Video: Projekt LiSAI.x | Duration: 1892s | Summary: Projekt LiSAI.x | Chapters: Compliance and Security (15.325s), Security and Virtualization (1272.0199s), Updates at Lenovo.com (1751.24s)

Transcript for "Projekt LiSAI.x": Guten Tag und herzlich willkommen zu einem weiteren Lenovo Update Webcast. Schön, dass Sie da sind. Ich darf heut an der Stelle meinen Kollegen Ulrich Walter begrüßen. Hallo Ulrich, schön, dass Du da bist. Grüße nach Wiesbaden. Hallo Michael. Hallo. Wir kennen uns selber gar nicht so, ne, haben gar nicht so oft miteinander zu tun. Du bist auch das erste Mal hier bei unserem Webcastprojekt dabei. Musst gleich vielleicht noch mal ganz kurz selber dich vorstellen, welche Rolle Du hast. Wir haben hier 'n Titel Regie Good Business Development Manager, Financial Sektor. Du hast noch 'n paar andere interessante spannende Rollen bei der Lenovo. Es geht ganz grundsätzlich Lösungsthemen. Heute stellen die ein Lösungsthema vor aus dem Bereich KI. Überschrift, da hat sich keiner vertippelt, sondern das heißt tatsächlich so Punkt x. Was das genau ist, warum man das braucht, wie da die Zukunft für das Projekt aussieht, das wirst Du uns gleich erklären. Handout haben wir wie immer hochgeladen, rechts neben unter Sprecherbildern unter Dokumente finden Sie das. Dort ist auch die Möglichkeit, unter häufige Fragen dann Fragen uns zu stellen. Den nehmen wir uns gerne an. Und damit genug von meiner Seite Ulrich rüber zu dir. Ja, vielen Dank erst mal für die Einführung Michael. Vielleicht ganz kurz noch mal zu meiner Rolle. Also ich komme aus dem Bereich Financial Industries global und das ist auch, sage ich mal, der Bereich, in dem wir mit dem Kunden zusammen hier das Thema Deezer X angefangen haben zu diskutieren und auch zu entwickeln. Wir werden auch gleich in der Präsentation ein bisschen genauer drauf eingehen. Und zwar war die Idee gewesen, hier neben dem Thema Technologie, wo Lenomo ja die gesamte Bandbreite und Palette an Mobilgerät bis eben ins Rechenzentrum ein. Nicht nur eben den technischen Ansprüchen zu genügen, sondern vor allen Dingen natürlich auch das Thema hier mit Lösungen und Lösungen in Form von KI Lösungen zu ergänzen. Immer dann, wenn es eben dann darum geht, eben dann wirklich Technologie dann umzusetzen, wo es eben dann Security, Privacy und entsprechende andere Voraussetzungen gilt, Compliance zu sein. Das werden wir gleich noch mal sehen. Ich schalte jetzt mal auf die Präsentation. So und Okay, hofft, das kann jeder sehen. Wie gesagt, das ist im Prinzip so die Idee dahinter gewesen, dass wir dann eben zum Thema Technologie auch das Thema Software natürlich als Lösungsmittel zubringt und natürlich, was alle momentan interessiert, das Thema künstliche Intelligenz. Wir haben ja die künstliche Intelligenz in verschiedenen Formen heute und wir sehen das ja auch alle, dass die Investments für KI dann in die gigantische Dimension auch gehen und das heißt natürlich im Prinzip hier ist eine gewisse Erwartungshaltung von den Kunden, von der Industrie her, dass daraus natürlich auch eine entsprechende Wertschöpfung sich ergibt. Die Investments sind wirklich ja so riesig hier. Wir haben das gerade wieder gesehen in Deutschland hier 10000 Gpus wurden jetzt gerade hier wieder mit NVIDIA hier verhandelt. Der vor die Frage, wo sich aber natürlich daraus stellt ist, was wird eigentlich mit der KI gemacht? Wo kann ich das eben technisch eben einsetzen und was sind, sagen wir mal, die Vorteile, die sich durch die KI dann auch dann monetär irgendwo ergeben. Und das hat natürlich 2 Dimensionen. Das eine ist immer der sogenannte Use Case und das andere ist natürlich eben dann, wie kann ich sowas eben schnell und einfach und vor allen Dingen verlässlich auch deployen. Und da ist natürlich auch ein bisschen darauf die Historie entstanden, wie wir unsere LISA X dann auch gestaltet haben. Ganze hat damit angefangen, dass man natürlich auch festgestellt hat, dass viele, viele Prozesse in Unternehmen heute nach wie vor noch stark wissensbasiert sind. Braucht sich jeder wahrscheinlich hier im Call auch keine Gedanken zu machen, wie es in seinem eigenen Unternehmen funktioniert, Wenn ich heute eventuell größere Aufgaben habe, Stichwort RFP Analyse oder zum Beispiel irgendwelche Dokumenteanalysen, muss ich die natürlich manuell entsprechend lesen oder beispielsweise muss ich natürlich den Inhalt verstehen, hinterher bewerten zu können und dann Schlussfolgerungen oder Ergebnisse daraus zu erzielen. Das ist natürlich nach wie vor ein Riesenproblem, gerade wenn es Massendaten eben geht, an denen Daten eben dann schnell und an die Informationen ranzukommen, die ich eventuell brauche, dann meine Entscheidungen zu treffen. Darum ist es eben so, in der Historie haben viele Menschen halt eben, bisher heute auch nicht anders, zusammengewirkt und wenn ich dann eventuell als Manager von meinem Team Informationen brauch, was mache ich da? Ich muss meistens eben dann 5 Leute zusammen holen, damit ich hinterher die Information zusammenziehen kann, die meine Spezialisten dann eventuell für die verschiedenen Teilbereiche dann mir geben. Wie praktisch wäre es doch aber, wenn ich eben zum Beispiel einen Möglichkeit hätte, eben dann über eine KI dann son System zu habe, dass ich direkt fragen kann und zwar mit Daten gefüttert, die wirklich meine Daten sind und nicht irgendwelche Daten, die Internet rumschwirren, die erklärbar sind, verlässlich sind und vor allen Dingen eben dann on premise eben dann auch sicher und sauber gemanagt werden können. Das ist so ein bisschen der Hintergedanke, dass ich einen digitalen Assistenten hab, der sich leicht integrieren lässt, der sich natürlich auf der anderen Seite aber auch dann schnell eben dann erweitern lässt. Wir kommen später noch mal zu Business Process Integration und last not least natürlich eben dann auch Compliance und andere Themen mit entsprechend abbildet. Das ist so das Bild, was wir heute natürlich häufiger sehen und das war auch so ein bisschen die Grundlage, die wir damals bei dem Projekt mit 'ner Bank hier, als wir das Forschungsprojekt dann mit Ihnen angefangen haben, diskutiert haben, dass die Datenlast, die auf die Anwender eben zukommt, dass die natürlich eben dann overwellming ist. Und wenn sich jeder mal seine eigenen Mailfiles, seine eigenen, sage ich mal Dokumente anschaut, die man jeden Tag bekommt und die man lesen muss oder sollte, je nachdem, kann man sich vorstellen, was es eben für einen Zeitaufwand eben dann da ist, entsprechend da draußen dann Rück Schlussfolgerungen zu ziehen und dann Entscheidungen zu treffen. Das heißt, die Frage ist, wie schnell komme ich an die relevanten Informationen, wie schnell kann ich entscheiden und was muss ich dazu tun, diese Information tatsächlich irgendwie strukturiert zusammenzubringen. Und hier ist zum Beispiel die Lisa in der Lage natürlich über KI Methoden genau diese Daten auch zu analysieren über eine symbolische KI. Wie das geht, sehen wir später noch einmal, aber auf der anderen Seite natürlich auch dann wirklich Massendaten eben sehr sehr schnell zu integrieren und dann eben dann gerade in großen Datenbereichen, Archiven, Dokumentmanagementsysteme sehr, sehr schnell auf die entsprechenden Informationen hinzuzeigen oder Rückschlüsse zu ziehen oder Quererweise natürlich eben zu geben. Das ist natürlich im Prinzip keine Lösung, die Entscheidung uns selbst trifft, dafür wird es auch nicht gedacht, aber es ist eine Entscheidungshilfe, ein digitaler Assistent oder wenn man es vielleicht auch neudeutsch betreibt, auch ein AI Agent, der natürlich auch in der Lage ist, gewisse Dinge eben automatisiert eben in Geschäftsprozessen dann auch umzusetzen. Wenn wir heute mal auf die ersten Chart von Data da gewesen sind und da steht eben drin, wie man heute sage ich mal den Mehrwert von KI insgesamt heute durch die Integration von Jackbots eben sieht. Also vom Business Value her, finden die im Prinzip diese Dinge relativ gering. Es wird natürlich genutzt, ja klar, jeder nutzt Chat PTP, jeder nutzt natürlich welche KI Lösungen in der Cloud. Der Nachteil von dieser Geschichte ist aber der eigentliche Mehrwert, den ich da durch gewinne, der steckt eben in den eigentlichen Geschäftsprozessen, die wirklich sehr sehr secure sind und da gibt's natürlich gerade im Bankenbereich, im Public Bereich, im Health and Imaging Bereich oder Pharmabereich und Forschung ohnehin viele viele Dinge, die eben vielleicht nicht unbedingt in der Cloud laufen können aus verschiedensten Gründen. Erstens mal aus Kosten, zweitens natürlich aber auch aus Compliance, Security und Data Privacy Gründen und das sind zum Beispiel die Use Cases, auf die natürlich unsere Leser dann eben dann da zielt, wo es eben darum geht, hier wirklich genau diese Dinge eben dann auch abzubilden und dann eben entsprechend dann auch dann umzusetzen. Das sind dann auch die Bereiche, wo der Kunde natürlich am Schluss dann hinterher einen Mehrwert mit gewinnen kann, weil das ist eben dann tatsächlich das Thema Business Process Optimierung und digitale Transformation. Wir stehen da auch nicht in Konkurrenz, das möchte ich auch noch mal betonen, zu ChatGPT oder den anderen Dingen oder Co Pilot. Das sind Dinge, die können gerne natürlich parallel laufen, sondern muss immer schauen dann, wo passen diese Dinge nicht rein, wo geht eben hier gewisse Dinge nicht umsetzbar und da ist eben an der Stelle hier unsere Visa X eventuell genau die richtige Lösung, diese Lücke zu schließen. Ja, wie gesagt und wichtig ist natürlich, das Ganze ist natürlich ein wissensbasiertes System, das auf validierten und verifizierten Daten basiert und das Thema Data Validation, Verification ist nach wie vor noch ein großes Problem bei vielen Kunden, also die Datenanzug überhaupt zu integrieren. Wo kommen die her? Wir können hier bei Lisa natürlich diese Daten über verschiedene API Funktionen auch integrieren, das geht auch automatisiert, aber trotzdem die Verifizierung der Daten, was da tatsächlich drin steht, also in einem Dokument, das muss natürlich am Schluss nach wie vor noch der Kunde entscheiden, dann respektive derjenige, der dann tatsächlich eben dann die Validierung dann da vorgenommen hat. Ja, wichtig ist natürlich aber auch vom Chefsproblem, klar, wie kann ich schnell und sicher eben dann den Zugriff in diese Information und vor allen Dingen auch das Wissen eben dann holen, ohne dass ich jetzt eben dann mein Team jede Woche da 2 Stunden dann in irgendwelchen Kreuz zusammentauben muss oder wenn der eine Kollege oder die eine Kollegin eventuell im Urlaub ist, dann muss ich 4 Wochen warten, bis dann eventuell jemand eine Aussage treffen kann. Das heißt also dieses Wissen, das möchte ich eben dann entsprechend dann digitalisiert eben vorhalten, daraus eben schnell auch drauf zugreifen zu können. Das zweite ist natürlich heute ein großes Problem, kennen Sie sicherlich alle, Silos von Informationen, wo eben dann die Daten in verschiedensten Storage System, verschiedensten Datensilos abgelegt sind, wo Querverweise fehlen, aber im Prinzip wichtig sind, Unternehmensentscheidungen zu treffen oder Entscheidungen zu treffen. Das ist im Prinzip eine Geschichte, wo wir natürlich auch die Isar eben nutzen können, eben aus diesen verschiedenen Datenquellen dann genau die Information rauszuziehen. Last not least, ich hab vorhin schon mal ein paarmal betont, das Thema Compliance Regulatorik. Diese Dinge geben oft vor, dass natürlich zum Teil dann KI Lösungen nicht unbedingt eben dann in der Cloud laufen können. Mit gewisse Länder, da geht es gar nicht. Auch bei uns in Deutschland ist es so, dass gewisse Bereiche eben dann nicht in Public Cloud laufen können und dann wenn schon in private Clouds, dann aber dann auch in nicht Shared Environments. Also es gibt ja verschiedenste Vorgaben zum Thema Data Compliance, Security und Privacy. Insofern ist es eben hier schon so gedacht, dass wir natürlich sagen können, wir können hier mit der LISA auch eine On Premise oder eine hybride Installation eben realisieren, mit der man dann relativ schnell vor allen Dingen sowas umsetzen kann. Last but not least vielleicht dazu noch ein Punkt, es ist eben dann tatsächlich eine Software, die ich dann sehr schnell nutzen kann, ohne dass ich hier einen Data Scientist oder ein riesen Projekt erst mal macht für die Entwicklung von 'nem Frontend oder von 'nem Entwicklung von der Gesamtlösung, war das dann tatsächlich 'n Softwarepaket, mit dem ich das Ganze umgesetzt bekomme. Und Und ich ich frage noch mal kurz kurz vor. Eine Frage passt eigentlich ganz gut zu dem, was Du gerade beschrieben hast. Cloud versus On Premise. Wie viel von diesen Aufgaben hier wird denn auch lokal auf dem PC des Endanwenders erledigt? Gibt's da einen Anteil, der dort gerechnet wird oder ist das alles komplett im Rechenzentrum? Nee, nee, ein guter Punkt. Also wir haben natürlich hier auch schon ein bisschen vorgesorgt, also auch der der spielt hier beide Rolle, ist jetzt nicht unbedingt das Hauptelement in der Kette, aber trotz alledem, wir haben zum Beispiel bei, da komme ich dann später zu, gibt es eine Funktion in unserer LISA-X, die nennt sich UNA und zwar kann ich Massendaten oder Massenfragen zum Beispiel auch dann verarbeiten, ohne dass ich dann jedes Mal einen eigenen Chat reinschreiben muss dann, ich habe eine Frage XYZ und warte dann auf die Antwort, stellen Sie sich vor allem vor, Sie haben 'n RFP oder Sie haben irgendwelche größere Frageliste, hier bei den Banken zum Beispiel von der ESG. Ich hab da 1000 Fragen, wie kriege ich als Excelfile, als Docfile oder was auch immer als PDF geschickt. Dann haben wir im Prinzip die Möglichkeit dann dieses File auf dem PC, auf dem Frontend hier auch mit Hilfe von den NPUs dann schon vorzubereiten, dass daraus eine entsprechende Programmfile wird, also JJV File in dem Fall, das auch verifiziert ist auf dem PC, auf dem Frontend und dann hochgeladen wird und dann eben dann automatisiert entsprechend dann hinterher die Antworten eben auf dem System holt. Das heißt also, früher wo ich dann für solche Prozesse dann eben dann von mir aus irgendwie 3 Tage oder Wochen gehe beliebig, wie komplex die Fragen waren, gebraucht hab, kann ich das eventuell jetzt so in 5 Minuten, ich würd' eigentlich immer, aber vielleicht auf jeden Fall in 'ner relativ kurzen Zeit eben machen und hab dann schon, sage ich mal, 90 Prozent korrekte Antworten, mit denen ich eben dann weitermachen kann. Also der PC spielt da schon auch noch eine gewisse Rolle. Also das heißt, die gesamte Applikationenchain, die wir hier haben von den NOBO, vom Frontend, Business Rechenzentrum, könnte man damit entsprechend auch abbilden, ne. Alles klar, Dankeschön. Gerne. Ein anderer wichtiger Aspekt bei der Geschichte war neben dem Thema Genauigkeit von den Antworten, die wir ja auch erwarten. Das ist ja durch unsere symbolische KI, das Thema Xplainability, also Erklärbarkeit. Wenn ich eine Frage stelle, will ich ja auch wissen, warum kriege ich die Antwort? Was ist die Begründung dazu? Das Thema Security Privacy haben wir eben schon mal kurz gestreift, aber ein anderer, ich glaube das ist auch ein Punkt, den haben müssen wir auch noch mal kurz erwähnen, das Thema Sustainability. Wenn man sich mal heute anschaut, wie viel Energie in das Thema KI reinfließt, das sind ja mehrere Terawatt, wo hier momentan tatsächlich verbraten werden dann für relativ triviale Dinge. Ich muss mal ganz klar sagen und wir haben natürlich vom Design her schon von Anfang an das Ganze so geplant, dass wir zwar natürlich GPUs brauchen in unserem System, aber die natürlich nur so nutzen, wie es auch tatsächlich sinnvoll und richtig ist. Also wir brauchen die GPUs nicht permanent, sondern wir können auch durch das entsprechende Softwaremodell hier GPUs sparen. Sparen heißt auf der anderen Seite aber Strom sparen und damit natürlich eben den Anteil von den Kosten für den Betreiber, für den Nutzer dann entsprechend reduzieren und natürlich ein bisschen was für die Umwelt an der Stelle tun. Ja, unser Visa KIX, unser New Kit on the AI Block ist unser digitaler Assistenz, eben schon gesagt. Er hat hohe sehr genau Antworten. Durch die sympodische KI haben wir auch den Vorteil, dass es nicht halluziniert oder auch nicht hypnotisierbar ist, das System. Also ich kann dann auch im Prinzip dann auch keine falschen Antworten bekommen und ich krieg vielleicht im schlechtesten Falle keine Antwort. Das System sagt, ich hab nichts gefunden. Das ist genauso, wie wenn ich einen Mitarbeiter fragen würde, wie sieht's denn das Thema aus? Kann ich nicht sagen, wir haben da noch keine Daten da und genauso ähnlich verhält sich's hier. Wenn ich andere Systeme frag, dann kriege ich eventuell irgendwie eine Story geschrieben, aber sie hat mit der Wahrheit vielleicht nichts zu tun und das ist auch noch mal ein ganz wichtiger Aspekt an der Geschichte hier, ne. Das heißt, ich kann diese komplizierten langen Listen eben auch laufen lassen, die wir es eben schon hatten und ich kann natürlich auch im Prinzip dann hier ja großes Know how auch aufbauen, je nachdem wie groß eben dann die Infrastruktur ist in relativ kurzer Zeit. Der Vorteil fürs Team ist natürlich hier, ich kann diese Information sehr schnell in time dann auch dann nutzen. Ich kann meine Produktivität, meine Effizienz erhöhen als Team, egal ob das jetzt im Einkauf ist, ob das jetzt eventuell irgendwie in der HR Abteilung beim Kunden ist oder wo auch immer. Also überall dort, wo solche Prozesse eben stattfinden, wo Informationen verarbeitet werden müssen, da kann ich definitiv sagen, da können wir Zeit sparen und können natürlich die Effizienz von solchen Teams entsprechend dann auch verbessern und auch erhöhen. Für die IT hat es den Vorteil eben hier, wir sind eben dann wie schon gesagt energieeffizient hier mit der KI. Wir brauchen dann immer die ganz dicken Hobel. Das kann man dann eben dann genau sein, eben anhand von den Vorgaben und da kommen wir auch mit 'ner relativ kleinen Infrastruktur schon hin und das zweite Wichtige dabei ist auch noch mal, ich hab hier unten noch mal klein im Text reingeschrieben, das ist das Thema LLM und SLM Agnostisch. Das heißt also, wir sind dann auch Agnostisch, was die LLNs betrifft. Wir können da jedes nehmen, auch das was der Kunde eventuell bereitstellt und das Gleiche gilt übrigens auch noch bei der agnostischen Geschichte für die Technologie. Wir haben natürlich jetzt aktuell NVIDIA hier mit in der Maschine drin, auch zum Testen, zum Entwickeln, aber wir könnten auch das Ganze mit Intel oder auch AMD direkt machen, das heißt wir sind da nicht eben an einen bestimmten Hersteller gebunden, sondern das ist wirklich eine Sache, die ist ja individuell dann auch klarbar. Ja und wo kann man sich dann eben dann auch vorstellen, wenn diese ganzen Datenmengen dann eben zu Informationen werden, dann werden die eben dann von der Lisa erst mal verstanden, eingelesen und ich hab dann eben dann mit Lisa die Möglichkeit diese ganzen Quererweise, diese ganzen Informationen auch parallel zu verstehen und dann hinterher eventuell dann auch dann meine Querys und meine Questions eben zu stellen. Wenn ich jetzt mit 'nem Human Prozess mach, habe ich natürlich den Vorteil, dass ich dann eben dann die entsprechenden Mitarbeiter dann für die verschiedenen Dinge dann auch aufsetzen kann. Der Nachteil wieder war natürlich nie, wenn ich jetzt aus solcher Informationsflut hier Antworten finden möchte, muss ich natürlich auch alle entsprechenden Mitarbeiter gleich wieder in einem Call oder wie auch immer zusammenbringen, damit eben dann eine Entscheidungsfindung getroffen werden kann. Und wenn ich so einen digitalen Assistenten hab, der mir schon ein bisschen was von der Arbeit abnimmt, von der Konsolidierung, dann habe ich dabei natürlich einiges gewonnen. Jo, das sind so ein bisschen die Elemente, die wir ja jetzt hier mit drin haben. Wir haben im Prinzip hier unsere On Premises Infrastruktur Lenovo Server und natürlich auch Lenovo Storage. Wer hier im Prinzip Rechenzentrum die Basis. Wir haben ein eigenes GUI dazu entwickelt. Es ist momentan nicht ganz so sexy, aber wie gesagt, da sind wir momentan dran im Development, das entsprechend dann auch aufzuhübschen. Wir haben ein Data Lifecycle Management mit dabei. Das heißt also, wir können dann auch sagen, welche Daten wie lange im System bleiben. Das ist ein ganz wichtiges Element by the way. Aber wenn Sie heute irgendwelche Daten in Chat Sheets aber wenn Sie heute irgendwelche Daten in ChatGPT oder in Co Pilot Inchesten, also einlesen, dann sind die erst mal da drin. Wir können aber sagen, okay, es gibt eventuell Compliance relevante Themen, dann möchte ich, dass diese Daten, die ich hier gerade eingelesen hab, aus dem System nach 30 Tagen definitiv wieder verschwinden und das können wir entsprechend hier auch natürlich dann realisieren. Ganz wichtiges Element hier, ne. GPU, LLM Agnostik, haben wir schon drüber gesprochen. Hybride Cloud Integration, ja, natürlich kommen auch zum Teil dann Daten eventuell aus der Cloud raus, die ich bearbeiten muss oder ich hab eventuell andere Abnehmer in der Cloud, die dann hinterher mit den aus den LISAX generierten Ergebnissen weiterarbeiten müssen. Das heißt also wir haben hier APII Schnittstellen in jede Richtung und insofern können wir uns da auch entsprechend dann integrieren. Das Ganze ist natürlich auch skalierbar. Wir können mit ganz kleinen Maschinen, hier in der SR 650 von mir aus anfangen mit 2 GPUs, wir können das Ganze natürlich aber auch in riesenclustern dann eben betreiben und das Ganze ist natürlich wie immer die Frage, wie viel, wie groß, wie schwer, also wie viele User, wie häufig kommen diese ganzen Dinge eben vor und was brauche ich dazu, das eben dann zu realisieren. Es gibt ja auch entsprechende sizing Dokumente, die wir jetzt gerade entwickeln, mit denen man dann sowas eben dann auch dann berechnen kann. Ja und wie gesagt, also gerade das Thema Security noch mal einen Satz dazu. Dadurch, dass alles eben on premise ist, haben wir nicht nur eine Zugriffskontrolle auf diese Daten, sondern vielleicht auch noch mal da ein kleiner Schwanke aus der Realität, wenn heute eben dann Daten in andere KI Lösungen injested werden und zum Beispiel eben dann der Herr Meier in der Produktion wissen will, was hat denn die Frau Müller in dem HR System da gerade für eine Gehaltsvereinbarung mit seinen Kollegen gemacht und ich frag das KI System und kriegt dann eventuell die Antwort da drauf, weil eben da kein interner Schutz eben dann ist. Das ist natürlich ein Riesenproblem und wir haben das eben bis auf, sage ich mal, 5 Ebenen hier von der Zugriffstherapie entsprechend ermöglicht, sodass ich wirklich sehr, sehr granular auf Userebene, auf Abteilungsebene, auf Wissen, das Wissen, das im Prinzip da im System ist, dann auch sharen oder nicht sharen kann, so natürlich genaueste Kontrolle zu haben. Last not least dazu, wir haben natürlich ein komplettes Logging dann von allen diesen Informationen, sodass ich auch nachweisen kann, wer hat welche Frage wann wo bestellt, wo waren die Datenquellen, wo kamen die Antworten her und was wurde mit den entsprechenden Informationen gemacht. Es wird natürlich auch alles mit gelockt, mit und ist dann auch für Compliance relevante Audits dann sicherlich auch noch mal ein zusätzliches Feature, was in dem System eben noch drin ist. Gut, ich denk mal, wir gehen ein bisschen schneller über diese Folie dadrüber. Die ist ziemlich wordy hier, wie man sieht, aber auf der einen Seite haben wir auch schon mehrfach drüber gesprochen. Wir haben ja Business Challenges und die werden alle eben dann durch die KI von unserer Visa entsprechend eben dann auch dann adressiert. Ich sehe jetzt hier im Prinzip keine zusätzlichen Features, die wir angesprochen haben hier. Außer dem Thema Time to Value, Time to Time to Time to Action. Das heißt also, relativ schnelle Umsetzung dann von sonem Projekt ist damit eben garantiert, dass ich eben nicht eben dann wochen- oder monatelang in die Softwareentwicklung oder sonst was gehen muss, sondern ich kann das relativ schnell umsetzen, sofern eben dann die technischen Voraussetzungen und Netzwerk und Anschlüsse eben dann da sind im Rechenzentrum und der Use Case vor allen Dingen, der Use Case entsprechend im Vorfeld eben dann genau diskutiert wurde und analysiert wurde. Ja, diese Themen hatten wir ebenfalls auch schon mal gehabt. Wir haben eben die schnelle Installation, Integration Sustainability für Optimizeed AI methods, hatten wir eben schon mal angesprochen. Wir gehen eben mit den Ressourcen sehr sehr schonend und das spart natürlich einiges eben dann auch an Kosten dann für den Kunden hinterher in der Produktion. Ja und wie schon das Bild vorhin gesehen, das heißt also unser Human Advisor kann natürlich mit so einem KI Assistenten dann hinterher dann wesentlich effizienter, effektiver, produktiver werden und hat natürlich die Vorteile eben hier, dass wir eben dann tatsächlich den größeren Nutzen aus der KI dann daraus ziehen können. Ich werde immer wieder gefragt, ah ja, ersetzt es eben nicht irgendwelche Arbeitsplätze oder was hat es für Auswirkungen dann auf den Personalbestand? Wenn man es richtig natürlich macht, das ist eigentlich keine Auswirkungen auf den Personalbestand, sondern das ergänzt eigentlich im Prinzip das Personal und die werden eben dann entsprechend profitabler, besser, effizienter und ich kann eben dann wesentlich mehr tun in kürzerer Zeit und kann natürlich eben dann, wenn ich's richtig mache, dann auch meine Use Cases entsprechend positiv umsetzen. Vielleicht dann noch ein ganz kurzer Bericht aus der Praxis von aus dem Medizinbereich. Stellen Sie sich vor, Sie haben jetzt irgendwie Tausende von medizinischen Akten und haben Diagnosen und Therapien da drin. Wenn jetzt ein Arzt sowas zum Beispiel dann eben dann lesen möchte, zu sehen, okay, ich hab einen relativ seltenen Fall von irgendwelchen Krankheiten, wo gab's denn schon mal, was waren damals die Diagnosen, was waren die Therapien und welche begleitenden Informationen gibt's dazu? Dann kann ich es eventuell natürlich über Submechanismen auch machen, sehr sehr mühsam und glauben Sie es mir sehr langfristig und wenn ich dazu noch eventuell irgendwelche digitalen Bilder haben möchte aus anderen Quellen, dann ist das wirklich also ein sehr hoher Zeitaufwand, den den Arzt vielleicht für ganz andere Dinge eben nutzen kann. Wenn man sowas zum Beispiel in so 'ner Lisa eben hat, dann kann er das in einem Satz formulieren und hat dann im besten Fall die Antwort in ein, 2 Minuten mit allen Quellen und allen Historien dazu, die er entsprechend braucht. Das ist so ein typisches Beispiel, wo man sehen kann, wie Effizienz und Produktivität nach oben gehen. Das ist ein bisschen technisches Bild, ich will jetzt nicht zu sehr ins Detail da gehen, aber nur mal so Hintergrund, da kommt eben die Geschichte her, dass wir auf der einen Seite natürlich eben hier Business Process Integration oder Automation haben, das heißt wir könnten theoretisch auch Daten nutzen, die Ihnen auch aus einem Prozess herauskommen und durch Leser verarbeitet werden und am Schluss dann eben dann in einen anderen Prozess münden, dort irgendwelche Dinge auch zu automatisieren. Stichwort Rechnungskontrolle könnte sowas sein und auf der anderen Seite natürlich den klassischen Bereich, wo es Chat geht und das geht dann entweder über einen Gooi oder es geht natürlich auch über einen Avatar. Wir haben das auch mal auf der Tech World bei den Nomo gezeigt, dass wir haben auch da verschiedene Möglichkeiten mit dem Frontend zu kommunizieren. Es muss nicht immer nur ein Gooi sein, sondern es kann auch entsprechend hier so ein Avatar sein. Und durch die Trennung von dem GUI, von der Webinfrastruktur mit dem Backend, haben wir die technische Separation dann natürlich auch auf Duutys, sodass eben dann auch tatsächlich ganze Dinge abgesichert sind und eben keiner eben dann direkt auf die Daten oder direkt auf die Infrastruktur zugreifen kann, wo tatsächlich eben die Datenverarbeitung ist. Das ist natürlich auch noch mal ein Designmerkmal an der Geschichte. Ja und so sieht eben dann mal so eine Beispiel Konfigurations- und Beispielsystem eben aus, wie das aussehen könnte. Wir haben hier jetzt beispielsweise mal 3 Webserver in dem in der Demo Umgebung hier mit dabei und so eine mit ein paar GPUs, das könnte aber auch eine SR 650 sein mit 2 GPUs, das ist so die Mindestgröße und damit kann man dann schon relativ viel machen und damit kann man natürlich dann schon relativ gut das Thema integrieren. Das Investment ist natürlich auch nicht so hoch, dann die Schwellen dann eben dann für die Umsetzung sind relativ gering und der Mehrwert, der sich da daraus ergibt, der ist dann eigentlich dann schon ein bisschen lang gegeben. Ja und wie gesagt, dadurch, dass man das eben dann auch dann virtualisieren kann das Ganze, könnte man sich auch sowas vorstellen, dass man da so eine Enterprise AI Plattform hat für verschiedene Bereiche, verschiedene Tierings, das man dann auch als Multi Tiering dann innerhalb von so einem Unternehmen führen und ich hab damit eben dann keine Inseln von KI dann, die ist heute häufig noch passiert, sondern ich kann hier, sage ich mal, auch mit der Visa könnte ich schon standardisieren, hätte überall die gleichen Vorgänge, die gleichen Möglichkeiten und vor allen Dingen aber die gleiche Infrastruktur, was natürlich auch für die Prozesse im Rechensendungen im Betrieb dann sich positiv wieder auswirkt. Ja, die Use Cases hatten wir vorhin schon mal angesprochen gehabt, Hier ganz klar, das sind so diese Dinge, vor allem das Thema Balg Upload und Analyse von Informationen für Reporting, speziell diesen großen Datawarehäusern ist da natürlich die Geschichte. Und vielleicht auch noch ein Punkt, den haben wir noch gar nicht gesprochen, das Thema Gap Analysis. Da geht's darum, wo stehe ich heute, wo will ich hin, was muss ich tun. Das ist zum Beispiel auch eine Geschichte, wo dann die Visa dann auch entsprechend entwickeln kann, woher kommen die Informationen und was sind, sage ich mal, die nächsten Best Steps dann, von A nach B und von B nach C eben zu kommen. Das Ganze, wie gesagt, basiert aus dieser symbolischen KI, nicht nur auf dem RAC Modell, weil viele würden mir sagen, das gibt's ja alles schon hier mit NVIDIA direkt. Ja klar, gibt's auch natürlich RAG Modelle, aber was die natürlich alle nicht haben, die haben eben diese Symbolik nicht dabei. Und die Symbolik ist eigentlich entscheidend dafür für das Thema Genauigkeit und ohne Halluzination und vor allen Dingen eben auch dann eben das System als systematisches System auch funktioniert und voll integriert ist. Ich sehe schon, wir sind jetzt glaube ich an der top of the our dann, Michael. Ja, das ist so. Ja, ja. Und wie gesagt, ich hab da noch 3, 4 Folien ist da drin. Ich glaube, ich geh da mal ganz schnell drüber. Sie können das aber gerne noch einmal im Nachgang nachlesen, was da die Unterschiede, die Vorteile von der symbolischen KI, Urlaub zum Wachsen noch mal sind. Ich hab's hier noch mal auch ein bisschen beschrieben. Wie gesagt, wichtig ist an der Stelle noch mal, wir haben hier als Lenovo eben dann die Vorteile hier in der Visa zusammengepackt, sowohl auf technischer Ebene, als auch auf Softwareebene und vor allen Dingen eben dann für diese Compliance relevanten Use Cases, wo es drum geht, eben dann on premise eben tatsächlich eben dann höchste Genauigkeit und vor allen Dingen beste Verfügbarkeit und höchste Sicherheit eben zu erzielen. Wie gesagt, steht man dann gerne zur Verfügung. Wunderbar, danke dir, Ulrich. Wenn Du dein Bildschirm ausmachst, dann zeige ich zuletzt wie immer noch kurz die Einblendung zu unserer Webadresse und unserer E-Mail-Adresse. Wenn Sie also die Kontaktdaten vom Ulrich Weiter nicht haben und Sie sagen, Mensch, mit dem Kern muss ich mich mal austauschen, das ist superspannend für mein Kundenprojekt. Schreiben Sie uns gerne, Update at Lenovo dot com. Unsere Webadresse kennen Sie auch für die Aufzeichnung und künftige Webcast Lenovo Update Punkt d e. Und damit besten Dank an dich, Herr Ulrich, besten Dank an Sie, wie immer für Ihre Aufmerksamkeit und Zeit. Bleiben Sie gesund. Schöne Woche noch und bis bald. Tschüs. Ciao.