"Dormamma, da bin ich mir einig": Ein Algorithmus für die für beide Seiten vorteilhafte Zusammenarbeit mit einer Person

Published on September 07, 2018

"Dormamma, da bin ich mir einig": Ein Algorithmus für die für beide Seiten vorteilhafte Zusammenarbeit mit einer Person



    Überlegungen zum Thema künstliche Intelligenz sind seit vielen Jahrhunderten in den Köpfen großer Menschen aufgetaucht. Im Laufe der Zeit und mit der Entwicklung der Technologie verwandelten sich Reflexionen in Erkenntnisse, Theorien in die Praxis und Science-Fiction in die wirkliche Zukunft der Menschheit. Die Hauptessenz der KI besteht darin, einer Person zu helfen. Mit anderen Worten, intelligente Maschinen sollten dem Menschen in vollem Umfang dienen, ohne die grundlegenden Gesetze der Robotik zu verletzen, wie der bekannte Isaac Asimov sagte. Aber eine solche Interaktion, wenn wir am Boden sprechen, hat nur einen Vektor: die Person sagte - die KI durchgeführt. Das heißt, die Arbeit der künstlichen Intelligenz zielt nur auf den Menschen ab. Was aber, wenn die KI für beide Seiten der Interaktion im Einklang mit dem Guten denkt? Wie bringt man einem Auto bei, einen Kompromiss zu finden, mit einer Person zu verhandeln und sogar zu verhandeln? Na ja Diese Fragen beantwortet die heutige Forschung, in der ein Algorithmus erstellt wurde, mit dem die Maschine eine für beide Seiten vorteilhafte Einigung mit einer Person erzielen kann. Schauen wir uns diese Fragen genauer an. Lass uns gehen.

    Die Idee der Studie

    Forscher stellen fest, dass seit Turing über künstliche Intelligenz gesprochen hat, eine Person versucht hat, eine Maschine zu entwickeln, die diese auf irgendeine Weise übertreffen kann. Wir alle sind irgendwie mit zahlreichen Wettbewerben, Wettbewerben und Experimenten vertraut, wenn eine Person mit einer Maschine konkurriert (Schach, Poker und sogar Kampfkunst). Einer anderen Art der Interaktion zwischen Mensch und Maschine wurde bisher jedoch kaum Beachtung geschenkt. Schließlich gibt es im Leben nicht immer nur Sieg oder Niederlage. Manchmal brauchen wir den Konsens, wenn die Bedürfnisse und / oder Wünsche der beiden Parteien erfüllt sind.

    Die Arbeit der KI nur unter dem Gesichtspunkt „ja oder nein“ zu betrachten, ist falsch, weil es immer die Option „wahrscheinlich“ gibt.

    Den Wissenschaftlern ist es gelungen, einen Algorithmus zu entwickeln, mit dem sie die Situation beurteilen, Vor- und Nachteile abwägen, Prioritäten verteilen und einen Kompromiss erzielen können. Um den Algorithmus zu testen, wurden wiederholte stochastische Spiele * verwendet .
    Ein stochastisches Spiel * ist ein sich wiederholendes Spiel mit einem oder mehreren Spielern, dessen Zustand sich ständig in zufälliger Reihenfolge ändert.
    Es ist keine leichte Aufgabe, einen Algorithmus zu erstellen, der unter solchen „schwebenden“ Bedingungen funktioniert. Um effektiv zu arbeiten, muss der Algorithmus einige Funktionen haben. Weitere Details zu ihnen.

    Erstens sollte der Algorithmus nicht domänenspezifisch sein, dh in einer unbegrenzten Anzahl von Szenarien (in diesem Fall Spiele) funktionieren. Dieses Merkmal wird von Wissenschaftlern als "Universalität" bezeichnet.

    Zweitens muss der Algorithmus lernen, erfolgreiche Verbindungen mit beliebigen Personen / Algorithmen aufzubauen, ohne deren Verhalten vorher zu kennen. Das ist "Flexibilität". Um dies zu erreichen, muss der Algorithmus berücksichtigen, dass sein Gegenpartner fast immer an seinem Betriebsverhalten festhält, das heißt, er möchte den Algorithmus ausschließlich zu seinem eigenen Vorteil verwenden. Infolgedessen muss festgelegt werden, wann und wie diejenigen an der Zusammenarbeit beteiligt werden sollen, die höchstwahrscheinlich nicht beabsichtigen, zusammenzuarbeiten.

    Und drittens muss der Algorithmus schnell reagieren, insbesondere beim Spielen mit einer Person. Diese Funktion wird als "Lerngeschwindigkeit" bezeichnet.

    In Worten ist alles sehr schön, klar und einfach. In der Tat ist das Erreichen solcher Eigenschaften mit Schwierigkeiten behaftet. Ganz zu schweigen von der Tatsache, dass die Fähigkeit, sich an einen Gegner anzupassen, durch die Tatsache erschwert werden kann, dass sich der Gegner selbst anpassen kann. Dies ist ein Problem, da die beiden adaptiven Algorithmen trotz aller Anpassungsversuche keinen Kompromiss erzielen können.

    Die Wissenschaftler stellen außerdem fest, dass einige der wichtigsten Instrumente für die Erzielung von Ergebnissen, die für beide Seiten von Vorteil sind, Dinge sind, die sich nur schwer mit der Maschine in Verbindung bringen lassen. Dies sind Intuition, Emotionen, Instinkte und so weiter. Es hat sich gezeigt, dass „Billiggespräche“ in hohem Maße mit einem für beide Seiten vorteilhaften Ergebnis verbunden sind.
    Günstiges Gespräch (billiges Gespräch) * - In der Spieltheorie ist dies eine Interaktion zwischen Spielern, die den Ausgang des Spiels nicht direkt beeinflusst. Mit anderen Worten, "Thema absprechen".
    Die Forscher beschlossen, dies in ihren Algorithmus aufzunehmen, um die Berechnungen komplexer Situationen besser zu bewältigen und ein gemeinsames Verständnis für die Situation einer Person zu entwickeln. Es ist zwar noch nicht ganz klar, wie der Algorithmus solche „Fähigkeiten“ in Verbindung mit seinen Hauptmerkmalen (Flexibilität, Universalität, Lerngeschwindigkeit) umsetzt.

    Die Hauptaufgabe der Studie besteht darin, so viele existierende Algorithmen wie möglich zu untersuchen, einen Algorithmus auf der Grundlage maschinellen Lernens mit einem Mechanismus zum Reagieren auf Signale und zu deren Erzeugung auf einer für den Menschen verständlichen Ebene zu entwickeln und eine Vielzahl von experimentellen Spielen durchzuführen, um die Lernfähigkeit des Algorithmus und seine Fähigkeit zur Anpassung an verschiedene Gegner (Personen) zu demonstrieren oder andere Algorithmen).

    Durchführung und Ergebnisse der Studie

    Algorithmen für strategisches Verhalten in sich wiederholenden Spielen gibt es in vielen Bereichen der Gesellschaft: Wirtschaft, Evolutionsbiologie, KI usw. Derzeit wurden viele solcher Algorithmen entwickelt, von denen jeder seine eigenen Vorteile hat. Naturgemäß entschieden sich die Wissenschaftler, damit ihren eigenen Algorithmus zu entwickeln. Somit wurden 25 Algorithmen ausgewählt.

    Es wurden 6 Leistungsindikatoren basierend auf drei Spielvarianten vergeben: 100, 1000 und 50.000 Runden.

    Leistungsindikatoren:

    • durchschnittliches Round-Robin * ;
    • beste Punktzahl;
    • schlechteste Punktzahl;
    • Dynamik Replikator * ;
    • Turniergruppe 1;
    • Turniergruppe-2.
    Round-Robin * ist eine Art Spielinteraktion, bei der jeder Teilnehmer während einer Runde abwechselnd mit allen anderen Teilnehmern spielt.
    Die Replikatorgleichung * ist eine deterministische monotone nichtlineare Spieldynamik, die in der evolutionären Spieltheorie verwendet wird.
    Der erste Indikator (der Durchschnittswert von Round-Robin) gibt Aufschluss darüber, wie gut der Algorithmus vorteilhafte Beziehungen zu verschiedenen Spielpartnern aufbauen kann.

    Der zweite Indikator (das beste Ergebnis in Punkten) ist die Anzahl der Partneralgorithmen, mit denen der untersuchte Algorithmus im Spiel die höchste Punktzahl erzielt hat. In Prozent ausgedrückt. Dieser Indikator zeigt an, wie oft der Algorithmus die gewünschte Wahl sein wird, wenn die Information über den Algorithmus des Partners im Spiel gegeben ist.

    Der dritte Indikator (das schlechteste Punktresultat) ist die Beurteilung der Fähigkeit des Algorithmus, seine Verluste (Fehlschläge, Fehler) zu verknüpfen.

    Die verbleibenden drei Indikatoren zielen darauf ab, die Stabilität des Algorithmus für verschiedene Bevölkerungsgruppen zu bestimmen.

    Ein Turnier (Gruppe 1) ist beispielsweise eine Reihe von Spielen, bei denen die Algorithmen in 4 Gruppen unterteilt sind. Die Anführer jeder Gruppe erreichen das Finale, in dem der einzige Gewinner ermittelt wird. Bei Turnieren der Gruppe 2 werden jedoch aus jeder Gruppe zwei beste Algorithmen ausgewählt, die in das Halbfinale kommen. Anschließend werden die Gewinner in das Finale eingezogen, in dem der einzig beste Algorithmus ermittelt wird.

    Laut Wissenschaftlern hatte keiner der ausgewählten Algorithmen (25 Stück) zuvor an einer derart umfangreichen Verifizierung teilgenommen (viele Partner und gemessene Indikatoren). Eine solche Überprüfung zeigt, wie gut jeder der Algorithmen in einem normalen Spiel mit 2 Teilnehmern funktioniert und für ein bestimmtes Szenario nicht „programmiert“ ist.


    Tabelle 1: Die Ergebnisse von Experimenten mit 25 verschiedenen Algorithmen für strategisches Verhalten.

    Die Ergebnisse sind nur ein Werkzeug, mit dem Sie die Vor- und Nachteile eines Algorithmus besser verstehen können. Zum Beispiel zeigten die Algorithmen gTFT, WSLS, Mem-1 und Mem-2 im „Dilemma“ des Gefangenen * hervorragende Ergebnisse .
    Gefangenendilemma * - in der Spieltheorie ein Zustand, in dem die Spieler nicht immer zur Zusammenarbeit bereit sind, auch wenn dies zu ihrem Vorteil ist. In diesem Fall hat der Spieler („Gefangener“) seine eigenen Interessen im Vordergrund und er denkt nicht über die Vorteile anderer nach.
    Dieselben Algorithmen zeigten jedoch in allen 2x2-Spielen schlechte Ergebnisse, was auf ihre Ineffizienz bei längeren Interaktionen hinweist. Folglich können sie sich nicht an das Verhalten eines Partners (eines anderen Spielers) anpassen.

    Eine weitere amüsante Beobachtung war die Tatsache, dass die Exp3-, GIGA-WoLF- und WMA-Algorithmen, die die Grundlage für die Algorithmen der Poker-Weltmeisterschaft bilden, ebenfalls ein schlechtes Ergebnis zeigten. Das liegt auf der Hand, denn der "Poker" -Algorithmus sollte nicht mit anderen Spielern zusammenarbeiten, sondern sie übertreffen und besiegen.

    Betrachtet man alle Indikatoren als Ganzes, so sticht ein Algorithmus heraus - S ++, der sich in allen Spieltypen mit allen möglichen überprüften Kombinationen perfekt zeigte. Darüber hinaus ist anzumerken, dass bei den meisten Algorithmen die Entwicklung des Kooperationsverhaltens erst nach Tausenden von Runden stattgefunden hat. Für S ++ dauerte dieser Prozess nur wenige Runden, was ihn zu einer hervorragenden Option macht, da dieser Indikator in einem Spiel wichtig ist, in dem kein Algorithmus, sondern eine lebende Person involviert ist. Je schneller der Algorithmus die Notwendigkeit und den Vorteil einer Zusammenarbeit und eines Kompromisses „erkennt“, desto einfacher und schneller kann er dies erreichen.


    Die Ergebnisse des Experiments "S ++ gegen den Menschen".

    Die Interaktion von S ++ mit anderen Algorithmen zeigte ein gutes Ergebnis. Daher musste geprüft werden, wie sich S ++ bei der Arbeit mit echten Menschen verhält.

    An dem Experiment (4 sich wiederholende Spiele mit 50 oder mehr Runden) nahmen S ++ - und MBRL-1-Algorithmen sowie eine Gruppe von Personen teil. Die Ergebnisse dieser Erfahrung sind in den obigen Diagrammen sichtbar. Wir sehen, dass die Zusammenarbeit von S ++ mit seiner Kopie hervorragend ist, aber mit den Menschen ist dieser Prozess nicht konsistent. Darüber hinaus gelang es S ++, eine langfristige Zusammenarbeit mit einer Person nur in <30% Runden zu erreichen. Nicht das ermutigendste Ergebnis, aber Menschen, die mit Menschen spielen, haben es auch versäumt, eine dauerhafte Zusammenarbeit aufzubauen.

    Obwohl sich S ++ von anderen Algorithmen unterschied, konnte er in dieser Studie nicht eindeutig als Sieger hervorgehen. Keiner der 25 Algorithmen konnte die Fähigkeit zum Aufbau langfristiger kooperativer Beziehungen mit einem menschlichen Spieler nachweisen.

    S #: Menschliche Kooperation und Algorithmus

    Wie bereits erwähnt, spielt ein Aspekt wie „billiges Sprechen“ eine wichtige Rolle bei der Erzielung einer langfristigen Kooperation zwischen den Parteien. Eine solche Technik wurde jedoch bisher in keinem der oben genannten Spiele implementiert. Aus diesem Grund haben die Wissenschaftler beschlossen, eine eigene Version zu erstellen, mit der die Spieler diese Technik in begrenztem Umfang anwenden können - 1 Nachricht zu Beginn jeder Runde.

    Für eine Person sind solche Gespräche selbstverständlich. Für eine Maschine, die sich auf die Lösung eines Problems konzentriert und dies tun wird, sind solche Interaktionsformen logischerweise fremd. Die Idee, ein solches Verhalten einzuführen, führt die Wissenschaftler direkt zum Begriff der „erklärbaren KI“ („explicable AI“), wenn die Handlungen einer Maschine für eine Person leicht verständlich sind. Das Problem ist, dass die meisten Algorithmen, die auf maschinellem Lernen basieren, eine interne Darstellung auf niedriger Ebene aufweisen, die auf einer für den Menschen verständlichen Ebene nur schwer auszudrücken ist.

    Glücklicherweise weist die interne Struktur von S ++ ein sehr hohes Niveau auf, was es ermöglicht, sie als Grundlage für die Einführung der Technik des "billigen Sprechens" zu verwenden. In S ++ wurde ein Kommunikationsframework eingeführt, mit dem „billige Gespräche“ generiert und beantwortet werden können.


    Die neue Form des S ++ Algorithmus hieß S #.

    Das Bild (a) zeigt das Schema des Algorithmus, und (b ) zeigt das Schema der Interaktion mit einem Spielpartner unter Verwendung der "Billiggespräch" -Technik. Außerdem lernen wir auf b die Varianten von Phrasen kennen, die der S # -Algorithmus generieren kann, und welche Antwort er für eine bestimmte Phrase erwartet.

    Auf diese Weise kann S # auf die „Signale“ (Phrasen und Aktionen) des Partnerspielers reagieren, sodass er entscheiden kann, welche Taktik als Nächstes angewendet werden soll. Zusammen mit einem hohen Grad an Selbstlernen des ursprünglichen S ++ - Algorithmus kann der resultierende Algorithmus langfristige gegenseitig vorteilhafte Beziehungen mit dem Spieler, der Person oder einem anderen Algorithmus herstellen.

    Um diese Aussage zu verifizieren, organisierten die Wissenschaftler ein Experiment mit 220 Personen. Insgesamt wurden 472 Wiederholungsspiele durchgeführt. Die Technik des "billigen Gesprächs" war ebenfalls im Experiment enthalten, aber nicht immer. Und die Persönlichkeiten der Spieler waren verborgen, sodass niemand (weder der Algorithmus noch die Leute) wusste, mit wem sie spielten.


    Die Ergebnisse des Experiments unter Beteiligung von 220 Personen.

    Wenn "Billiggespräche" nicht in den Spielprozess einbezogen wurden, führte die Interaktion von Mensch zu Mensch oder von Mensch zu Mensch nicht zu einer langfristigen Zusammenarbeit. Wenn diese Technik in das Spiel aufgenommen wurde, werden sich die Indikatoren der Zusammenarbeit verdoppeln.



    Grafik (a) zeigt, welche Art von Phrasen während des Spiels einer Person und des S # -Algorithmus (Hass, Bedrohung, Kontrolle, Lob oder Planung) verwendet wurden.

    Nach dem Experiment wurden alle Teilnehmer gebeten, das Intelligenzniveau ihrer Partner im Spiel zu bewerten, wie klar ihre Absichten und der Nutzen der Interaktion mit ihnen für sie waren. Die Ergebnisse der Umfrage in der Grafik (b) . Noch amüsanter ist eine grafische Darstellung (en) . Es zeigt den Prozentsatz, wie oft eine Person oder ein Algorithmus ihren Partner im Spiel für eine Person hielt. Wie Sie sehen, hielten die meisten Beteiligten S # für einen Menschen.

    Wissenschaftler weisen auch darauf hin, dass die Ergebnisse von S # im Vergleich zu der Art und Weise, wie Mann-Mann- und S # -S # -Paare interagieren, noch besser werden. Der Grad des Auftretens langfristiger kooperativer Beziehungen zwischen einer Person und S # liegt in etwa auf dem Niveau eines Paares von Mann zu Person. Und für ein Paar S # -S # ist das Ergebnis ohne Verwendung der "Billiggespräch" -Technik signifikant besser als das eines Paares von Person zu Person, das es verwenden könnte.

    Zusammenfassend zeigte der S # -Algorithmus Ergebnisse, die auf der gleichen Ebene wie die Ergebnisse der Interaktion zwischen Menschen eingestellt werden können.

    Doppelte stochastische Spiele

    Normale Spiele machten es möglich zu verstehen, dass der S # -Algorithmus ein vielversprechender Forschungsvektor ist. Diese Spiele sind jedoch begrenzt, sie sind abstrakter. Daher entschieden sich die Wissenschaftler für ein wiederkehrendes stochastisches Spiel, bei dem die Teilnehmer Blöcke mit unterschiedlichen Formen und Farben teilen müssen. Für den S # -Algorithmus wurden die Ausdrücke „Lass uns zusammenarbeiten“ und „Ich bekomme mehr Punkte“ hinzugefügt. Außerdem beschränkte sich S # auf die Verwendung der "Billiggespräch" -Technik - er konnte Phrasen verwenden, aber nicht auf Phrasen eines menschlichen Spielers reagieren.


    Das Schema des Spiels mit mehrfarbigen Blöcken (Quadrat, Kreis und Dreieck).

    Das Wesen des Spiels ist wie folgt. Jeder Spieler hat einen Satz von 9 Blöcken (natürlich unterschiedlich). In jeder Runde entfernt der Spieler 1 Block aus seinem Satz, bis er nur noch 3 hat. Diese drei Blöcke müssen den Anforderungen entsprechen (gleiche Form / Farbe oder unterschiedliche Form und Farbe zur gleichen Zeit). Jeder Block ist eine bestimmte Anzahl von Punkten wert. Wenn der Block nicht geeignet ist, wird diese Zahl negativ. Das obige Diagramm zeigt 5 Optionen für das Ergebnis des Spiels.


    Verwenden und nicht "billig reden".

    Beim Spielen zwischen Menschen hatte die Verwendung von „billigen Gesprächen“ keinen großen Einfluss auf das Ergebnis. Diese Technik erhöhte jedoch das Ergebnis des S # -Algorithmus in einem Spiel mit einem Mann erheblich.

    Unterschiede S # zu anderen Algorithmen

    Der S # -Algorithmus hat alle anderen Fächer übertroffen, aber warum? Welche Merkmale dieses Algorithmus unterscheiden ihn von einer Reihe von Mitbewerbern? Wissenschaftler zählten bis zu drei.

    Erstens ist es die Fähigkeit, geeignete Signale (Sätze und Handlungen) zu erzeugen und darauf zu reagieren, die von einer Person verstanden werden können. Dies macht diesen Algorithmus sehr flexibel und kann sich je nach Situation weiterentwickeln. Und natürlich können Sie langfristige, für beide Seiten vorteilhafte Beziehungen zu anderen Spielern aufbauen.

    Zweitens verwendet S # verschiedene Strategien, mit denen Sie sich an verschiedene Partnerpartner und verschiedene Arten von Spielen anpassen können. Gleichzeitig können Algorithmen, die für eine effiziente Arbeit in nur einem bestimmten Szenario entwickelt wurden, außerhalb ihrer „Komfortzone“ nicht effektiv arbeiten.

    Drittens unterstützt der S # -Algorithmus den Zustand des gegenseitigen Nutzens, während andere Algorithmen, die den gewünschten erhalten haben, zu einer anderen Strategie wechseln.


    Diagramme zur Dauer der gegenseitig vorteilhaften Zusammenarbeit.

    Wie aus dem obigen Diagramm (a) ersichtlich , stellt S # früher als andere Algorithmen eine für beide Seiten vorteilhafte Beziehung zum Spieler her. Es behält auch den Zustand der gegenseitig vorteilhaften Zusammenarbeit bei, eine viel größere Anzahl von Runden als konkurrierende Algorithmen (Grafik (b) ).

    Flexibilität S # ist deutlich sichtbar aus dem Diagramm (c) , wo wir sehen , dass er häufiger als andere gelingt, unabhängig von der Art des Spiels oder Partner.

    Es ist ziemlich ungewöhnlich, dass Wissenschaftler behaupten, ihr S # -Algorithmus habe die Wiedergabetreue gelernt. Tatsache ist, dass der Algorithmus keine Eile hat, die Zusammenarbeit in einem Paar von S # -S # herzustellen, auch wenn dies keinen besonderen Vorteil bietet. Während in Paaren von Person zu Person Zusammenarbeit, brach oft sofort nach Erreichen des notwendigen kurzfristigen Nutzens ab. Dieses Verhalten führte natürlich zu einer Verschlechterung der Ergebnisse am Ende des Spiels für beide Seiten.

    Wer sich mit dem Bericht von Wissenschaftlern vertraut machen möchte, findet ihn hier .

    Zusätzliche Forschungsmaterialien finden Sie hier .

    Nachwort

    Diese Studie unterscheidet sich stark von anderen, da sie nicht darauf abzielt, eine KI zu schaffen, die in der Lage ist, eine Person in etwas zu besiegen, sondern eine KI zu schaffen, die in der Lage und willens ist, einen Konsens zu erzielen. Bedeutet dies, dass intelligente Maschinen dank dieses Algorithmus humaner werden? Ist möglich. Trotz aller menschlichen Hartnäckigkeit und Eitelkeit versuchen wir immer, eine gemeinsame Sprache zu finden, um einen Dialog zu etablieren, dessen Ergebnis beiden Parteien zugute kommt.

    Es bleibt noch viel zu verstehen und zu verbessern, bevor der S # -Algorithmus zu einem vollwertigen "Verhandlungsführer" wird. Aber das Potenzial ist groß, ebenso wie die Begeisterung der Wissenschaftler. Hoffen wir, dass das Ergebnis ihrer harten Arbeit uns nicht lange warten lässt.

    Vielen Dank für Ihren Aufenthalt bei uns. Mögen Sie unsere Artikel? Möchten Sie weitere interessante Materialien sehen? Unterstützen Sie uns, indem Sie eine Bestellung aufgeben oder Freunden empfehlen. 30% Rabatt für Habrs Benutzer auf ein einzigartiges Analogon der Einstiegsserver, die wir für Sie erfunden haben: Die ganze Wahrheit über VPS (KVM) E5-2650 v4 (6 Kerne) 10 GB DDR4 240 GB SSD 1 Gbit / s von 20 Dollar oder wie man den Server teilt? (Optionen sind mit RAID1 und RAID10, bis zu 24 Kernen und bis zu 40 GB DDR4 verfügbar).

    3 Monate kostenlos, wenn Sie ein halbes Jahr lang für das neue Dell R630 zahlen - 2 x Intel Deca-Core Xeon E5-2630 v4 / 128 GB DDR4 / 4 x 1 TB Festplatte oder 2 x 240 GB SSD / 1 Gbit / s 10 TB - ab 99,33 USD pro Monat , nur bis Ende August kann hier sein .

    Dell R730xd 2 mal günstiger?Nur wir haben 2 x Intel Dodeca-Core Xeon E5-2650v4 128 GB DDR4 6 x 480 GB SSD 1 Gbit / s 100 TV ab 249 US-Dollar in den Niederlanden und den USA! Lesen Sie mehr darüber, wie Sie ein Infrastrukturgebäude bauen. Klasse C mit Servern Dell R730xd E5-2650 v4 im Wert von 9000 Euro für einen Cent?