Dialogsysteme und VoiceXMLChristoph Ringlstetter/Dr. habil.

Florian Schiel/Prof. Klaus U. Schulz

Seminar im WS 2005/06

Sitzung II(27.10.2004)Einführung in Dialogsysteme

• Was ist ein Dialogsystem• Beispiele fiktiver und realer Dialogsysteme• Überblick zu den Komponenten eines

Dialogsystems• Im Anschluss:

Seminarplan/Vortragsthemen

Dialogsysteme

• Systeme zur Kommunikation des Menschen mit dem Computer mittels natürlicher (gesprochener) Sprache.

• Komplexität: von der einfachsten Kommando-Eingabe mit gesprochenen Einzelwortbefehlen bis hin zu „natürlichen“ Dialogen mit echt wechselnder Initiative zwischen Benutzer und System.

• Rasante jüngere Entwicklung aufgrund verbesserter Spracherkennung und neuer industrieller Anwendungen.

Animation: Science Fiction

• Startrek IV (1986)Zurück in die Gegenwart

Apple Macintosh SE/30

• Odyssee 2001 (1968):HAL 9000

Hierarchie von Dialogsystemen nach Komplexität der Anwendung

• Gerätebedienung– Auto-Bedienungselemente, Hausgeräte, …

• Informationsbeschaffung– Auskunfts- und Hilfsysteme (Zugverbindungen, Nachrichten aus Web,

Staumeldungen, Börsendaten, Wetter, Notdienste,…)• Beschaffung von Dienstleistungen

– Bestellung, Reservierung, Buchung, Weitervermittlung• Kombinierte Aufgaben

– Information und Bestellung in einem System– Buchung zweier voneinander abhängiger Dinge wie Mietwagen/Motel

• Komplexe Aufgaben (akademische Systeme)– Überprüfung und Reparatur elektronischer Schaltkreise (Circuit-Fix-It

System, Smith Hipp 94) – Planungssysteme (Küchenplanung, Allen et al. 2001)

Beispiele von Dialogsystemen

• Philips: Automatische Zugauskunft (0241-604 020)• Zugauskunft der Bahn (08001-507 090)• Sympalog Kinoprogramm (09131-610 016)• Sprachgesteuerte Bedienungselemente im Auto• Online-Banking (NLU, Sparda-Bank Hamburg), • Telefonauskunft und –Weitervermittlung

• Eliza (Weizenbaum 1966): Computer als Psychotherapeut („Männer sind alle gleich“)• Sundial (Speech UNderstanding in DIALogue, 91-93):

– Flug/Zugreservierung und Anfrage– Kooperative Dialoge mit mehreren Nutzern über Telefon

• Fahrstuhlsteuerung (Pinkal, Informatik Univ. SB)• Circuit-Fix-It Shop (Smith Hipp 94): Kollaborativ Schaltkreisreparatur• TRAINS (Allen 95): Kollaborative Routenplanung für Transportprobleme

Kommerziell

Akademisch

Dialogsysteme - Marktdaten

• Viele große Firmen mit Aktivitäten im Bereich Dialogsysteme– IBM, Microsoft, Lucent, Apple,…

• Entwicklungsabteilungen z.B. bei div. Automobilherstellern– Mercedes, BMW, Ford,…

• Spezialisierte Firmen im Bereich Dialogsysteme und VoiceXML– Nuance, Crealog,…, VoiceGenie, Voxpilot.– Marktkapitalisierung Nuance Comunications AG: ca. 570 Mio US $.

• Marktvolumen (nach Mc. Tear) – 505 Millionen US $ im Jahr 2001.– soll sich auf 2 Mrd. US $ im Jahr 2006 steigern (Infrastruktur, Hard- und

Software). – Umsatz im Gesamtbereich (Zahlungen für Klingeltöne, Auskünfte etc.) soll 2006

bei 27 Mrd. US $ liegen.• Beispiel zum Einspar-Potential

– Kosten pro Call-Center Anruf (nach Nuance) • 1.28 US $ für menschlichen Agenten • 0.10 US $ bei Verwendung eines Dialogsystems.

„Sie versteht mich“Automatische Zugauskunft der Bahn

(08001-507 090)

„Sie versteht mich nicht“Automatische Zugauskunft der Bahn

(08001-507 090)

„Sie traut mir einiges zu“Sprachsteuerung der Bedienungselemente

bei BMW

Komponenten eines Sprachdialogsystems

Nach Michael F. Mc. Tear, „Spoken Dialogue Technology: Enabling the ConversationalUser Interface“, ACM Computing Surveys 34(1), 2002.

• SpracherkennungKonvertieren des akustischen Signals in symbolisch repräsentierte Wortfolge

• SprachverstehenComputerlinguistische Analyse der WortfolgeBerechnung einer semantischen Repräsentation, die vom Dialogmanager genutzt

werden kann

• DialogsteuerungKontrolle der Interaktion zwischen Benutzer und SystemVerifikation, Klärung und KorrekturKommunikation mit externen Quellen (Datenbank)Koordination der Komponenten des Systems (z.B. temporäres (De)aktivieren einer

Grammatik für Spracherkennung)

• AntwortgenerierungBerechnung und symbolische Erzeugung einer Antwort (Prompt) für den Benutzer

• SprachsyntheseUmwandlung der symbolischen Antwort in ein akustisches SignalAusgabe an Benutzer

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Drei Arten der Dialogsteuerung

• Finite-State-basierte Dialogsysteme– Dialogfluss folgt einem vorgegebenen Diagramm. An

Verzweigungspunkten legt der Benutzer durch seine Antwort den zu wählenden Weg fest.

• Frame-basierte Dialogsysteme– Dialog dient dem Ausfüllen einer vorgegebenen

Menge von Formularfeldern. Dialogfluss in erster Linie durch bereits ausgefüllte und noch auszufüllende Felder beeinflusst.

• Agenten-basierte Dialogsysteme– Akademisch; mit KI-Methoden wird versucht,

menschliche Dialogführung zu imitieren (mentale Benutzermodelle, Sprechakttheorie, …)

Finite-State basierte Dialogsysteme

>Wohin wollen Sie fliegen?

Hamburg Frankfurt Berlin London

?Ziel:Hamburg

>Sagten Sie „ Hamburg“ ?

… … …

JaNein

Alles offen

!Ziel:Hamburg

>An welchem Tag möchten Sie fliegen?

System: Wohin wollen Sie fliegen?

Benutzer: Hamburg.

System: Sagten Sie „ Frankfurt“ ?

Benutzer: Nein.

System: Wohin wollen Sie fliegen?

Benutzer: Hamburg.

System: Sagten Sie „ Hamburg“ ?

Benutzer: Ja.

System: An welchem Tag möchtenSie fliegen?

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Ankunftszeit

Abflugzeit

Abflugtag

Zielflughafen

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

Ankunftszeit

Abflugzeit

Abflugtag

Zielflughafen

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

Ankunftszeit

Abflugzeit

24.11.04?

Abflugtag

Hamburg?

Zielflughafen

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Ankunftszeit

Abflugzeit

24.11.04?

Abflugtag

Hamburg?

Zielflughafen

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Benutzer: Von München.

Ankunftszeit

Abflugzeit

24.11.04Abflugtag

HamburgZielflughafen

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Benutzer: Von München.

Ankunftszeit

Abflugzeit

24.11.04Abflugtag

HamburgZielflughafen

München?

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Benutzer: Von München.

System: Sie möchten morgen von München nach Hamburg fliegen. Geben Sie nun bitte nochdie gewünschte Abflugs- oder Ankunftszeitan.

Ankunftszeit

Abflugzeit

24.11.04Abflugtag

HamburgZielflughafen

München?

Startflughafen

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Benutzer: Von München.

System: Sie möchten morgen von München nach Hamburg fliegen. Geben Sie nun bitte nochdie gewünschte Abflugs- oder Ankunftszeitan.

Ankunftszeit

Abflugzeit

24.11.04Abflugtag

HamburgZielflughafen

MünchenStartflughafen

Benutzer: Ich möchte gerne gegen 18 Uhr ankommen.

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Benutzer: Von München.

System: Sie möchten morgen von München nach Hamburg fliegen. Geben Sie nun bitte nochdie gewünschte Abflugs- oder Ankunftszeitan.

Ca. 18.00?

Ankunftszeit

Abflugzeit

24.11.04Abflugtag

HamburgZielflughafen

MünchenStartflughafen

Benutzer: Ich möchte gerne gegen 18 Uhr ankommen.

Frame-basierte Dialogsysteme

System: Flugauskunft – Was kann ich für Sie tun?

Benutzer: Ich möchte morgen nach Hamburg fliegen.

System: Von wo möchten Sie morgen, am 24. November, nach Hamburg fliegen?

Benutzer: Von München.

System: Sie möchten morgen von München nach Hamburg fliegen. Geben Sie nun bitte nochdie gewünschte Abflugs- oder Ankunftszeitan.

Ca. 18.00?

Ankunftszeit

Abflugzeit

24.11.04Abflugtag

HamburgZielflughafen

MünchenStartflughafen

Benutzer: Ich möchte gerne gegen 18 Uhr ankommen.

System: Sie möchten morgen von München nach Hamburg fliegen und gegen 18 Uhr in Hamburg ankommen. Bitte bestätigen Sie mit „ Ja“ oder sagen Sie „ Korrektur“ .

Agentenbasierte Dialogsysteme

• Dialog als Kollaboration zwischen intelligenten Agenten, um ein Problem oder eine Aufgabe zu lösen– System entwickelt „Bild“ von sich selbst und von Nutzer(n), – sorgt für gemeinsame Verständigungsbasis– bildet Erwartungen, um nächste Benutzeräußerungen zu interpretieren– kann Wirkungen von Aktionen einschätzen

• Verwendung von Techniken aus der KI– Unterbrechbare Theorembeweiser– Techniken der automatischen Planerstellung– verteilte Architekturen– konversationelle Agenten

• Charakteristika– Uneingeschränkte Sprache (beabsichtigt)– Dialog-Initiative beliebig verteilt– Viele spezielle Komponenten– „freies“ dynamisches Verhalten

Interne Wissensquellen für Dialogmanagement

• Dialoggeschichte– [Wann fährt der erste Zug nach Frankfurt?] „Und der nächste?“

• Weltwissen – „Allerheiligen“ ist 1. November, „vormittag“ ist 7-12– Heutiges Datum („morgen“ ist …)

• Anwendungsspezifisches Wissen– Soll Reiserücktrittsversicherung angeboten werden?

• Benutzerbild– Neuling-Experte, Kind-Erwachsener, Mann-Frau

• Dialog-Kompetenz– Gibt es am Sonntag morgen einen Zug? *Ja.

Drei Arten der Dialog-Steuerung

Modellierung von Intentionen, Zielen, Wissenszuständen des Systems. Dialogkontext und -geschichte

Explizite Repräsentation von Informationszuständen.Dialogkontrolle durch Kontroll-Algorithmus gesteuert

Informationszustände implizit in Dialogzuständen repräsentiert. Kontrolle explizit durch Zustands-diagramm repräsentiert

Dialog-modell

Modellierung von Intentionen, Zielen, Wissenszuständen des Benutzers

Einfach (Erfahrung, Präferenzen des Benutzers)

Einfach (Erfahrung, Präferenzen des Benutzers)

Benutzer-modell

Agenten-basiertFrame-basiertFinite-State-basiert

Uneingeschränkte natürliche Sprache

Natürliche Sprache mit „Konzept-Spotting“

Einzelne Wörter oder Phrasen

Eingabe

„Grounding“: Herstellen einer gemeinsamen Gesprächsbasis

Explizite und implizite Bestätigung

Explizite Bestätigung (jede Eingabe/../am Ende)

Verifikation

BeliebigSystem, in Teilen Benutzer „mixed initiative“

SystemDialog-Initiative

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Automatische Spracherkennung

• Digitalisierung Sampling: Signal (Beschreibungsdimensionen: Zeit, Frequenz, Lautstärke)

wird an diskretem Punkte-Raster erfasst, Werte digitalisiert.• Feature-Extraktion

Sprachsignal in kurze Zeitabschnitte eingeteilt (Frames). In jedem Frame wird für ca. 20 relevante Frequenzen Lautstärke (Amplitude) ermittelt. Werte werden für jeden Frame als Feature-Vektor dargestellt. Aus Signal wird Folge von Feature-Vektoren.

• KlassifikationIdentifikation charakteristischer Sprachanteile (Wörter, Silben, Halbsilben,

oder Phoneme) durch stochastische Analyse der Feature-Vektor-Folge (Hidden Markov Modelle).

Kleine Einheiten: geringer Speicherbedarf, kurzes Training, größeres Verwechslungsrisiko. Wortbasierte Erkennung nur für kleines Vokabular.

Parameter für Komplexität der Spracherkennung

• Benutzermodell: – Benutzerunabhängig– Benutzerabhängig

• Vokabulargrößen (1960: ca. 10 Wörter): – 5.000 – 10.000 für sprecherunabhängige Erkennung– 100.000 – 200.000 für sprecherabhängige Erkennung

• Sprachmodus:– Kontinuierlich (aktuell bereits Standard)– Diskret, einzelne Wörter (lärmreiche Umgebungen)

• Sprechsituation: – Lesen/Diktieren von Äußerungen– Spontanes Sprechen: Zögern, Fehlstarts, Husten...

Probleme der Spracherkennung

• Linguistische Faktoren:– Akustische Realisierung eines Phonems (Silbe, Wort) beeinflusst durch

vorausgehendes Phonem (Silbe, Wort).– Segmentierungsprobleme bei kontinuierlichem Input:

• it‘s hard to recognize speech• it‘s hard to wreck a nice beach

– Betonung: Aussprache eines Phonems differiert für unterschiedliche Betonung deutlich

• Außerlinguistische Faktoren:– Unterschiede zwischen verschiedenen Sprechern– Fremdsprachler, Dialekt– Variabilität desselben Sprechers: Gemütszustand des Sprechers– Kanal-Variabilität (z.B. Qualität der Telefonverbindung)– Hintergrundlärm– Barge-in, System-Echo

• Betroffen sind Klangfarbe, Lautstärke und zeitliche Erstreckung!

Kombination des akkustischen Modells mit einem Sprachmodell zur

Verbesserung der Erkennungsrate• Preis: z. T. Aufheben der sequentiellen Struktur (nicht trivial da Pipelines

ein einfaches modulares Systemhandling ermöglichen) • Möglichkeiten:

– N-Gramm-Sprachmodell– „Grammatik“ die erlaubte Wortsequenzen der Applikation in einem bestimmten

Dialogzustand spezifiziert – Noch besser: Einschränkung der Menge der möglichen HMMs schon bei der

Spracherkennung durch die Grammatik• Anwendungen:

– N-Gramme: vom akustischen Modell bekommen wir eine probabilistisch gerankte Kandidatenlisten (M-Best-Liste). Diese Listen werden für N aufeinanderfolgende Token (oft nur Bigramme) im Rahmen eines N-Gramm-Modells auf ihre Auftretenswahrscheinlichkeit untersucht. Technik v. a. in Umgebungen mit großem Vokabular die nicht geplant werden können verwendet etwa in Diktiersystemen.

– Grammatik: Die Token der M-Best-Liste für ein geäußertes Segment werden mit den „grammatischen“ Wortformen für diese Dialogstelle verglichen.

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Sprachverstehen

• Eingabe (Ausgabe der Spracherkennung)– Gewichteter Worthypothesen-Graph– (Akustisch) wahrscheinlichste Wortkette

• Ausgabe– Erforderliche Repräsentation des Äußerungsinhalts für

Dialogmanagement• Auswahl eines Übergangs (finite-state Dialogmanager), oder• Zuweisung von Werten für Formularfelder (frame-basiert), bzw.• Semantisch-pragmatische Repräsentation (agenten-basiert)

• Forschungsziel: Kopplung zwischen Spracherkennung und Sprachverstehen (+Management)– Steuerung der Wortalternativen– Umsetzung von Erwartungen aus Dialogverlauf

Probleme des Sprachverstehens

• Ambiguität natürlicher Sprache• Schwierigkeiten satzübergreifender Analysen (Anaphern etc.)

„Und der nächste?“• Abdeckungsprobleme formaler Grammatiken bei freiem Input

• Falsch erkannte Wörter der Spracherkennung• Vielzahl spezieller Phänomene bei echter gesprochener Sprache

• Pausen, Zögern, Stottern, Neuanfang, Korrektur• Ungrammatikalische Eingaben„Ich möchte am Mo Dienstag äh nein halt - Mittwoch fahren“

• Robustheit und Effizienz als Hauptziele

Allgemein

Dialogsysteme

Parsing im Rahmen von Dialogsystemen

• Traditionell nach alter Schule (bis Anfang 90er)– Syntaktische Analyse (Konstituentenstruktur)– Semantische Analyse (Prädikatenlogische Repräsentation)

• Keyword-Spotting„Ich möchte am Freitag nach Hamburg fliegen“

• „Shallow Parsing“, Inselparsing, Chunk-Parsing– Vorteil: Ausgabe partieller Resultate möglich.

• Grammatiken mit „semantischen“ Kategorien für Konstituenten

• Vollständiges satzübergreifendes Parsing bleibt als utopisches Leitziel bei KI Ansätzen

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Antwort-Erzeugung

• Standardszenario: gewünschte Information aus Hintergrunddatenbank erhalten. – Welche Informationen sollten ausgegeben werden?– Wie soll Information strukturiert werden?– Explizite Wahl der Wörter und der syntaktischen

Struktur. Hierbei ist Form der Frage - ggfs. auch Benutzerbild - zu berücksichtigen.

• Einfachste Form: relevante Daten werden in vorgefertigte Satzschemata mit Slots eingesetzt.

• Forschungsziel: computerlinguistische Erzeugung der Ausgabesätze.

Probleme der computerlinguistischen Antwort-Erzeugung

• Satzübergreifende Antworten– Sprache sollte unmissverständlich, aber nicht

umständlich sein. Gute Kompromisse?„Der erste Zug geht um 18.15 Uhr. Sie können aber auch eine

halbe Stunde später fahren.“

• Einbeziehen von Benutzermerkmalen– Nutzer vertraut mit System/Neuling?– Alter: Kind (prozess-orientiert) versus Erwachsener

(informations-orientiert)

• Spezielle Strategien in Abhängigkeit von der Größe der Antwortmengen

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Dialogsysteme als Pipeline

Dialogmanager

Sprachverstehen

Spracherkennung

Externe Information

Spracherzeugung

Sprachsynthese

Physische SchnittstelleAusgabe Eingabe

Sprachsynthese

• Einfachster Fall– Vorweg aufgenommene Sprachstücke können verwendet

werden. Slots werden ggfs. aufgefüllt.„Sie haben einen Anruf von <Michaela Schuster>. Möchten Sie den Anruf entgegennehmen?“

– Sprech-Model als Beruf.

• Vermittlung komplexer Informationen– „Text-to-speech“ (TTS) Synthese mit

• Textanalyse: – Linguistische Analyse der Antwort, Aussprache der Einzelwörter mit

Erfassung von Wortübergangseffekten („good“ versus „good bye“)– Weiterer Ausbau zu prosodischer Beschreibung (Rhythmus,

Hebungen, Betonungen etc.).

• Spracherzeugung, dabei Umsetzung der Merkmale.

Probleme der Sprachsynthese

• Probleme der Analyse– Textsegmentierung und Normalisierung

Wo stellt „.“ Satzgrenze, wo Teil einer Abkürzung, eines Datums, eines Akronyms dar?

Datumsangaben: 1.5.1973 erster Mai neunzehnhundertdreiundsiebzig

Geldbeträge: 5,80 Eur. 5 Euro 88 Cent„St.“ - Street oder Saint?

– Tagging (Ermittlung des Worttyps)Ambiguitäten (live: Verb, Adjektiv; record: Nomen, Verb)

• Probleme der Sprach-Erzeugung– Berechnung und Umsetzung einer natürlich

klingenden Prosodie

Spracherzeugung: Untersuchungsrichtungen

• Artikulationsbasiert– Physikalische Eigenschaften des menschlichen

Vokaltrakts werden modelliert

• Formanten-basiert– Nur Charakteristika des akustischen Signals selbst

werden berücksichtigt

• KonkateniertSpracherzeugung durch passendes Zusammensetzen

aufgenommener kleiner Sprachstücke

Animation: Science Fiction

• Odyssee 2001 (1968):HAL 9000

• vgl.: Allen et al. (2001):Practical Dialogue Hypothesis: "Die konversationelle Kompetenz die für praktische Dialoge erforderlich ist, ist trotz ihrer Komplexität deutlich einfacher zu erreichen als generelle menschliche Konversationskompetenz."

Der Technik neuester StandNLU-System „Michaela Mey“

(Sparda-Bank Hamburg, Crealog München)

Aufgabe 1

• Anruf bei der Fahrplanauskunft der deutschen Bahn Tel. 08001/507090

• Versuch von München nach Regensburg zu fahren. Dabei soll informell aufgeschrieben werden: Was sagt das System, was sagt der Benutzer, welche Dialogmöglichkeiten bestehen.

Vielen Dank für Ihre Aufmerksamkeit!