to another. It's very common to take a network that's been trained with 14 million images of a thousand common objects (ImageNet), and then tweak it to adapt to your project. It works because it has already learnt basic visual concepts like curves, edges, textures, eyes, etc, which come in handy for any visual task. This process is known as transfer learning.

Rinse and repeat this process carefully, and you have in your hands an 'AI' solution to your problem.*

If that piqued your interest, I suggest you watch this (~19mins) for a fairly detailed explanation of how a neural network works. If you're bursting with excitement, follow through with this course . 

Neural networks burst into popularity in the past decade with the development of large datasets and the ability to leverage GPUs (graphics cards) for the heavy computation demanded by neural nets.

Rapid advances on the technical side open up opportunities to solve novel problems like the one presented in the post. Shot scale recognition is one of many possible applications to film. It's possible to recognise camera movement with 3D CNNs (convolutional neural networks); the only missing piece is the dataset. Camera angles could be detected with the same methodology as this project, but the dataset for it doesn't exist either. Cut detection — transition from one shot to the next — has been worked on extensively, and can be adopted to film*. 

*Frederic Brodbeck's Cinemetrics project does something similar, and is worth looking at.

Barry Salt's Database also does something similar, but at a higher level (summary statistics for the entire movie); a filmmaker would find individual shot analysis more useful. 

Source: https://rsomani95.github.io/ai-film-1.html

Primitive Source: https://towardsdatascience.com/a-i-for-filmmaking-f2a2197020aa 

The Scope of Big Data: Image Recognition, Text, Videos & Sound

What is Big Data Analytics?

Big data analytics is the use of advanced analytic techniques against very large, diverse data sets that include structured, semi-structured and unstructured data, from different sources, and in different sizes from terabytes to zettabytes.

Big data is a term applied to data sets whose size or type is beyond the ability of traditional relational databases to capture, manage and process the data with low latency. Big data has one or more of the following characteristics: high volume, high velocity or high variety. Artificial intelligence (AI), mobile, social and the Internet of Things (IoT) are driving data complexity through new forms and sources of data. For example, big data comes from sensors, devices, video/audio, networks, log files, transactional applications, web, and social media — much of it generated in real time and at a very large scale.

Analysis of big data allows analysts, researchers and business users to make better and faster decisions using data that was previously inaccessible or unusable. Businesses can use advanced analytics techniques such as text analytics, machine learning, predictive analytics, data mining, statistics and natural language processing to gain new insights from previously untapped data sources independently or together with existing enterprise data.

Source: IBM

At the end of the day the notion of data is always targeted at vast creative applications which can incorporate data related with content control, video recommendations, images, sound, hence a number of applications around the basic stepping stones: text, video, sound, picture.

Business Vs Industry: What's the Difference?

Many sales professionals know their own business and that of their customers really well. Sometimes, though, they don't know what's happening in the industry. What's the difference? 

The customer's business refers specifically to their own operation: 

• Organization chart 
• Roles and responsibilities 
• Key customers 
• Short-term strategy 

Their industry is a different matter entirely. This is information such as: 

• Key competitors - Companies that do similar things or serve the same customers 
• Technology changes 
• Outside factors that can impact them (oil prices, industry 
  scandals, regulations) 
• Who the players and opinion leaders are in their industry 

Knowing your customers' industries as well as their businesses makes you more valuable to them, and shows you more opportunities than you thought existed.

Source: https://communispond.com/insights/blog/589/the-difference-between-business-and-industry/

Η Χαμένη Ατλαντίδα: Ιστορία ή Μύθος;