"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021

Die Seite wird erstellt Isger Wendt
 
WEITER LESEN
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

                                                        Chaos Computer Club
                                                        Wien

                                                      „AI – weder künstlich
                                                        noch intelligent“
Philipp Schaumann
Dipl. Physiker

https://sicherheitskultur.at/Manipulation.htm

                           © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

AI - Machine learning - Deep learning,
AI = “The study of the modelling of
human mental functions by
computer programs.”

ML = “Machine learning is the
science of getting computers to act
without being explicitly
programmed.”

DL = “Deep Learning is a subfield of
machine learning concerned with
algorithms inspired by the structure
and function of the brain called
artificial neural networks”.

https://towardsdatascience.com/cousins-of-artificial-intelligence-dda4edc27b55
                        © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

Die Verwirrung der Begriffe: AI vs. Statistic

                                                                           Slide 3
              © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

Deep Learning:
Hidden Layers in Neural Network

No solution
currently to find out
what happened in
the hidden layers

             © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

Deep Learning Challenges
for example: “training” the AI that steers a car

•    “Deep Learning” is the fastest/cheapest way to “teach”
     driving

•    Challenges:
          •    There is no way to check what the system has learned
          •    There is no way to check whether new training material erases
               old training material
          •    “Deep Learning” System cannot explain WHY they made a
               certain decision, no auditability after accidents

https://www.heise.de/tp/features/Autonomes-Fahrzeug-fordert-erstes-Menschenopfer-4001240.html
                         © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

        Deep Learning Algorithmen machen
        (systembedingte) Fehler

   Die obere Zeile zeigt jeweils das Originalschild, die Zeile
    drunter zeigt wie das Schild verändert wurde und der Text gibt
    dann an, wie das System das Schild interpretiert hat.
https://arxiv.org/abs/1802.06430
                         © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

         Deep Learning Algorithmen machen
         (systembedingte) Fehler
                                                                                                Durch solche
                                                                                                 Brillen erkennt
                                                                                                 das System
                                                                                                 andere
                                                                                                 existierende
                                                                                                 Personen (z.B.
                                                                                                 Milla
                                                                                                 Jovovich)

https://www.heise.de/newsticker/meldung/Buntes-Brillengestell-soll-zuverlaessig-Gesichtserkennung-austricksen-3456711.html
https://www.newscientist.com/article/2111041-glasses-make-face-recognition-tech-think-youre-milla-jovovich/
Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security, DOI: 10.1145/2976749.2978392

                               © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

 Wie funktioniert Big Data? (1)
• In bestehenden Daten wird nach Mustern
  gesucht, nach (mehr oder weniger zufälligen)
  Zusammenhängen/ Korrelationen,

• z.B. indem sie die Daten korrelieren,
  nach Häufungen suchen,
  Cluster finden, (die nicht mal wirklich
  existieren müssen) ….
• Sie finden immer Zusammenhänge,
  egal ob real oder zufällig

               © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

Big Five personality traits

    https://en.wikipedia.org/wiki/Big_Five_personality_traits

                    © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
"AI - weder künstlich noch intelligent" - Chaos Computer Club Wien - PrivacyWeek 2021
AI – weder künstlich, noch intelligent

Persönlichkeitsanalyse über Schreibstil
                                                         Wortwahl, Verteilung der
    Blödsinn oder                                        Wortlängen und
      nicht – Sie                                        Satzlängen sind
   bekommen den                                          korreliert mit den „Big
    Job oder den                                         Five – Persönlichkeiten“
   Kredit trotzdem
                                                         Diese „Persönlichkeits-
        nicht !
                                                         werte“ bilden die Basis
   „Die Statistik ist                                    für zahlreiche
    der Feind des                                        persönliche
    Einzelnen“                                          Entscheidungen.
                                                  http://www.wired.co.uk/news/archive/2013-10/03/facebook-
                                                  language-study
              © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

  Wie funktioniert Big Data? (2)
• Gleichzeitig geben Auftraggeber vor, in welche
  Richtung die zu optimierende Variable sich für die
  Gesamtpopulation bewegen soll
  • Ertrag / Gewinn (durch personalisierte Werbung)
  • Verweilzeit auf der Website / im Netzwerk
  • Kosteneinsparung (Reduktion von Schulungen mit
     geringen Erfolgsaussichten)
  • Rückgang der Kriminalität
  • Häufigkeit von Rückfall (Resozialisierung)

              © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Viele Optimierungsoptionen
 • Optimierung von Gewinn (z.B. durch höhere
   Preise für „preiselastische“ Zielgruppen – z.B.
   Apple User)
 • Umsatzsteigerung (z.B. durch gezielte
   Sonderangebote für Kunden die darauf
   anspringen)
 • Auslastung (z.B. durch Preisoptimierung)
 • Reduktion von Kreditausfall-Risikos
 • Reduktion von Kundenverlust (churn) durch
   Analyse der erwarteten „Treue“ des Kunden

            © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Bewerbungs-KI bevorzugt Jobsuchende
mit Bücherregal im Hintergrund
KI Software des Münchner Start-ups Retorio bewertet Jobsuchende nach
den Kategorien "Offenheit", "Gewissenhaftigkeit" "Extraversion„
"Verträglichkeit" und "Neurotizismus" ("Big Five").

Der "Bayerische Rundfunk" engagierte eine Schauspielerin, die sich
möglichst unterschiedlich kleidete und verschiedene Accessoires nutzte
– und kam dabei zu teils bizarren Ergebnissen.
Beispielsweise wurde die Gewissenhaftigkeit der Frau schlechter
eingeschätzt, nachdem sie eine Brille aufsetzte. Und mit Kopftuch erhielt
sie bei allen Punkten eine gänzlich andere Bewertung.

https://www.derstandard.at/story/2000124300995/bewerbungs-ki-bevorzugt-jobsuchende-mit-
buecherregal-im-hintergrund

                     © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

     Beispiel Arbeitsamt Österreich (AMS)
     Arbeitslose werden künftig (2019) in drei Gruppen A,
      B, C eingeteilt und zwar in Gruppen mit hohen,
      mittleren und niedrigen Chancen am Arbeitsmarkt.                                         Leicht
     Wer mit 66-prozentiger Wahrscheinlichkeit innerhalb                                    vermittelbar
      von sieben Monaten wieder einen Job haben wird,
      soll als Person mit hoher Arbeitsmarktchance
      gelten, Gruppe A.                                                                        Hier wird
                                                                                               geschult
     Wer weniger als 25 Prozent Chance hat innerhalb
      von zwei Jahren einen Job zu bekommen gilt als
      Person mit niedrigen Chancen und kommt in Gruppe
      C.                                                                                        Kaum
                                                                                             vermittelbar
     Förderungen, z.B. Schulungen, gibt es
      hauptsächlich für Gruppe B
https://derstandard.at/2000089720308/Leseanleitung-zum-AMS-Algorithmus
Algorithmic Profiling of Job Seekers in Austria: How Austerity Politics Are Made Effective
https://www.frontiersin.org/articles/10.3389/fdata.2020.00005/full

                        © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

         Beispiel Arbeitsamt Österreich (AMS) (2)
     Grundsätzliche Probleme der „Stabilisierung“ von Benachteiligungen durch
      Rückkopplungseffekte (wer in die Gruppe „schlecht vermittelbar“ eingestuft wird bekommt
      weniger Hilfen)
     Variable ‚Frau‘ wird generell angewendet, ohne Rücksicht auf den spezifischen
      Arbeitsmarkt, das gleiche gilt für ‚Migrationshintergrund‘
     Nur 3 Altersgruppen, Probleme an den Grenzen
     die spezifischen Gewichtungen im Algorithmus die darüber entscheiden, wie schwer jeder
      Faktor in die Entscheidung eingreift, sind intransparent
     lokalen Anforderungen sind bezogen nur auf Wohnort, nicht Wunscharbeitsort. D.h.
      Regionen die von 1 Branche oder Arbeitsgeber dominiert sind führen zu ganz anderen
      Ergebnissen
     Alle Branchen werden in nur 2 sehr grobe Klassen eingeteilt: Service oder Produktion.
     Mögliche Diskriminierungen von Gruppen wird zu: ‚. . . the system captures the “harsh
      reality” of the labor market by making realistic predictions for job seekers belonging to
      disadvantaged groups‘
     Viele wichtige Parameter wie Eigeninitiative, Social Skills, Berufserfahrung,
      Sprachkenntnisse in Fremdsprachen, etc. gehen in die Berechnungen nicht ein

    Ausführliche Studie zu den “Problemen” des Algorithmus und zu seinem Einsatz:
    https://www.frontiersin.org/articles/10.3389/fdata.2020.00005/full
                           © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

    Beispiel Arbeitsamt Österreich (AMS) (3)
 Die Umsetzung im Arbeitsalltag
   Die Trefferraten liegen angeblich um 90%. Ursprünglich wurde
    der Algorithmus als 'first opinion' klassifiziert, nach Kritik als
    'Second Opinion', was 'overruled' werden kann, was aber
    begründet werden muss (d.h. Mehrarbeit und geringere
    Effektivität der Bearbeiterin.
   Es ist fraglich, obund/oder
                 Und AI  dieseAlgorithmen
                                Mehrarbeitsind leistbar   ist, weil das Ziel des
                                               nicht künstlich
    Algorithmus die Erhöhung der Effizienz der Beratung ist. zu viele
    hochstufungen reduziert die "Performance" der Beraterin und
    der AMS-Stelle.
   Letztendlich ist die primäre Zielsetzung „Effektivität“ und nicht
    „Fairness“. Und die Kernparameter bestimmt die Politik, nämlich
    wie viel Geld für die Unterstützung von Arbeitslosen verfügbar
    gemacht wird

Ausführliche Studie zu den “Problemen” des Algorithmus und zu seinem Einsatz:
https://www.frontiersin.org/articles/10.3389/fdata.2020.00005/full

                      © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Fremde Zielsetzungen führen uns
Beispiel Partnervermittlung (1)
Viele Partnervermittlungen (Parship, eHarmony, match.com)
nutzen Algorithmen, die (mögliche) Beziehungen bewerten
und dabei bis zu 10000 Persönlichkeitsparameter pro Partner
vergleichen (“big data” analysis)
Sie entwickeln ein Konzept für “gute Beziehung“
(z.B. Dauer, Glück, gegenseitige Entwicklung fördern, . . . )
Daraus entwickeln sie einen Algorithmus, der bei
Partnersuchenden die Parameter vergleicht und . . .
                                          Wie würden Sie als Chef
Partner vorschlägt, die der Algorithmus für sie Partnervermittlung
                                          einer ausgewählt hat,
die anderen ‚Angebote‘ lernen die Suchenden     gar nicht
                                             „programmieren“?
kennen          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Fremde Zielsetzungen führen uns
Beispiel Partnervermittlung (2)
Entweder
• der “Programmierer” entscheidet, was er / sie für eine
  “gute” Beziehung hält
oder
• Die Firma optimiert danach, was für das Unternehmen (z.B.
  marketing-technisch) am besten ist
oder
• Die Firma erkennt, dass sie gesellschaftliche Verhältnisse
  stabilisiert und versucht, dagegen zu steuern (z.B. „Männer
  suchen jüngere Frauen“)
 http://sicherheitskultur.at/
                        © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide    Seite 18
AI – weder künstlich, noch intelligent

Mögliche Fehlerquellen bei algorithmischen Systemen

 Prof. Dr. Katharina A. Zweig, TU Kaiserslautern: Wo Maschinen irren können
 Fehlerquellen und Verantwortlichkeiten in Prozessen algorithmischer Entscheidungsfindung
                           © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

 Mögliche Fehlerquellen bei Algorithmen

    Phase 1: Algorithmendesign und Implementierung
    (Wissenschaftler oder Informatiker)

    Als Angestellte, als Auftragnehmer oder sogar kostenlos bei Open
    Source Projekten.

    Bei der Entwicklung und Programmierung können / werden Fehler
    passieren.

https://algorithmenethik.de/wp-content/uploads/sites/10/2018/02/ZweigADMFehlerquellen_final_ohneCover.pdf
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Model vs. Data-driven

            © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

 Mögliche Fehlerquellen bei Algorithmen

    Phase 2: Methodenauswahl - Datenauswahl
    (Data Scientist)

    Entscheidung über den Algorithmus und
    Datensammlung und Auswahl von (Trainings-)Daten. Bei den Daten
    gilt „garbage in – garbage out“ – „Vorurteil rein – Vorurteil raus“.

    Teil der Datensammlung ist die sog. Operationalisierung
    (abstrakte Konzepte wie „Kreditwürdigkeit“, „Anfälligkeit für
    terroristische Ideen“, „Rückfallswahrscheinlichkeit“ wird auf einige
    messbare Variable reduziert). Dabei müssen weitgehende
    Annahmen getroffen werden die naturbedingt mit großen Fehlern
    behaftet sind.

https://algorithmenethik.de/wp-content/uploads/sites/10/2018/02/ZweigADMFehlerquellen_final_ohneCover.pdf
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Mögliche Fehlerquellen bei Algorithmen

   Immer noch Phase 2: Datenauswahl
   (Data Scientist)

   Diskriminierung liegt bereits in der Auswahl der Datenquellen vor

   2 typische Probleme bei der Datenauswahl:
   • Wichtige Variable fehlen in den Datensätzen die besser geeignet
       werden liegen nicht vor
   • Die verfügbaren Datensätze kommen aus bestimmten Gruppen
       oder fehlen für andere Gruppen –
        false positive + false negative Probleme: Gruppen sind nicht
        repräsentiert oder sie sind überrepräsentiert

Automating Inequality - How High-Tech Tools Profile, Police, and Punish the Poor
https://cyber.harvard.edu/events/automating-inequality
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

 Mögliche Fehlerquellen bei Algorithmen

    Phase 3: Konstruktion des Entscheidungssystems
    (Data Scientist)

    Im Entscheidungssystem wird eine Methode des maschinellen
    Lernens mit den ausgewählten Trainingsdaten zusammengeführt.

    Dabei werden die im Rahmen der Operationalisierung
    ausgewählten Datenelemente berücksichtigt und Qualitätskriterien
    gesetzt (z.B. false negative / false positive Rate)
    • es sind primär politische Entscheidungen welche Typen von
      Fehlern toleriert werden sollen (im Zweifelsfall keine
      Förderungen/Schulungen anbieten oder im Zweifelsfall
      schulen/fördern)

https://algorithmenethik.de/wp-content/uploads/sites/10/2018/02/ZweigADMFehlerquellen_final_ohneCover.pdf
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

 Mögliche Fehlerquellen bei Algorithmen

    Phase 4: Einbettung in den gesellschaftlichen Prozess (Einsatz
    des Systems – Ergebnisinterpretation – Aktion)
    (Data Scientist + Auftraggeber)

    Entscheidung wie die Ergebnisse des Algorithmus konkret
    umgesetzt werden sollen. Z.B. welche Form der Darstellung
    gewählt wird und wie das Ergebnis dem Entscheider (Angestellter
    der Bank, des Arbeitsamts, der Justiz, etc.) präsentiert werden soll.
    Auch bei der Interpretation können Fehler oder Vorurteile einfließen.

    Oder ob direkt eine automatisierte Entscheidung exekutiert werden
    soll (z.B. bei allen Suchmaschinen und Empfehlungsplattformen).

https://algorithmenethik.de/wp-content/uploads/sites/10/2018/02/ZweigADMFehlerquellen_final_ohneCover.pdf
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Mögliche Fehlerquellen bei Algorithmen
 Immer noch Phase 4: Einbettung in den gesellschaftlichen Prozess
 (Data Scientist + Auftraggeber)

 Speziell bei Systemen im staatlichen Bereich:

 Die Politik gibt vor ob z.B. bei der „Verwaltung“ von knappen Ressourcen
 (finanzielle Förderungen, Schulungen, Coaching, Krediten, …) die
 Fairness oder die Reduzierung der Ausgaben im Vordergrund steht.

 Über die Mittel für Schulungen entscheidet die Politik, die Parameter des
 Algorithmus bilden diese Politik nur einfach ab.

 “Algorithmic decision-making is human decision-making.” To
 pretend otherwise is misleading.
Automating Inequality - How High-Tech Tools Profile, Police, and Punish the Poor
https://cyber.harvard.edu/events/automating-inequality
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

 Mögliche Fehlerquellen bei Algorithmen

    Phase 5: Re-Evaluation (optional)
    (Data Scientist oder Entscheider, Auftraggeber)

    Hierbei können die erzielten Ergebnisse bewertet werden und dann
    Änderungen an Trainingsdaten, der Operationalisierung, der
    Methode und ihren Parametern oder des Entscheidungssystem
    getroffen werden.

https://algorithmenethik.de/wp-content/uploads/sites/10/2018/02/ZweigADMFehlerquellen_final_ohneCover.pdf
                          © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Das Konzept der geplanten EU-Regulation zur
Zähmung von Algorithmen

 Details auf https://sicherheitskultur.at/Newsletter/Newsletter_171.htm#thema1

                        © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

       From principles to practice:
       Wie wir KI-Ethik messbar machen können
           Das Ziel:                                                 Die Methode:

https://www.bertelsmann-stiftung.de/de/unsere-projekte/ethik-der-algorithmen/projektnachrichten/from-principles-to-
practice-wie-wir-ki-ethik-messbar-machen-koennen
https://www.bertelsmann-stiftung.de/fileadmin/files/BSt/Publikationen/GrauePublikationen/WKIO_2020_final.pdf Slide 29
                            © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

       From principles to practice:
       Wie wir KI-Ethik messbar machen können
           Das Ziel:                                                 Die Methode:

https://www.bertelsmann-stiftung.de/de/unsere-projekte/ethik-der-algorithmen/projektnachrichten/from-principles-to-
practice-wie-wir-ki-ethik-messbar-machen-koennen
https://www.bertelsmann-stiftung.de/fileadmin/files/BSt/Publikationen/GrauePublikationen/WKIO_2020_final.pdf Slide 30
                            © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

More Information
   AI Now Institute, New York University,
    https://ainowinstitute.org/AI_Now_2018_Report
    .pdf
   https://algorithmenethik.de/
    sehr lesenswerter wöchentlicher Newsletter
   Critical voices: Women in AI
    https://www.womeninai.co/
   data 4 good Vienna
    https://viennadatasciencegroup.at/data4good/
    Shoshana Zuboff
    The Age of Surveillance Capitalism 

                                                                               Slide 31
                 © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Meine Videos zu diesen und weiterführenden Inhalten

     „Die Macht der Algorithmen“
      https://www.youtube.com/watch?v=oFN7fZMukT0

     Von der flächendeckenden Überwachung zur flächendeckenden
      Lenkung der Bürger
      https://www.youtube.com/watch?v=GS77gnawzYE

      https://media.ccc.de/v/pw17-93-
      von_der_flachendeckenden_uberwachung_zur_flachendeckenden_lenk
      ung_der_burger

                                                                                Slide 32
                  © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Humor / Sarkasmus
accountability (n) - The act of holding someone else responsible for the
consequences when your AI system fails.
artificial general intelligence (phrase) - A hypothetical AI god that’s probably
far off in the future but also maybe imminent. Can be really good or really bad
whichever is more rhetorically useful. Obviously you’re building the good one.
Which is expensive. Therefore, you need more money. See long-term risks.
ethics board (ph) - A group of advisors without real power, convened to create
the appearance that your company is actively listening. Examples: Google’s AI
ethics board (canceled), Facebook’s Oversight Board (still standing).
explainable (adj) - For describing an AI system that you, the developer, and
the user can understand. Much harder to achieve for the people it’s used on.
Probably not worth the effort. See interpretable.
impact assessment (ph) - A review that you do yourself of your company or
AI system to show your willingness to consider its downsides without changing
anything. See audit.
Mehr auf
https://www.technologyreview.com/2021/04/13/1022568/big-tech-ai-ethics-guide/
                        © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide
AI – weder künstlich, noch intelligent

Danke

                                                                    Ray Kurzweil (Google)

Mehr dazu:
http://sicherheitskultur.at/Manipulation.htm
http://philipps-welt.info/robots.htm#asimovlaws

                         © 2019, 2020, 2021   Philipp Schaumann, V 0.9d   Slide         Seite 34
Sie können auch lesen