Herzlich willkommen und vielen Dank, dass Sie dabei sind. Für ein paar Lügen, noch mehr Lügen oder einfach nur Statistiken schauen wir uns heute einen Dummschwätzer-Film an. Nur ein Scherz. Ein paar Hintergrundinformationen dazu, wie wir hierher gekommen sind: Ich bin Clark Ledbetter, Systemingenieur, und Megan Pennington von StatSense, Statistikerin, ist ebenfalls dabei.
Um ein wenig Hintergrund zu liefern: Ich habe Megan bei Y-12 kennengelernt, als ich über die Bundesregierung berichtete. Wenn Sie ein Oppenheimer-Fan sind, wissen Sie, dass Y-12 unser gesamtes angereichertes U-235-Uran produziert. Wir haben uns letztes Jahr bei einem Besuch vor Ort unterhalten, und ich habe nach der Sicherheit bei Y-12 gefragt. Wie laufen Interviews und all diese anderen Dinge ab? Megan, Sie haben erwähnt, dass Sie Daten aus dem Lügendetektor verwenden.
Ja, wir haben einen Lügendetektortest für die Hintergrundüberprüfung.
Ich war total verblüfft. Ich dachte mir: Lügendetektordaten. Hm? Das wäre interessant, mal einen Blick darauf zu werfen, um zu sehen, ob wir etwas tun können. Denn ich finde, diese ganze Lügendetektor-Geschichte ist irgendwie fragwürdig. Zu viel menschliches Eingreifen ist da drin. Megan, welche Daten haben wir denn?
Sie erhalten nicht die Lügendetektordaten von Y-12, aber praktischerweise habe ich einen Klienten, der tatsächlich Lügendetektortests durchführt, und deshalb werden wir uns heute seinen Datensatz ansehen.
Alles klar. Cool. Lassen Sie mich zur nächsten Folie übergehen.
Der Sinn eines Lügendetektors besteht darin, durch die Aufzeichnung physiologischer Symptome festzustellen, ob jemand lügt. Denn der Gedanke dahinter ist, dass bei Stress im Körper diese physiologischen Symptome verstärkt auftreten. Es werden grundlegende Sensoren benötigt, wie Blutdruck und Herz-Kreislauf-Schwitzen. Sie können beliebig viele Sensoren hinzufügen. So können Sie beispielsweise Fußbewegungen, Armbewegungen und Kieferpressen erkennen. Die Einrichtung kann ziemlich kompliziert sein.
Wir werfen einen Blick auf das Setup.
Dies ist ein typischer Aufbau. Er besteht aus sechs Sensoren. In unserem Datensatz waren es zwölf. Hier sehen Sie eine Blutdruckmanschette. Die Atemsensoren befinden sich auf der Brust. Schweißsensoren sind ebenfalls vorhanden. Beim Aufbau gibt es viele Variationen, man muss an Menschen unterschiedlicher Größe denken. Ist der Wert jedes Mal gleich? Ist er wiederholbar?
Wenn ich mich aus der Perspektive eines Verfahrenstechnikers betrachte (da ich ja aus dieser Richtung komme), dann ist das Ganze voller Variationen. Verstehen diese Leute überhaupt etwas von Messsystemanalyse und Messsystemanalyse?
Leider nein.
Nein, leider nicht. Sie haben erwähnt, dass wir zwölf Sensoren haben. Was gibt es da überhaupt? Fußbewegungen, Sitzbewegungen. Wir haben alle Sensoren hier angeschlossen.
Der Lügendetektor-Prüfer kann seine Fragetechnik von Beginn an frei wählen, bis hin zur relevanten, irrelevanten Technik. Im Grunde beziehen sich die relevanten Fragen auf das, worüber man herausfinden möchte, ob jemand lügt. Die irrelevanten Fragen haben damit überhaupt nichts zu tun. Man dachte, wir würden Spitzen bei den relevanten Fragen sehen, nicht bei den irrelevanten. Das stimmte nicht. Es ist wirklich fehlerhaft, denn Menschen sind Menschen. Sie sind nervös, wenn sie an all diese Geräte angeschlossen werden. Die Daten sind voller Rauschen.
Sie kamen und entwickelten die Kontrollfragentechnik, bei der immer noch relevante und irrelevante Fragen verwendet werden, sie fügen jedoch Kontrollfragen hinzu, deren Antworten sie kennen, und verwenden diese als Grundlage im Vergleich zu relevanten und irrelevanten Fragen.
Dann gibt es noch eine andere Methode. Angenommen, jemand ermordet jemanden und stiehlt etwas. Sie wenden die Methode der Informationsverschleierung an, weil sie genau das herausfindet, was sie herausfinden wollen, wenn die Person lügt. Aber gute Nachrichten: Wir haben in diesem Staat keine Mörder.
Alles klar. Ich wollte nachsehen. Wir werden hier keine Mörder vernehmen.
Heute nicht. Der Polygraphenprüfer kann verschiedene Techniken wählen. Er kann Methoden kombinieren und kombinieren. Die Entscheidung liegt beim Polygraphenprüfer. In unserem Datensatz betrachten wir die CQT-Technik.
CQT mit 12 Sensoren. Wollen wir einen Blick darauf werfen, wie diese Daten aussehen?
Werfen wir einen Blick darauf. Dies ist eine grafische Ausgabe der Software aller Sensoren. Jeder Sensor hat seine eigene Kurve. Sie sehen, dass wir Atmung, Herzfrequenz und Schweiß hervorgehoben haben. Die grünen und grauen Balken zeigen die Fragen der Prüfer an. Die grauen und grünen Balken zeigen die tatsächlichen Antworten der Testpersonen an.
Es gibt verschiedene Möglichkeiten, diese Kurven in der Software zu analysieren. Eine davon ist ein standardmäßiger Algorithmus, der aber eine Blackbox ist. Wir wissen nicht, was da vor sich geht. Wir wissen nicht, was sie verwenden. Außerdem kann sich der Prüfer aufgrund seiner professionellen Ausbildung ein eigenes Urteil bilden.
Mit den Augäpfeln.
Sie gehen dorthin, sehen sich die Höhen und Tiefen an und treffen auf der Grundlage einer formalen Ausbildung ihre eigene persönliche Einschätzung, unabhängig davon, ob diese von Bedeutung ist oder nicht.
Die Zeitmessung dieser Zonen machen die Prüfer auch nach Augenmaß?
Prüfer drücken tatsächlich die Leertaste, wenn sie glauben, dass sie mit der Frage begonnen haben, wenn sie beendet sind und wenn sie glauben, dass die Person mit der Beantwortung begonnen und die Beantwortung beendet hat.
Ich habe Angst. Es ist zu viel. Ich werde diesem Kerl weder meine Wahrheit noch meine Lüge anvertrauen.
Hier gibt es eine große Variabilität.
Wie sieht es mit den Ergebnissen aus? Wie sehen die Ergebnisse aus?
Wenn er oder sie den Datensatz durchgeht und bewertet, vergeben sie eine Bewertung von -2 bis 2 in Einser-Schritten, wobei zwei strenger ist. Wie Sie sehen, wurden diese Fragen tatsächlich dreimal in zufälliger Reihenfolge gestellt. Sie versuchen, eine gewisse Zufallsverteilung einzubauen, um die Variabilität auszugleichen. Dann werden diese Zahlen addiert, um anhand dieser subjektiven Zahlen zu entscheiden, ob es wahr oder falsch ist.
Das ist ihre eigene Wertung?
Dies ist ihre eigene Bewertungsmethode, die auf ihrer beruflichen Ausbildung basiert.
Folgendes rieche ich: Ich rieche menschliches Versagen.
Absolut. Der Algorithmus, den ich zuvor erwähnt habe, ist der Bericht, den Sie sehen würden. Er zeigt an, ob Wahrheit oder Lüge vorliegt. Sie sehen, dass es sich um Multinomiale, Wahrscheinlichkeiten und einige ausgefallene statistische Begriffe handelt. Hinter den Kulissen läuft etwas ab, aber wir wissen nicht genau, was es ist.
Unbekannt. Wir haben einen Prüfer, der seine eigenen Anpassungen vornimmt. Ich weiß es nicht. Ich denke, wir können mit einigen JMP Pro Tools diese menschliche Abweichung besser beseitigen. Was meinen Sie?
Ich glaube, ich stimme zu.
Alternativer Ansatz und JMP. Auf dieser Folie möchten wir den Workflow kurz erläutern. Natürlich sollten alle Analysen mit einer Bereinigung und Visualisierung beginnen. Wir werfen einen Blick auf einige der zeitaufwändigen Herausforderungen und den Bereinigungsschritt nach der Visualisierung.
Wir haben, wie bereits erwähnt, eine Vielzahl von Sensoren. Welche davon sind aussagekräftig? Welche sind wichtig? Wir haben uns die Prädiktor-Screening-Plattform angesehen, um diese auszusortieren.
Ich habe Megan vom Functional Data Explorer und der Analyse von Kurvensensoren erzählt. Ich finde, dieses Tool ist die beste Erfindung seit geschnittenem Brot. Ich war mir sicher, dass es ein Volltreffer wird. Wir werden im Laufe der Zeit etwas herausfinden, was sich jedoch als nicht sehr hilfreich herausstellte. Dies ist eines der Tools, die wir ausprobieren wollten. Ich werde gleich noch etwas mehr darüber erzählen.
Da FTE nicht mehr funktionierte, haben wir uns eine Modell-Screening-Plattform angesehen. Diese war wirklich großartig, da man unzählige Vorhersagemodelle einbeziehen und JMP entscheiden lassen konnte, welches am besten passt. Nachdem wir unser am besten passendes Modell hatten – und das ist wichtig zu erwähnen – hatten wir einen Kontrolldatensatz mit bekannten Wahrheits- und Lügenfragen. Diesen verwenden wir in der Modell-Screening-Plattform, um unser bestes Modell zu bestimmen. Dann haben wir dieses Modell genommen und auf reale Daten angewendet, von denen wir nicht wussten, ob sie Wahrheit oder Lüge waren.
In diesem Schritt wurden die Daten nicht angezeigt. Wir haben unser bestes Modell genommen und es mit den realen Daten verglichen. Schauen wir uns den Workflow und einige Plattformen im Großen und Ganzen an und zeigen anschließend eine kleine Demo. Natürlich mussten wir die Daten importieren. Ich werde noch etwas mehr über die Bereinigung erzählen. Ich habe einige Verteilungen genutzt. Definitiv Verteilungen, um die verschiedenen Diagramme zu verstehen. Megan erwähnte, dass wir drei einzelne Diagramme hatten. Wir haben das Ganze etwas durchsucht, aber im Wesentlichen ging es darum, diese Sensortrends zu untersuchen und zu sehen, wie sie im Graph Builder aussehen.
Wie bereits erwähnt, nutzen wir die Prädiktor-Screening-Plattform, um ein Gefühl dafür zu bekommen, welche Faktoren überhaupt relevant sind. Es ist nur ein einfacher Blick. Wir haben festgestellt, dass EA, Cardio, Fuß- und Sitzbewegungen am signifikantesten sind. Tatsächlich scheinen die Schweißdrüsen und das Cardio in der Literatur durchweg von großer Bedeutung zu sein. Sie scheinen die Hauptakteure zu sein. JMP stimmt dem zu.
Auch ohne all diese Dinge zu wissen, haben wir diese Signale gefunden, was ziemlich ermutigend ist. Wir mussten all diese Dinge nicht wirklich wissen.
Genau.
Falls Sie die Functional Data Explorer-Plattform noch nicht kennen: Denken Sie an die gekrümmten Sensoren, die wir verwenden. Im Grunde sind es nur Punkte. Diese Plattform passt im Wesentlichen einen Spline an. Wir nennen es ein funktionales Modell, aber sie passt diesen Spline an jede dieser einzigartigen Kurven an. Ziel ist es, zu untersuchen, wie einige dieser Eingaben die gesamte Kurve im Vergleich zu dem verändern, was der Prüfer getan hat. Ich werfe einen Blick darauf. Ich glaube, das ist weiter oben. Ziel war es, ein Signal in der gesamten Form zu erfassen.
So würde es am Ende aussehen. Sie werden es sehen. Das ist das Schweißdrüsensignal im Zeitverlauf. Ich schalte zwischen Lüge und Wahrheit um. Wir betrachten dieses Signal. Leider fehlt hier eine sich wiederholende Struktur. Es fühlte sich an wie Rauschen. Wir werden in der Demo ein Beispiel zeigen.
Wie bereits erwähnt, hat FDE nicht so viel Erfolg gehabt wie erhofft. Wir haben uns die Modell-Screening-Plattform angesehen. Wie bereits erwähnt, kann man aus einer Vielzahl von Modellen wählen. Besonders wichtig war der Boosted Tree. Und man sieht, dass diese Plattform unzählige Analysemöglichkeiten bietet. Sie ist wirklich beeindruckend. Wir haben uns auf die Entscheidungsschwelle konzentriert, weil wir herausfinden wollten, ob es wichtiger ist, jemanden zu haben, der gelogen hat und die Wahrheit gesagt hat, oder jemanden, der die Wahrheit gesagt hat und gelogen hat. Wir haben uns diese falsch-positiven und falsch-negativen Ergebnisse angesehen.
Wir dachten, wir könnten uns nicht wirklich entscheiden, welches wichtiger ist als das andere. Wir wollten eine Entscheidungsschwelle wählen, die beide Faktoren minimiert. Das Ergebnis war 0,55. Sie können in den Diagrammen in Rot und Grün sehen: Rot steht für die Fehlklassifizierung und Grün für die korrekte Klassifizierung. Nachdem wir dieses Modell erstellt hatten, haben wir es zur Validierung in unseren realen Datensatz eingespeist.
Warum lassen wir JMP nicht einfach weg und gehen einige Highlights dieses Workflows durch? Ich öffne JMP. Hier ist die Rohdatentabelle. Erinnern Sie sich an den ersten Schritt? Wir wollten etwas visualisieren. Ich öffne Graph Builder. Ich habe einen Spaltenumschalter, der alle Sensoren durchschaltet. Zu Beginn haben wir die Signale einfach durchgesehen, um uns ein Bild zu machen. Sehen wir welche mit einer einzigartigen Struktur? Sehen sie nach Rauschen aus? So etwas in der Art.
Es gab ein Signal. Wir haben die Schweißdrüse erwähnt. Wenn ich das unterbreche und zur Schweißdrüse gehe, bekommen Sie einen Eindruck von diesem lokalen Datenfilter. Sie haben Ihre drei Individuen und Ihre drei Diagramme. Es ist interessant, dies zeitlich zu bestimmen. Der Prüfer startete den Test und lief hier im Zeitablauf. Wir mussten die Reihenfolge dieser Daten herausfinden.
Die größte Herausforderung bestand darin, die einzelnen Sensoren zu trennen und deren Start-/Stopp-Punkte zu finden. Dabei kommt die Functional Data Explorer-Plattform zum Einsatz. Um sie nutzen zu können, muss ich die Kurven in einzelne Abschnitte aufteilen und alle auf die gleiche x-Achse bringen. Da mussten wir viel aufräumen. Sie bemerken auch, dass mich dieser Trend, wenn ich ihn einbringe, über die Messtechnik nachdenken lässt. Irgendetwas ist los. Irgendetwas driftet.
Schauen wir uns das genauer an. Wenn wir Einzelpersonen hinzufügen, sehen wir unterschiedliche Mittelwerte und sogar unterschiedliche Verhaltensweisen. Ich bin skeptisch, was das Messsystem hier angeht und wie es funktioniert. Dies ist ein Signal, das wir in FDE eingespeist haben, um zu sehen, ob es funktioniert. Schauen wir uns die FDE-Plattform genauer an.
Wir haben unser Bestes gegeben. Wir haben uns all die verschiedenen Signale auf dieser Plattform angesehen. Was ich dann unbedingt machen wollte, war, die Schweißdrüsenanalyse von Grund auf zu entwickeln, damit die Leute sehen, was dieses Tool leistet und welche Probleme wir hatten. Ich werde das von Grund auf neu entwickeln. Ich werde die spezialisierte Modellierung analysieren und dann den Functional Data Explorer verwenden.
Mein Output ist mein Sensor. Ich nehme die Rohdaten der Schweißdrüse, X Input ist unsere Zeit. Die Funktions-ID ist die Lauf-ID. Teilen Sie JMP jede einzelne Kurve mit, die wir in zusätzliche Variablen zerlegen mussten. Wir wollen sehen, ob Wahrheit oder Lüge diese Kurve beeinflusst. Gibt es noch etwas, das wir hinzufügen sollten?
Ich denke, individuell.
Wahrscheinlich sollte das so sein. Es ist ein zufälliger Effekt.
Genau.
Ich füge hier einzelne hinzu. Dann klicke ich auf „OK“. Gleich zu Beginn müssen Sie eine Visualisierung in dieser Plattform durchgehen. Sie sehen die Basislinienverschiebung, die wir sehen. Beim Durchsehen der einzelnen Rohdaten sehen Sie nicht viele Signale. Wir haben viele verschiedene Transformations- und Bereinigungstools bis zur Erschöpfung ausprobiert.
Hier in diesem Spektralbild haben wir beispielsweise eine Basislinienkorrektur vorgenommen. Wir haben eine lineare Anpassung hinzugefügt. Sie werden sehen, welche Auswirkungen das hat. Wir können … Alles bewegt sich auf eine gemeinsame Skala herunter. Man sieht allmählich einige Merkmale und Signale. Ich glaube, wir haben hier sogar eine einzelne normale Variante ausprobiert. Man sieht zwar Signale, aber die Sorge ist … Wir kommen nicht einmal annähernd an das ursprüngliche Signal heran. Wir entfernen uns einfach immer weiter davon.
Das sieht langsam nach Rauschen aus. Wenn ich zurückkomme und mir meinen EA-Rohdaten-Profiler anschaue, der nach viel Zeit und Mühe kaputt geht, schließe ich ihn. Sie werden es hier sehen. Hier ist mein EA-Rohdatensignal, eine Schweißdrüse im Laufe der Zeit. Ich kann zwischen Wahrheit und Lüge wechseln. Wenn ich dann zwischen den einzelnen Personen wechsle, erkenne ich darin keine wirklich einzigartigen Merkmale.
Nur zum Vergleich zeige ich Ihnen eine gute FDE, damit Sie eine Vorstellung davon haben, wie das aussehen sollte. Dies ist mit der Spannungsdehnung von Aluminium. Ich zeige hier nur den Profiler. Dieses Beispiel entstand aus einem geplanten Experiment zur Untersuchung der Spannungsdehnung von Aluminiumlegierungen.
So sollten wir es uns ansehen. Es gab einige Variationen von Charge zu Charge, je nach Temperatur und Probentyp. Sie sehen, wenn ich das umschalte, ist meine Spannungs-Dehnung wiederholbar. Ich sehe einzigartige Merkmale. Wenn ich hier runterkomme, sehe ich ein einzigartiges Merkmal, das anders aussieht. Das haben wir mit der FDE einfach nicht hinbekommen. Wir sind sogar so weit gegangen, FPSs zu exportieren und die prädiktiven Modellierungstools zu verwenden. Das Ergebnis war kein gutes Modell. Wir haben es versucht. Megan, ich dachte, es wäre die beste Erfindung seit geschnittenem Brot. Also habe ich es getan.
Das haben wir. Wir haben viel Zeit damit verbracht-
Wie geht es weiter?
Ich denke, wir nutzen die Modell-Screening-Plattform von JMP.
Alles klar. Lass es uns tun. Ich lasse dich daran teilhaben.
Super. Danke, Clark. Wie du schon sagtest, haben wir uns letztendlich für die Modell-Screening-Plattform entschieden. Wir haben die vier wichtigsten Inputs aus dem Prädiktor-Screening verwendet: Cardio, EA, Sitzbewegung und Fußbewegung. Ich zeige dir, wie du das einrichten kannst. Du gehst zum prädiktiven Modell-Screening.
Wir versuchen, Wahrheit oder Lüge zu bestimmen. Dann schauen wir uns die vier Sensordaten an, die tatsächlich eine gewisse Bedeutung hatten. Rohdaten der Sitzbewegung, Fußbewegung, Cardio. Perfekt. Sie können hier unten alle verfügbaren Optionen sehen. Wir haben uns alles angesehen. Dafür würde ich einfach den Boosted Tree einrichten. Anschließend haben wir dort auch eine k-fache Validierung durchgeführt. Das dauert seine Zeit. Ich gehe hier rüber. Ich habe das bereits ausgeführt, um uns Zeit zu sparen. Los geht’s.
Wie bereits erwähnt, bietet diese Plattform unzählige analytische Analysetechniken. Wir haben uns auf die Entscheidungsschwelle konzentriert. Wie bereits erwähnt, haben wir versucht, den Rotanteil zu minimieren. Wie Sie sehen, ändert sich die Wahrscheinlichkeitsschwelle für Wahrheit, wenn ich mich entlang der Wahrscheinlichkeitsschwelle bewege. Wir wollten genau dort ansetzen, wo sich die beiden Kurven schneiden, um die Anzahl falsch positiver oder falsch negativer Fehlklassifizierungen zu minimieren.
Wir haben hier 0,55 verwendet. Anschließend konnten wir die Vorhersageformeln exportieren. Klicken Sie dazu auf das rote Dreieck, um Spalten zu speichern und die Vorhersageformel zu speichern. Das haben wir dann in den realen Datensatz übernommen. Okay, Clark, Sie wollen …
Lassen Sie mich hier zurückkommen. Ich werde es noch einmal teilen. Dies sind die tatsächlichen Daten, und Sie werden sehen, dass wir vier Fragen haben. Es war immer noch ein ähnlicher Ablauf. Drei verschiedene Diagramme, richtig, Megan?
Ja.
Sie haben alles durchgesehen, was wir getan haben. Sie haben es neu geordnet. Wir haben die Formeln übernommen. Das steht am Ende der Datentabelle. Hier sind unsere Formeln. Und hier ist unsere wahrscheinlichste Klassifizierung. Daraufhin haben wir diskutiert, was der einfachste Weg ist, unsere A-, B- und C-Personen zu klassifizieren. Sagen sie die Wahrheit oder lügen sie?
Ich habe im Grunde nur eine einfache Zählung durchgeführt, bei der wir jede Person und dann jede Frage einzeln betrachtet haben. Wir zählen innerhalb der einzelnen Fragen. Wenn wir uns das ansehen, möchte ich zu unserer Präsentation zurückkehren. Die Schlüsselfrage ist, wer der Pinocchio ist. Hier ist das Ergebnis einer einfachen Bewertung dieser drei Personen, brandneue Daten.
Merk dir diese Schwelle: Sie gibt das Verhältnis von Lüge zu Wahrheit an. Näherst du dich dieser 50%-Schwelle, steigt die Wahrscheinlichkeit, dass du lügst. Megan, hier ist meine Schlussfolgerung: Ich habe A als Wahrheitssager und B und C als Lügner. Habe ich Recht? Konnten wir das richtig vorhersagen?
Richtig. Wir haben die Prüfer und die Algorithmen der Software aufeinander abgestimmt.
Wir haben es ohne menschliches Urteil getan.
Absolut.
So nenne ich das. Wenn wir die ganze Sache abschließen, denke ich, ist das eine der wichtigsten Erkenntnisse. Es sind nicht nur Lügen, sondern auch Statistiken. Mit den Methoden von Pro Tools, wenn man den menschlichen Aspekt und das Urteilsvermögen herauslösen kann, würde ich mich vielleicht einem Lügendetektortest unterziehen. So wie es ist, würde ich das nicht tun. Was sagst du dazu, Megan?
Der andere Vorteil ist die kürzere Analysezeit. Er benötigte dafür Tage, wir konnten die Analysezeit auf Minuten reduzieren und haben dadurch mehr Geld in der Tasche. Wir alle freuen uns über mehr Geld, also ist da nichts einzuwenden.
Oh, absolut. Da wir hier aufgehört haben, haben wir den aktuellen Stand der Testmethode und des Algorithmus gesehen. Wie können wir ihn verbessern? Was wären unsere nächsten Schritte zur Verbesserung?
Der nächste Schritt ist ein DOE. Wir müssen verschiedene Personen, verschiedene Sensorkonfigurationen und verschiedene Konfigurationen einsetzen. Dabei berücksichtigen wir auch die Zeit, die der Prüfer für die Fragenstellung und die Beantwortung der Fragen benötigt. Die grauen und grünen Bereiche, die er untersucht, sind sehr variabel. Auch das werden wir berücksichtigen.
Ist der Kreis wieder geschlossen? All diese prädiktive Modellierung und wir sind zurück bei der Versuchsplanung. Ich weiß nicht, ob ich Verfahrenstechniker bin. Genau hier hätten wir anfangen sollen. Ja, wir sollten es tun. DOE oder nicht, das ist keine Frage. Wir haben das letztes Jahr im Discovery-Kurs behandelt. Ich denke, das war’s für heute. Wir geben jetzt Fragen frei.
