Brainchip Klassengruppe WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: BRN Forum: Aktien User: Rarosch

https://www.focus.de/auto/automessen/schoene-heile-welt-reportage-nutzfahrzeug-iaa-2022_id_149654386.html

Am Freitag waren es übrigens 10mio Shorts. 16 September 2022 10,281,089. Erst gerade gesehen.

Kumpels von Ken 🤖🤔☝🤠

https://fordauthority.com/2022/09/next-gen-ford-ranger-safety-system-rd-aided-by-robots/

Our Chief Development Officer, Anil Mankar will present “Combining Neuromorphic Design Principles with Modern Machine Learning Algorithms” at tinyML Neuromorphic Engineering Forum at 10:55 a.m. PDT September 27 - Register here https://lnkd.in/gnbZVUXy tinyML Foundation #neuromorphic #AI #artificialintelligence #machinelearningalgorithms #engineering

Die Ruhe vor dem Sturm ♥️

Nicht viel los

🦧☝Guten Morgen

https://twitter.com/xailient/status/1571738900972048384?t=bkD8FLSe_Aw583GWKb6AdA&s=19

Horror 👻

https://twitter.com/Ronald_vanLoon/status/1569399520923877383?t=_ddc7Ttn7BatsK7c6Qnagg&s=19

https://www.smartdroid.de/sprachbedienung-eine-kleine-revolution-ist-fuer-google-assistant-geplant/

https://hellostake.com/au/blog/under-the-spotlight/brainchip

https://twitter.com/EdgeImpulse/status/1570898994339147777?t=zejbicUUIOUpMNrTdhQpHw&s=19

NVISO NEURO MODELS ™ EINGEBETTETES DEEP LEARNING NVISO Neuro Models™ wurden speziell für eine neue Klasse ultraeffizienter Prozessoren für maschinelles Lernen entwickeltEntwickelt für Edge-Geräte mit extrem niedrigem Stromverbrauch. Durch die Unterstützung einer breiten Palette heterogener Computerplattformen, die von CPU, GPU, DSP, NPU und neuromorphem Computing reichen, reduzieren sie die hohen Eintrittsbarrieren in den KI-Bereich durch kostengünstige standardisierte KI-Apps, die optimal am äußersten Rand (niedrig Stromversorgung, am Gerät, ohne dass eine Internetverbindung erforderlich ist). NVISO verwendet Aktivierungen mit niedriger und gemischter Genauigkeit und gewichtet Datentypen (1 bis 8 Bit) in Kombination mit modernster unstrukturierter Sparsity, um die Speicherbandbreite und den Stromverbrauch zu reduzieren. Proprietäre kompakte Netzwerkarchitekturen können vollständig sequentiell sein, geeignet für Mixed-Signal-Inferenzmaschinen mit extrem niedrigem Stromverbrauch und vollständig interoperabel mit GPUs und neuromorphen Prozessoren