Confiac

11Patricio García BáezPatricio García Báez
Introducción a las Redes
Neuronales y su aplicación a la
Investigación Astrofísica
Patricio García BáezPatricio García Báez
pgarcia@ull.espgarcia@ull.es

Sumario
x IntroducciónIntroducción
x Inspiración biológicaInspiración biológica
x Modelado NeuronalModelado Neuronal
x ImplementacionesImplementaciones
x AplicacionesAplicaciones
x Grupo de trabajoGrupo de trabajo
x Futuro de las RNAsFuturo de las RNAs

Redes Neuronales en la IA
Ramas de la Inteligencia Artificial en sus inicios:Ramas de la Inteligencia Artificial en sus inicios:
x Simbólica-deductiva:Simbólica-deductiva:
– Sistemas formales de reglas y manipulaciónSistemas formales de reglas y manipulación
simbólicasimbólica
– Rama más conocida de la IARama más conocida de la IA
x Conexionista:Conexionista:
– Inspirada en las redes neuronales biológicasInspirada en las redes neuronales biológicas
– Métodos Inductivos: a partir de ejemplosMétodos Inductivos: a partir de ejemplos
Ambas tratan de resolver problemas no algoritmicos a partirAmbas tratan de resolver problemas no algoritmicos a partir
de la experiencia almacenada como conocimientode la experiencia almacenada como conocimiento

RNA como Modelo de Computación
Conexionista vs. Von NeumannConexionista vs. Von Neumann
• Masivamente paraleloMasivamente paralelo
• Datos y programaDatos y programa
indiferenciable en lasindiferenciable en las
conexionesconexiones
• Solución inducida porSolución inducida por
aprendizajeaprendizaje
• Impredicibilidad deImpredicibilidad de
resultadosresultados
• Gran tolerancia a fallosGran tolerancia a fallos
• Arquitectura secuencialArquitectura secuencial
• Separa claramente datosSepara claramente datos
del programa en ladel programa en la
memoriamemoria
• Solución como algoritmoSolución como algoritmo
o programa introducidoo programa introducido
• Resultados totalmenteResultados totalmente
predeciblespredecibles
• No tolera erroresNo tolera errores

Áreas de Trabajo
Arquitectura y Teoría de RN
Implementaciones
Aplicaciones
Informática
Matemáticas
Física
Neurofisiología
Sicología
Procesamiento de SeñalesProcesamiento de Señales
Análisis de DatosAnálisis de Datos
Reconocimiento de PatronesReconocimiento de Patrones
ControlControl
Inteligencia ArtificialInteligencia Artificial
Desarrollo de aplicacionesDesarrollo de aplicaciones
basadas en técnicasbasadas en técnicas
conexionistasconexionistas
Construcción de modelosConstrucción de modelos
neuronalesneuronales
Proponer y validar modelos deProponer y validar modelos de
funcionamiento de arquitecturasfuncionamiento de arquitecturas

Inspiración biológica
““Entender el cerebro y emular su potencia”Entender el cerebro y emular su potencia”
x Cerebro:Cerebro:
– Gran velocidad de procesoGran velocidad de proceso
– Tratamiento de grandes cantidades de informaciónTratamiento de grandes cantidades de información
procedentes de:procedentes de:
• Los sentidosLos sentidos
• Memoria almacenadaMemoria almacenada
– Capacidad de tratar situaciones nuevasCapacidad de tratar situaciones nuevas
– Capacidad de aprendizajeCapacidad de aprendizaje

x Neuronas:Neuronas:
– Árbol dendrítico deÁrbol dendrítico de
entradasentradas
– Un axón de salidaUn axón de salida
– Sobre de10Sobre de1044
sinapsissinapsis
– Comunicación medianteComunicación mediante
Potenciales de Acción (PA)Potenciales de Acción (PA)
– Periodo refractario de 10Periodo refractario de 10-3-3
segundos entre PAssegundos entre PAs

x Transmisión neuronal:Transmisión neuronal:
– Impulso eléctrico queImpulso eléctrico que
viaja por el axónviaja por el axón
– Liberación deLiberación de
neurotransmisoresneurotransmisores
– Apertura/cierre deApertura/cierre de
canales iónicoscanales iónicos
– Variación potencial enVariación potencial en
dendritadendrita
– Integración de entradasIntegración de entradas
en somaen soma
– Si se supera umbral deSi se supera umbral de
disparo se genera un PAdisparo se genera un PA

x Red Neuronal Biológica:Red Neuronal Biológica:
– de 10de 101010
a 10a 101111
neuronasneuronas
– 10101414
sinapsissinapsis
– Organización por capasOrganización por capas
– Organización por niveles:Organización por niveles:
• Sistema NerviosoSistema Nervioso
Central (SNC)Central (SNC)
• Circuitos entre regionesCircuitos entre regiones
• Circuitos localesCircuitos locales
• NeuronasNeuronas
• Árboles dendríticosÁrboles dendríticos
• MicrocircuitosMicrocircuitos
• SinapsisSinapsis
• Canales iónicosCanales iónicos
• MoléculasMoléculas

x Características SNC:Características SNC:
– Inclinación a adquirirInclinación a adquirir
conocimiento desde laconocimiento desde la
experienciaexperiencia
– Conocimiento almacenadoConocimiento almacenado
en conexiones sinápticasen conexiones sinápticas
– Gran plasticidad neuronalGran plasticidad neuronal
– Comportamiento altamenteComportamiento altamente
no-linealno-lineal
– Alta tolerancia a fallosAlta tolerancia a fallos
(muerte neuronal)(muerte neuronal)
– Apto para reconocimiento,Apto para reconocimiento,
percepción y controlpercepción y control

Modelado Neuronal
x Una red neuronal artificial (RNA) es un sistemaUna red neuronal artificial (RNA) es un sistema
de procesamiento de información que tienede procesamiento de información que tiene
ciertas aptitudes en común con las redesciertas aptitudes en común con las redes
neuronales biológicas:neuronales biológicas:
– El procesamiento de información ocurre en muchosEl procesamiento de información ocurre en muchos
elementos simples llamados neuronas.elementos simples llamados neuronas.
– Las señales son transferidas entre neuronas a través deLas señales son transferidas entre neuronas a través de
enlaces de conexión.enlaces de conexión.
– Cada conexión tiene un peso asociado, el cual, típicamente,Cada conexión tiene un peso asociado, el cual, típicamente,
multiplica a la señal transmitida.multiplica a la señal transmitida.
– Cada neurona aplica una función de activación (usualmenteCada neurona aplica una función de activación (usualmente
no lineal) a su entrada de red (suma de entradas pesadas)no lineal) a su entrada de red (suma de entradas pesadas)
para determinar su salida.para determinar su salida.
Laurene FausettLaurene Fausett

Modelado Neuronal
x Enfoques:Enfoques:
– Computacional:Computacional:
• Modelos eficientes, potentes y simplesModelos eficientes, potentes y simples
• Áreas de aprendizaje inductivo y reconocimiento deÁreas de aprendizaje inductivo y reconocimiento de
patronespatrones
– Cognitivo:Cognitivo:
• Interesado por capacidades cognitivas de los modelosInteresado por capacidades cognitivas de los modelos
• Centrados en representación del conocimientoCentrados en representación del conocimiento
– Biocognitivo:Biocognitivo:
• Premisa la plausibilidad biológicaPremisa la plausibilidad biológica
– Psicofisiológico:Psicofisiológico:
• Mecanismos naturales de procesos cognitivos realesMecanismos naturales de procesos cognitivos reales

Modelado Neuronal
x Neurona Artificial:Neurona Artificial:
– Grupo de entradas (Grupo de entradas (xx))
– Pesos sinápticos (Pesos sinápticos (ww))
– Función suma (Función suma (netnet))
– Función de activaciónFunción de activación
((actact))
– Una única salida (Una única salida (yy))
– Funcionamiento en modoFuncionamiento en modo
aprendizaje o ejecuciónaprendizaje o ejecución

x1
x2
xn
w1,j
w2,j
wn,j
netj(t)
xj(t)
j
función
suma
función
de activación
umbral (bias)

Modelado Neuronal
x Neurona Natural vs. Artificial:Neurona Natural vs. Artificial:
– Neurona = Unidad de procesoNeurona = Unidad de proceso
– Conexiones sinápticas =Conexiones sinápticas =
Conexiones PesadasConexiones Pesadas
– Efectividad sináptica = PesoEfectividad sináptica = Peso
sinápticosináptico
– Exitatorio/Inhibitorio = Pesos +Exitatorio/Inhibitorio = Pesos +
ó -ó -
– Efecto combinado de sinapsisEfecto combinado de sinapsis
= Función suma= Función suma
– Activación-> Ratio disparo =Activación-> Ratio disparo =
Función activación -> salidaFunción activación -> salida

Modelado Neuronal
x Arquitecturas Neuronales:Arquitecturas Neuronales:
– Según e/o/sSegún e/o/s
• Número y tipo de entradasNúmero y tipo de entradas
• Elementos ocultosElementos ocultos
• Elementos de salidaElementos de salida
– Según conectividad entreSegún conectividad entre
capascapas
• Feedforward (haciaFeedforward (hacia
adelante)adelante)
• Redes RecurrentesRedes Recurrentes
• Estructuras EnrejadasEstructuras Enrejadas
(Lattice)(Lattice)
Capa de
entrada
Capa de
salida
Capa de
entrada
Capa de
salida
Capa
oculta
Capa de
salida
Capa
oculta
Monocapa feedforward
Multicapa feedforward
Multicapa feedforward
parcialmente conectada

Modelado Neuronal
x Arquitecturas Neuronales:Arquitecturas Neuronales:
– Según conexión entreSegún conexión entre
capascapas
• Totalmente conectadosTotalmente conectados
(full-conexión)(full-conexión)
• Parcialmente conectadosParcialmente conectados
• Conexión uno a unoConexión uno a uno
– Sincronía (actualización deSincronía (actualización de
valores)valores)
• SimultáneaSimultánea
• AleatoriaAleatoria
• Según orden topológicoSegún orden topológico
Recurrente con
interconexiones
laterales
Entradas
Salidas
Recurrente con
neuronas ocultas

Modelado Neuronal
x Aprendizaje:Aprendizaje:
– Estimulación de la RN por el entornoEstimulación de la RN por el entorno
– Cambios en la RN debido a estimulaciónCambios en la RN debido a estimulación
– Nueva forma de responder debido a cambios de laNueva forma de responder debido a cambios de la
estructura interna de la RNestructura interna de la RN

Modelado Neuronal
x Paradigmas de aprendizaje:Paradigmas de aprendizaje:
– Aprendizaje SupervizadoAprendizaje Supervizado
– Aprendizaje por ReforzamientoAprendizaje por Reforzamiento
– Aprendizaje Auto-organizado (No Supervizado)Aprendizaje Auto-organizado (No Supervizado)
– Precalculado o prefijadoPrecalculado o prefijado

Modelado Neuronal
x Aprendizaje supervizado:Aprendizaje supervizado:
– Se presentan pares de patrones de entrada y salidaSe presentan pares de patrones de entrada y salida
deseadadeseada
– Pasos:Pasos:
• Fijar pesos aleatorios las conexionesFijar pesos aleatorios las conexiones
• Seleccionar par de entrenamientoSeleccionar par de entrenamiento
• Presentar patrón de entrada y calcular salidaPresentar patrón de entrada y calcular salida
• Calcular error o discrepancia con la salida deseadaCalcular error o discrepancia con la salida deseada
• Aplicar regla de aprendizajeAplicar regla de aprendizaje
– Dudosa plausibilidad biológica:Dudosa plausibilidad biológica:
• Requiere propagar información hacia atrásRequiere propagar información hacia atrás
• Requiere de instructorRequiere de instructor

Modelado Neuronal
x Aprendizaje no supervizado:Aprendizaje no supervizado:
– Se presentan sólo patrones de entradaSe presentan sólo patrones de entrada
– Basado en la redundancia en las entradasBasado en la redundancia en las entradas
– Aprendizaje extrae de los patrones:Aprendizaje extrae de los patrones:
• Familiaridad con patrones típicos o promedios delFamiliaridad con patrones típicos o promedios del
pasadopasado
• Análisis de las Componentes PrincipalesAnálisis de las Componentes Principales
• ClusteringClustering
• Prototipos, correspondientes a las categorias existentesPrototipos, correspondientes a las categorias existentes
• CodificaciónCodificación
• Mapa de CaracterísticasMapa de Características
– Grandes plausibilidades biológicasGrandes plausibilidades biológicas

Modelado Neuronal
x Algoritmos de aprendizaje más comunes:Algoritmos de aprendizaje más comunes:
– Perceptrón multicapa o Backpropagation (BPN)Perceptrón multicapa o Backpropagation (BPN)
• Aprendizajes supervizados bajo corrección de errorAprendizajes supervizados bajo corrección de error
– Mapas Auto-organizados (SOM)Mapas Auto-organizados (SOM)
• Aprendizajes competitivo no supervizadosAprendizajes competitivo no supervizados
– Extractores de características (GHA ó ICA)Extractores de características (GHA ó ICA)
• Aprendizajes hebbianos no supervizadosAprendizajes hebbianos no supervizados

Modelado Neuronal
– GeneralizaciónGeneralización
– Estructura altamenteEstructura altamente
paralelaparalela
– No linealidadNo linealidad
– Mapeo de Entrada-Mapeo de Entrada-
SalidaSalida
– AdaptabilidadAdaptabilidad
– Respuesta graduadaRespuesta graduada
– Información ContextualInformación Contextual
– Tolerancia a fallosTolerancia a fallos
– Implementación VLSIImplementación VLSI
– Uniformidad en elUniformidad en el
Análisis y DiseñoAnálisis y Diseño
– AnalogíaAnalogía
NeurobiológicaNeurobiológica
x Propiedades y CapacidadesPropiedades y Capacidades

Implementaciones
x Medio biológico vs. medio silicioMedio biológico vs. medio silicio
– Velocidad:Velocidad:
• Neuronas: 10Neuronas: 10-3-3
s., Puertas lógicas: 10s., Puertas lógicas: 10-9-9
s.s.
– Tamaño:Tamaño:
• Neuronas 5 ó 6 órdenes de magnitud menoresNeuronas 5 ó 6 órdenes de magnitud menores
– Eficiencia energética:Eficiencia energética:
• Cerebro: 10Cerebro: 10-16-16
J/op./s., mejores ordenadores: 10J/op./s., mejores ordenadores: 10-6-6
– Fan-In:Fan-In:
• Promedio de 10.000 sinapsis por neurona, mucho mayorPromedio de 10.000 sinapsis por neurona, mucho mayor
que en silicioque en silicio

Implementaciones
x Neurosimuladores:Neurosimuladores:
– Software:Software:
• FlexiblesFlexibles
• EconómicosEconómicos
– Hardware:Hardware:
• EficientesEficientes

Implementaciones
x Tipos Neurosoftware:Tipos Neurosoftware:
– Programación directaProgramación directa
– LibreríasLibrerías
– Entornos de desarrolloEntornos de desarrollo
x CaracterísticasCaracterísticas
deseables:deseables:
– Facilidad de usoFacilidad de uso
– PotenciaPotencia
– EficienteEficiente
– ExtensibilidadExtensibilidad

Implementaciones
x Neurohardware:Neurohardware:
– VLSI analógicoVLSI analógico
– Opto-ElectrónicosOpto-Electrónicos
– FPGAsFPGAs
– Neuro-Chips (VLSI Digital)Neuro-Chips (VLSI Digital)
– Neuro-TarjetasNeuro-Tarjetas
– Máquinas paralelas deMáquinas paralelas de
propósito generalpropósito general
– BiochipsBiochips
x Objetivo:Objetivo:
– Acelerar fases de aprendizajeAcelerar fases de aprendizaje
y ejecucióny ejecución

Implementaciones
x BiochipsBiochips

Aplicaciones
x Fases de desarrollo:Fases de desarrollo:
Selección de
la arquitectura
neuronal
Selección del
conjunto de
aprendizaje
Selección del
conjunto de
validación
Fase de
aprendizaje
Fase de
validación
¿OK?
Implantar en
aplicación

Aplicaciones
x Tipos de problemas abordables:Tipos de problemas abordables:
– AsociaciónAsociación
– Clasificación de PatronesClasificación de Patrones
– PredicciónPredicción
– ControlControl
– AproximaciónAproximación
– OptimizaciónOptimización
x En general:En general:
– Difícil describir conocimiento/forma de resolverlosDifícil describir conocimiento/forma de resolverlos
– Se dispone de una gran cantidad de datosSe dispone de una gran cantidad de datos

Problemas de Asociación
– NETalk (Sejnowski & Rosemberg):NETalk (Sejnowski & Rosemberg):
• A partir de textos escritos generaA partir de textos escritos genera
gonemas correspondientes. Mejorasgonemas correspondientes. Mejoras
durante aprendizajedurante aprendizaje
– Tratamiento de imágenes:Tratamiento de imágenes:
• Ruido placas matrículasRuido placas matrículas
• RestituciónRestitución
– Compresión de Imágenes:Compresión de Imágenes:

Problemas de Clasificación de
Patrones
– Conteo de células:Conteo de células:
• Clasificación de glóbulosClasificación de glóbulos
blancosblancos
– Inspección visual:Inspección visual:
– Seguimiento de pupilaSeguimiento de pupila

Problemas de Predicción
– Airline Marketing Tactician (AMT):Airline Marketing Tactician (AMT):
• Monitoriza y recomienda la reserva deMonitoriza y recomienda la reserva de
plazasplazas
– Neuralstocks:Neuralstocks:
• Servico de predicciones financieras aServico de predicciones financieras a
corto plazocorto plazo

Problemas de Control
– Control de robots:Control de robots:
• Cinemática inversaCinemática inversa
• DinámicaDinámica
– ALVINN:ALVINN:
• Conducción deConducción de
vehículovehículo

Problemas de Aproximación
– Aproximación de funcionesAproximación de funciones
utilizando RBFsutilizando RBFs
Problemas de
Optimización
– Optimización de rutas:Optimización de rutas:
• TSPTSP

Aplicaciones en
Astronomía/Astrofísica
– Reconocimiento de estrellas/galaxiasReconocimiento de estrellas/galaxias
– Clasificación espectral y morfológica deClasificación espectral y morfológica de
estrellas/galaxiasestrellas/galaxias
– Estudios de superficies planetariasEstudios de superficies planetarias
– Estudio del campo magnético interplanetarioEstudio del campo magnético interplanetario
– Determinación de parámetros en atmósferasDeterminación de parámetros en atmósferas
estelaresestelares
– Clasificación de poblaciones de enanas blancasClasificación de poblaciones de enanas blancas
• Neural Networks,Neural Networks, 1616 (2003)(2003)

Aplicaciones en
– Identificación y caracterización de objetos: QSO's,Identificación y caracterización de objetos: QSO's,
galaxias IR ultraluminosas, fuente de Rayosgalaxias IR ultraluminosas, fuente de Rayos
GammaGamma
– Determinación de desplazamientos fotométricos alDeterminación de desplazamientos fotométricos al
rojorojo
– Eliminación de ruido en pixelsEliminación de ruido en pixels
– Descomposición de datos simulados multi-Descomposición de datos simulados multi-
frecuencia para la misión Planckfrecuencia para la misión Planck
– Búsqueda de cúmulos de galaxiasBúsqueda de cúmulos de galaxias

Aplicaciones en
– Análisis de datos recogidos por instrumentos deAnálisis de datos recogidos por instrumentos de
nueva generación para astrofísica de alta energía:nueva generación para astrofísica de alta energía:
• Telescopio de neutrinos AUGER y ARGOTelescopio de neutrinos AUGER y ARGO
• Telescopio de rayos gamma CherenkhovTelescopio de rayos gamma Cherenkhov
• Interferómetro de ondas gravitacionales VIRGOInterferómetro de ondas gravitacionales VIRGO
• Búsqueda de bosones HiggsBúsqueda de bosones Higgs
– AstroNeural, paquete AstroMinnig: reducción yAstroNeural, paquete AstroMinnig: reducción y
análisis de datosanálisis de datos

Grupo de Trabajo
x Grupo de Computación Neuronal y AdaptativaGrupo de Computación Neuronal y Adaptativa
y Neurociencia Computacionaly Neurociencia Computacional
– Departamento de Estadística, I. O. y Computación, ULLDepartamento de Estadística, I. O. y Computación, ULL
– I. U. de Ciencias y Tecnologías Cibernética, ULPGCI. U. de Ciencias y Tecnologías Cibernética, ULPGC
– Área de Conocimiento: Ciencias de la Computación eÁrea de Conocimiento: Ciencias de la Computación e
Inteligencia ArtificialInteligencia Artificial
x Líneas de trabajoLíneas de trabajo
– Neurociencia Computacional y Cognición Computacional:Neurociencia Computacional y Cognición Computacional:
Comunicación Neuronal;Aprendizaje y Memoria.Procesos yComunicación Neuronal;Aprendizaje y Memoria.Procesos y
Estructuras Cognitivas/Perceptivas Teorías y ModelosEstructuras Cognitivas/Perceptivas Teorías y Modelos
– Redes Neuronales Naturales y Artificiales: Diseño de NuevosRedes Neuronales Naturales y Artificiales: Diseño de Nuevos
Modelos de RNAsModelos de RNAs
– Aplicación de la Computación Neuronal en DominiosAplicación de la Computación Neuronal en Dominios
Biomédicos, Clínicos y MedioambientalesBiomédicos, Clínicos y Medioambientales

3939Patricio García BáezPatricio García Báez Comp. 1 Comp. 2 Comp. 3
Espectro
Analysis
Mezcla
1
2
Espectrofotómetro
de Luminescencia
Preprocesado
Características
Espectrales
1
2
Comparación de Espectros
(Capa SOM)
Mapa de SOM
Mapa de Rechazo
Capa de Tolerancias
Identificador de Espectros
(Capa de Etiquetado)
Etiquetado
Grupo de Trabajo
x Campos aplicativos estudiadosCampos aplicativos estudiados
– Procesamiento de Señales NeurofisiológicasProcesamiento de Señales Neurofisiológicas
– Identificación de Espectros LuminescentesIdentificación de Espectros Luminescentes
– Agente de Catalogación Automática de WebsAgente de Catalogación Automática de Webs
– Sistema Automático de Detección de AtaquesSistema Automático de Detección de Ataques
InformáticosInformáticos
– Diagnóstico de EnfermedadesDiagnóstico de Enfermedades
NeurodegenerativasNeurodegenerativas
..... xi ......
...... dl ........
mli
hl
Entradas
Capa
SOM
Capa de
Holguras
Capa de
Etiquetado
...... zl ........
upl
... vp
gpq

Grupo de Trabajo
x Docencia Impartida en la ULLDocencia Impartida en la ULL
– Introducción a los Modelos de Computación ConexionistaIntroducción a los Modelos de Computación Conexionista
• 3er curso, Ing. Técnica en Informática de Sistemas, ETSII3er curso, Ing. Técnica en Informática de Sistemas, ETSII
• 30 a 40 alumnos30 a 40 alumnos
• http://soma.etsii.ull.es/imcc/http://soma.etsii.ull.es/imcc/
– Introducción a la Inteligencia ArtificialIntroducción a la Inteligencia Artificial
• 3er curso, ITI de Gestión/Sistemas3er curso, ITI de Gestión/Sistemas
• http://soma.etsii.ull.es/iia/http://soma.etsii.ull.es/iia/
– Modelos Conexionistas y AutómatasModelos Conexionistas y Autómatas
• 5º curso, Ing. Informática, ETSII5º curso, Ing. Informática, ETSII
• http://soma.etsii.ull.es/mcya/http://soma.etsii.ull.es/mcya/

Futuro de las RNAs
– Futuro prometedor, si nos seguimos acercando aFuturo prometedor, si nos seguimos acercando a
las característicias de los organismos vivos:las característicias de los organismos vivos:
• Evolución, Computación Colectiva, Manejo delEvolución, Computación Colectiva, Manejo del
Conocimiento, ...Conocimiento, ...
• Natural ComputingNatural Computing =>=> Soft ComputingSoft Computing
– Presente problemático: dificultades de escalabilidadPresente problemático: dificultades de escalabilidad
• ¿Tal vez algunos parámetros de nuestros modelos son¿Tal vez algunos parámetros de nuestros modelos son
erroneos?erroneos?
• ¿Tal vez no disponemos de la suficiente potencia¿Tal vez no disponemos de la suficiente potencia
informática?informática?
• ¿Tal vez nuestros modelos no han alcanzado la¿Tal vez nuestros modelos no han alcanzado la
suficiente complejidad?suficiente complejidad?
• ¿Tal vez nos falta en nuestros modelos algún concepto¿Tal vez nos falta en nuestros modelos algún concepto
fundamental?fundamental?

Confiac

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (6)

Ähnlich wie Confiac

Ähnlich wie Confiac (20)

Confiac