Connect with us

Künstliche Intelligenz

Evolutionäre Architektur in dynamischen Umfeldern mit selbstorganisierten Teams


close notice

This article is also available in
English.

It was translated with technical assistance and editorially reviewed before publication.

Softwareentwicklerinnen und -entwickler werden oft von unerwarteten Ereignissen überrascht: User verwenden neue Features auf unvorhergesehene Weise, was zu einer unerwarteten Last auf den Servern führt; eine Fremdbibliothek loggt nach einem Update plötzlich personenbezogene Daten, was gegen die Datenschutzrichtlinien verstößt; der Fallback-Mechanismus führt bei besonders datenintensiven Bausteinen unerwarteterweise zum Volllaufen des Caches. Jede Softwarearchitektin und jeder Softwarearchitekt kennt viele weitere Beispiele.

Weiterlesen nach der Anzeige


Alexander Kaserbacher

Alexander Kaserbacher

Alexander Kaserbacher ist Berater mit Fokus auf Softwarearchitektur. Zur Zeit beschäftigt er sich intensiv mit Evolutionärer Architektur und Platform Engineering.

Zu Beginn eines Projekts waren diese Ereignisse Unknown Unknowns, von denen vorher niemand wusste, dass er sie nicht weiß. Sie sind typisch für komplexe Probleme wie die in der Softwareentwicklung und führen insbesondere in einer Organisationsstruktur mit verteilten Teams zu Problemen. In solchen Strukturen existieren meist übergreifende Governance-Vorgaben etwa hinsichtlich Technologien, Programmiersprachen, Mustern und Schnittstellen. Um deren Definition kümmern sich zentrale Architekturteams. Strikte zentrale Vorgaben dieser Art stören aber oft eine effektive Reaktion auf Unknown Unknowns, wofür es mehrere Gründe gibt:

  • Die Vorgaben zielen meist auf Qualitätsaspekte der Software ab, wie Sicherheit, Wartbarkeit oder Zuverlässigkeit. Zentrale Einheiten müssen dabei einschätzen, wie die Teams die Vorgaben auf verschiedenen Abstraktionsebenen anwenden. Außerdem müssen sie im Voraus wissen, ob die vorgesehene Umsetzung die gewünschten Qualitätsansprüche überhaupt erfüllen kann.
  • Vereinheitlichung macht Softwareentwicklung langsamer, da für viele Entscheidungen die zentralen Einheiten zuständig sind, was ständige Abstimmungen aller Teams mit diesen erfordert. Das führt oft zu Engpässen.
  • Die Vorgaben nehmen den Entwicklungsteams Verantwortung, sodass sie sich für extern festgelegte Themen nicht zuständig fühlen.
  • Innovation wird erschwert, weil Entwicklungsteams sich strikt an Vorgaben halten und nicht davon abweichen. Dadurch fehlt das Feedback, ob sie tatsächlich geeignet sind oder ob es bessere Alternativen gibt.

Da in einem dynamischen Umfeld passende Lösungen für überraschende Probleme oft nicht vorhersehbar und planbar sind, müssen sich die Akteure einer guten Antwort schrittweise nähern. Ähnliche Herausforderungen gibt es in der Wissenschaft, wo Forscherinnen und Forscher neue Erkenntnisse durch Hypothesen gewinnen. Experimente und formale Beweise bestätigen oder widerlegen diese Hypothesen, sodass die Annäherung an neue Erkenntnisse schrittweise erfolgt. Je mehr Unknown Unknowns in einem Softwareprojekt versteckt sein könnten, desto stärker profitieren die Entwicklerinnen und Entwickler von kleinen Schritten (Hypothesen), die regelmäßig durch Feedback validiert werden. Abbildung 1 veranschaulicht diesen Prozess.


Eine Hypothese wird durch Feedback-Mechanismen validiert (Abb. 1).,

Eine Hypothese wird durch Feedback-Mechanismen validiert (Abb. 1).,

Eine Hypothese wird durch Feedback-Mechanismen validiert (Abb. 1).

Entwicklungsteams betrachten jedes Release als Hypothese. Unabhängig davon, ob es um die Wahl von Messaging-Technologie und Datenbanken für hohen Durchsatz geht oder um einen Failover-Mechanismus zur Verbesserung der Verfügbarkeit – anstatt zentralen Vorgaben zu folgen, entscheiden sich Entwicklungsteams selbst für einen passenden Ansatz und setzen ihn in ihrem Verantwortungsbereich um. Diesen Ansatz validieren sie dann schnellstmöglich durch effektives Feedback. Sind beispielsweise der Durchsatz und die dazugehörige Geschwindigkeit ein wichtiges Ziel, bieten Performance-Messungen am laufenden System eine wertvolle Rückmeldung. Ziele wie Verfügbarkeit sind ebenfalls direkt messbar, während sich Wartbarkeit oft anhand von Metriken wie Kopplung oder zyklomatische Komplexität (Kontrollflussgraph eines Programms) ableiten lässt.

Weiterlesen nach der Anzeige

Die Feedback-Mechanismen zeigen den Entwicklungsteams Verbesserungsmöglichkeiten, die sie dann in neuen Hypothesen umsetzen. Das ähnelt dem evolutionären Prozess in der Biologie, bei dem genetische Variation lokal und dezentral entsteht, während die natürliche Selektion schlechte Varianten aussortiert.

Im IT-Kontext entsteht Variation in den Arbeitsergebnissen selbstorganisierter Teams, während Feedback-Mechanismen (Selektion) unpassende Teile schnell aufdecken. In Anlehnung an die Biologie nennt sich dieses Konzept Evolutionäre Architektur. Sie beschreibt eine Produktentwicklung, die durch inkrementelle, emergente Praktiken und regelmäßiges, qualitatives Feedback in komplexen Umfeldern dynamisch agiert.

Die Wechselwirkung zwischen Hypothesen und Feedback sollte dabei rasch und kleinteilig erfolgen. Empirische Daten wie die Four Key Metrics verdeutlichen diese Dynamik (Forsgren, N. u.a.: The Science of Lean Software and DevOps: Building and Scaling High Performing Technology Organizations; 2018). Sie definieren wichtige Metriken, über die sich High-Performing Teams von anderen unterscheiden:

  • Deployment Frequency stellt dar, wie oft Entwicklungsteams den Zyklus aus Abbildung 1 durchlaufen.
  • Lead Time for Changes zeigt, wie schnell Entwicklungsteams diesen Zyklus durchlaufen.
  • Time to Restore Service und Change Failure Rate beschreiben das Risiko, das mit dem Deployment von möglicherweise fehlerhaften Hypothesen verbunden ist.

Damit sich Entwicklungsteams möglichst effektiv einem zufriedenstellenden Ergebnis nähern, sind kleine und häufige Deployments mit geringem Schadenspotenzial entscheidend. Klassische Governance-Ansätze (siehe Kasten „So entstehen klassische Governance-Ansätze“) stehen dem oft im Weg, denn manuelle Freigabe- und Kontrollprozesse verlängern die Deployment Frequency und Lead Time for Changes.

Softwaresysteme setzen sich aus mehreren Bausteinen zusammen: Module, Services, Applikationen – je nach Kontext und Detaillierungsgrad können sie anders bezeichnet sein. Gemeinsam bilden sie ein größeres System, sei es ein einzelnes Softwareprodukt oder die gesamte IT-Struktur eines Unternehmens. Softwarearchitektinnen und -architekten teilen die Bausteine häufig nach fachlichen Kriterien auf, insbesondere durch Techniken wie Domain-driven Design oder durch Architekturmuster wie Microservices. Ein Beispiel dafür ist ein Onlineshop, der aus Bausteinen wie Produktkatalog, Suche und Warenkorb besteht.

Wenn solche Systeme so umfangreich werden, dass ein einzelnes Team sie nicht betreuen und weiterentwickeln kann, splitten viele Organisationen die Verantwortung auf und weisen einzelne Bausteine jeweils einem eigenen Team zu. Eines könnte beispielsweise speziell für den Warenkorb-Baustein zuständig sein.

Sobald die Anzahl der Bausteine und Teams wächst, stehen Organisationen vor der Herausforderung, die zunehmende Komplexität zu bewältigen. Typische Probleme wie ein Wildwuchs an Technologien führen zu dem Wunsch nach übergreifenden Regeln und Vorgaben. Zentrale Architekturteams kümmern sich dann um die Definition allgemein gültiger Standards. So entstehen etwa Regeln hinsichtlich Technologien, Programmiersprachen, Muster und Schnittstellen sowie spezifische Strukturierungsvorgaben.

Die Hoffnung dabei ist, durch Standardisierung und Vereinheitlichung die Effizienz zu steigern. Entwicklungsteams sollten schneller arbeiten können, wenn sie sich an Vorgaben halten, statt selbst langwierig Entscheidungen zu treffen und Alternativen zu prüfen und abzuwägen. Einmal entwickelte Bausteine ließen sich wiederverwenden, auch teamübergreifend. Operation Teams wären effizienter, weil sie nur genau eine standardisierte Zielumgebung betreuen müssten.

Diese klassischen Ansätze versprechen auf den ersten Blick zwar Effizienzsteigerung, führen aber langfristig oft zu Problemen in der Verantwortungsübernahme und zu Innovationsstau.



Source link

Künstliche Intelligenz

Apple übernimmt Photonik-Startup invrs.io | heise online


Apple hat sich Technologie und Know-how des Start-ups invrs.io gesichert. Der Konzern übernimmt bestimmte Vermögenswerte und stellt den einzigen Mitarbeiter sowie Anteilseigner ein, heißt es in einer Meldeliste der EU-Kommission, in der große Unternehmen wie Apple ihre Übernahmen offenlegen müssen.

Weiterlesen nach der Anzeige

In der Meldung steht, dass invrs.io „Open-Source-Frameworks für die Photonikforschung“ entwickelt. Laut GitHub-Präsenz entwickelte das Start-up eine KI-gestützte Designplattform für Optik und optische Komponenten, wie sie in VR- und AR-Systemen, Rechenzentren sowie autonomen Fahrzeugen zum Einsatz kommen könnten.

Das Start-up wurde 2023 von Martin Schubert gegründet. Seinem LinkedIn-Profil zufolge leitete er bei Google und Meta über mehr als sechs Jahre hinweg sogenannte Inverse-Design-Programme.

Beim Inverse Design beginnt der technische Entwurfsprozess nicht mit einer konkreten Form oder einem Material, sondern mit den gewünschten Leistungsmerkmalen. Aus diesen Zielvorgaben berechnet ein Algorithmus automatisch die Konfiguration, die diese am besten erfüllt. Die KI durchsucht dabei große Variantenräume, vergleicht mögliche Lösungen und passt die Entwurfsparameter iterativ an. Die Open-Source-Plattform invrs.io stellte dafür standardisierte KI-Designaufgaben und Benchmarks speziell für den Bereich der Optik bereit.

Martin Schubert wurde laut einem älteren Photonics-Artikel in Deutschland geboren, wuchs in den USA auf und studierte Elektrotechnik an der Eliteuniversität Cornell.

Dem LinkedIn-Profil zufolge arbeitete Schubert beim US-Hersteller Micron an LED- und Speicher-Technologien. Anschließend war er sieben Jahre bei Alphabets Forschungslabor X tätig, wo er 2017 ein KI-gestütztes Photonik-Designprojekt gründete und leitete. Dort entwickelte Schubert mit seinem Team laut eigenen Angaben die fortschrittlichste Inverse-Design-Plattform ihrer Art.

Weiterlesen nach der Anzeige

Diese Arbeit setzte er bei Meta Reality Labs fort, einer auf VR- und AR-Technologien spezialisierten Abteilung des Konzerns. Dort entwickelte Schubert neue Methoden für das Inverse Design von Mikro-LEDs (nicht zu verwechseln mit Mikro-OLEDs). Die gelten als Schlüsseltechnologie für AR-Brillen, die derzeit jedoch noch schwer in großen Stückzahlen herzustellen ist.

Für Apple könnte das erworbene Know-how etwa für Displays und optische Systeme in VR- und AR-Brillen relevant sein. Inverse-Design-Methoden können hier helfen, neuartige Mikrostrukturen für Waveguide-Displays, Linsen oder Mikro-LED-Arrays zu finden, die mit klassischen Entwurfsverfahren kaum erreichbar wären.

heise online XR-Briefing abonnieren

Jeden zweiten Montag, liefern wir Ihnen die wichtigsten Entwicklungen der XR-Branche. Damit Sie alles im Blick behalten.

E-Mail-Adresse

Ausführliche Informationen zum Versandverfahren und zu Ihren Widerrufsmöglichkeiten erhalten Sie in unserer Datenschutzerklärung.


(tobe)



Source link

Weiterlesen

Künstliche Intelligenz

Robotaxi-Unternehmen Wayve nimmt 1,2 Milliarden US-Dollar ein


Geld für autonomes Fahren: Das britische Unternehmen Wayve hat erfolgreich eine weitere Finanzierungsrunde abgeschlossen. Damit ist es nach eigenen Angaben über acht Milliarden US-Dollar wert. Zu den Investoren gehören neben Technologie- auch drei Autokonzerne.

Weiterlesen nach der Anzeige

Wayve entwickelt eine auf Künstlicher Intelligenz (KI) basierende Software für autonom fahrende Autos. Im Laufe dieses Jahres will das Unternehmen seinen ersten regulären Dienst mit Robotaxis aufnehmen.

Gerade hat Wayve seine vierte Finanzierungsrunde abgeschlossen. Dabei hat das Unternehmen nach eigenen Angaben 1,2 Milliarden US-Dollar eingenommen. Der Wert des Unternehmens betrage damit 8,6 Milliarden US-Dollar.

Zu den Investoren gehören neben institutionellen Anlegern wie einem kanadischen Pensionsfonds auch Unternehmen aus verschiedenen Technologiesektoren. Darunter sind etwa der Softwarekonzern Microsoft, der Chiphersteller Nvidia sowie der Fahrdienst Uber. Schließlich beteiligen sich auch die drei Autokonzerne Mercedes-Benz, Nissan und Stellantis an Wayve.

Uber habe zudem zugesagt, seine Beteiligung aufzustocken, damit für den Start des kommerziellen Dienstes 1,5 Milliarden US-Dollar zur Verfügung stehen. Die Robotaxis von Wayve sollen zum Start in London fahren. Weitere Städte sollen folgen.

Daneben will Wayve sein System auch an Automobilhersteller vermarkten. Diese können es dann als Assistenzsystem in ihre Fahrzeuge integrieren. Das Spektrum reicht dabei vom teilautomatisierten Fahren ohne Hände am Lenkrad (Level 2+) bis hin zum hochautomatisierten Fahren (Level 4).

Weiterlesen nach der Anzeige

Das System für das autonome Fahren läuft laut Unternehmen auf dem Fahrzeugcomputer und benötigt keine hochauflösenden Karten oder ortsspezifische Technik. Wayve hat es mit Daten aus über 70 Ländern trainiert. Dadurch sei es möglich gewesen, im vergangenen Jahr ohne vorherige städtespezifische Feinabstimmung Testfahrten in über 500 Städten in Europa, Nordamerika und Japan durchzuführen.

Wayve ist nicht der einzige Akteur, der in diesem Jahr autonome Taxis in London einsetzen will: Konkurrenz gibt es von der Alphabet-Tochter Waymo sowie den Fahrdiensten Uber und Lyft. Beide wollen Fahrzeuge einsetzen, die mit dem System Apollo Go des chinesischen Digitalkonzerns Baidu ausgestattet sind.


(wpl)



Source link

Weiterlesen

Künstliche Intelligenz

Mova Z60 Ultra Roller SA im Test: Guter Saugroboter mit Station & Wischwalze


Der Z60 Ultra Roller SA sieht aus wie das Topmodell des Herstellers und hat viele Gemeinsamkeiten, ist aber günstiger. Lohnt sich der Kauf?

Der Mova Z60 Ultra Roller SA ist die günstigere Variante des Z60 Ultra Roller (Testbericht) ohne zusätzliches Namenskürzel. Im Handel steht das SA im Namen für „Standalone“, wirklich nachvollziehbar ist das aber nicht. Denn die Gemeinsamkeiten mit dem Topmodell sind groß und auch die vollwertige Reinigungsstation des Topmodells ist wieder mit dabei – eigenständig wirkt hier nichts. Auch die Grundidee bleibt gleich: Der SA ist wieder ein Saugroboter mit Wischwalze und Reinigungsstation, der sich weitgehend selbst versorgt.

Die Punkte, an denen der Hersteller Einsparungen vorgenommen hat, sieht man erst auf den zweiten Blick. Wir verraten im Test, welche das sind und ob sich ein Kauf lohnt.

Design und Verarbeitung

Optisch sind sich beide Z60-Modelle sehr ähnlich. Größter äußerlicher Unterschied: Das teurere Modell kommt in Schwarz, das SA-Modell in Weiß. Der Roboter bleibt kompakt mit ausfahrbarem Laserturm und abnehmbarer Oberseite. Die Station bietet mit 47 cm in der Höhe, 42 cm in der Breite und 46 cm in der Tiefe die gleichen Maße wie beim teureren Modell und kommt ebenfalls mit rundlicher Formsprache daher. In Weiß wirken Station und Roboter auf uns aber trotz gleich guter Verarbeitung etwas hochwertiger.

Die eigentlichen Unterschiede finden sich aber nicht bei Design oder Form, sondern bei der Technik. Das Fahrwerk des teureren Z60 Ultra Roller ohne SA nutzt die sogenannte Lift-Pro-Mechanik, mit der es den ganzen Korpus anheben kann. Zusammen mit der Klettertechnik Stepmaster 2.0 Hindernisse bis zu 8 cm Höhe zu überwinden. Der Z60 Ultra Roller SA verzichtet darauf. Das wirkt sich besonders dann aus, wenn hohe Teppiche oder dicke Türschwellen im Haushalt vorhanden sind. Hinzu kommt, dass der SA nicht die neuere Klettertechnik des größeren Modells nutzt und so nur deutlich niedrigere Türschwellen überwinden kann.

Seitenbürste, Hauptbürste und Wischwalze sind hingegen wie beim Topmodell aufgebaut. Im SA-Roboter sitzen ein Staubbehälter mit 0,2 l und ein Frischwassertank mit 0,1 l. Die Station übernimmt die Hauptversorgung. Sie hält 4 l Frischwasser bereit und nimmt bis zu 3,5 l Schmutzwasser auf. Der Staubbeutel fasst 3,2 l. Der Reinigungsmitteltank fasst beim SA 0,4 l und nimmt im Gegensatz zum Geschwistermodell nur eine Reinigungsflüssigkeit auf. Das Topmodell bietet gleichzeitig Platz für zwei unterschiedliche Reiniger und dosiert in der App einstellbar das passende Mittel. Außerdem fehlt beim SA die UV-Desinfektion der Walze des Topmodells.

Inbetriebnahme und App

Die Einrichtung folgt dem üblichen Ablauf. Roboter und Station werden aufgestellt, mit Strom verbunden und dann einfach und schnell in der Mova-Home-App eingebunden. Als erste Fahrt erfolgt eine Schnellkartierung, anschließend lassen sich Räume teilen, zusammenlegen und benennen. Zonenreinigung und Sperrzonen gehören zum Standard und sind beim Z60 ohne SA ebenfalls vorhanden. Die App ist im Wesentlichen identisch zur App des Topmodells – mit nahezu denselben umfangreichen Features. Leichte Unterschiede bestehen nur bei der Station. Mangels zweigeteiltem Reinigungsmitteltank gibt es hier keine Auswahl des Reinigungsmittels.

Navigation und Hindernisvermeidung

Die Grundnavigation ist bei beiden Modellen ähnlich – ähnlich gut. Der Roboter erstellt per „Laserturm“ (Lidar – Light Detection and Ranging) eine millimetergenaue Karte und fährt zum Reinigen anschließend systematische Bahnen. Für die Hinderniserkennung kommt ein kombiniertes Kamera- und Lasersystem mit zusätzlicher Beleuchtung zum Einsatz. Beide Z60-Varianten fahren den Laserturm ein, wenn es unter Möbeln eng wird. Das senkt das Risiko, an niedrigen Kanten hängenzubleiben.

Der entscheidende Unterschied zwischen den Modellen liegt bei der Kletterfähigkeit. Im Test überfuhr der Z60 Ultra Roller SA je nach Beschaffenheit der Kante rund 2 bis 2,5 cm – das ist zwar leicht überdurchschnittlich, das Topmodell kommt allerdings auf 5 oder bei zweistufiger Kante sogar 8 cm. Damit ist das teurere Geschwistermodell (Testbericht) deutlich im Vorteil, wenn es um die Reinigung einer Altbauwohnung mit hohen Türschwellen geht.

Bei der Hindernisvermeidung wirken SA und Topmodell ebenbürtig. Im Test fuhr der günstigere Sauger je nach Einstellung der Hindernisvermeidung sauber und meist berührungslos um Gegenstände herum. Wie beim teureren Topmodell mit fast identischem Namen klappt das aber auch hier nicht immer: Dünne Kabel, weitgehend transparente Objekte sowie sehr flache oder kleine Hindernisse werden immer wieder mal übersehen. Wie bei der Konkurrenz ist es daher auch beim Z60 Ultra Roller SA ratsam, den Boden vor der Reinigungsfahrt aufzuräumen.

Saugleistung und Wischfunktion

Beim Saugen sind die Unterschiede zwischen den Modellen kaum auszumachen. Der SA ist mit 26.000 Pa angegeben, der teurere non-SA Z60 mit 28.000 Pa – ein geringer Unterschied von rund 8 Prozent. Auf Hartboden haben beide Modelle so gut wie jeglichen Schmutz aufgesaugt – nur am Rand kann mal etwas liegenbleiben. Auch auf Teppich gab es keine sichtbaren Unterschiede, das Ergebnis ist nach dem Saugen gut, aber nicht perfekt. Mit Haaren kommen beide Z60-Ultra-Roller-Modelle ebenfalls identisch gut zurecht. Verwicklungen mussten im Test weder an Haupt- noch an Seitenbürste oder Wischwalze händisch entfernt werden – sehr gut.

Während trotz nominell niedrigerer Saugleistung im Alltag keine Unterschiede zu erkennen sind, gibt es die beim Wischen schon eher. Zwar setzen beide Geräte offenbar die gleiche Technik mit Wischwalze und kontinuierlicher Selbstreinigung. Trotzdem erreicht der SA nicht ganz das Niveau des Topmodells. Im Grenzbereich – etwa bei eingetrockneten Flecken oder Fettstift auf Laminat – erzielte das teurere Topmodell im Test ein leicht besseres Ergebnis. Beim SA-Modell ist das zwar meist ebenfalls sehr gut, allerdings kann hier mit etwas Pech auch mal ein zweiter Durchgang nötig sein. Vorteile wie anheb- und abdeckbare Wischrolle beim Befahren von Teppich bieten hingegen beide Z60-Ultra-Roller-Modelle.

Ebenfalls beiden Modellen gemein ist die effektive Wäsche der Wischrolle in der Station mit bis zu 80 Grad heißem Wasser, während die eigentliche Bodenreinigung mit zimmerwarmem Wasser geschieht.

Akku

Beim Akku sind die Eckdaten auf dem Papier ähnlich: Der Z60 Ultra Roller SA nutzt einen Akku mit 6,4 Ah. Die maximale Laufzeit ist mit bis zu 220 Minuten angegeben, die Ladezeit liegt bei bis zu 4,5 Stunden. Im Alltag zeigt sich allerdings das SA-Modell effizienter. Es reinigte saugend und wischend rund 120 Quadratmeter am Stück, bevor der Akkustand zur Rückkehr zur Ladestation zwang – also rund 15 bis 20 Prozent mehr als beim teureren Modell.

Preis

Die UVP des Mova Z60 Ultra Roller SA liegt in Deutschland bei 999 Euro. Der aktuelle Straßenpreis beginnt laut Preisvergleich bei etwa 749 Euro (Amazon), das Topmodell kostet zum gleichen Zeitpunkt 899 Euro.

Fazit

Der Mova Z60 Ultra Roller SA ist keine Billigversion, sondern eine gezielt abgespeckte Variante – deren Sinnhaftigkeit sich aber gerade wegen des erwartbar ähnlichen Straßenpreises nicht wirklich erschließt. Die beiden Z60-Ultra-Roller-Modelle sind nahezu identisch: Dank fast gleicher Technik sind Saugleistung, Haar-Handling und genaue Navigation sowie starke Objekterkennung weitestgehend gleich gut.

Neben kleineren Unterschieden wie der fehlenden UV-Desinfektion der Wischrolle und des zweiten Reinigungsmitteltanks sind die etwas schwächere (aber dennoch sehr gute) Wischleistung sowie die deutlich abgespeckte Kletterleistung am relevantesten.

Bei einem geringeren Preisunterschied lohnt sich der Griff zum SA-Modell nicht – denn das in der UVP spürbar teurere Modell (1199 zu 899 Euro!) ist in vielen Bereichen etwas und in manchen Bereichen sogar spürbar besser. Bei einem Preisunterschied von aktuell mehr als 150 Euro sieht das aber schon anders aus – hier kann sich ein Kauf lohnen, auch wenn wir dennoch die Vorteile des „normalen“ Z60 Ultra Rollers vorziehen würden.



Source link

Weiterlesen

Beliebt