Top 6 Datenerfassungsmethoden für KI und maschinelles Lernen

Während einige Unternehmen auf KI-Datenerfassungsdienste zurückgreifen, sammeln andere ihre Daten mithilfe von Scraping-Tools oder anderen Methoden.

Sehen Sie die 6 wichtigsten KI-Datenerfassungsmethoden und -techniken, um Ihre KI-Projekte mit präzisen Daten zu versorgen:

Überblick über KI-Datenerfassungsmethoden

1. Crowdsourcing

Daten-Crowdsourcing umfasst die Zuweisung von Datenerfassungsaufgaben an die Öffentlichkeit, die Bereitstellung von Anweisungen und die Schaffung einer Plattform für den Austausch. Unternehmen können auch mit Crowdsourcing-Datenerfassungsagenturen zusammenarbeiten.

Vorteile

• Entwickler können schnell eine Vielzahl von Mitwirkenden gewinnen und so die Datenerfassung für Projekte mit engen Fristen beschleunigen.
• Crowdsourcing ermöglicht Datenvielfalt, indem es Mitwirkende aus der ganzen Welt zusammenbringt, wodurch die mehrsprachige Datenerfassung erheblich effizienter wird.
• Es entfallen Kosten für Einstellung, Schulung und Einarbeitung eines internen Teams. Die Mitarbeiter nutzen ihre eigene Ausrüstung.
• Erfahrene Crowdsourcing-Unternehmen verfügen über Domänenspezialisten, die hochwertige, relevante und zuverlässige Daten liefern können, die speziell auf die Anforderungen Ihres Projekts zugeschnitten sind.
• Diese Methode eignet sich sowohl für die primäre als auch für die sekundäre Datenerfassung, von nutzergenerierten Inhalten bis hin zu akademischen Forschungsdaten.

Nachteile

• Es kann schwierig sein zu überprüfen, ob Mitwirkende über ausreichende Domänen- oder Sprachkenntnisse verfügen, insbesondere bei spezialisierten oder technischen Inhalten.
• Die Nachverfolgung, ob Aufgaben korrekt ausgeführt werden, ist schwierig, wenn die Mitarbeiter remote und zahlreich sind und die Interpretationen der Aufgaben variieren.
• Die Datenqualität ist aufgrund der Variabilität der Fachkenntnisse und des Engagements der Mitwirkenden schwer aufrechtzuerhalten.
• Die Eingrenzung der richtigen Mitwirkenden erfordert eine sorgfältige Bewertung der Qualifikationen und bisherigen Leistungen.

Fallstudien

M-Pesa, ein mobiler Gelddienst in Kenia, nutzt Blockchain, um die Transparenz in Crowdsourcing-Agentennetzwerken zu erhöhen. Agenten in ländlichen Gebieten bearbeiten Kundenanfragen über ein dezentrales Ledger und verringern so das Betrugsrisiko. Dieses System wurde auf acht weitere Länder ausgeweitet und nutzt Blockchain, um Transaktionen und die Leistung der Agenten in Echtzeit zu verfolgen.¹

OpenStreetMap (OSM) setzt weltweit Freiwillige ein, um Open-Source-Karten zu erstellen. Mitwirkende aktualisieren Geodaten, die für Katastrophenhilfe (z. B. Erdbebenhilfe in Nepal) und Stadtplanung genutzt werden – eine kostengünstige Alternative zu proprietären Kartendiensten.²

2. Interne Datenerfassung

KI/ML-Entwickler können Daten privat innerhalb der Organisation erfassen. Diese Methode eignet sich am besten, wenn der benötigte dataset klein, privat oder sensibel ist oder wenn die Problemstellung so spezifisch ist, dass Präzision und Anpassung wichtiger sind als Skalierung. Der benötigte dataset ist klein, und die Daten sind privat oder sensibel. Sie ist auch effektiv, wenn die Problemstellung zu spezifisch ist und die Datenerfassung präzise und maßgeschneidert sein muss.

Vorteile

• Die interne Erfassung ist die privateste und kontrollierteste Methode, Primärdaten zu sammeln.
• Ein höheres Maß an Anpassung ist erreichbar, da der Prozess auf das spezifische Projekt zugeschnitten ist.
• Die Überwachung der Arbeitskräfte ist einfacher, wenn sie physisch anwesend sind.

Nachteile

• Es ist teuer und zeitaufwendig, ein Datenerfassungsteam einzustellen oder zu rekrutieren.
• Es ist schwierig, die domänenspezifische Effizienz zu erreichen, die Crowdsourcing-Agenturen bieten.
• Mehrsprachige Daten sind intern schwer zu erfassen.
• Datensammler müssen außerdem Verarbeitung und Kennzeichnung durchführen, was die Arbeitsbelastung erhöht.

Fallstudie: Teslas autonome Fahrzeuge

Tesla erfasst mithilfe von bordeigenen Sensoren und Kameras Echtzeit-Fahrdaten aus seiner Fahrzeugflotte. Dieser proprietäre dataset trainiert seine KI-Models für komplexe Verkehrsszenarien. Teslas Autopilot-System stützt sich auf Petabytes an Video- und Sensordaten, um Spurhalte- und Kollisionsvermeidungsalgorithmen zu verfeinern. ³ Die größten Herausforderungen sind hohe Infrastruktur- und Speicherkosten sowie die begrenzte Skalierbarkeit für mehrsprachige oder globale Datasets.

3. Fertige Datasets

Diese Methode verwendet vorbereinigte, bereits vorhandene Datasets, die auf dem Markt erhältlich sind. Sie ist eine praktische Option, wenn das Projekt keine große Datenvielfalt oder stark personalisierte Eingaben erfordert. Vorgefertigte Datasets sind kostengünstiger zu beschaffen und einfacher zu implementieren als die Erstellung eines Datasets von Grund auf.

Beispielsweise kann ein einfaches Bildklassifizierungssystem mit vorgefertigten Daten gespeist werden.

Vorteile

• Geringere Vorabkosten, da kein Team rekrutiert und keine Daten gesammelt werden müssen.
• Schneller zu implementieren, da die Datasets bereits vorbereitet und einsatzbereit sind.

Nachteile

• Diese Datasets können fehlende oder ungenaue Daten enthalten, die eine zusätzliche Verarbeitung erfordern. Die Qualitätslücke von 20–30 % kann mehr kosten zu schließen, als die anfänglichen Einsparungen vermuten lassen.
• Sie sind nicht anpassbar, da sie nicht für ein bestimmtes Projekt erstellt wurden, wodurch sie für Models ungeeignet sind, die stark personalisierte oder domänenspezifische Daten benötigen.

Fallstudie: AlphaFold nutzte bereits vorhandene Proteinstrukturdatenbanken (Protein Data Bank), um sein KI-Model zu trainieren, und ermöglichte so Durchbrüche bei der Vorhersage von 3D-Proteinkonfigurationen. Dies beschleunigte die Arzneimittelforschung, indem jahrelange laborgestützte Datenerfassung umgangen wurde.⁴

4. Automatisierte Datenerfassung

Automatisierte Datenerfassung verwendet Softwaretools, um Daten ohne manuellen Aufwand aus Online-Quellen zu beziehen. Die beiden gängigsten Ansätze sind:

• Web-Scraping: Tools, die automatisch Daten von Websites und sozialen Plattformen sammeln.
• APIs: Daten, die direkt über application programming interfaces bezogen werden, die von der Quellplattform bereitgestellt werden.

Vorteile

• Eine der effizientesten verfügbaren Methoden zur sekundären Datenerfassung.
• Reduziert menschliche Fehler, die bei sich wiederholenden manuellen Erfassungsaufgaben auftreten.

Nachteile

• Die Wartungskosten können hoch sein. Websites ändern häufig ihr Design und ihre Struktur, was eine wiederholte Neuprogrammierung der Scraper erfordert.
• Einige Websites setzen Anti-Scraper-Tools ein, die den automatisierten Zugriff einschränken.
• Automatisch erfasste Rohdaten können ungenau sein und erfordern eine Analyse nach der Erfassung.

Fallstudie: Alibabas City Brain
Alibaba nutzt automatisierte Sensoren, GPS und Verkehrskameras, um Echtzeit-Stadtdaten zu erfassen. Dieses System optimiert die Ampelschaltung und reduziert Staus in Städten. ⁵

Vorteile:

• Hohe Effizienz und weniger menschliche Fehler.
• Skalierbar für große Mengen sekundärer Daten.

Herausforderungen:

• Wartungskosten für die Anpassung an sich ändernde Datenquellen.
• Begrenzt auf vorhandene Daten, keine Primärerfassung.
• Rechtliches und Compliance-Risiko: Die Rechtslage beim Web-Scraping hat sich erheblich verändert. Weltweit wurden über 70 Urheberrechtsklagen gegen KI-Unternehmen eingereicht, weil sie geschützte Inhalte gescraped haben.⁶ Das EU-KI-Gesetz tritt am 2. August 2026 vollständig in Kraft und verlangt von Anbietern von KI-Models, maschinenlesbare Opt-outs zu respektieren, detaillierte Zusammenfassungen der Trainingsdatasets zu veröffentlichen und Transparenz darüber zu wahren, welche Daten verwendet wurden. Das Interactive Advertising Bureau (IAB) brachte im Februar 2026 in den USA den KI Accountability for Publishers Act ein, der KI-Unternehmen verpflichten würde, eine Genehmigung einzuholen und Gebühren für das Scraping von Publisher-Inhalten zu zahlen.⁶ Zwei aktive Fälle werden die Parameter für die faire Nutzung von KI-Trainingsdaten festlegen: Google gegen SerpApi (Anhörung zum Antrag auf Abweisung geplant für den 19. Mai 2026)⁷ und Reddit gegen Anthropic. ⁸ Organisationen, die Web-Scraping für das KI-Training nutzen, sollten bis August 2026 über einen dokumentierten, prüfbaren Datenerfassungsprozess verfügen.

5. Generative KI

Generative KI kann KI-Trainingsdaten von Grund auf generieren oder vorhandene Daten anreichern, um die Modelleistung zu verbessern. Sie ist darauf ausgelegt, Inhalte, Text, Bilder, Audio, Video oder strukturierte Daten zu erzeugen, die realen Eingaben stark ähneln.

Der Markt für die synthetische Datengenerierung wird Prognosen zufolge von $0,77 Milliarden im Jahr 2026 auf $7,22 Milliarden bis 2033 wachsen, angetrieben durch Datenschutzvorschriften, Datenknappheit in spezialisierten Bereichen und die steigenden Kosten menschlicher Annotation.⁹

Vorteile

• Datenerweiterung: Geringfügige Änderungen an vorhandenen Daten, wie das Drehen, Zoomen oder Umfärben von Bildern, machen Models robuster und verbessern ihre Erkennung von Eingaben unter unterschiedlichen Bedingungen.
• Daten synthetisieren: Wenn reale Daten schwer, teuer oder zeitaufwendig zu erfassen sind, kann generative KI synthetische Datasets erstellen, die ihnen sehr ähnlich sind. Dies ist besonders wirksam bei seltenen Ereignissen und Edge Cases, die in historischen Daten nicht häufig genug vorkommen, um ein model effektiv zu trainieren.
• Datenschutz: Generative KI kann Daten erzeugen, die statistischen Eigenschaften der Originaldaten widerspiegeln, ohne personenbezogene Informationen zu enthalten, was die gemeinsame Nutzung über Organisations- und Regulierungsgrenzen hinweg ermöglicht.
• Kosteneffizienz: Die Datengenerierung mit KI ist in der Regel kostengünstiger als die herkömmliche Datenerfassung, insbesondere bei risikoreichen oder seltenen Szenarien.
• Vielfältige Szenarien: Generative KI kann Bedingungen und Edge Cases simulieren, deren Erfassung in der realen Welt unpraktisch oder gefährlich wäre.

Nachteile

• Bedenken hinsichtlich Datenqualität und Authentizität: Generierte Daten bilden reale Szenarien nicht immer perfekt ab. Wenn das generative model Verzerrungen oder Ungenauigkeiten aufweist, werden diese auf die Trainingsdaten übertragen und im nachgelagerten model verstärkt.
• Overfitting an synthetische Daten: Ein model, das stark mit synthetischen Daten trainiert wurde, die nicht genau den realen Verteilungen entsprechen, wird bei synthetischen Benchmarks gut abschneiden, in der Produktion jedoch schlecht.
• Model Collapse: Dies ist ein eigenständiges und schwerwiegenderes Risiko als normales Overfitting. Wenn KI-Models iterativ mit Daten neu trainiert werden, die von ähnlichen Models generiert wurden, entsteht eine Feedback-Schleife, in der die Ausgabequalität zunehmend abnimmt. Die Verteilung der generierten Daten verengt sich, die Vielfalt geht verloren, und die Models imitieren zunehmend die Fehler des jeweils anderen, statt aus realen Signalen zu lernen. Die Eindämmung des Model Collapse erfordert eine bewusste Mischung aus menschlichen und synthetischen Daten, die Durchsetzung von Vielfalt und die Überwachung von Verteilungsdrift.¹⁰

Empfehlungen

Datenvielfalt sicherstellen: Priorisieren Sie Variationen in Demografie, Szenarien und Kontexten in generierten Datasets, um Verzerrungen zu vermeiden und sicherzustellen, dass das model über verschiedene Situationen hinweg verallgemeinert.

Synthetische Daten in menschlicher Wahrheit verankern: Verwenden Sie von Menschen kuratierte Korpora als Grundlage und synthetische Daten, um diesen Kern zu erweitern, zu belasten und zu härten – insbesondere bei seltenen Ereignissen und Edge Cases. Trainieren Sie nicht ausschließlich mit synthetischen Daten.

Regelmäßig anhand realer Beispiele validieren: Validieren Sie generierte Daten kontinuierlich und aktualisieren Sie die Trainingssätze. Dies ist besonders wichtig in sich schnell entwickelnden Bereichen, in denen sich Verteilungen schnell verschieben.

Ethische und rechtliche Compliance überwachen: Achten Sie genau auf Datenschutz und geistige Eigentumsrechte. Stellen Sie sicher, dass generative Models keine geschützten Informationen replizieren oder schädliche Verzerrungen aufrechterhalten.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

6. Reinforcement Learning aus menschlichem Feedback (RLHF)

RLHF ist eine Methode, bei der ein Machine-Learning-model anhand menschlichen Feedbacks trainiert wird, anstatt sich ausschließlich auf traditionelle Belohnungssignale aus einer Umgebung zu stützen. Es war bis 2023–2024 die dominante Alignment-Technik für Large Language Models, wird jedoch zunehmend durch skalierbarere Alternativen ersetzt oder ergänzt.

So funktioniert es

1. Erste Demonstrationen: Menschliche Experten demonstrieren das gewünschte Verhalten. Diese Demonstrationen bilden einen grundlegenden dataset, der veranschaulicht, wie erfolgreiche Leistung aussieht.
2. Modelltraining: Das model trainiert mit diesen Demonstrationsdaten und lernt, die Verhaltensweisen und Entscheidungen des Experten zu replizieren.
3. Fine-tuning mit Feedback: Menschliche Bewerter bewerten oder benoten die Ausgaben des models. Das model passt sein Verhalten auf Grundlage dieser Bewertungen an, um es an menschliche Erwartungen anzugleichen.

Vorteile

• In Umgebungen, in denen die Definition einer Belohnungsfunktion schwierig ist oder Belohnungen selten sind, schließt RLHF die Lücke mithilfe menschlicher Expertise.
• Menschliche Bewerter können das model von schädlichen oder unethischen Verhaltensweisen wegführen, die ein automatisiertes Belohnungssignal möglicherweise übersehen würde.

Nachteile

• Skalierbarkeitsprobleme: Die kontinuierliche Abhängigkeit von menschlichem Feedback ist ressourcenintensiv. Wenn Aufgaben komplexer werden, wird die menschliche Beteiligung zu einem Engpass. Das Training eines Belohnungsmodels mit RLHF kann ~$500K kosten und zwei Monate dauern.
• Einbringen menschlicher Verzerrungen: Die Präferenzen, Missverständnisse und kulturellen Verzerrungen menschlicher Bewerter werden unbeabsichtigt auf das model übertragen und erzeugen unbeabsichtigte Verhaltensweisen.

Skalierbare Alternativen: RLAIF und RLVR

Die Skalierbarkeitsbeschränkungen von RLHF haben die Entwicklung zweier gängiger Nachfolgemethoden vorangetrieben, die heute in führenden KI-Labors eingesetzt werden:

RLAIF (Reinforcement Learning from KI Feedback) ersetzt menschliche Annotatoren durch ein KI-model, das Präferenzfeedback generiert. Anstatt menschlichen Bewertern Vergleichspaare zu zeigen, werden diese einem KI-Richter vorgelegt, der nach einem festgelegten Regelwerk arbeitet. RLAIF kostet etwa $5K für 50.000 Labels, verglichen mit ~$500K bei RLHF, und ermöglicht wöchentliche Iterationen statt vierteljährlicher.¹¹ Anthropics

Constitutional KI ist die wichtigste reale Umsetzung von RLAIF. Eine schriftliche „Verfassung“ von Prinzipien leitet ein KI-model dabei an, seine eigenen Ausgaben zu kritisieren und zu überarbeiten, wodurch menschliche Annotatoren keine schädlichen Inhalte mehr kennzeichnen müssen. Sie erreicht 88 % Harmlosigkeitsraten im Vergleich zu 76 % bei RLHF, ohne die Hilfsbereitschaft zu beeinträchtigen.¹² Seit 2026 ist RLAIF eine Standardmethode in Post-Training-Pipelines der gesamten Branche geworden.¹³

RLVR (Reinforcement Learning from Verifiable Rewards) verfolgt einen anderen Ansatz: Bei Aufgaben, deren Korrektheit automatisch überprüft werden kann, ist weder ein menschlicher noch ein KI-Richter erforderlich. Das model generiert eine Antwort, und das System prüft einfach, ob sie korrekt ist. RLVR kostet etwa $1K an Rechenleistung, erreicht 100 % Genauigkeit beim Feedback-Signal und ist in Tagen statt Monaten abgeschlossen. Ihre Einschränkung besteht darin, dass sie nur für objektiv überprüfbare Aufgaben gilt, die etwa 10 % der Anwendungsfälle abdecken.¹¹

In der Praxis kombinieren viele Organisationen die Methoden: RLHF für das anfängliche Alignment der Kernfähigkeiten, RLAIF für schnelle Iteration und RLVR für Mathematik- und Code-Aufgaben.

Fallstudie: OpenAI ChatGPT

Um die Toxizität in ChatGPT zu verringern, arbeitete OpenAI mit Sama, einem kenianischen Outsourcing-Unternehmen, zusammen, um explizite Inhalte zu kennzeichnen. Die Beschäftigten verdienten $1,32–2/Stunde für die Überprüfung grafischer Texte, einschließlich Gewalt und Missbrauch. Dieser RLHF-Prozess trainierte die Sicherheitsfilter von ChatGPT, setzte die Beschäftigten jedoch psychischen Schäden aus, was Sama dazu veranlasste, den Vertrag vorzeitig zu kündigen.¹⁴ Die in diesem Fall dokumentierten arbeitsbezogenen und ethischen Bedenken waren eine direkte Motivation für die Entwicklung von RLAIF- und Constitutional-KI-Ansätzen, die speziell darauf ausgelegt sind, die Abhängigkeit von schlecht bezahlter, stark schädigender menschlicher Annotationsarbeit zu verringern.

FAQs

Externe Ressourcen

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{Top 6 Datenerfassungsmethoden für KI und maschinelles Lernen}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/data-collection-methods}},
  note   = {AIMultiple. Abgerufen am 1. April 2026}
}

Änderungsprotokoll

11 Aktualisierungen

1. 20261. Apr

   Ein Abschnitt zu RLAIF und RLVR als skalierbare Alternativen zu RLHF wurde hinzugefügt.

2. 202513. Mai

   Der Fallstudie ASOS & Appen wurde aus dem Abschnitt Crowdsourcing entfernt.

3. 12. Mai

   Fallstudien zu den Abschnitten Crowdsourcing, Inhouse-Datenerfassung, Vorgefertigte Datensätze, Automatisierte Datenerfassung, Generative KI und Reinforcement Learning aus menschlichem Feedback (RLHF) hinzugefügt.

4. 202426. Mär

   FAQs zu KI-Datenerfassungsmethoden hinzugefügt.

5. 202318. Dez

   Die Einleitung wurde um einen Hinweis auf den Fokus des Artikels auf KI-Datenerfassung erweitert.

6. 10. Okt

   Generative KI und Reinforcement Learning from Human Feedback zu den Datenerfassungsmethoden hinzugefügt.

7. 17. Jul

   Clickworker wurde als Spezialist für Daten-Crowdsourcing hinzugefügt.

8. 28. Apr

   Der Abschnitt „Benutzerdefiniertes Crowdsourcing“ wurde um zwei Abbildungen und deren Quellen erweitert.

9. 202227. Dez

   Die Anzahl der registrierten Mitwirkenden für Clickworker wurde aktualisiert.

10. 21. Nov

    Der Abschnitt „Web Scraping und Crawling“ wurde durch „Automatisierte Datenerfassung“ ersetzt.

11. 15. Aug

    „Private Sammlung“ zu den Datenerfassungsmethoden hinzugefügt.

Referenzlinks

1.

ResearchGate - Temporarily Unavailable

2.

ResearchGate - Temporarily Unavailable

3.

Tesla: The Data Collection Revolution in Autonomous Driving | by Shreyas Sharma | CISS AL Big Data | Medium

CISS AL Big Data

4.

How to predict structures with AlphaFold - Proteopedia, life in 3D

5.

Alibaba’s ‘city brain’ is improving traffic in Hangzhou | CNN Business

Getty

6.

Web Scraping Legal Compliance Framework: GDPR, CCPA, and Global Regulations (2026) | Use Apify

Use Apify

7.

SerpApi Motion to Dismiss Google Lawsuit: Complete Legal Analysis

8.

How Artificial Intelligence is Shaping Web Scraping Litigation

ZwillGen

9.

Synthetic Data for AI: Benefits, Risks & Model Training

Kings Research

10.

AI training in 2026: anchoring synthetic data in human truth

Invisible Technologies

11.

RLHF vs RLAIF vs RLVR: The Three Ways to Teach AI Models - Floating Bytes

12.

RLAIF Explained: A Scalable Alternative to RLHF for AI Training

Turing

13.

Constitutional AI Explained: The Next Evolution Beyond RLHF for Safe and Scalable LLMs | by @pramodchandrayan | Predict | Medium

Predict

14.

OpenAI Used Kenyan Workers on Less Than $2 Per Hour: Exclusive

Time

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sena Sezer

Branchenanalystin

Folgen auf

Sena ist Branchenanalystin bei AIMultiple. Sie hat ihren Bachelor an der Bogazici University abgeschlossen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten