Continuous Intelligence entdecken: Juji CEO Michelle Zhou über Demokratisierung von KI

In diesem RTInsights Real-Time Talk Podcast spricht RTInsights-Redakteur Joe McKendrick mit Michelle Zhou, Mitgründerin und CEO von Juji.

In diesem RTInsights Real-Time Talk Podcast spricht RTInsights-Redakteur Joe McKendrick mit Michelle Zhou, Mitgründerin und CEO von Juji, über die Erweiterung der Nutzung künstlicher Intelligenz (KI), indem sie durch KI selbst zugänglicher gemacht wird. Das Gespräch behandelt, wie sie auf ihrer Arbeit mit IBM Watson aufbaute, um sich auf No-Code, wiederverwendbare kognitive KI-Plattformen zu fokussieren, um KI-Assistenten/Chatbots zu demokratisieren und die wachsende KI-Kluft zu überbrücken.

• Apple
• Google
• Spotify
• Andere Plattformen

Joe McKendrick: Hallo, ich bin Joe McKendrick, und willkommen zu RTInsights’ Continuous Intelligence Podcasts, der nächsten in unserer Reihe. Ich freue mich sehr, heute Michelle Zhou, Präsidentin und Mitgründerin von Juji, dabei zu haben – eine führende Stimme, Denkerin und Macherin im KI-Bereich. Wir freuen uns darauf, etwas darüber zu erfahren, was passiert und wie wir vorankommen können.

Cookies aktivieren, damit Sie das Formular bei zukünftigen Artikeln nicht neu ausfüllen müssen.

Joe McKendrick: Und zum Einstieg, Michelle, erzählen Sie uns etwas über Ihren Werdegang. Ich weiß, Sie waren bei IBM Watson und haben dort viel gearbeitet. Sie sind also seit einigen Jahren in der KI-Branche, seit die Dinge richtig ins Rollen kamen. Erzählen Sie uns etwas über Ihren Weg. Wie sind Sie dahin gekommen, wo Sie heute sind?

Michelle Zhou: Gerne. Danke, Joe, dass ich hier sein darf. Ich bin Michelle Zhou und habe meine KI-Reise eigentlich schon als Graduiertenstudentin an der Columbia University begonnen. Ich habe dort promoviert. Eines der Dinge, die mich immer fasziniert haben: Wie kann man eine Maschine nutzen, um Menschen bei Dingen zu helfen, die sie nicht gerne tun oder nicht gut können? Meine Doktorarbeit handelte davon, einen KI-Assistenten zu erstellen, der Menschen hilft, Informationsgrafiken zu erstellen – weil nicht jeder Designer ist. Nicht jeder kann schöne Informationsgrafiken designen, aber jeder möchte Daten mögen, Daten interpretieren. Also habe ich während meiner Promotion KI entwickelt, die im Grunde Daten ansieht, analysiert und automatisch visuelle Erklärungen der Daten erstellt. Das wurde tatsächlich für Ärzte und Krankenschwestern genutzt, um Patientendaten zu verstehen, und auch für Netzwerkanalysten, um Netzwerkdaten und Netzwerkperformance zu verstehen.

Von dort aus, nach dem Abschluss, trat ich dem IBM Watson Research Center bei. Ich startete … weil vorher das System nicht interaktiv war. Das heißt, wenn man einen Datensatz hat, Nutzeraufgaben und visuelle Präferenzen, generiert man automatisch. Aber was, wenn Nutzer, nachdem sie die visuelle Illustration gesehen haben, weitere Fragen haben? Was, wenn sie andere Teile der Daten sehen wollen? Also startete ich ein Projekt. Im Grunde hieß es Conversational AI for Data Analytics. Das war vor fast 15, 20 Jahren – also lange her. Dann war die konversationelle Schnittstelle dazu da, natürliche Sprache zu nutzen, um nach Daten zu fragen.

Zum Beispiel könnten Leute fragen: „Oh, könntest du mir das Produkt zeigen?“ Sagen wir, wir kaufen Versicherungsprodukte. „Könntest du mir Hausratversicherungen für Häuser unter einer Million Dollar zeigen“, oder so. Was, wenn ich es mit Kfz-Versicherung kaufe? Man sieht, das ist kontextabhängig, um Leuten zu ermöglichen, nach Daten zu fragen und sich rein in natürlicher Sprache durch die Daten zu bewegen. Und das System nimmt die Nutzeranfragen, parst sie, versteht, wonach der Nutzer fragt, kommt automatisch mit den Daten und der richtigen Form, um den Leuten zu erklären: „Hier sind die Daten, nach denen du gefragt hast.“ Das war das eine.

Dann war da etwas sehr Interessantes in diesem Projekt: Wir kümmerten uns nur um Nutzerpräferenzen bei Daten und Präferenzen bei der Präsentation, aber nicht um individuelle Unterschiede. Wenn ich individuelle Unterschiede sage, meine ich zum Beispiel: Wie ist deine Persönlichkeit? Wie ist dein kognitiver Stil – ob du eine mehr story-artige Datengeschichte magst oder eine mehr faktenbasierte, zahlenlastige Datengeschichte? Das haben wir nicht berücksichtigt.

Also startete ich ein weiteres Projekt bei IBM namens IBM … dann wurde es IBM Watson Personality Insights. Das heißt, wir wollen Verhaltensdaten der Nutzer wie Kommunikationsdaten nutzen, um individuelle Unterschiede besser zu verstehen. Zum Beispiel: Bist du extrovertiert? Introvertiert? Bist du sehr kollaborativ oder eher ein Einzelkämpfer? Dann startete ich Juji als Startup mit meinem Co-Founder, der zufällig Informatiker und Psychologe ist und IBM Watson Personalities mit mir mitentwickelt hat.

Wir wollten wirklich eine neue Generation von KI-Assistenten schaffen. Wir nennen sie kognitive Assistenten. Im Grunde sollten sie mit Menschen interagieren und Organisationen helfen, ihre Belegschaft zu erweitern, verschiedene Aufgabentypen zu automatisieren – besonders zeitaufwändige, arbeitsintensive Aufgaben, die Menschen wirklich nicht gerne tun. Zum Beispiel Gespräche mit Fremden führen, was nicht jeder will, oder Leute anstupsen, Dinge zu tun, die sie nicht mögen. Zum Beispiel Hausaufgaben beenden, Sport treiben, oder täglich den Gesundheitsstatus checken. Das sollten wir dem KI-Assistenten überlassen. Das sind wir heute.

Joe McKendrick: Das ist wirklich faszinierend. Als Verbraucher nutze ich Google Assistant hier im Büro und Alexa zu Hause. Aber das klingt so, als wäre das, woran Sie arbeiten, fortgeschrittener als die relativ einfachen Fragen oder Liedwünsche, die ein Verbraucher jetzt an einen persönlichen Assistenten richten würde.

Michelle Zhou: Richtig. Ich freue mich, dass Sie diesen Kontrast erwähnen. Normalerweise nutzen Leute Systeme wie Alexa oder Google Home – das sind mehr user-driven Interactions. Der Nutzer sagt: „Kannst du mir sagen, wie die Temperatur draußen ist?“ Oder: „Kannst du mir helfen, das Lied zu finden, das ich mag?“ Das System ist sehr passiv. In unserem Fall wollen wir wirklich interaktive KI-Assistenten unterstützen. Es ist nicht nur user-driven, es kann tatsächlich sowohl von der Maschine als auch vom Nutzer getrieben werden. Ein ganz einfaches Beispiel.

Sagen wir, Sie besuchen eine Universitätswebsite, suchen ein Online-Programm zur Bewerbung. Der Assistent kann Ihnen tatsächlich eine Tour durch das Online-Programm geben, weil wir gerade über Zoom sprachen – nicht jeder kennt Zoom gut. Sagen wir, Ihr Assistent könnte Ihnen eine Tour geben, aber auf dem Weg können Sie beliebige Fragen stellen. Zum Beispiel: Wenn der Zoom-Assistent sagt: „Hey, du kannst einfach diesen hier starten, Stimme testen, Bild anschauen.“ Und Sie fragen: „Oh, ich mag meinen Hintergrund nicht zeigen. Was soll ich tun?“ Dann sagt Zoom: „Oh, jetzt kannst du deinen Hintergrund ändern oder vielleicht den Hintergrund stummschalten, dann Tour fortsetzen.“ Das ist fast wie ein echtes Gespräch.

Das hat Juji wirklich entwickelt. Deshalb nennen wir es Cognitive AI Assistance. Das ist kognitive Intelligenz. Im Gegensatz zu regulärer KI bedeutet kognitive Intelligenz, dass es nicht nur Sprachfähigkeiten hat, wie Sie sie von Alexa oder Google Home erlebt haben, sondern auch das, was wir fortschrittliche menschliche Fähigkeiten nennen – besonders Soft Skills. Ein Beispiel für Soft Skills ist Active Listening. Das heißt, der KI-Assistent versteht nicht nur, was Nutzer sagen, sondern verifiziert tatsächlich Emotionen, paraphrasiert, was sie sagen, fasst zusammen, was Nutzer sagen, ist sehr aufmerksam und sehr besorgt um das, worum es dem Nutzer geht. Und führt dann vertrauenswürdige, empathische Gespräche. In diesem Fall denken Sie daran, wie Sie wirklich mit einer Person sprechen. Und Sie können fast so eine persönliche Beziehung haben.

Joe McKendrick: Wir hören zum Beispiel bei Callcentern oder Contact Centers, dass man anruft und einen virtuellen Assistenten bekommt. Und man hört heutzutage, dass sie spüren können, ob ein Kunde wütend ist, frustriert. Sie leiten ihn entweder an einen Live-Operator weiter oder versuchen, die Frustration anzugehen. Und es klingt so, als bauten Sie auf dieser Art von Anwendung auf. Richtig?

Michelle Zhou: Richtig. Wir sind tatsächlich schon darüber hinausgegangen. Das Erste, Active Listening, heißt: Nutzer-Sentiment, Nutzer-Emotionen spüren und tatsächlich umformulieren, paraphrasieren. Das nächste Beispiel, froh dass Sie darauf kommen: „Reading between the lines“. Das heißt, Sie können darüber nachdenken, wie Sie mit einem Psychologen sprechen – Psychologen versuchen immer zu verstehen, was jenseits dessen liegt, was Sie gerade gesagt haben. Ihre unausgesprochenen Bedürfnisse und Wünsche, Ihre emotionale Signatur. Es geht nicht nur um den Moment eines Sentiments, der gezeigten Emotion. Wie sieht die Signatur aus? Deshalb nennen wir es Reading Between the Lines.

Zum Beispiel analysiert unser KI-Assistent dynamisch den Konversationstext des Nutzers und versucht zu erkennen, was wir individuelle Unterschiede nennen. Individuelle Unterschiede umfassen: Was sind Ihre Leidenschaften oder Interessen? Worin sind Sie gut? Manche sind sehr gut im logischen Denken, manche im Storytelling. Und wie sie Lebensherausforderungen meistern – manche sind unter Druck sehr ruhig, andere etwas daneben. Weil man die zugrundeliegenden einzigartigen individuellen Unterschiede, die Charakteristika jedes Nutzers versteht, kann man jedem Nutzer besser helfen.

Nur um ein Beispiel zu geben, worüber wir früher sprachen: Ein Studieninteressent, der nach einem Online-Programm sucht, aber vielleicht besorgt über die finanzielle Belastung ist – denn jedes Online-Programm erfordert Studiengebühren. In einem anderen Fall, wenn der Assistent solche unausgesprochenen Bedürfnisse erkennt, kann er wirklich leiten, sagen: „Hey, wisst ihr was? Besonders für jemanden, der sehr besorgt ist und auch sehr unabhängig sein will: Wir haben viele Finanzhilfeprogramme, Stipendien, wir können euch auf eurem Weg zum Abschluss oder zur Karriereförderung helfen.“ Man sieht, wirklich personalisiert – selbst wenn Menschen das gleiche Bedürfnis haben, das Programm zu finden, haben sie darunter ihre eigenen psychologischen Bedürfnisse, Wünsche.

Könnte man sagen: „Jetzt präsentiere ich dir verschiedene Arten von Finanzhilfeoptionen. Du kannst die wählen, die am besten zu deinem Lebensstil oder Arbeitsstil passt.“ Man sieht, man kann wirklich personalisieren, sogar wenn Menschen die gleichen Bedürfnisse haben.

Joe McKendrick: Es klingt fast so, als würden die kognitiven KI-Assistenten auch ihre eigene Persönlichkeit, ihr eigenes Verhaltensset annehmen, um sich anzupassen … richtig?

Michelle Zhou: Eigentlich haben wir viel daran gearbeitet. Ja, wir haben viel dazu geforscht. Sie adaptieren noch nicht. Wir sind noch in der Forschung. Und wir fragen uns, weil die Forschung widersprüchliche Ergebnisse zeigt. Manche Forschung zeigt, dass Menschen gerne mit KIs interagieren, die eine ähnliche Persönlichkeit haben. Wenn ich sehr extrovertiert bin, mag ich es, mit einer KI mit extrovertierter Persönlichkeit zu interagieren. Aber manche Forschung widerlegt das und zeigt, dass Menschen gerne mit KIs interagieren, die die entgegengesetzte, komplementäre Persönlichkeit haben. Wenn ich sehr gesprächig bin, bevorzuge ich eine KI, die nicht so gesprächig, sondern reservierter ist. Deshalb haben wir es noch nicht in Produktion genommen, weil wir noch herausfinden wollen, was Nutzer bevorzugen. Das erfordert noch etwas mehr Forschung in dieser Hinsicht.

Joe McKendrick: Sie sprechen von Demokratisierung von KI – ein großartiges Konzept. Sehen Sie KI als Teil kleinerer Geräte, sagen wir Smartphones? Werden sie über Smartphones interagieren? Vielleicht gibt es KI darauf. Oder Geräte, die in andere Systeme integriert sind. Schauen Sie sich das auch an?

Michelle Zhou: Ja, richtig. Sie sprechen einen Aspekt der Demokratisierung von KI an. Denken Sie daran, zurück in den 1970ern, was nannten wir Demokratisierung von Computing. Vorher hatte IBM Mainframes oder kleine Computer. Leute konnten sie sich nicht leisten, weil zu teuer. Nicht nur das, der zweite Teil: Nicht viele Leute konnten sie nutzen, weil sie nicht programmieren konnten. Sie kannten keine Programmiersprachen, konnten sie nicht wirklich nutzen. Mit dem Aufkommen von Personal Computern, PCs, Macs – das war wirklich Demokratisierung von Computing: Nicht nur, dass fast jeder jetzt, jedes Unternehmen, einen Computer kaufen kann. Jeder mit sehr wenig Wissen, der kein Programmierer ist, kein Experte in Informatik, kann einen Computer bedienen.

Wir haben eine sehr ähnliche Idee bei der Demokratisierung von KI. Wenn Sie sagen, wir sollten KI auf jedem Gerät laufen sehen, einschließlich Smartphone – wir machen das schon. Der zweite Teil: Darüber hinaus wollen wir jeden befähigen, buchstäblich jeden – solange sie PowerPoint können, Tabellenkalkulation können. Sie sollten in der Lage sein, einen maßgeschneiderten KI-Assistenten einzurichten, bereitzustellen und zu managen. Wie ich gerade sagte, mit all der kognitiven Intelligenz, auf eigene Faust, ohne Coding, ohne KI-Expertise. Sie brauchen keine Trainingsdaten, weil wir bereits trainiert haben – sie können es schnell anpassen, deployen und managen. Das meinen wir wirklich mit Demokratisierung von KI. Heißt: Sie können einfach adoptieren, schnell anpassen und für ihren Nutzen nutzen.

Joe McKendrick: Wow. Das klingt ziemlich aufregend. Jemand wie ich, oder eine Person ohne technischen Hintergrund, könnte anfangen, diese Art von Anwendungen einzurichten.

Michelle Zhou: Genau.

Joe McKendrick: Kunden.

Michelle Zhou: Joe, machen Sie PowerPoint? Kennen Sie Tabellenkalkulation? Wir haben die Eintrittsbarrieren wirklich sehr, sehr niedrig gemacht – buchstäblich: Leute, die PowerPoint können, Leute, die Tabellenkalkulation können. Sie sollten kommen, unsere Plattform nutzen können, um einen sehr mächtigen KI-Assistenten zu erstellen, der angepasst ist und auch an ihren Kontext, ihre Aufgabe. Denn die meisten unserer Nutzer sind zum Beispiel Recruiting-Spezialisten, Marketing-Manager, Produktmanager, User Researcher. Das heißt, sie sind definitiv keine Informatiker. Sie wissen nicht, wie man programmiert. Sie müssen nicht wissen, wie man programmiert. Und sie sind im Grunde ganz normale Wissensarbeiter. Sie können auf unserer Plattform einen sehr mächtigen KI-Assistenten einrichten.

Joe McKendrick: Das ist wunderbar. Wie sehen Sie die Zukunft … Wenn Sie weitermachen, wird es ein Juji-gebranntes Produkt geben, das Kunden herunterladen oder kaufen können? Oder arbeiten Sie hinter den Kulissen mit anderen Anwendungsanbietern zusammen, um das zu bauen? Was werden wir in naher Zukunft von Ihnen sehen?

Michelle Zhou: Ich denke, beides. Einerseits haben wir schon Kunden, die einfach unsere Plattform nutzen, um maßgeschneiderte KI zu erstellen. Deployen, wir hosten es. Andererseits partnerschaftlich mit anderen Unternehmen. Sie werden zu unseren Channel-Partnern. Deren Kunden nutzen deren Lösungen in Verbindung mit unseren, um einen KI-Assistenten zu erstellen. Zum Beispiel mit Voice. Weil Juji kein Voice macht. Jemand, der auf Spracherkennung und TTS spezialisiert ist, kann dann unsere Technologien kombinieren, um einen sehr smarten kognitiven KI-Assistenten mit Voice zu erstellen, immer auch ein Gesicht. Wir können all diese Technologien kombinieren. Einerseits dienen wir als Conversational AI Engine, Cognitive Engine, für potenzielle Partner. Gleichzeitig können Leute, die nur einen textbasierten KI-Assistenten wollen, direkt zu unserer Plattform kommen und sie nutzen.

Joe McKendrick: Sind Sie nah am Bestehen des Turing-Tests, wo jemand es nicht unterscheiden kann?

Michelle Zhou: Jemand hat das gesagt. Aber wir wissen nicht, ob wir das als Qualitätsstandard nutzen sollten. Weil – ich weiß nicht, ob Sie davon gehört haben – zurück in den 1970ern bestand ein bestimmter Professor's Turing … Ein Chatbot, der den Turing-Test bestand, war der erste. Der Grund: Er imitierte einen Patienten mit psychischer Störung. Deshalb bestand er, weil niemand wusste, wovon er redet. Ich bin mir nicht sicher, ob das ein gutes Kriterium ist.

Ich denke, unsere Kriterien wären konkreter? Kann die KI Ihnen tatsächlich helfen, Ihre Aufgabe zu erledigen? Kann die KI wirklich diese Nutzerzufriedenheit liefern? Ich denke, das ist praktischer und auch tatsächlich messbar aus Geschäftssicht. Weil wenn wir z. B. einer Universität helfen, ihre Studieninteressenten oder bestehenden Studenten oder sogar Absolventen – ob diese KI geholfen hat. Was ist das Ergebnis der Hilfe? Haben sie mehr Einschreibungen und das tatsächlich gesehen? Ja. Haben sie höhere Erfolgs- und Retentionsraten bei Studenten? Ja. Werden ihre Absolventen oder Alumni zurückkommen, mehr von ihnen weitermachen? Das ist sehr konkret … ich würde sagen Outcome, Erfolgsoutcomes oder Nützlichkeit der KI, versus nur das Bestehen zu vergleichen.

Joe McKendrick: Ein KI-Bedenken ist immer die Datenmenge – Big Data zum Beispiel, man braucht große Datensätze zum Identifizieren und Trainieren. Wie sehen Sie das? Was Sie machen, erfordert große Datensätze.

Michelle Zhou: Genau. Das ist eine großartige Frage. Deshalb sprach ich von Demokratisierung von KI, weil viele Organisationen diese Art von Daten nicht haben. Zum Beispiel haben sie noch nicht mal diese Art von KI. Deshalb sind wir als Unternehmen, als Plattformunternehmen, und wir haben unsere eigenen Daten generiert, gesammelt. Ja, unsere Modelle sind auf massiven Datenmengen trainiert, weil wir bereits Daten trainiert haben. Wir sollten einfach anderen Leuten erlauben, sie wiederzuverwenden. Das ist fast wie ein Intelligenztransfer.

Ich war letzte Woche in einem anderen Call, Leute fragten mich darüber. Und ich sagte: „Das ist die Schönheit dessen, woran wir arbeiten, was Juji macht.“ Man sagt, wir bringen KI alles von Grund auf bei, Reading Between the Lines. Wir betten Intelligenz tatsächlich ein. Wenn man die KI tatsächlich adoptiert, kam die mit denen, geboren mit dieser Intelligenz. Built-in, nennen wir es Built-in Intelligence. So können wir wirklich Intelligenz von einem zum anderen transferieren.

Ein weiteres Beispiel: Wir arbeiten mit Universitäten an ihren Rekrutierungsprogrammen. Da gibt es viele Fragen von Studieninteressenten. In diesem Fall können diese Daten tatsächlich für andere Universitäten genutzt werden. Wenn ich Daten sage, nicht die Antworten per se, sondern die Fragen. Studenten stellen eine Frage, formulieren die Frage, und darauf aufbauend generieren wir automatisch mehr Trainingsdaten. Die Universitäten müssen das nicht tun. Wenn sie ursprünglich zu uns kommen und sagen: „Hey, wir haben keine Daten.“ Dann müssen sie sich keine Sorgen machen. Wir haben sie schon. Sie können ihren KI-Assistenten mit einem Jumpstart starten. Das meinte ich auch genau mit Demokratisierung von KI: Man verpackt die Intelligenz. Man baut Intelligenz vor, damit andere sie adoptieren und sofort wiederverwenden können.

Joe McKendrick: Genau wie wissenschaftliche Forschung – man baut auf bestehender Forschung auf und verbessert Dinge stetig. Richtig?

Michelle Zhou: Ja. Es ist am ähnlichsten wie ein Kind, das heranwächst. Das Kind hat Intelligenz, am Anfang sehr gute Intelligenz. Wenn dieses Kind mehr Intelligenz bekommt, behält man sie nicht nur, man transferiert dieses Kindes Intelligenz in ein anderes Kind, damit das andere Kind nicht von Grund auf lernen muss. Das ist sehr mächtig.

Joe McKendrick: Absolut. Und Michelle, was sehen Sie in den nächsten 5 bis 10 Jahren passieren? Worauf freuen Sie sich? Wie wird die Welt 2025 oder sogar 2030 aussehen, besonders mit Ihrer Technologie?

Michelle Zhou: Ich denke, wir gehen in Richtung eines mehr erfundenen optimistischen Szenarios des Films „Her“. Erinnern Sie sich an den Film „Her“?

Joe McKendrick: Ja, ja. Tolles Film.

Michelle Zhou: Richtig? Das heißt, Ihre KI wird vielleicht mehr über Sie wissen als Sie sich selbst. Und Ihre KI wird wissen, was Sie wollen, bevor Sie selbst wissen, was Sie wollen. Zum Beispiel: Sie müssen Geld sparen. Die KI wusste schon im Voraus, dass Sie Geld sparen müssen. Oder Sie brauchen einen neuen Abschluss, um employabler zu sein. Die KI wird das wahrscheinlich wissen, bevor Sie es wissen. Das ist das, was ich sehe. Sie haben einen wahren, was ich persönlichen Assistenten, persönliche Begleitung nenne – in diesem Fall der KI-Begleiter, der wirklich versteht, wer Sie sind, was Ihre Bedürfnisse und Wünsche sind, und Sie auf die beste Weise unterstützt, um Ihnen zu nützen. Deshalb gehen wir auch zu unserem Thema Responsible AI, weil mit diesem Verständnislevel, wenn wir nicht Responsible AI durchsetzen, wenn diese Technologie in schlechte Hände gerät, könnte sie missbraucht werden und schlechte Konsequenzen haben. Deshalb verankern wir auch diesen Sinn für Responsible AI – wir wollen sicherstellen, dass KI Menschen im Grunde auf die beste Weise hilft, Menschen zu nützen.

Joe McKendrick: Wunderbar. Wunderbar. Und absolut die Arbeit, die Sie in diesem Bereich leisten, bewegt KI wirklich in eine positive Richtung, um Menschen zu nützen. Wir schätzen wirklich, dass Sie das mit uns in unserem Podcast heute teilen konnten. Wieder: Ich spreche mit Michelle Zhou. Sie ist CEO und Mitgründerin von Juji. Vielen Dank, Michelle, dass Sie heute dabei waren. Wir haben Sie sehr gerne dabei gehabt.

Michelle Zhou: Danke, Joe, dass ich dabei sein durfte. Danke. Tschüss.