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

dass sie mit akida 2 das kundenfeedback umsetzen werden haben sie ja mehrmals gesagt. meiner meinung nach haben sie nur schon mit TENN die erwartungen klar übertroffen (aber bin ja kein experte auf dem gebiet). wer mit akida 1000 bereits "übte" wird es wohl mit akida 2 noch etwas einfacher haben / effizienter sein da er mit der materie (software, funktionalität etc) bereits vertraut ist. zudem BC's/seah heir's (seit seinem 1. interview als CEO) kern fokus liegt ja auf einem leichten einstieg/einfache anwendung (stichwort metatf & ökosystem) von dem her wird es sich mit feedback mit akida 2 sicherlich noch etwas verbessert haben. kurz gesagt akida 2 wird die kunden deutlich leichter überzeugen können aber nur meine meinung

Man muss es mal andersherum betrachten. Akida 1000 war ein Produkt das zum testen raus gegangen ist. Die wichtigen Funktionen und Eigenschaften die es beinhaltet waren aus der Sicht der Entwickler, jedoch weniger aus der Sicht der Konsumenten. Denke, dass aufgrund der Resonanz und des Feedbacks von vielen Unternehmen und Partner, dass beim testen des akida 1000 zurück gekommen ist, vieles in die weitere Entwicklung in den akida 2 bzw 1500 gewandert ist um somit ein wohl gemerkt "noch Markt fähigeres Produkt" entwickeln zu können. Diese Vorgehensweise erfordert viel Zeit, Vertrauen in die eigenen Fähigkeiten und Ausdauer eines Unternehmens, jedoch kann es bei geschickter Umsetzung dieser Erkenntnisse wahnsinnige Vorteile bringen um sich auf den relativ NEUEN Markt zu positionieren. Die meisten fangen mit einem weissen Blatt Papier an und BC hat die letzten Jahre in diesem Bereich seine Hausaufgaben gemacht. Weiter so und der Erfolg in welcher Größenordnung auch immer wird nicht ewig auf sich warten lassen. 🇦🇺🧠⤴️👌🦘

akida 1000 mag gut sein aber mit akida 2 werden sie den nerv treffen🥰

@Kirsten79 Zum Ende des Artikels steht aber was ganz interessantes. Untersuchung anderer neuronaler Netzarchitekturen: Anstelle der Verwendung des AkidaNet ImageNet-Modells könnte die Erforschung anderer Architekturen vielleicht vielversprechendere Ergebnisse liefern. Solche Architekturen könnten sein ResNet, Inception oder EfficientNet.⁸

https://kth.diva-portal.org/smash/get/diva2:1779206/FULLTEXT01.pdf Computertomographie (CT)-Scans spielen eine entscheidende Rolle in der medizinischen Bildgebung und ermöglichen es Neurowissenschaftlern, intrakranielle Pathologien wie Blutungen und bösartige Tumoren im Gehirn zu identifizieren. Diese Arbeit untersucht das Potenzial von Deep-Learning-Modellen als Hilfsmittel bei der Erkennung intrakranieller Pathologien durch medizinische Bildgebung. Indem zunächst ein Faltungs-Neuronales Netzwerkmodell erstellt wurde, das in der Lage ist, Gehirnblutungen zu identifizieren, und dieses dann auf den neuromorphen Prozessor Akida AKD1000 übertragen wurde, ermöglichte es die Verwendung von Spiking Neural Networks und hochmodernen Umschulungsfunktionen. In einem Prozess namens „Few-Shot-Learning“ wurde das Modell darauf trainiert, mit minimalen zusätzlichen Proben auch Hirntumoren zu identifizieren. Die Forschung untersuchte außerdem, wie die beim Edge-Learning verwendeten Parameter die Klassifizierungsgenauigkeit beeinflussten. Es zeigte sich, dass die Parameterauswahl und -interaktion einen Kompromiss hinsichtlich der Genauigkeit der Blutungs- und Tumorklassifizierungsmodelle mit sich brachte, es konnte jedoch eine optimale Parameterkonstellation extrahiert werden. Diese Ergebnisse sollen als Grundlage für zukünftige Bemühungen in der Bildanalyse mit neuromorpher Hardware dienen, insbesondere im Bereich des Wenig-Aufnahmen- und On-Edge-Lernens. Die Integration dieser Modelle in den medizinischen Bereich hat das Potenzial, die Diagnose intrakranieller Pathologien zu rationalisieren, die Genauigkeit und Effizienz zu erhöhen und gleichzeitig medizinische Fachkräfte zu entlasten.