Skalierung von ML-Trainingsdaten: Infrastruktur-Leitfaden

Author

Duncan Trevithick

Duncan combines his creative background with technical skills and AI knowledge to innovate in digital marketing. As a videographer, he's worked on projects for Vevo, Channel 4, and The New York Times. Duncan has since developed programming skills, creating marketing automation tools. Recently, he's been exploring AI applications in marketing, focusing on improving efficiency and automating workflows.

Stößt Ihre Machine-Learning-Ambition an eine Datenmauer? KI-Training war früher wie Kuchenbacken – man sammelte alle Zutaten in einer Schüssel und mixte sie zusammen. Doch die KI-Festmahle von heute verlangen Daten aus allen Ecken: Smartphones, Sensoren, Krankenhäuser, einfach überall. Plötzlich verwandelt sich die einzelne Schüssel in eine weitläufige Küche, Zutaten verstreut über alle Arbeitsflächen, und Datenschutzbedenken schrillen wie ein Rauchmelder. Bei der Skalierung von ML-Trainingsdaten geht es nicht nur um mehr Daten, sondern darum, in dieser chaotischen neuen Realität zurechtzukommen. Denken Sie an einen Balanceakt zwischen Datenschutz, der Verwaltung von Daten aus Millionen von Quellen und dem Aufbau von Systemen, die unter diesem Gewicht nicht zusammenbrechen.

Aber keine Sorge, dies ist kein Rezept für ein Desaster. Wir tauchen ein in die Schlüsselzutaten für den Erfolg: von der datenschutzfreundlichen Magie des Federated Learning und der datenvereinenden Kraft des Schema Matching bis hin zu den Grundlagen der Infrastruktur und den Geheimnissen, um jeden Tropfen Performance herauszuquetschen. Machen Sie sich bereit, das Rezept für wirklich skalierbares und intelligenteres maschinelles Lernen zu entdecken.

Die wichtigsten Erkenntnisse

• Federated Learning ermöglicht KI-Training über verteilte Geräte hinweg bei gleichzeitiger Wahrung der Privatsphäre – Daten bleiben lokal, während nur Modell-Updates geteilt werden.
• Schema-Matching-Tools wie Matchmaker nutzen LLMs, um unterschiedliche Datensätze automatisch anzugleichen, was die Datenintegration effizienter und skalierbarer macht.
• Die Infrastruktur erfordert eine sorgfältige Orchestrierung über verteilte Systeme hinweg, wobei Sicherheits- und Datenschutzüberlegungen auf jeder Ebene integriert werden müssen.
• Ressourcenoptimierung ist entscheidend – von der Auswahl hochwertiger Datenquellen bis zur Implementierung effizienter Kommunikationsprotokolle zwischen Geräten.
• Modernes KI-Training geht über „mehr Daten“ hinaus zu intelligenteren Ansätzen wie Active Learning und Meta-Learning, die weniger Daten benötigen und dennoch die Leistung aufrechterhalten.
• Die Zukunft der ML-Skalierung liegt in der Kombination datenschutzfreundlicher Techniken mit effizienter Ressourcennutzung, um eine breitere KI-Akzeptanz in sensiblen Bereichen zu ermöglichen.

Stellen Sie sich vor, einen intelligenten Algorithmus zu trainieren, ohne dass Ihre persönlichen Daten jemals Ihr Handy verlassen. Das ist die Magie des Federated Learning (FL), ein kollaborativer Ansatz für maschinelles Lernen, der die Regeln des Datenschutzes neu schreibt. Anstatt sensible Informationen – wie Ihre Gesundheitsdaten oder Bankdetails – an einen zentralen Server zu leiten, sendet FL das KI-Modell zu Ihnen. Ihr Gerät trainiert es lokal, wie ein Koch, der ein Rezept in seiner eigenen Küche perfektioniert, und sendet nur die Verbesserungen (nicht Ihre Rohdaten) zurück zum Hauptknotenpunkt. Dieser Zyklus wiederholt sich, wobei sich das Modell mit jeder Runde verbessert, während Ihre persönlichen Daten sicher in Ihrer Tasche bleiben (Quelle).

Warum FL wichtig ist

Traditionelles KI-Training ist wie ein „Potluck“, bei dem jeder seine Daten an einen Tisch bringt – riskant, wenn dieser Tisch gehackt wird. FL dreht den Spieß um: Das Festmahl kommt zu Ihnen. Dies macht es perfekt für datenschutzkritische Bereiche. Krankenhäuser können Krankheitsmuster erkennen, ohne Patientenakten zu teilen. Banken können Betrug erkennen, ohne Transaktionen offenzulegen. Selbst Ihr intelligenter Thermostat kann energiesparende Gewohnheiten lernen, ohne Ihren Tagesablauf preiszugeben.

Lernen Sie Flight kennen: Das flexible Rückgrat von FL

Reale Netzwerke sind nicht ordentlich und aufgeräumt. Hier kommt Flight ins Spiel, ein neues FL-Framework, das für das unordentliche, vielschichtige Chaos tatsächlicher Systeme konzipiert wurde – wie IoT-Geräte in einer Smart City oder Sensoren in einer Fabrikhalle. Stellen Sie sich einen Baum vor: Anstatt dass jedes Gerät direkt mit einem zentralen Server spricht (ein Verkehrsalbtraum!), organisiert Flight sie in Zweigen. Geräte in einem Smart Home melden sich bei einem lokalen Hub, Hubs leiten Updates an regionale Server weiter und so weiter. Diese „Hierarchie“ spiegelt wider, wie das Internet selbst funktioniert und reduziert Kommunikationsengpässe (Forschungsdetails).

Flight verabschiedet sich auch vom „Warte-auf-alle“-Ansatz. In älteren Systemen konnte ein langsames Smartphone den gesamten Trainingsprozess aufhalten. Flight lässt Geräte in ihrem eigenen Tempo arbeiten, wie Schüler, die ihre Hausaufgaben abgeben, wenn sie bereit sind. Das Ergebnis? Skalierbarkeit, die über 2.000 Geräte gleichzeitig unterstützt (ein 4-facher Sprung gegenüber früheren Tools wie Flower) und 60% weniger Datenverkehr – denken Sie an weniger „Datenstaus“ und niedrigere Kosten.

Der Haken (denn nichts ist perfekt)

FL ist nicht ohne Wachstumsschmerzen. Ein 10-Euro-Smartphone und eine hochmoderne Drohne trainieren Modelle nicht mit der gleichen Geschwindigkeit. Unzuverlässiges WLAN kann Updates verzögern. Forscher gehen dies mit „adaptiver Aggregation“ (Priorisierung schnellerer/zuverlässigerer Geräte) und „personalisiertem Lernen“ (Anpassung von Modellen an einzelne Geräte, wie maßgeschneiderte Trainingspläne für verschiedene Athleten) an.

Das große Ganze

Trotz dieser Hürden ist FL ein Game-Changer. Es verwandelt Datenschutz von einem Hindernis in ein Feature, erschließt Erkenntnisse aus Daten, die einst zu sensibel zum Teilen waren, und ebnet den Weg für intelligentere, ethischere KI. Da Geräte immer intelligenter und Vorschriften strenger werden, ist FL nicht nur eine Option – es ist die Zukunft.

Tipp:

Bereit, Ihre KI-Projekte auf die nächste Stufe zu heben? Entdecken Sie hochwertige, sorgfältig annotierte Datensätze, die Ihre Machine-Learning-Modelle transformieren können. clickworker bietet eine Fülle von KI-Datensätzen, die auf Präzision und Leistung zugeschnitten sind.

 

KI-Datensätze erkunden

Stellen Sie sich vor, ein Puzzle zusammenzubauen, bei dem jedes Teil aus einer anderen Box stammt. Das ist die Herausforderung bei der Vorbereitung von Daten für maschinelles Lernen, wenn Informationen in verstreuten Datenbanken liegen, jede mit ihrer eigenen Struktur. Hier kommt Schema Matching ins Spiel – die Kunst, diese unpassenden Puzzleteile so auszurichten, dass KI sie verstehen kann (mehr erfahren).

Traditionelle Methoden, wie manuelle Regelsetzung oder der Vergleich von Datensatzpaaren, brechen oft unter dem Gewicht der heutigen massiven, sich ständig ändernden Datenlandschaften zusammen. Sie sind wie die Verwendung einer Papierkarte im Zeitalter von GPS: langsam, starr und fehleranfällig.

Aber hier wird es spannend. Neue KI-Tools wie Matchmaker drehen den Spieß um. Stellen Sie es sich als mehrsprachigen Übersetzer für Daten vor. Anstatt sich auf vorgefertigte Regeln zu verlassen, verwendet Matchmaker große Sprachmodelle (LLMs), um:

1. Kandidaten für Übereinstimmungen zwischen Datenattributen zu generieren,
2. Vermutungen zu verfeinern unter Verwendung von Kontext (wie das Verständnis, dass „patient_ID“ und „medical_record_number“ wahrscheinlich das Gleiche bedeuten),
3. Vertrauen in jede Übereinstimmung zu bewerten – wie eine Qualitätskontrolle (detaillierter Überblick).

Die wahre Magie? Zero-Shot-Learning. Im Gegensatz zu älteren KI-Systemen, die handmarkierte Trainingsbeispiele benötigen, improvisiert Matchmaker. Es erstellt synthetische Beispiele im Flug und lernt unterwegs, ohne ein Datenwörterbuch zu benötigen. Dies ist ein Game-Changer für Bereiche wie das Gesundheitswesen, wo Datenschutzbedenken oft den Zugang zu markierten Trainingsdaten einschränken.

In der Praxis können Teams Matchmaker in ihre Datenpipelines einbinden, um eingehende Datensätze automatisch zu vereinheitlichen. Seine Vertrauensbewertungen fungieren als eingebauter „Vertrauensmesser“, der unsichere Übereinstimmungen für die menschliche Überprüfung kennzeichnet. Erste Tests zeigen, dass es ältere KI-Methoden bei realen medizinischen Daten übertrifft (Studienergebnisse) – ein vielversprechendes Zeichen für die Beschleunigung der Datenvorbereitung in verschiedenen Branchen.

Durch das Glätten dieser Datenfalten von Anfang an reinigen wir nicht nur Tabellenkalkulationen – wir legen den Grundstein für schnelleres, effizienteres KI-Training. Als Nächstes: Wie diese nahtlose Datenharmonie eine intelligentere Ressourcennutzung in ML-Systemen ermöglicht.

Seien wir ehrlich – das Training von Machine-Learning-Modellen im großen Maßstab ist wie das Zusammensetzen eines Puzzles mit hohem Einsatz. Sie haben Daten, die über Geräte verstreut sind, Datenschutzbedenken, die wie Bienen summen, und Technologiestapel, die sich manchmal anfühlen, als würden sie verschiedene Sprachen sprechen. Hier erfahren Sie, wie Sie durch das Infrastrukturlabyrinth navigieren können, ohne Ihren Verstand zu verlieren.

1. Der verteilte Tanz

Federated Learning (FL) ermöglicht es Ihnen, Modelle mit Daten zu trainieren, die ihr Zuhause nie verlassen – großartig für den Datenschutz, aber knifflig zu orchestrieren. Stellen Sie sich vor, eine Symphonie zu koordinieren, bei der jeder Musiker (lies: Gerät oder Server) an einem anderen Ort spielt. Tools wie Terraform und Docker fungieren als Ihre Dirigenten, automatisieren Bereitstellungen über Cloud-Plattformen, lokale Server und sogar Edge-Geräte wie intelligente Sensoren. Aber hier ist der Haken: Jede Umgebung hat ihre eigenen Eigenheiten. Sie müssen für eine reibungslose Kommunikation zwischen diesen Akteuren sorgen, während Sie Ressourcen und Sicherheit jonglieren – wie ein digitaler Fluglotse.

2. Datenschutzfestungen & Datentresore

Wenn sensible Daten beteiligt sind, wird Verschlüsselung Ihr bester Freund. FL hält Daten lokal (keine riskanten Roadtrips zu einem zentralen Server!), aber Sie brauchen trotzdem eine Sicherheit auf Fort-Knox-Niveau. Stellen Sie sich das so vor: Jedes Datenpaket ist in einem Tresor eingeschlossen, mit Schlüsseln, die strenger verwaltet werden als eine Schweizer Bank. Kommunikationskanäle? Die bekommen auch gepanzerte Wächter. Experten wie Dataroots empfehlen das Schichten von Techniken wie sichere Aggregation (Mischen von Daten, sodass keine einzelne Quelle exponiert wird) und Differential Privacy (Hinzufügen von „statistischem Rauschen“, um individuelle Details zu maskieren). Es ist Datenschutz durch Design, nicht als Nachgedanke.

3. Schema Matching: Der Datenvereiniger

Haben Sie schon einmal versucht, zwei Tabellenkalkulationen mit völlig unterschiedlichen Spaltennamen zusammenzuführen? Das ist Schema Matching in einer Nussschale – nur im industriellen Maßstab. Tools wie FlexMatcher nutzen maschinelles Lernen, um Muster automatisch zu erkennen und fungieren als eine Art Rosetta-Stein für Ihre Daten. Aber unterschätzen Sie nicht die Gehirnleistung, die dies erfordert: Komplexe Datensätze benötigen möglicherweise die Schwerarbeit von Plattformen wie SchemaLogix, die Bootstrapping (Wiederverwendung bestehender Übereinstimmungen für neue Daten) nutzen, um die Dinge zu beschleunigen. Profi-Tipp: Passen Sie Ihr Tool an die Aufgabe an. Einfache Datensätze? Gehen Sie leichtgewichtig vor. Gehirnschmelzende Komplexität? Holen Sie die KI-gestützten großen Geschütze.

4. Schutz vor digitaler Sabotage

Datenangriffe sind die Schreckgespenster des ML. Stellen Sie sich vor, jemand schmuggelt gefälschte Verkehrsschilder in Ihre Trainingsdaten – plötzlich denkt Ihr selbstfahrendes Auto, Stoppschilder seien optional. Um dagegen anzukämpfen, backen Sie Sicherheit in jede Schicht ein:

• Speicherung: Sperren Sie Daten hinter rollenbasiertem Zugriff (denken Sie „Need-to-know-Basis“ für Computer).
• Transport: Behandeln Sie jeden Datentransfer wie eine Diamantenlieferung – verschlüsselt und überwacht.
• Integritätsprüfungen: Setzen Sie Prüfsummen und Hashes wie manipulationssichere Siegel ein.

Fügen Sie eine 24/7-Bedrohungserkennung (Ihre digitalen Wachhunde) und regelmäßiges Teamtraining hinzu, und Sie haben eine Festung, die schwer zu knacken ist.

Bei der Skalierung der ML-Infrastruktur geht es nicht darum, einen Zauberknopf zu finden – es geht um strategische Entscheidungen. Balancieren Sie Datenschutz mit Praktikabilität, wählen Sie Tools, die mit Ihren Bedürfnissen wachsen, und behalten Sie immer ein Auge auf die Sicherheit. Als Nächstes? Wie man dieses Biest schneller laufen lässt, ohne Ihr Budget zu verbrennen. Spoiler: Es ist zu gleichen Teilen technische Genialität und cleveres Ressourcenmanagement.

Das Training von KI über Tausende von Geräten oder das Zusammenführen chaotischer Datensätze muss sich nicht anfühlen, als würde man Katzen hüten. Hier erfahren Sie, wie Sie diese Prozesse optimieren können, ohne Ihren Verstand – oder Ihr Serverbudget – zu verlieren. Aktuelle Studien, wie eine in PMC veröffentlichte, zeigen, dass durchdachte Ressourcenzuweisung die Effizienz dramatisch steigern kann.

1. Kuratieren Sie Ihr Team
   • Wählen Sie Spieler weise: Nicht alle Geräte tragen gleichermaßen bei. Priorisieren Sie solche mit ausgewogenen Daten – wie die Auswahl von Teammitgliedern, die alle für ein Projekt benötigten Fähigkeiten abdecken.
   • Gleichen Sie die Waagschalen aus: Wenn einigen Geräten kritische Daten fehlen, überproben Sie sie oder gruppieren Sie sie strategisch. Denken Sie daran wie eine Umverteilung von Puzzleteilen, um das Bild schneller zu vervollständigen.
2. Arbeiten Sie intelligenter, nicht länger
   • Passen Sie im Flug an: Passen Sie Batch-Größen und Lernraten für jedes Gerät basierend auf seinem Datenreichtum an. Ein Telefon mit 10.000 Bildern? Lassen Sie es größere Batches verarbeiten. Eines mit 100? Halten Sie es beweglich.
   • Reden Sie weniger, machen Sie mehr: Verwenden Sie intelligentere Kommunikationsprotokolle (wie den BePOCH-Algorithmus), um den Austausch zwischen Geräten und Servern zu reduzieren – ein Ansatz, der durch Forschung zum verteilten Schema Matching unterstützt wird. Weniger „Check-in-Anrufe“ bedeuten schnelleres Training, besonders bei langsamem WLAN.

• Erst profilieren, dann abgleichen

  Studieren Sie zuerst die „Persönlichkeit“ Ihrer Daten. Sind sie ordentlich und strukturiert? Chaotisch und formlos? Indizieren Sie wichtige Felder, wie Sie wichtige Dateien taggen würden – es verkürzt die Suchzeit um Größenordnungen.

• Teilen und herrschen

  Teilen Sie massive Schema-Matching-Aufgaben auf mehrere Maschinen auf. Es ist, als würde ein Team ein Buch kapitelweise Korrektur lesen, anstatt dass eine Person den ganzen Roman bewältigt.

• Wählen Sie Ihre Waffe weise

  Einige Algorithmen glänzen mit numerischen Daten; andere handhaben Text besser. Passen Sie das Werkzeug an die Aufgabe an – Sie würden ja auch keinen Hammer verwenden, um eine Glühbirne einzuschrauben.

Indem Sie Optimierung als ein fortlaufendes Gespräch betrachten – nicht als starren Bauplan – werden Sie Systeme aufbauen, die sich anpassen, skalieren und die Konkurrenz überholen. Schließlich ist die beste KI nicht nur intelligent; sie ist effizient.

Federated Learning (FL) und Schema Matching sind nicht nur Schlagworte – sie sind Game-Changer, die die Zukunft des maschinellen Lernens prägen. Stellen Sie sich eine Welt vor, in der Ihr Smartphone Ihre Gewohnheiten lernt, ohne jemals Ihre Daten in die Cloud hochzuladen, oder in der Krankenhäuser an medizinischen Durchbrüchen zusammenarbeiten, ohne sensible Patientendaten zu teilen. Das ist das Versprechen dieser Technologien: die Bewältigung von Datenschutz, Skalierbarkeit und dem Kopfschmerz der Zusammenführung unpassender Datensätze. Lassen Sie uns eintauchen in das, was als Nächstes kommt.

Federated Learning: KI-Training als Teamsport

Denken Sie an FL als ein Gruppenprojekt, bei dem jeder seine Notizen privat hält. Anstatt Daten in einem zentralen Server zu bündeln, trainieren Geräte Modelle lokal – Ihr Handy, Ihre Smartwatch, sogar Ihr Kühlschrank. Dieser „gemeinsam lernen, nichts teilen“-Ansatz passt perfekt zu strengen Datenschutzgesetzen (wie DSGVO für Europa oder HIPAA für das Gesundheitswesen) und macht ihn ideal für sensible Bereiche. FL ermöglicht es uns auch, auf massiv unterschiedliche Datensätze zuzugreifen – stellen Sie sich vor, ein Wettermodell zu trainieren, das gleichzeitig Sensoren aus Wüsten, Städten und Regenwäldern nutzt. Das Ergebnis? Intelligentere, anpassungsfähigere KI, die alles von Ihren Musikempfehlungen bis hin zur Erkennung früher Anzeichen von Krankheiten personalisieren kann.

Wo geht es von hier aus weiter?

Um das volle Potenzial von FL zu entfalten, müssen wir einige Hürden überwinden:

• Schnelleres, sichereres FL: Das Training über Tausende von Geräten kann die Dinge verlangsamen – wie ein Gruppenchat mit zu vielen „Allen antworten“-Nachrichten. Die Optimierung der Kommunikation und der Schutz vor Datenvergiftungsangriffen werden entscheidend sein.
• Intelligenteres Schema Matching: Techniken wie SMATs aufmerksamkeitsbasierte Modelle könnten Schema Matching von einer Pflichtaufgabe in eine vollautomatisierte Präzisionsaufgabe verwandeln.
• Edge Computing trifft FL: Das KI-Training näher an die Geräte (wie Ihr Handy oder einen Fabrikroboter) zu bringen, könnte Echtzeit-Lernen ermöglichen – stellen Sie sich Ampeln vor, die sich an Unfälle anpassen, während sie passieren.
• Branchenspezifische Erfolge: Im Gesundheitswesen könnte FL Krankenhäusern helfen, Ausbrüche vorherzusagen, ohne Patienten-IDs zu teilen. Für Rechtsteams könnte es Compliance-Prüfungen über widersprüchliche Vorschriften hinweg automatisieren.

FL und Schema Matching sind wie Erdnussbutter und Marmelade: zusammen besser. Sie ermöglichen es uns, KI verantwortungsvoll zu skalieren, Daten privat zu halten und gleichzeitig Systeme interoperabel zu machen. Aber dies ist keine Ziellinie – es ist ein Startblock. Indem wir diese Werkzeuge verfeinern und kühne Anwendungen erforschen, bauen wir nicht nur bessere Algorithmen. Wir gestalten eine KI-Zukunft, die sowohl leistungsstark als auch respektvoll gegenüber den Menschen hinter den Daten ist.

Jenseits von Big Data: Intelligenteres Lernen für hungrige KI

Was wäre, wenn KI wie ein neugieriger Schüler lernen könnte, anstatt wie ein Datenhamsterer? Vergessen Sie den Brute-Force-Ansatz, endlose Daten in Modelle zu kippen. Die nächste Grenze? Techniken wie Active Learning, Meta-Learning, Transfer Learning und nun eine wiedererstarkte Welle des Reinforcement Learning – betrachten Sie diese als „Lernhacks“ für KI, die den Datenbedarf reduzieren und gleichzeitig die Denkleistung steigern.

Active Learning: Der wählerische Esser unter den KIs

Stellen Sie sich vor, einem Kleinkind Farben beizubringen. Sie würden nicht auf jeden Buntstift zeigen – Sie würden sich auf die konzentrieren, die es ständig verwechselt. Das ist Active Learning. Anstatt ganze Datensätze zu verschlingen, wird die KI zu einem selektiven Nascher, der nur bei den kniffligsten Datenpunkten nach Bezeichnungen fragt. Eine medizinische KI könnte bei mehrdeutigen Röntgenbildern eine zweite Meinung anfordern, anstatt Zeit mit eindeutigen Fällen zu verschwenden. Dieser „Hinterfrage alles“-Ansatz senkt die Kennzeichnungskosten in manchen Fällen um bis zu 70% und wirkt wie ein Datendiätplan für schlankere, effizientere Modelle.

Meta-Learning: Der Crashkurs der KI im Lernen

Die meisten KI-Modelle fangen bei jeder neuen Aufgabe von vorne an – wie ein Computer, den man neu startet, um eine andere App zu öffnen. Meta-Learning verändert die Spielregeln. Stellen Sie sich vor, einem Barista-Roboter beizubringen, Latte Art zu meistern, indem Sie ihn zuerst mit Milchshakes, Cappuccinos und Matcha-Tee üben lassen. Der Roboter erlernt die Fähigkeiten des Lernens, sodass er, wenn Sie schließlich einen Pumpkin Spice Latte bestellen, ihn in drei Versuchen perfekt hinbekommt. Diese „einmal lernen, schnell anpassen“-Magie revolutioniert Bereiche wie die Arzneimittelforschung, wo sich Forscher keine 10.000 fehlgeschlagenen Experimente leisten können.

Der große Wandel: Von Datenfressern zu effizienten Denkern

Diese Paradigmen sind nicht nur technische Anpassungen – sie verändern, wie wir über KI-Entwicklung denken:

• Active Learning verwandelt die Datenerfassung in ein selektives Gespräch
• Meta-Learning bildet anpassungsfähige Alleskönner anstelle von Eintagsfliegen
• Transfer Learning behandelt KI-Wissen als wiederverwendbare Bausteine
• Reinforcement Learning entfesselt einen Selbstspiel-Modus, bei dem Modelle ihre Denkweise autonom verfeinern

Das Fazit: In einer Ära, in der Daten nicht nur groß, sondern auch chaotisch sind, sind diese innovativen Lernstrategien der ultimative Aufräumdienst. Sie beweisen, dass manchmal weniger Daten – mit einer Prise Selbstreflexion und menschlichem Einblick – den Brute-Force-Ansatz jedes Mal schlagen.

Wenn Sie bereit sind, Ihre KI-Systeme mit Trainingsdaten höchster Qualität zu verstärken:
Kontaktieren Sie clickworker noch heute für ein individuelles Angebot.