Bild vom Herausgeber
Ich lese, schreibe und spreche seit Ende letzten Jahres über die Schnittstelle zwischen Open-Source-Software und maschinellem Lernen und versuche zu verstehen, was die Zukunft bringen könnte.
Als ich anfing, erwartete ich, dass ich hauptsächlich darüber sprechen würde, wie Open-Source-Software von der Community des maschinellen Lernens verwendet wird. Aber je mehr ich mich damit befasst habe, desto mehr wurde mir klar, dass es viele Ähnlichkeiten zwischen den beiden Praxisbereichen gibt. In diesem Artikel werde ich einige dieser Parallelen diskutieren – und was maschinelles Lernen von Open-Source-Software lernen kann und was nicht.
Die einfache und offensichtliche Parallele besteht darin, dass sowohl modernes maschinelles Lernen als auch moderne Software fast ausschließlich auf Open-Source-Software basieren. Bei Software handelt es sich um Compiler und Code-Editoren; Beim maschinellen Lernen handelt es sich um Trainings- und Inferenz-Frameworks wie PyTorch und TensorFlow. Diese Bereiche werden von Open-Source-Software dominiert, und nichts scheint bereit zu sein, dies zu ändern.
Es gibt eine bemerkenswerte, offensichtliche Ausnahme: Alle diese Frameworks basieren auf dem sehr proprietären Hardware- und Software-Stack von Nvidia. Das ist tatsächlich paralleler, als es auf den ersten Blick erscheinen mag. Open-Source-Software lief lange Zeit hauptsächlich auf proprietären Unix-Betriebssystemen, die von proprietären Hardwareanbietern verkauft wurden. Erst nachdem Linux auf den Markt kam, begannen wir davon auszugehen, dass ein offener „Boden“ des Stapels überhaupt möglich war, und heutzutage wird viel offene Entwicklung auf MacOS und Windows durchgeführt. Es ist unklar, wie sich dies beim maschinellen Lernen auswirken wird. Amazon (für AWS), Google (für Cloud und Android) und Apple investieren alle in konkurrierende Chips und Stacks, und es ist möglich, dass einer oder mehrere von ihnen dem eingeschlagenen Weg folgen könnten Linus (und Intel) von der Befreiung des Stapel.
Eine wichtigere Parallele zwischen der Art und Weise, wie Open-Source-Software erstellt wird, und der Art und Weise, wie maschinelles Lernen erstellt wird, ist die Komplexität und öffentliche Verfügbarkeit der Daten, auf denen beide basieren.
Wie in diesem ausführlich beschrieben Preprint Krepppapier “The Data Provenance Project,” In dem von mir mitverfassten Buch basiert modernes maschinelles Lernen auf buchstäblich Tausenden von Datenquellen, genauso wie moderne Open-Source-Software auf Hunderttausenden von Bibliotheken basiert. Und so wie jede offene Bibliothek rechtliche, sicherheitstechnische und wartungstechnische Herausforderungen mit sich bringt, bringt jeder öffentliche Datensatz genau die gleichen Schwierigkeiten mit sich.
In meiner Organisation haben wir über die Open-Source-Software-Version dieser Herausforderung als eine „zufällige Lieferkette.“ Die Softwareindustrie begann mit dem Bauen, weil die unglaublichen Bausteine der Open-Source-Bibliotheken es uns ermöglichten. Dies bedeutete, dass die Branche begann, Open-Source-Software als Lieferkette zu behandeln – was für viele dieser „Lieferanten“ eine Überraschung war.
Um diese Herausforderungen zu mildern, hat Open-Source-Software viele ausgefeilte (wenn auch unvollkommene) Techniken entwickelt, wie Scanner zur Identifizierung dessen, was verwendet wird, und Metadaten zur Nachverfolgung von Dingen nach der Bereitstellung. Wir beginnen auch, in Menschen zu investieren, um das Missverhältnis zwischen industriellen Bedürfnissen und ehrenamtlicher Motivation zu beseitigen.
Leider scheint die Community des maschinellen Lernens bereit zu sein, genau denselben „zufälligen“ Fehler in der Lieferkette zu begehen – viele Dinge zu tun, weil sie es kann, ohne lange über die langfristigen Auswirkungen nachzudenken, wenn die gesamte Wirtschaft auf diesen Datensätzen basiert .
Eine letzte wichtige Parallele besteht darin, dass ich stark vermute, dass sich maschinelles Lernen ausbreiten wird, um viele, viele Nischen zu füllen, genau wie Open-Source-Software. Im Moment dreht sich der (verdiente) Hype um große, generative Modelle, aber es gibt auch viele kleine Modelle sowie Optimierungen an größeren Modellen. Tatsächlich berichtet die Hosting-Site HuggingFace, die primäre Hosting-Plattform für maschinelles Lernen, dass die Anzahl der Models auf ihrer Site exponentiell wächst.
Diese Modelle werden wahrscheinlich zahlreich vorhanden und verbesserungswürdig sein, ähnlich wie kleine Teile von Open-Source-Software. Das macht sie unglaublich flexibel und leistungsstark. Ich verwende ein kleines, auf maschinellem Lernen basierendes Tool, um beispielsweise eine kostengünstige, datenschutzrelevante Verkehrsmessung auf meiner Straße durchzuführen, ein Anwendungsfall, der vor ein paar Jahren nur mit teuren Geräten nicht möglich gewesen wäre.
Diese Verbreitung bedeutet jedoch, dass sie im Auge behalten werden müssen – Modelle ähneln möglicherweise weniger Mainframes als vielmehr Open-Source-Software oder SaaS, die aufgrund der geringen Kosten und der einfachen Bereitstellung überall auftauchen.
Wenn es also diese wichtigen Parallelen gibt (insbesondere bei komplexen Lieferketten und zunehmendem Vertrieb), was kann maschinelles Lernen dann von Open-Source-Software lernen?
Die erste parallele Lektion, die wir daraus ziehen können, ist einfach, dass maschinelles Lernen Metadaten und Tools benötigt, um seine vielen Herausforderungen zu verstehen. Open-Source-Software gelangte durch die Einhaltung von Urheberrechten und Lizenzbestimmungen in die Metadaten-Arbeit, aber mit zunehmender Reife der zufälligen Lieferkette für Software haben sich Metadaten an verschiedenen Fronten als äußerst nützlich erwiesen.
Beim maschinellen Lernen ist die Metadatenverfolgung noch in Arbeit. Ein paar Beispiele:
- A Schlüsselpapier 2019Das in der Branche häufig zitierte Dokument forderte Entwickler von Modellen auf, ihre Arbeit mit „Modellkarten“ zu dokumentieren. Leider deuten neuere Forschungsergebnisse darauf hin Die Umsetzung in freier Wildbahn ist immer noch schwach.
- Sowohl die SPDX- als auch die CycloneDX-Software-Stücklistenspezifikationen (SBOM) arbeiten an KI-Stücklisten (AI BOMs), um dabei zu helfen, Daten und Modelle für maschinelles Lernen strukturierter zu verfolgen als Modellkarten (entsprechend der Komplexität, die man in diesem Fall erwarten würde). funktioniert wirklich parallele Open-Source-Software).
- HuggingFace hat erstellt eine Vielzahl von Spezifikationen und Werkzeugen um Modell- und Datensatzautoren die Dokumentation ihrer Quellen zu ermöglichen.
- Das oben zitierte MIT Data Provenance-Papier versucht, die „Grundwahrheit“ der Datenlizenzierung zu verstehen, um dabei zu helfen, die Spezifikationen mit realen Daten zu konkretisieren.
- Anekdotischerweise scheinen viele Unternehmen, die Schulungen zum maschinellen Lernen durchführen, ein eher lockeres Verhältnis zur Datenverfolgung zu haben und nutzen „Mehr ist besser“ als Ausrede, um Daten in den Trichter zu schaufeln, ohne sie unbedingt gut zu verfolgen.
Wenn wir aus Open etwas gelernt haben, dann ist es, dass die richtigen Metadaten (zuerst die Spezifikationen, dann die tatsächlichen Daten) ein jahrelanges Projekt sein werden, das möglicherweise einige Zeit in Anspruch nehmen wird staatlicher Eingriff. Maschinelles Lernen sollte diesen Metadaten-Einbruch eher früher als später bewältigen.
Sicherheit ist ein weiterer wichtiger Faktor für die Metadatennachfrage von Open-Source-Software. Wenn Sie nicht wissen, was Sie ausführen, können Sie nicht wissen, ob Sie für den scheinbar endlosen Strom von Angriffen anfällig sind.
Maschinelles Lernen ist den meisten Arten herkömmlicher Softwareangriffe nicht ausgesetzt, aber das bedeutet nicht, dass sie unverwundbar sind. (Mein Lieblingsbeispiel ist, dass es möglich war Giftbild-Trainingssets weil sie oft aus toten Domänen schöpften.) Die Forschung in diesem Bereich ist so intensiv, dass wir bereits über den „Proof of Concept“ hinausgegangen sind und uns mit „Es gibt genug Angriffe dafür“ beschäftigt haben Liste und taxonomisieren"
Leider kann Open-Source-Software maschinelles Lernen keine Wundermittel für die Sicherheit bieten – wenn wir sie hätten, würden wir sie verwenden. Die Geschichte der Verbreitung von Open-Source-Software in so vielen Nischen legt jedoch nahe, dass maschinelles Lernen diese Herausforderung ernst nehmen muss, angefangen bei der Verfolgung von Nutzungs- und Bereitstellungsmetadaten, gerade weil es wahrscheinlich auf so viele Arten angewendet wird, die über die derzeitigen hinausgehen eingesetzt.
Die Beweggründe für Open-Source-Metadaten (Lizenzierung, dann Sicherheit) weisen auf die nächste wichtige Parallele hin: Mit zunehmender Bedeutung eines Sektors wird sich der Umfang der Dinge, die gemessen und verfolgt werden müssen, erweitern, weil Regulierung und Haftung zunehmen.
Bei Open-Source-Software war die wichtigste staatliche „Regulierung“ viele Jahre lang das Urheberrecht, und so wurden Metadaten entwickelt, um dies zu unterstützen. Allerdings unterliegt Open-Source-Software heute einer Vielzahl von Sicherheits- und Produkthaftungsregeln – und wir müssen unsere Lieferketten reifen lassen, um diesen neuen Anforderungen gerecht zu werden.
Auch die KI wird in immer vielfältigerer Weise reguliert, da sie immer wichtiger wird. Die Quellen der Regulierung werden äußerst vielfältig sein, unter anderem in Bezug auf Inhalte (sowohl Inputs als auch Outputs), Diskriminierung und Produkthaftung. Dies erfordert das, was manchmal als „Rückverfolgbarkeit„– verstehen, wie die Modelle aufgebaut sind und wie sich diese Entscheidungen (einschließlich Datenquellen) auf die Ergebnisse der Modelle auswirken.
Diese Kernanforderung – was haben wir? Wie ist es hierher gekommen? – ist den Entwicklern von Open-Source-Software in Unternehmen inzwischen bestens vertraut. Für Entwickler maschinellen Lernens kann es sich jedoch um eine radikale Veränderung handeln, die angenommen werden muss.
Eine weitere parallele Lektion, die maschinelles Lernen aus Open-Source-Software ziehen kann (und tatsächlich aus vielen Softwarewellen davor, die zumindest bis zum Mainframe zurückreichen), ist, dass ihre Nutzungsdauer sehr, sehr lang sein wird. Sobald eine Technologie „gut genug“ ist, wird sie eingesetzt und muss daher sehr, sehr lange gewartet werden. Dies bedeutet, dass wir so früh wie möglich über die Wartung dieser Software nachdenken und darüber nachdenken müssen, was es bedeutet, dass diese Software möglicherweise Jahrzehnte überdauert. „Jahrzehnte“ ist keine Übertreibung; Viele Kunden, denen ich begegne, verwenden Software, die alt genug ist, um wählen zu können. Viele Open-Source-Softwareunternehmen und einige Projekte verfügen mittlerweile über sogenannte „Long Term Support“-Versionen, die für solche Anwendungsfälle gedacht sind.
Im Gegensatz dazu hielt OpenAI sein Codex-Tool weniger als zwei Jahre lang verfügbar –Dies führte zu großer Wut, insbesondere in der akademischen Gemeinschaft. Angesichts des rasanten Wandels beim maschinellen Lernen und der Tatsache, dass die meisten Anwender wahrscheinlich daran interessiert sind, die modernsten Technologien zu nutzen, war dies wahrscheinlich nicht unangemessen – aber der Tag wird kommen, früher als die Branche denkt, an dem sie dies planen muss Art „langfristig“ – einschließlich der Wechselwirkungen mit Haftung und Sicherheit.
Schließlich ist klar, dass – wie bei Open-Source-Software – viel Geld in maschinelles Lernen fließen wird, aber der größte Teil dieses Geldes wird sich auf das konzentrieren, was ein Autor genannt hat die „prozessorreichen“ Unternehmen. Wenn sich die Parallelen zu Open-Source-Software bemerkbar machen, werden diese Unternehmen ganz andere Anliegen und Ausgabenprioritäten haben als der durchschnittliche Ersteller (oder Benutzer) von Modellen.
Unser Unternehmen Tidelift beschäftigt sich bereits seit einiger Zeit mit dem Problem der Anreize für Open-Source-Software, und Unternehmen wie der weltweit größte Abnehmer von Software – die US-Regierung – tun dies auch Ich schaue mir auch das Problem an.
Unternehmen des maschinellen Lernens, insbesondere solche, die Gemeinschaften von Schöpfern schaffen möchten, sollten über diese Herausforderung sorgfältig nachdenken. Wenn sie auf Tausende von Datensätzen angewiesen sind, wie können sie dann sicherstellen, dass diese über Jahrzehnte hinweg für Wartung, Einhaltung gesetzlicher Vorschriften und Sicherheit finanziert werden? Wenn große Unternehmen am Ende Dutzende oder Hunderte von Modellen im Unternehmen einsetzen, wie können sie dann sicherstellen, dass diejenigen mit den besten Fachkenntnissen – diejenigen, die die Modelle erstellt haben – immer noch da sind, um an neuen Problemen zu arbeiten, sobald sie entdeckt werden?
Wie bei der Sicherheit gibt es auch für diese Herausforderung keine einfachen Antworten. Aber je früher maschinelles Lernen das Problem ernst nimmt – nicht als Akt der Nächstenliebe, sondern als Schlüsselkomponente des langfristigen Wachstums –, desto besser wird es der gesamten Branche und der ganzen Welt gehen.
Die tiefen Wurzeln des maschinellen Lernens in der akademischen Kultur des Experimentalismus und der Kultur der schnellen Iteration im Silicon Valley haben ihm gute Dienste geleistet und zu einer erstaunlichen Innovationsexplosion geführt schien vor weniger als einem Jahrzehnt magisch. Der Kurs von Open-Source-Software im letzten Jahrzehnt war vielleicht weniger glamourös, aber in dieser Zeit ist sie zur Grundlage aller Unternehmenssoftware geworden – und hat dabei viele Lektionen gelernt. Hoffentlich wird maschinelles Lernen diese Räder nicht neu erfinden.
Luis Villa ist Mitbegründer und General Counsel bei Tidelift. Zuvor war er ein führender Open-Source-Anwalt und beriet Mandanten, von Fortune-50-Unternehmen bis hin zu führenden Startups, in den Bereichen Produktentwicklung und Open-Source-Lizenzierung.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://www.kdnuggets.com/ai-and-open-source-software-separated-at-birth?utm_source=rss&utm_medium=rss&utm_campaign=ai-and-open-source-software-separated-at-birth
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 2019
- 50
- a
- Über Uns
- oben
- akademisch
- zufällig
- Handlung
- präsentieren
- berührt das Schneidwerkzeug
- Adresse
- Anwender
- Beratung
- Nach der
- vor
- AI
- Alle
- erlauben
- fast
- entlang
- bereits
- ebenfalls
- erstaunlich
- Amazon
- an
- und
- androide
- Wut
- Ein anderer
- Antworten
- jedem
- etwas
- ersichtlich
- erscheinen
- erscheint
- Apple
- angewandt
- SIND
- Bereich
- Bereiche
- um
- Artikel
- AS
- At
- Anschläge
- Autor
- Autoren
- Verfügbarkeit
- verfügbar
- AWS
- Zurück
- basierend
- BE
- weil
- werden
- wird
- war
- Bevor
- begann
- Sein
- BESTE
- Besser
- zwischen
- Beyond
- Banknoten
- Geburt
- Blockiert
- beide
- bringen
- Brings
- Building
- erbaut
- aber
- by
- namens
- kam
- CAN
- Karten
- Häuser
- Fälle
- lässig
- Kette
- Ketten
- challenges
- Herausforderungen
- Übernehmen
- Charity
- billig
- Pommes frites
- Entscheidungen
- zitiert
- klar
- Kunden
- Cloud
- Co-Gründer
- Code
- wie die
- Communities
- community
- Unternehmen
- Unternehmen
- konkurrierenden
- Komplex
- Komplexität
- Compliance
- Komponente
- Bedenken
- Inhalt
- Kontrast
- Urheberrecht
- Kernbereich
- Kosten
- könnte
- Ratschlag
- Kurs
- erstellen
- erstellt
- Schöpfer
- Schöpfer
- kritischem
- KULTUR
- Zur Zeit
- Kunden
- Schneiden
- technische Daten
- Datensatz
- Datensätze
- Partnersuche
- Tag
- Tage
- tot
- Jahrzehnte
- Jahrzehnte
- tief
- abhängig
- Einsatz
- Einsatz
- detailliert
- entwickelt
- Entwickler
- Entwicklung
- Geräte
- DID
- anders
- Schwierigkeiten
- entdeckt
- Diskriminierung
- diskutieren
- Verteilung
- verschieden
- do
- Dokument
- die
- Tut nicht
- Dabei
- Domains
- erledigt
- Nicht
- Dutzende
- zeichnen
- Fahrer
- im
- jeder
- Früh
- erleichtern
- Einfache
- Wirtschaft
- Edge
- Redakteure
- umarmte
- Begegnung
- Ende
- Endlos
- genug
- gewährleisten
- Unternehmen
- Ganz
- vollständig
- Entitäten
- insbesondere
- Äther (ETH)
- Sogar
- immer wachsend
- genau
- Beispiel
- Beispiele
- Außer
- Ausnahme
- Erweitern Sie die Funktionalität der
- erwarten
- erwartet
- teuer
- Erkundet
- Explosion
- exponentiell
- äußerst
- Gesichter
- vertraut
- FAST
- Favorit
- wenige
- füllen
- Vorname
- flexibel
- Fließen
- folgen
- Aussichten für
- Vermögen
- Gerüste
- für
- kapitalgedeckten
- Zukunft
- Allgemeines
- generativ
- bekommen
- bekommen
- GitHub
- gegeben
- gehen
- weg
- der Regierung
- erteilt
- persönlichem Wachstum
- Wächst
- hätten
- hart
- Hardware
- Haben
- he
- Hilfe
- hier
- Geschichte
- Hoffentlich
- Hosting
- HEISS
- Ultraschall
- aber
- HTTPS
- Umarmendes Gesicht
- Humans
- hunderte
- Hype
- i
- KRANK
- Identifizierung
- IEEE
- if
- Image
- immens
- Impact der HXNUMXO Observatorien
- Auswirkungen
- Bedeutung
- wichtig
- Verbesserung
- in
- Incentives
- Einschließlich
- unglaublich
- unglaublich
- industriell
- Energiegewinnung
- Innovation
- Eingänge
- Intel
- beabsichtigt
- interagiert
- interessiert
- Überschneidung
- in
- Investieren
- Investitionen
- IT
- Iteration
- SEINE
- nur
- KDnuggets
- gehalten
- Wesentliche
- Wissen
- grosse
- größer
- höchste
- Nachname
- Letztes Jahr
- Spät
- später
- Recht
- Anwalt
- führenden
- LERNEN
- gelernt
- lernen
- am wenigsten
- Rechtlich
- weniger
- Lektion
- Programm
- Haftung
- Bibliotheken
- Bibliothek
- Lizenzierung
- Lebensdauer
- Gefällt mir
- wahrscheinlich
- linux
- Lang
- lange Zeit
- langfristig
- aussehen
- Los
- viel
- Sneaker
- Maschine
- Maschinelles Lernen
- MacOS
- Magie
- Wartung
- Dur
- um
- Weise
- viele
- Materialien
- reifen
- Kann..
- bedeuten
- Mittel
- gemeint
- gemessen
- Messung
- Triff
- Metadaten
- könnte
- MIT
- Mildern
- Modell
- für
- modern
- Moment
- Geld
- mehr
- vor allem warme
- meist
- Motivationen
- viel
- Vielzahl
- sollen
- my
- Notwendig
- Need
- Bedürfnisse
- Neu
- weiter
- nicht
- bemerkenswert
- nichts
- jetzt an
- Anzahl
- Nvidia
- offensichtlich
- of
- WOW!
- bieten
- vorgenommen,
- Alt
- on
- einmal
- EINEM
- einzige
- XNUMXh geöffnet
- Open-Source-
- OpenAI
- die
- Betriebssysteme
- or
- Organisation
- UNSERE
- Ergebnisse
- Ausgänge
- übrig
- Frieden
- Papier
- Parallel
- Parallels
- besonders
- passt
- Weg
- vielleicht
- Stücke
- Ort
- Plan
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Play
- stürzen
- Points
- Pool
- Pop
- möglich
- größte treibende
- Praxis
- vorher
- primär
- wahrscheinlich
- Aufgabenstellung:
- Probleme
- Produkt
- Produktentwicklung
- Fortschritt
- Projekt
- Projekte
- Eigentums-
- zuverlässig
- Herkunft
- Öffentlichkeit
- Käufer
- Pytorch
- Radikale
- schnell
- lieber
- Lesebrillen
- bereit
- realen Welt
- realisiert
- kürzlich
- geregelt
- Rechtliches
- neu erfinden
- Beziehungen
- Meldungen
- erfordern
- Voraussetzungen:
- Forschungsprojekte
- Forschungsergebnisse deuten darauf hin
- Recht
- Wurzeln
- Laufen
- s
- SaaS
- gleich
- SBOM
- Umfang
- Bibliotheken
- Sicherheitdienst
- auf der Suche nach
- scheint
- ernst
- kompensieren
- Sets
- sollte
- Silizium
- Ähnlichkeiten
- Ähnlich
- einfach
- da
- am Standort
- klein
- So
- Software
- Softwareentwickler
- verkauft
- einige
- manchmal
- etwas
- anspruchsvoll
- Quelle
- Quellen
- Räume
- Sprechen
- Spezialist
- Spezifikationen
- Spezifikation
- Ausgabe
- Verbreitung
- Stapel
- Stacks
- begonnen
- Beginnen Sie
- Startups
- Immer noch
- Einstellung
- Strom
- Straße
- starker
- strukturierte
- Fach
- Schlägt vor
- liefern
- Supply Chain
- Lieferketten
- Support
- Überraschung
- überleben
- empfänglich
- Systeme und Techniken
- Nehmen
- nimmt
- sprechen
- Techniken
- Technologie
- Tensorfluss
- Begriff
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Zukunft
- ihr
- Sie
- dann
- Dort.
- deswegen
- Diese
- vom Nutzer definierten
- think
- Denken
- Thinks
- fehlen uns die Worte.
- diejenigen
- obwohl?
- Tausende
- Durch
- Zeit
- zu
- Werkzeug
- Top
- verfolgen sind
- Tracking
- traditionell
- der Verkehr
- Ausbildung
- Bearbeitung
- wirklich
- versuchen
- Versuch
- zwickt
- XNUMX
- Typen
- unklar
- untermauern
- verstehen
- Unglücklicherweise
- Unix
- us
- Anwendungsbereich
- -
- Anwendungsfall
- benutzt
- Mitglied
- Verwendung von
- Vielfalt
- Anbieter
- Version
- sehr
- Freiwillige
- Abstimmung
- wurde
- Wellen
- Weg..
- Wege
- we
- GUT
- Was
- Was ist
- welche
- WHO
- weit
- Wild
- werden wir
- Fenster
- mit
- ohne
- Arbeiten
- arbeiten,
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- weltweit
- würde
- Schreiben
- Jahr
- Jahr
- U
- Zephyrnet