Name: Künstliche Intelligenz im Unternehmen mit Lenovo Hybrid AI
Uploaded: 2025-07-16T09:47:45.488Z
Duration: 37 min 32 s
Description: Künstliche Intelligenz im Unternehmen mit Lenovo Hybrid AI

Transcript for "Künstliche Intelligenz im Unternehmen mit Lenovo Hybrid AI": Schönen guten Morgen und herzlich willkommen zu einem weiteren Lenogo Update Webcast. Michael Weigelt üblich, mein Name darf Sie recht herzlich als Moderator begrüßen. Viel wichtiger natürlich unser Sprecher des heutigen Gast des Tages, mein Gast, Stefan Lenz. Guten Morgen Stefan, grüße dich. Schön, dass Du da bist. Guten Morgen Michael. Dankeschön, dass ich da sein darf. Sehr gerne. Wir reden heute über ein KI Thema. Wer sagt, schon wieder ein KI Thema? Na ja, KI ist ein riesengroßes Thema, kann man von ganz vielen verschiedenen Seiten anschauen. Wir haben ja schon ganz viel über N PUs in irgendwelchen PCs gehört. Der Power Höcher hat schon über ganz viel Power im Rechenzentrum geredet, die wir dazu brauchen. Du wirst uns heute 'n bisschen was über die Grundlagen von KI Modellen erzählen. LLMs und SLMs, solche Abkürzungen werden da fallen und natürlich auch son bisschen paar Anwendungsbeispiele aus der Praxis, auch aus unserem eigenen Hause näherklingen, darauf freu ich mich sehr. Wie immer, Handout haben wir ihn hochgeladen, finden Sie rechts neben uns in dem Reiter Dokumente und unter häufige Fragen immer herzlich gerne gesehen. Ihre Fragen, die nehmen wir uns natürlich immer gerne an. Und damit Stefan, genug von mir. Leg los. Bühne gehört dir. Perfekt, herzlichen Dank. Super, schönen guten Morgen auch von meiner Seite. Ich möchte heut mit Ihnen über das Thema AI for all sprechen und im Speziellen eben übers Thema Hybrid AI, warum Hybrid AI wichtig ist. Aber zunächst möchte ich mit Ihnen über die Grundlagen sprechen. Nur damit wir 'n gemeinsames Verständnis haben zum Thema Typen von künstlicher Intelligenz. Wir unterscheiden im Wesentlichen von 3 Typen. Wir haben zum einen die schwache AI, das ist das, was Sie typischerweise kennen von den Empfehlungen bei Amazon oder die Spotify Playlists und so weiter. Diese Sachen, die schon seit Jahren irgendwo in unserem Alltag angekommen sind. Dann das Thema AGI oder Strong AI. AGI steht für Artificial General Intelligence, also generelle Intelligenz. Das ist der Bereich, den wir aktuell grade mit dem Thema große Sprachmodelle, Large Language Models, ChatGPT und Co betreten, wo diese ganze generative AI mit verankert ist. Und dann gibt's die dritte Kategorie, das ist die superintelligente AI. Das ist eine AI, die in der Lage ist, sich selbst zu optimieren, die eine gewisse Eigendynamik entwickelt, sich selbst weiterzubilden, weiterzuentwickeln, sich auch selbst voranschiebt. Prominentestes Beispiel aus Science Fiction Filmen wär zum Beispiel ausm Terminator Franchise Skynet. Das sind Bereiche, in denen wir momentan noch deutlich weit weg sind und die auch noch weit in der Zukunft liegen, beziehungsweise weiß gar nicht, ob wir da wirklich hinwollen. Grundsätzlich, wenn wir über AI Modelle sprechen, dann bauen die sich in verschiedenen Stufen aus. Wir haben zum einen erst mal die das AI Modell an sich, das Grundmodell. Und dieses Grundmodell, das wird dann von den großen Providern, wie zum Beispiel Google mit Germany oder Open AI mit ChatGPT und so weiter, vortrainiert. Und dieses Training, das ist sehr, sehr ressourcenintensiv. Da geht's also die die dreistelligen Millionenbeträge, die dort ins Training investiert werden. Und damit werden diese Modelle trainiert in verschiedenen Bereichen. Zum einen über eine Kommission in Fragen von Ethik, Verhaltensweisen oder auch Regeln. Also man darf keinen Menschen schaden und so weiter. Man darf keine Unwahrheiten verbreiten, Ähnliches. Und zum anderen auf eine große, große Datenbasis, die dem Modell zur Verfügung gestellt wird, es zu trainieren. Das, was dabei rauskommt, ist dann ein sogenanntes oder auch Foundation Mod, also ein einsatzbereites Modell, was dann schon in der Lage ist, vieles zu machen, was den Alltag erleichtert. Wie zum Beispiel, es kann Strafe verstehen, es kann Bilder identifizieren, es kann auch Bilder generieren oder Texte generieren. Das ist das, was wir heute im Alltag schon finden. Wenn wir jetzt so ein vortrainiertes oder Foundation Model nehmen und es wird in Betrieb genommen, das heißt User greifen darauf zu, dann lernt dieses Modell weiter. Das heißt, es lernt durch die Interaktion mit Benutzern und Daten, die Ihnen zur Verfügung gestellt werden, weitere Parameter wie zum Beispiel ethisches Verhalten, weitere Daten, die mit hinzukommen. Ist es in der Lage, Daten und Antworten auch zu clustern. Und aus dem Feedback, was es bekommt, ist es in der Lage, sich selbst zu optimieren beziehungsweise die Antworten zu optimieren, besser zu werden. Das nennt Open AI dann ein sogenanntes. Daher auch der Name GPT. Wenn wir uns jetzt die Strategie von Lenovo anschauen, haben wir das Thema Hybrid AI bei uns ganz oben auf der Liste. Hybrid AI clustert sich aus unserer Sicht aus in 3 Bereiche. Wir haben zum einen den Public Bereich. Public ist nicht Public Kunden gemeint, sondern Public ist gemeint, Modelle, die für jeden zugänglich sind, wie zum Beispiel Google Gemini, ChatGPT und Co. Das heißt, Sie haben ein Userkonto, Sie interagieren mit diesem Modell im Internet. Wenn Sie Daten da hochladen, werden diese Daten Teil Ihres Profils, das heißt die EI lernt aus den Daten und aus der Interaktion, die Sie mit Ihnen vornehmen und wird für den nächsten Trainingslauf diese Daten auch weiter verwenden. Beispielsweise, wenn Sie sagen, machen wir mal bitte ein Gedicht für meinen Sohn, der ist jetzt 18 geworden. Ja, er hat die und die Hobbys oder er wird an dem und dem Tag 18, wir haben das und das schon zusammen erlebt, dann werden Sie zum einen 'n supergutes Ergebnis bekommen für dieses Gedicht. Allerdings werden diese Daten im nächsten Trainingslauf des Modells auch wieder verwendet und werden so Teil 1 allgemeinen Information. Deswegen gibt es eben auch die Bereiche private oder Enterprise AI beziehungsweise auch Personal AI. Private AI ist tatsächlich das, was wir unter Enterprise AI verstehen. Das ist ein Modell, was Sie verwenden in Ihrer eigenen Umgebung. Sei's in Ihrer private Cloud, sei's in Ihrem eigenen Datacenter. Und dieses Modell lernt mit den Daten, die zusätzlich hinzugefügt werden. Das heißt, es entwickelt sich, es entwickelt sein Wissen oder es erweitert sein Wissen mit den Daten, die hinzugefügt werden. Und das ist der große Unterschied zum Public Modell, ist, dass es in 1 geschützten Umgebung stattfindet. Das heißt, es wird nachher nicht Teil von Allgemeinwissen oder allgemein zugänglichen Informationen, sondern es bleibt in 1 geschützten, gesicherten Umgebung, sei's Ihr Datacenter oder die Private Cloud. Der dritte wesentliche Teil ist dann die Personal AI. Das ist die für mich persönliche AI. Mein persönlicher Agent, mein persönlicher Knowledge Assistant, der nur für mich da ist, der von mir allein gefüttert wird, von mir lernt und auch individuell immer besser zu meiner Arbeitsweise sich entwickelt und mich unterstützt. Wenn wir nun mal schauen, wie solche Enterprise AIs oder auch die Personal AIs aufgebaut sind, dann ist es im Wesentlichen sogenannte AI Workflows, die dort modelliert werden. Das bedeutet, wir haben einmal das Grundmodell. Dieses Grundmodell funktioniert, was Spracherkennung und Allgemeinwissen und so weiter angeht, schon mal autark. Ich hab aber zusätzlich die Möglichkeit, weitere Datenquellen einzubinden. Das heißt, ihnen zum Beispiel Dokumente zur Verfügung zu stellen, ihnen Zugriff auf Databasis zu geben, ihnen Zugriff auf Wikis zu geben oder Internetressourcen oder auch eigenständig Web Durchsuchungen durchzuführen beziehungsweise zu recherchieren. Der der bekannteste Vertreter dieser AI Workflows, den wir überall bei uns im Unternehmen, aber eben auch zunehmend bei unseren Kunden und Partnern finden, sind diese sogenannten Modelle. Also ein Modell, was in der Lage ist, diese Daten einzubinden und in seiner Antwort mit zu berücksichtigen. Das heißt, Daten bereitzustellen wie zum Beispiel unsere eigene Database für unsere Produkte mit allen technischen Informationen, dann mit dem Modell zu chatten, beispielsweise zu sagen, gib mir bitte alle Monitore aus der Think Vision Reihe, die daisy Chain unterstützen aus. Bekommen wir tatsächlich diese Recherche aus dieser Database beziehungsweise aus dem Ragmodell komprimiert ausgelesen. Wir haben 'n paar Beispiele, die wir intern bei Lenovo damit arbeiten. Nur damit Sie's mal gehört haben, wir haben zum Beispiel ein Tool, das nennt sich Azure. Azure ist ein Tool für die internen Kunden oder einem Partner zusammen an irgendeinem Projekt arbeiten, wer muss denn informiert werden? Wie muss das Ganze dokumentiert werden? Also diese ganzen Bereiche, die dort im Knowledge Management vorhanden sind und für die internen Prozessbeschreibungen und so weiter, dafür nutzen wir beispielsweise dieses RAG Modell. Ein anderes RAG Modell, was wir benutzen, ist beispielsweise für die Produktinformationen oder eben auch für Projekte, wo wir Präsentationen, Ausschreibungen und Ähnliches reinladen können. Und das Modell hilft uns dann, Übereinstimmungen zu finden, Matchings zu finden mit unserem Standardportfolio oder Abweichungen, uns dann zu unterstützen und effizienter auf die Individualitäten eingehen zu können. Grundsätzlich gibt's aber verschiedene Arten von AI Implementierungen. Zum einen natürlich die großen Sprachmodelle, die Large Language Models. Die bekanntesten Vertreter sind zum Beispiel JetGPD oder Lama von von Meta. Diese Modelle sind sehr, sehr gut in bestimmten Aufgabenbereich, wie zum Beispiel Texte zu generieren oder Zusammenfassungen zu machen. Die sind sehr, sehr gut als AI Assistant, also als intelligenter Chatbot, den Sie beispielsweise im Support mit einbinden können und Ähnliches. Fragen zu Benutzung von Software oder Entstörungen oder Ähnliches einsetzen zu können. Die können auch sehr gut Sprachen übersetzen. Das heißt, Sie sind multilinguar per Design bereits, weil das vortrainierte Modelle das bereits kann. Das heißt, Sie laden Informationen in irgendeiner Sprache ein und Sie sind dann in der Lage, auch in 'ner anderen Sprache die Antwort zu generieren, weil das Modell den Inhalt versteht und nicht nur den Text sieht. Das ist sehr, sehr wichtig. Und ähnlich von der Funktionsweise funktioniert's auch mit dem Thema Source Code Generierung. Das heißt, Sie prompen diesen Modell im Wesentlichen, was Sie haben möchten und Sie bekommen nachher einen Sourcecode ausgegeben und für das Modell nicht viel anders als eine Sprachausgabe, eine Antwort in 1 Programmiersprache in dem Fall. Und da kann das Ganze natürlich auch sehr, sehr hilfreich sein. Des Weiteren sind diese Modelle extrem gut in der Sentimentanalyse, also Zusammenhänge zu erkennen, Ableitungen zu treffen und so weiter. Das ist 1 der Kernkompetenzen dieser Modelle. Es gibt aber auch andere Einsatzbereiche, wie zum Beispiel Image- und Videogenerator. Viele kennen von Ihnen bestimmt auch schon Modelle wie zum Beispiel Sora von OpenAI. Aber es gibt auch Modelle, die Sie lokal betreiben können, beispielsweise auf unseren auf unseren oder wie zum Beispiel Omni Jam oder auch lokale Modelle von Black Forest Labs und so lokale Modelle von Black Forest Labs und so weiter. Die sind sehr, sehr gut, wenn's darum geht, Images zu generieren. Also Bilder zu generieren, Artwork zu generieren, Videos zu generieren und so weiter und so fort. Ich bin jetzt mal hergegangen und hab mir einfach mal bei uns aus der aktuellen Produktlinie ein p 16 geschnappt, ein Power Notebook mit 1 NVIDIA GPU drin und hab einfach mal 'n paar Beispiele für Sie aufbereitet. Zum einen habe ich mal Omnigel ausprobiert, 'n Imagegenerator, mit dem Sie über einen prompt, der in dem Fall lautet, ein Mann liest ein Buch. Der Mann hat 'n grünen Anzug an und der, es schneit im Hintergrund und der Mann auf dem Bild soll ausschauen wie der auf diesem Bild, was ich Ihnen zur Verfügung gestellt hab. Das ist mein allgemeines Profilbild und dann wurde mir automatisch dieses Image generiert. Das ist eine Möglichkeit. Eine andere Möglichkeit ist beispielsweise über Face Fusion auf dem p 16 hab ich einfach mal mein Gesicht in Aragorn aus der Herr der Ringe platziert, hier einen Deep Fake zu generieren. Das Ganze funktioniert natürlich auch in ganz anderen Umfeldern, wie zum Beispiel ich bei den Golden Globes oder ich neben Donald Trump. Und hier sind wir dann auch schon an dem kritischen Punkt, wenn's ums Thema geht, weil die Qualität dieser AI Implementierungen inzwischen sehr, sehr gut ist und man immer zweimal hinschauen muss, ob es denn überhaupt noch Originale sind oder ob's ein Deepdeck ist. Das zweite Thema, was ich mit Ihnen besprechen möchte, sind AI Agents. Alle sprechen von Agentic AI. Und warum ist Agentic AI so viel anders wie das, was wir uns jetzt angeschaut haben, zum Beispiel für RAG Models oder für Imagegeneratoren? AI Agents unterscheiden sich grundsätzlich von diesen Sprachmodellen im Wesentlichen oder im im Grundsatz dadurch, dass sie in der Lage sind, mit ihrer Umgebung zu interagieren. Das heißt, sie können nicht nur Fragen beantworten und eine Konversation halten oder ein Bild generieren, sondern Sie können tatsächlich Aufgaben erledigen. Sie können eigenständig Daten suchen und sammeln. Sie können autonom Lösungswege entwickeln, Aufgaben zu erfüllen und spezielle Ziele zu erreichen. Sie basieren darauf, rationale Entscheidungen zu machen und zwar basierend auf Ihren Annahmen, die Sie entwickeln und auf der Umgebung, mit der Sie's zu tun haben, beziehungsweise wie mit Ihnen interagiert wird. Spannend ist, dass der CEO von Microsoft, Satya Nadella, gesagt hat, wir gehen davon aus, dass AI Agents die meisten Software User Interfaces, also Eingabemasken über die Zeit ablösen werden, weil jeder von uns mit diesen intelligenten Agenten arbeiten wird, der dann beispielsweise in der Lage ist, meine Reisebuchungen vorzunehmen. Da muss ich nicht mehr ins Portal gehen, sondern mein Agent macht das für mich, der bucht mein Hotel, mein Flug und so weiter. Oder eben auch die Abrechnungen dazu zu machen und so weiter und so fort. Im Bereich der Agent wird natürlich auch noch mal 'n bisschen diversifiziert von einfachen, reflexbasierten Agenten, die auf Basis von vordefinierten Regeln arbeiten. Das sind dann also eher Bots, die dahinterstehen, bis hin zu eigenständig lernenden Agenten, die in der Lage sind, ihr Wissen selber weiterzuentwickeln und anzupassen. Michael, ich würd dich bitten, jetzt mal den ersten Clip abzuspielen. Ja, Dankeschön. Das zum Thema Agentic AI. Wir bauen praktisch auch mit Nvidia zusammen ein eigenes Framework, was wir unseren Partnern, aber auch unseren Kunden bereitstellen, zur Verfügung stellen, mit dem Sie dann Ihre eigenen Agents designen, aufsetzen können. Und wir haben natürlich über unsere Services und Solution Group auch die Möglichkeit, Sie in diesem Go live, in diesem Projekt zu unterstützen, beratenderweise oder auch über implementieren. Aber darüber wollen wir heute nicht weiter sprechen, sondern wir wollen noch mal zurückgehen in die Thematik private, public und personal real. Und warum es so wichtig ist, dass wir uns diese Geschichten kümmern. Wichtig ist auch zu betrachten, dass der Workload für das jeweilige Modell, sei es ein RAG Modell für das Thema Knowledge Management oder sei es ein Agentic Modell fürs Thema Automatisieren von Tasks intelligenter Weise dort läuft, wo es am effizientesten ist. Das heißt, wenn wir heute all diese Informationen beispielsweise in ein Datacenter oder in die Cloud geben, ist das Ganze mit sehr hohen Betriebskosten am Ende verbunden. Das heißt, wir werden feststellen, dass wir relativ viele sogenannte Tokens brauchen, bestimmte Tasks auszuführen, weil diese Maschinen natürlich, wenn sie eine breite Basis von Usern und eine große, große Knowledge Base hinter sich haben, sehr viel aufwendiger recherchieren, als wenn ich jetzt im kleinen, im abgegrenzten Raum das Ganze agiere beziehungsweise implementive. Aber wenn wir uns noch mal angucken, wofür werden denn bei unseren Kunden und auch bei uns intern die meisten Projekte implementiert? Dann ist es zum einen im Thema Content generieren, da schauen wir uns gleich mal 'n Beispiel an oder auch im Bereich Customer Service, also sprich intelligente AI Chatbots auf Basis von RAG Modellen typischerweise, die in der Lage sind, sich selbst oder trainiert zu werden auf bestimmte Inhalte, die die ihnen nachträglich zur Verfügung stellen, dann sehr viel schneller und besser zu Lösungen zu kommen. Wenn Fragen von Kunden sind irgendwo an der Hotline beziehungsweise in 'nem intelligenten Chat, der zum Beispiel in Teams integriert werden kann oder auch in Dritttools wie zum Beispiel WhatsApp und Ähnliches. Dann haben wir das Thema Knowledge Assistance, tatsächlich Knowledge Databasis. Das sind typische Anwendungen, wie man sie beispielsweise auch verwendet für das Thema Legal Approval, also sprich ein Dokument, einen Vertrag hochzuladen, der dann von dem Bot erst mal oder von der AI überprüft wird, ob alles die Bestandteile des Vertrages denn überhaupt legal und zulässig sind in einem bestimmten Umfeld. Da werden solche Knowledge Assistance sehr, sehr gern eingesetzt. Und dann natürlich auch im Bereich Innovate, also sprich Data Orchestration, AI Ops und natürlich auch ganz, ganz wichtig das Thema Cybersecurity, was immer mehr jetzt Richtung AI auch wandert, sowohl die Angriffe im Cybercriminal Bereich als auch die Abwehr im Cybersecurity Bereich. Wenn wir uns aber jetzt beispielsweise mal das Thema Generator angucken und schauen uns an, was es da für Beispiele gibt. Wir haben bei der Lenovo intern eigentlich immer ein Matrixsystem für Projektideen auf Basis unserer AI Implementierungen. Und die müssen mindestens ein, 2 oder am besten auch alle diese Kriterien erfüllen. Das heißt, Sie müssen entweder in der Lage sein, Einsparung zu bringen, die Produktivität zu erhöhen, die Performance generell zu erhöhen oder die Qualität zu verbessern. Das heißt, wir schauen uns dann beispielsweise mal so eine Matrix an und sagen, okay, wir haben eine eine Idee vom Marketing, wir haben eine Idee von den IT Operations, wir haben wo aus dem Business Operations oder auch aus dem herstellenden Bereich Projektideen, die dann auch treffen, zu sagen, welche Einsparmöglichkeiten sind da? Was nehmen wir uns vor als Ziel? Und 1 dieser Tools ist tatsächlich Studio AI. Was wir Ihnen jetzt ganz, gern kurz vorstellen würden, wenn Du kurz den zweiten Clip abspielst, nicht? Imagin a world war Human potenzial ist unleashed bei Technology. StudioAI ist 'n Beispiel für unser internes Lenovo Powers Lenovo Projektportfolio, was wir zusammengestellt haben Und dass wir auch nachher in der AI Library finden, wie wir für unsere Kunden und unsere Partner zur Verfügung stellen, zu gucken, welche haben wir bereits umgesetzt? Welches sind erfolgreich? Worauf wurde denn geachtet? Mit welchen Modellen haben wir gearbeitet und Ähnliches? Generell für unsere Kunden, die mit uns zusammenarbeiten und auch für unsere Partner in Projekten zusammen, haben wir ein mehrstufiges Konzept entwickelt vom Thema AI Discovery, also erst mal die überhaupt relevanten Use Cases zu finden, rauszufinden, ob die Datenbasis genügt, ob überhaupt die Use Cases umgesetzt werden können in der Qualität und Güte, die sich der Kunde oder der Partner verspricht. Also sprich, ein echtes Discovery Programm über den Beratungsservice des AI Advisory Services hin zum Fastart, wo wir innerhalb von 90 Tagen tatsächliche Projektimplementierungen beim Kunden vornehmen für diese Use Cases, dann weiterzuführen ins Deploy and Scale, tatsächlich in die Breite zu gehen oder eben auch in den Managed Service Bereich zu machen. Dafür, wir haben hier natürlich auch viele affine Hardware Kunden und Partner vor Ort, haben wir das breiteste Portfolio aktuell am Markt tatsächlich von den Smartphones, die hier nicht auftauchen, über die IPCs, über die Workstations in ins Data Center, das Ganze zu betreiben. Und das natürlich auch in 1 sehr fokussierten Art und Weise fürs Data Management, für Analytics und Machine Learning oder auch für Deep Learning Training oder LLMs, wie zum Beispiel auch die ganz großen Maschinen, die SR 680a in den verschiedenen Ausbaustufen, sei es luftgekühlt oder auch wassergekühlt. Das neueste Mitglied unserer Workstation Familie ist die PGX, die jetzt rauskommt. Ich glaub, nächsten Monat müsste die kommen oder spätestens im September verfügbar sein. Das ist tatsächlich ein Gerät, was speziell dafür da ist, Modelle nachzutrainieren. Das heißt, wir haben dort mit bis zu einem Peterflop, also 1000 Flops Tops Leistung zur Verfügung, aber bei einem Gerät so groß wie 'n Tiny. Das können Sie aufn Desktop stellen mit der neuesten NVIDIA Blackwell Generation drin. Und das ist tatsächlich für Experten, die Modelle nachtrainieren gedacht. Aber das Ganze können Sie natürlich auch bei uns als GFu Service haben, sowohl als Partner wie auch als Kunde, wenn Sie sagen, wir steigen in das ganze Thema erst mal ein. Wir wissen noch nicht genau, worauf die Maschine am Ende rausgeht oder wir wollen die große Kapitalbindung von so teuren Maschinen aktuell nicht haben, sondern möchten erst mal True scale as a Service für gddu basierte Maschinen haben. Aber wir wollen auch noch mal kurz in den AI PC gucken, denn der ist nicht zu unterschätzen. Wir haben wir haben vorhin schon mal ganz kurz darüber gesprochen. AI läuft am effizientesten dort, wo sie gebraucht wird und wo die Daten zur Verfügung stehen. Und wenn ich jetzt tatsächlich ein lokales Modell habe, ein ein oder ein Large Language Model, ein Rax System bei mir auf dem AI PC, mit dem ich, dass ich füttern kann mit meinen eigenen Dokumenten, mit meinen eigenen Inhalten. Dann hab ich einfach ein sehr, sehr hohes Maß an Privacy und Datensicherheit. Ich hab schon den kompletten Komfort und Leistungsfähigkeit 1 Sprachmodells lokal auf meinem Computer. Ich hab in der MTU beziehungsweise in diesen Möglichkeiten oder in diesen Komponenten nachher auch die Möglichkeit, lokale High Security, High Performance Security Tasks laufen zu lassen, das Thema Sicherheit voranzubringen. Und ich hab natürlich auch eine sehr, sehr große Energieeffizienz. Das heißt, was mache ich denn überhaupt mit einem AI PC? Zum einen das Thema Hyperpersonalisierung. Meine Daten bleiben meine Daten. Sie verlassen die Maschine nicht. Sie werden nur von mir trainiert und ich bin allein dafür verantwortlich. Es übernimmt die das Prozessing der AI Tasks lokal und natürlich bietet's mehr Privatsphäre und Sicherheit. Aber die Frage stellt sich, warum denn ausgerechnet ein Lenovo AI PC? Und was wir jetzt gemacht haben, ist, wir haben eine eine Software zur Verfügung gestellt namens AI Now, die einen persönlichen AI Resistant bereitstellt. Das heißt, wenn Sie sich heute ein Lenovo AIPC mit 1 bestimmten Konfiguration, ich glaub, isechsundachtzig ist notwendig und ich glaube, 40 Tops müssen in der NPO vorhanden sein. Dann können Sie sich AI Now kostenfrei dazukonfigurieren, kostet auch keine Subscription Kosten oder Ähnliches. Oder Sie können's auch, wenn Sie bereits einen haben, können Sie's im Internet runterladen. Bei uns ist frei verfügbar. Und dieses AI Now ist ein RAG Modell, das heißt ein vortrainiertes Large Language Model, komprimiert auf auf die lokalen Anforderungen, die in einem PC eben in einem AI PC vorhanden sind. Und Sie können diese Software tatsächlich selber nachtrainieren beziehungsweise ihm Informationen zur Verfügung stellen. Da würd ich dich jetzt bitten, mal den dritten Clip abzuspielen, Michael Bitte. Ja, herzlichen Dank. Generell ist es momentan noch in dem Datastatum. Nichtsdestotrotz funktioniert's im Wesentlichen gut. Es ist basierend auf 'nem fein getunten Lama 3 8 b Modell, läuft komplett lokal auf dem AIPC. Das heißt, das kommuniziert über die Daten und auch mit keiner dritten Instanz im Hintergrund, irgendwelche Abfragen zu starten. Es gibt die Möglichkeit, auch einen Webtchat mit einzubinden, aber tatsächlich bleiben die lokal zur Verfügung gestellten Daten ausschließlich lokal. Das Ganze funktioniert auch komplett offline. Das heißt, Sie müssen nicht in irgendwelchen Internetverbindung oder ähnlich sein. Und Sie haben eben die Möglichkeit, sehr, sehr akkurat und sehr, sehr gut damit zu arbeiten mit den ganzen verschiedenen Dokumenten und Imagetypen, die es gibt oder auch mit Cloud Drives und Ähnlichem, effizienter zu arbeiten. Es gibt aber auch noch die Möglichkeit, über AI Now einen sogenannten zu benutzen, der Ihnen hilft, die Einstellungen auf Ihrem Rechner zu optimieren beziehungsweise die Anforderungen zu erfüllen. Und da würd ich bitten, noch das letzte, das vierte Video kurz abzuspielen, Michael. So, ich möcht auch noch mal referenzieren auf die Lenovo smarter AI library, die für Kunden und Partner zur Verfügung steht, wo wir Projekte beschreiben, wie beispielsweise Studio AI, was wir vorhin im Clip kurz gesehen haben oder auch Lösungen wie Paraliegel, Vertragsdokumente und Inhalte rechtlich zu prüfen beziehungsweise inhaltlich mit zu generieren. Wir haben andere Möglichkeiten drin wie Care of One, was beispielsweise hilft, im Betrieb und Management von PC Flotten effizienter zu sein und Daten auszulesen beziehungsweise Daten zu optimieren und so weiter und so fort. Ich lad Sie gern ein, das ist im Internet zugänglich. Loggen Sie sich ein, schauen Sie sich's gerne an. An. Generell möchten wir Sie einladen als Lenovo mit uns zusammen, mit uns im Speziellen mit der SSG, mit der Services und Solutions, genug zusammen in die AI Journey einzutauchen, mit uns zusammen ins Discovery zu gehen, sollten Sie noch am Anfang stehen, mit uns zusammen in die Advisory Services gehen, wenn Sie sich bei bestimmten Vorgehensweisen oder irgendwelchen Auswahlen nicht sicher sind. Wir haben Experten dafür, Kommen Sie auf uns zu, das ist hervorragend bei uns aufgehoben und wir teilen auch unser Wissen über unsere ganzen Implementierungen sehr, sehr gerne mit Ihnen bis hin zum Fastart, wo's tatsächlich Implementierungen geht, die wir beim Kunden machen. Herzlichen Dank. Das war's aus meiner Sicht. Michael, zurück zu dir. Wunderbar, Dankeschön Stefan. Ich bin ja ein großer Fan davon, ne, son bisschen Grundlagen erklären. Von daher hab ich da sehr gerne zugehört. Dankeschön dafür. Mir ist aber eine Sache aufgefallen, die ich vergessen habe, Entschuldigung dafür, ich hab dich am Anfang gar nicht vorgestellt, ne. Du hast gerade den Begriff SSG gebracht, ne. 1 unserer 3 Säulen. Du bist ja zum ersten Mal hier Sprecher bei uns hoffentlich nicht zum letzten Mal. Von daher sag vielleicht noch mal 3 zu deiner Rolle, warum Du dich eigentlich mit AI beschäftigst, was man mit dir anfangen könnte. Wo kann man dich einsetzen könnte? Ich bin tatsächlich Solutions und Services Executive, und zwar unter dem One Lenovo Brand. Das heißt, nicht nur für die Endgeräte wie PCs, Notebooks und so weiter, sondern auch für den Bereich Datacenter und hab mich darauf auch darin spezialisiert auf Projekte im AI Umfeld. Ich selber bin im AI Umfeld jetzt schon seit weit mehr als 10 Jahren tätig, hab schon einige Stationen diesbezüglich hinter mir und einiges an Projekten gemacht, seien es nun Implementierungen über Computer Vision oder Data Science und Ähnliches. IoT, Betriebskostenoptimierungen und so weiter. Und jetzt natürlich zunehmend große Sprachmodelle und Jingle. Wunderbar. Du hast also das eine oder andere Ahnung von dem Thema. Das ist immer hervorragend. Von daher kann ich mich nur anschließen, kommen Sie auf uns zu, wenn Sie mit uns über das Thema sprechen wollen. Ansonsten besten Dank für Ihre Aufmerksamkeit. Wie immer verweise ich am Ende noch auf Lenovo Update Punkt d e. Unsere Webseite, falls Sie sich die Aufzeichnung noch mal anschauen wollen oder 'n Kollegin, 'ner Kollegin zeigen wollen, Lenovo Update Punkt d e. Und falls Sie Kontakt zu uns aufnehmen wollen, die Kontaktdaten vom Steppern noch nicht haben, dann die E-Mail-Adresse, die auch immer dieselbe ist, Update at Lenovo dot com, Update at Lenovo dot com. Besten Dank. Bleiben Sie gesund. Danke dir, Stefan. Schöne Woche noch. Bis bald. Tschüs. Herzlichen Dank. Wiederschauen.