AI for Economists

Project Blueprint & Long-Term Strategy

1. Executive Summary

Το AI for Economists είναι ένα μακροπρόθεσμο εκπαιδευτικό και τεχνολογικό project που θα μαθαίνει σε φοιτητές και επαγγελματίες να χρησιμοποιούν το AI για να δημιουργούν πραγματικά οικονομικά εργαλεία.

Ο εκπαιδευόμενος θα μπορεί να ξεκινήσει χωρίς καμία προηγούμενη γνώση προγραμματισμού. Το πρώτο του project θα είναι ένα απλό αρχείο HTML που εμφανίζει στην οθόνη μία φράση:

Gambling is a losing game.

Στη συνέχεια θα μάθει, πάντα με τη βοήθεια του AI, να δημιουργεί ιστοσελίδες, calculators, εφαρμογές οικονομικών δεδομένων, Python scripts, dashboards, regressions, market scanners, backtests και AI agents.

Ο μακροπρόθεσμος προορισμός είναι η δημιουργία μιας πραγματικής AI-powered Trading Platform, στην ανάπτυξη της οποίας θα συμμετέχουν οι ίδιοι οι φοιτητές και οι απόφοιτοι του project.

Η κεντρική διαδρομή είναι:

First HTML Page → Economic Applications → Python & Data → Econometrics → Market Analysis → AI Agents → Trading Platform

Το project δεν θα είναι ένα ακόμη γενικό σεμινάριο AI, ένα coding bootcamp ή μια υπηρεσία πώλησης trading signals. Θα είναι ένα περιβάλλον μέσα στο οποίο οι οικονομολόγοι θα μαθαίνουν να σκέφτονται, να αναλύουν και να κατασκευάζουν με το AI.

Η δημόσια ταυτότητα, το εκπαιδευτικό υλικό, το website, ο κώδικας και η ορολογία του project θα είναι στα Αγγλικά, ώστε να υπάρχει εξαρχής δυνατότητα διεθνούς ανάπτυξης. Η εσωτερική επικοινωνία και η συνεργασία της βασικής ομάδας θα γίνονται στα Ελληνικά, για ταχύτητα και ευκολία.

Η βασική δημόσια περιγραφή του project μπορεί να είναι:

AI for Economists is a hands-on learning and building ecosystem that helps economists use AI to create web applications, analyze economic data, run econometric models, develop intelligent agents, and ultimately contribute to an AI-powered Trading Platform.

Προτεινόμενο tagline:

From your first HTML page to an AI-powered Trading Platform.

---

2. The Vision

Το βασικό μας όραμα είναι να μειώσουμε δραστικά την απόσταση ανάμεσα στον οικονομολόγο και την τεχνολογία.

Μέχρι πρόσφατα, ένας οικονομολόγος χρειαζόταν σημαντικές γνώσεις προγραμματισμού για να δημιουργήσει μια εφαρμογή, να συνδεθεί με ένα API, να επεξεργαστεί χρηματοοικονομικά δεδομένα ή να κατασκευάσει ένα trading system.

Το AI αλλάζει αυτή τη συνθήκη.

Ο οικονομολόγος δεν χρειάζεται πλέον να γίνει παραδοσιακός software developer. Χρειάζεται όμως να μάθει:

• * Να ορίζει σωστά ένα οικονομικό ή επιχειρηματικό πρόβλημα.
• * Να δίνει σαφείς οδηγίες στο AI.
• * Να διαβάζει και να κατανοεί τον βασικό κώδικα που παράγεται.
• * Να ελέγχει αν το αποτέλεσμα είναι σωστό.
• * Να εντοπίζει λάθη, αδύναμες υποθέσεις και παραπλανητικά αποτελέσματα.
• * Να μετατρέπει μία ιδέα σε λειτουργικό ψηφιακό προϊόν.
• * Να συνδυάζει οικονομική θεωρία, δεδομένα, AI και software.

Το AI for Economists δεν έχει ως στόχο να μετατρέψει τους οικονομολόγους σε προγραμματιστές.

Έχει ως στόχο να τους μετατρέψει σε AI-enabled builders and decision makers.

---

3. Why Trading as the Central Theme

Το trading και οι χρηματοοικονομικές αγορές θα αποτελούν τον βασικό αφηγηματικό άξονα του project, επειδή προσφέρουν:

• * Πραγματικά και συνεχώς μεταβαλλόμενα δεδομένα.
• * Άμεσο και ορατό αποτέλεσμα.
• * Ισχυρό ενδιαφέρον από τους φοιτητές.
• * Εφαρμογές στατιστικής, πιθανοτήτων και οικονομετρίας.
• * Ευκαιρίες δημιουργίας dashboards, scanners και agents.
• * Φυσική σύνδεση ανάμεσα σε οικονομική θεωρία, δεδομένα και κώδικα.

Ωστόσο, το project δεν θα περιορίζεται στην ερώτηση «θα ανέβει ή θα πέσει μία μετοχή;».

Πριν ο φοιτητής φτάσει σε οποιαδήποτε trading decision, πρέπει να έχει μάθει να:

• * Συλλέγει δεδομένα.
• * Καθαρίζει δεδομένα.
• * Υπολογίζει αποδόσεις και μεταβλητότητα.
• * Κατασκευάζει και ερμηνεύει γραφήματα.
• * Τρέχει και αξιολογεί regressions.
• * Κατανοεί την αβεβαιότητα.
• * Ελέγχει ένα μοντέλο σε ιστορικά δεδομένα.
• * Αναγνωρίζει overfitting, data leakage και look-ahead bias.
• * Συγκρίνει το αποτέλεσμα με ένα απλό benchmark.
• * Διαχωρίζει την πρόβλεψη από την αιτιότητα.

Το trading είναι το κίνητρο και το εργαστήριο. Η πραγματική γνώση είναι η AI-assisted economic analysis.

---

4. Target Audience

Η ανάπτυξη του project θα γίνει σταδιακά.

Stage 1 — Economics Students

Η πρώτη ομάδα είναι φοιτητές Οικονομικών, Χρηματοοικονομικών, Διοίκησης, Στατιστικής και συναφών σχολών, ακόμη και αν δεν έχουν γράψει ποτέ κώδικα.

Stage 2 — Graduates and Professionals

Στη συνέχεια το project μπορεί να απευθυνθεί σε:

• * Economists
• * Financial analysts
• * Accountants
• * Researchers
• * Consultants
• * Business analysts
• * Traders and investors
• * Educators
• * Public-sector professionals

Stage 3 — Advanced Builders

Οι πιο δραστήριοι συμμετέχοντες θα μπορούν να εξελιχθούν από εκπαιδευόμενοι σε:

• * Contributors
• * Researchers
• * Teaching assistants
• * Data analysts
• * Agent evaluators
• * Platform testers
• * Junior developers
• * Future collaborators

Ο στόχος για τον πρώτο χρόνο μπορεί να είναι μια ενεργή κοινότητα περίπου 30 εκπαιδευομένων, ξεκινώντας από έναν πολύ μικρό πιλοτικό πυρήνα.

---

5. Core Teaching Philosophy

Η βασική εκπαιδευτική αρχή είναι:

Build first → Understand second → Improve third.

Ο φοιτητής δεν θα ξεκινά με πολλές ώρες θεωρίας. Θα ξεκινά με ένα συγκεκριμένο αποτέλεσμα που μπορεί να δει στην οθόνη.

Η βασική διαδικασία κάθε εργασίας θα είναι:

Goal → Prompt → AI Output → Run → Test → Error → Debug → Explain → Improve

Το AI θα αντιμετωπίζεται ως συνεργάτης κατασκευής και όχι ως μηχανή που δίνει αλάνθαστες απαντήσεις.

Κάθε μάθημα πρέπει να περιλαμβάνει τρία επίπεδα:

1. 1. Student Brief

Τι πρέπει να κατασκευάσει ο φοιτητής.

1. 2. Build & Understand

Τα prompts, ο κώδικας, οι δοκιμές, τα λάθη και η εξήγηση του αποτελέσματος.

1. 3. Instructor Notes

Οι μαθησιακοί στόχοι, τα συνηθισμένα λάθη, τα κριτήρια αξιολόγησης και πιθανές επεκτάσεις.

Η αξιολόγηση δεν θα βασίζεται μόνο στο αν «τρέχει» ο κώδικας. Θα εξετάζει:

• * Τον ορισμό του προβλήματος.
• * Την ποιότητα των prompts.
• * Τη διαδικασία δοκιμών.
• * Την κατανόηση του αποτελέσματος.
• * Τον εντοπισμό και τη διόρθωση λαθών.
• * Τις βελτιώσεις που έκανε ο ίδιος ο φοιτητής.
• * Την οικονομική ερμηνεία.
• * Την τεκμηρίωση του project.

---

6. The Learning Journey

Ενδεικτική ακολουθία πρακτικών projects

1. 1. Create your first HTML page.
2. 2. Style the page with CSS.
3. 3. Build an investment-return calculator with JavaScript.
4. 4. Retrieve a live stock price with Python.
5. 5. Create a one-year stock-price chart.
6. 6. Calculate returns and volatility.
7. 7. Build a five-stock dashboard.
8. 8. Run and interpret a regression.
9. 9. Add MA20/MA50 indicators and trading rules.
10. 10. Classify market news with AI.
11. 11. Scan a larger universe of stocks.
12. 12. Backtest a strategy against a benchmark.
13. 13. Build a paper-trading AI agent.
14. 14. Integrate the strongest components into the Trading Platform.

Η σειρά αυτή μπορεί να εξελιχθεί, αλλά η λογική της πρέπει να παραμείνει σταθερή: πρώτα δημιουργία, μετά δεδομένα, στη συνέχεια οικονομική κατανόηση και μόνο στο τέλος αποφάσεις και αυτοματοποίηση.

---

7. The Three Products We Are Building Simultaneously

Το project δεν κατασκευάζει μόνο ένα course. Κατασκευάζει παράλληλα τρία συνδεδεμένα προϊόντα.

A. The Educational Product

Θα περιλαμβάνει:

• * Articles
• * Short videos
• * Step-by-step lessons
• * Copy-paste prompts
• * Coding exercises
• * Economic applications
• * Mini challenges
• * Student projects
• * Instructor material
• * Regular updates

B. The AI for Economists Lab

Το Lab θα είναι ο ενδιάμεσος χώρος ανάμεσα στο μάθημα και την πραγματική πλατφόρμα.

Εδώ θα δοκιμάζονται:

• * Datasets
• * APIs
• * Python notebooks
• * Market scanners
• * Regression models
• * News classifiers
• * Backtesting methods
• * AI agents
• * Risk-management rules
• * Reporting systems

Ό,τι λειτουργεί μέσα σε μία φοιτητική εργασία δεν σημαίνει ότι είναι αυτομάτως έτοιμο για παραγωγική χρήση. Πρέπει πρώτα να ελεγχθεί, να συγκριθεί, να τεκμηριωθεί και να επαναληφθεί.

C. The Trading Platform

Η τελική πλατφόρμα μπορεί να περιλαμβάνει:

• * Market-data ingestion
• * Charts and dashboards
• * Fundamental and quantitative analysis
• * Econometric models
• * Market scanners
• * News and catalyst analysis
• * Backtesting
• * Risk management
• * Paper trading
• * Alert generation
• * Performance reporting
• * AI research agents
• * Explainable decision logs
• * Μελλοντικά, broker integration και execution

Η πρόσβαση σε πραγματική εκτέλεση συναλλαγών θα εξεταστεί μόνο μετά από επαρκές paper trading, τεχνικό έλεγχο, risk validation, security review και νομικό/compliance έλεγχο.

---

8. The Initial AI Trading-Agent Model

Το σημερινό πείραμα των trading agents μπορεί να αποτελέσει το πρώτο εργαστήριο της μελλοντικής πλατφόρμας.

Agent 1 — Market Scanner

Αναζητά:

• * Unusual price movements
• * Increased volume
• * Earnings and guidance changes
• * Analyst upgrades or downgrades
• * FDA or regulatory events
• * Index inclusions
• * Financing events
• * Technical breakouts
• * Long and short opportunities

Agent 2 — Trade & Risk Manager

Ελέγχει αν ένα εύρημα είναι πραγματικά αξιοποιήσιμο και ορίζει:

• * Entry logic
• * Invalidation
• * Stop loss
• * Target
• * Position risk
• * Reasons to avoid the trade
• * Whether the move has already been chased

Agent 3 — Recorder & Reporter

Καταγράφει:

• * Τι εντόπισε ο scanner.
• * Τι εγκρίθηκε ή απορρίφθηκε.
• * Την εξέλιξη της υπόθεσης.
• * Τα αποτελέσματα.
• * Τα λάθη του συστήματος.
• * Τα ημερήσια και εβδομαδιαία reports.

Η αρχική χρήση θα είναι αποκλειστικά σε paper trading. Ο άνθρωπος παραμένει στο κέντρο της τελικής έγκρισης.

Το επιθυμητό alert format πρέπει να είναι σύντομο και πραγματικά actionable:

🚨 TICKER — LONG/SHORT | TRADING ASAP MATERIAL

Και από κάτω μόνο:

• * Catalyst
• * Trigger or entry logic
• * Invalidation
• * Target
• * Main risk

---

9. Students as Co-Builders

Οι φοιτητές δεν θα είναι απλώς καταναλωτές μαθημάτων. Θα μπορούν να συμμετέχουν στην πραγματική εξέλιξη του project.

Η προτεινόμενη διαδικασία είναι:

Learn → Build → Submit → Review → Test → Improve → Reuse

Οι καλύτερες εργασίες θα μπορούν να:

• * Μετατρέπονται σε νέα εκπαιδευτικά παραδείγματα.
• * Εξελίσσονται σε components του Lab.
• * Ελέγχονται σε paper trading.
• * Ενσωματώνονται, μετά από τεχνικό review, στην πλατφόρμα.
• * Δημιουργούν portfolio για τον φοιτητή.
• * Οδηγούν σε μελλοντικές συνεργασίες.

Για τον πρώτο πιλοτικό πυρήνα μπορούμε να επιλέξουμε περίπου τρεις φοιτητές με βάση:

1. 1. Τη φάση των σπουδών τους.
2. 2. Την εμπειρία τους με AI/LLMs.
3. 3. Τυχόν επαφή με trading ή επενδύσεις.
4. 4. Τι θέλουν να μάθουν.
5. 5. Πόσο χρόνο μπορούν ρεαλιστικά να διαθέτουν κάθε μήνα.

Δεν απαιτείται προηγούμενη γνώση προγραμματισμού. Απαιτείται συνέπεια, διάθεση για πειραματισμό και σοβαρή καταγραφή της διαδικασίας.

---

10. Language and Brand Strategy

Για να μην υπάρξει μελλοντικά μεγάλο κόστος μετάφρασης:

• * Το brand θα είναι AI for Economists.
• * Το website και το landing page θα είναι στα Αγγλικά.
• * Τα άρθρα και τα videos θα παράγονται κατά προτεραιότητα στα Αγγλικά.
• * Τα lesson titles, prompts, code comments, interfaces και documentation θα είναι στα Αγγλικά.
• * Η εσωτερική στρατηγική, οι συναντήσεις και οι καθημερινές συζητήσεις της ελληνικής ομάδας θα γίνονται στα Ελληνικά.

Το project μπορεί αρχικά να φιλοξενηθεί και να δοκιμαστεί μέσα από το Φοιτητικό Διδασκαλείο, με ένα λιτό landing page και μία σειρά άρθρων. Εφόσον αποκτήσει σαφή ταυτότητα και διεθνές ενδιαφέρον, μπορεί αργότερα να αποκτήσει ανεξάρτητο website και ξεχωριστή εμπορική παρουσία.

---

11. Business and Growth Strategy

Η εκπαίδευση πρέπει να προηγηθεί της πλατφόρμας. Είναι ταχύτερη στην παραγωγή, δημιουργεί κοινότητα και μας επιτρέπει να καταλάβουμε τι πραγματικά χρειάζονται οι χρήστες.

Πιθανή ανάπτυξη:

Phase 1 — Free Foundation

• * Public articles
• * First HTML lesson
• * Mini projects
• * Demonstrations
• * Newsletter or community
• * Student showcases

Phase 2 — Structured Learning

• * Complete beginner course
• * Guided cohorts
• * Assignments and feedback
• * Certificates or project portfolios
• * Advanced Economics and Markets modules

Phase 3 — Advanced Lab

• * Subscription-based research lab
• * Datasets and notebooks
• * Advanced agent templates
• * Backtesting environments
• * Collaborative student projects
• * Professional training

Phase 4 — Platform

• * Freemium or subscription access
• * Professional analytics tools
• * Paper-trading functionality
• * Research agents
• * Team and institutional plans
• * Potential B2B education and licensing

Η εμπορική ταυτότητα δεν πρέπει να στηριχθεί σε υποσχέσεις εύκολου κέρδους ή «σίγουρων» trading signals. Η αξία του project είναι η εκπαίδευση, η τεχνολογία, η ανάλυση, η διαφάνεια και η συστηματική αξιολόγηση.

---

12. Indicative Twelve-Month Roadmap

Months 1–2: Foundation

• * Οριστικοποίηση vision και brand.
• * Δημιουργία αγγλικού landing page.
• * Δημοσίευση του πρώτου HTML lesson.
• * Δημιουργία κοινών templates για τα μαθήματα.
• * Οργάνωση του project workspace.
• * Επιλογή των πρώτων πιλοτικών φοιτητών.

Months 3–4: Curriculum MVP

• * HTML, CSS and JavaScript modules.
• * Basic Python and live-data lessons.
• * Investment calculators and economic applications.
• * Πρώτος κύκλος feedback από φοιτητές.
• * Βελτίωση της εκπαιδευτικής μεθοδολογίας.

Months 5–7: Data, Econometrics and Markets

• * Pandas and visualization.
• * Returns, volatility and portfolio metrics.
• * Regression and econometric interpretation.
• * Market dashboards.
• * News classification and stock scanners.

Months 8–10: AI Agents Lab

• * Agent 1, Agent 2 and Agent 3 prototypes.
• * Backtesting framework.
• * Paper-trading experiments.
• * Automated reporting.
• * Systematic recording of failures and improvements.

Months 11–12: Platform Alpha

• * Ενοποίηση των σταθερότερων components.
• * Δημιουργία πρώτου ενιαίου interface.
• * Closed alpha με την κοινότητα.
• * Αξιολόγηση τεχνικής αξιοπιστίας και πραγματικής χρησιμότητας.
• * Απόφαση για ανεξάρτητο website, funding και επόμενη ομάδα ανάπτυξης.

Οι παραπάνω περίοδοι είναι κατευθύνσεις και όχι άκαμπτες προθεσμίες. Κάθε επόμενο στάδιο πρέπει να ξεκινά όταν το προηγούμενο έχει παράγει λειτουργικό και επαναλήψιμο αποτέλεσμα.

---

13. Success Metrics

Η επιτυχία δεν θα κρίνεται μόνο από τον αριθμό εγγραφών ή από το trading return.

Πρέπει να μετράμε:

• * Πόσοι ολοκληρώνουν το πρώτο project.
• * Πόσο γρήγορα ένας αρχάριος δημιουργεί την πρώτη του σελίδα.
• * Πόσοι μπορούν να εξηγήσουν τον κώδικα που παρήγαγε το AI.
• * Πόσοι ολοκληρώνουν περισσότερα από ένα projects.
• * Πόσα student projects μπορούν να επαναχρησιμοποιηθούν.
• * Πόσα bugs ή λάθη εντοπίζονται μέσα από τη διαδικασία.
• * Την ποιότητα και αναπαραγωγιμότητα των analyses.
• * Την επίδοση των strategies απέναντι σε benchmarks.
• * Τη σταθερότητα των agents σε διαφορετικές περιόδους.
• * Την αξιοπιστία των δεδομένων και των reports.
• * Τη διατήρηση και ενεργή συμμετοχή της κοινότητας.
• * Πόσοι φοιτητές εξελίσσονται σε πραγματικούς contributors.

---

14. Non-Negotiable Principles

1. 1. AI output is never accepted without testing.
2. 2. The economist remains responsible for the interpretation.
3. 3. Students begin with paper trading, not real money.
4. 4. Every model must be compared with a simple benchmark.
5. 5. Every result must be reproducible and documented.
6. 6. Predictions are probabilistic, never certain.
7. 7. Overfitting and data leakage must be treated as central risks.
8. 8. The educational product must remain understandable to beginners.
9. 9. Production components require technical review and testing.
10. 10. Live execution requires separate risk, security and compliance review.
11. 11. The project must never be marketed as a guaranteed-profit system.
12. 12. The platform is the long-term destination, not the first product.

---

15. Initial Workspace Structure

Για να μην μπλεχθούν από την αρχή η στρατηγική, το εκπαιδευτικό υλικό και οι ιδέες, προτείνεται η εξής αρχική οργάνωση:

00 — MASTER PLAN

Vision, strategy, audience, roadmap, roles, decisions and milestones.

01 — HTML FROM ZERO

Το πρώτο εκπαιδευτικό μονοπάτι, ξεκινώντας από το απολύτως μηδενικό επίπεδο.

02 — COURSE MATERIAL

Lessons, assignments, prompts, explanations, teacher notes and assessments.

03 — IDEAS & BACKLOG

Μελλοντικά applications, datasets, agents, platform features και πειράματα που δεν έχουν ακόμη προτεραιοποιηθεί.

---

16. Immediate Next Actions

Οι πρώτες συγκεκριμένες κινήσεις πρέπει να είναι:

1. 1. Να συμφωνήσουμε πάνω σε αυτό το κοινό vision.
2. 2. Να ορίσουμε ρόλους και ευθύνες της αρχικής ομάδας.
3. 3. Να δημιουργήσουμε το αγγλικό landing page.
4. 4. Να ολοκληρώσουμε το πρώτο μάθημα:

“Create a webpage that displays: Gambling is a losing game.”

1. 5. Να σχεδιάσουμε τα επόμενα πέντε πρακτικά assignments.
2. 6. Να επιλέξουμε τρεις πιλοτικούς φοιτητές.
3. 7. Να ορίσουμε κοινό template για lessons και student submissions.
4. 8. Να ξεκινήσουμε εβδομαδιαίο review της προόδου.
5. 9. Να κρατάμε όλες τις ιδέες στο backlog χωρίς να διασπάμε την αρχική ανάπτυξη.
6. 10. Να παρουσιάσουμε ένα πρώτο λειτουργικό curriculum MVP πριν επιχειρήσουμε να κατασκευάσουμε ολόκληρη την πλατφόρμα.

---

17. Decisions That Still Require Team Agreement

Τα παρακάτω δεν πρέπει να θεωρηθούν ακόμη οριστικά:

• * Η ακριβής κατανομή ρόλων.
• * Η τεχνική αρχιτεκτονική και το τελικό technology stack.
• * Η ιδιοκτησία του κώδικα και των student contributions.
• * Οι κανόνες δημοσίευσης των φοιτητικών projects.
• * Η μελλοντική ανεξαρτητοποίηση από το Φοιτητικό Διδασκαλείο.
• * Το ακριβές business model και η τιμολόγηση.
• * Οι πηγές δεδομένων και τα δικαιώματα εμπορικής χρήσης τους.
• * Η χρηματοδότηση της ανάπτυξης.
• * Η ακριβής μορφή της Trading Platform.
• * Το αν και πότε θα υπάρξει σύνδεση με πραγματικό broker.

Αυτά θα αποφασιστούν σταδιακά, με βάση τα αποτελέσματα του εκπαιδευτικού MVP και του AI for Economists Lab.

---

18. The Core Strategic Decision

Δεν ξεκινάμε προσπαθώντας να κατασκευάσουμε αμέσως μία μεγάλη Trading Platform.

Ξεκινάμε κατασκευάζοντας ένα ισχυρό εκπαιδευτικό σύστημα που οδηγεί έναν άνθρωπο:

• * Από το μηδέν,
• * στην πρώτη του HTML σελίδα,
• * στην πρώτη του οικονομική εφαρμογή,
• * στην πρώτη του ανάλυση δεδομένων,
• * στην πρώτη του regression,
• * στον πρώτο του market scanner,
• * στον πρώτο του AI agent,
• * και τελικά στη συμμετοχή του σε μια πραγματική πλατφόρμα.

Η εκπαίδευση δημιουργεί τους ανθρώπους.

Οι άνθρωποι δημιουργούν τα projects.

Τα καλύτερα projects δημιουργούν το Lab.

Και το Lab δημιουργεί την Trading Platform.

Αυτός είναι ο κορμός του AI for Economists.

Interested in joining the pilot?

We are looking for a small first group of students who want to learn by building. Previous programming experience is not required.

If you want to participate, send a short message with:

1. Your programme / year of study.
2. Your experience with ChatGPT, Claude, Gemini or other LLMs.
3. Any experience with coding, data, investing or trading — even if it is zero.
4. What you would most like to learn or build.
5. How much time you can realistically give the project each month.

The first goal is simple: build something real.

I'm interested — WhatsApp