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

Oder Dallas sich um seine Ganz vergessen 🙏👍🤷‍♂️😜

Es.gibt nicht wirklich viel was durchrutscht bzw. hier nicht gepostet wird, so mM ... okay außer 7für7. kümmert sich um seine anderen Foren 😂😜😅🤷‍♂️ .. xrp usw .

Servus ... ich sag mal so, bei allem was älter wie 3-5 Tage ist, lass ich es lieber sein 😜😂 ... aber angeschaut hab ich's mir trotzdem nochmal

Ist doch egal, solange es zu Informationszwecken ist.🙋🏻‍♂️🤷🏻‍♂️

War das schon 🤔

https://youtu.be/9Zers-FUHSE?si=ad70WMcoUXlXO_xz

Stimmt.

BC mit EK von 0,147 runtergekauft. Bin mit fast 7000 € im Minus. Aber mit Tesla und KI ETF zum Glück ausgeglichen. Kann damit gut schlafen. Und wenns mal klingelt umso besser. Ohne Risiko geht's halt nicht. Bisschen zocken macht auch Spaß.

BC ist fetter Klumpen im Zockerpott. Auf 0,22 Euronen die letzten Jahre runter gekauft. Ab dann wird es oberhalb davon mit jedem Cent wohlhabender. Zunächst müssen aber erst mal die Verluste durch z.B. Paion und Wirecard ausgeglichen werden.

Stell dir vor es ist deine Frau und wollte gerade das System austricksen 😂🙌

Ich sag mal so ... meiner Frau darf ich es nicht verraten ... ansonsten bin ich ein Kopf kürzer 😜 EK 0,16€ aktuell (variiert in letzter Zeit)

Mit welchem EK und wie viel € insgesamt seid ihr hier überhaupt investiert, falls man fragen darf?

Und das auch einmal Edge AI zum Anfassen – BrainChip zeigt wie’s geht Was bringt die beste Technologie, wenn keiner versteht, wie man sie einsetzen kann? Genau hier setzen die neuen Edge AI Demos von BrainChip an. Sie zeigen anschaulich, wie man reale Use Cases mit der Akida IP umsetzt – z. B. zur Vibrationsanalyse in der Industrie, direkt auf dem Edge-Device, mit minimalem Stromverbrauch. 🔧 Was wird gezeigt? Eine Demo, die mit einem kleinen Sensor (ADXL345) verschiedene Bewegungsmuster erkennt – z. B. „vor/zurück“, „hoch/runter“, „seitlich“, „Tippen“. Echtzeit, lokal auf dem Gerät – ohne Cloud. Ideal für Predictive Maintenance, Conveyor Belt Monitoring u. v. m. 🧠 Wie funktioniert das? Die Daten werden vorverarbeitet, analysiert und klassifiziert – komplett mit Akida. Dabei nutzt BrainChip moderne Frameworks wie Gradio (Python) und PyQt (C++) für intuitive Interfaces, die sofort zeigen, wie das System reagiert. ⚙️ Warum ist das relevant? Weil man hier sieht, wie man als Entwickler oder Unternehmen direkt loslegen kann: • Kein Cloud-Zwang • Kein High-End-Server notwendig • Echtzeitverarbeitung bei ultra-low Power • Visualisierung direkt am Gerät 💡 Und das Beste: Mit Edge Impulse lassen sich eigene Modelle ganz ohne Code trainieren und direkt für Akida optimieren – Plug & Play für alle, die ernsthaft mit Edge AI arbeiten wollen. 🔗 Fazit: BrainChip liefert nicht nur Technik, sondern auch konkrete Demos, die zeigen, wie man damit echte Probleme löst. Wer Edge AI für Industrie, Audio oder Sensorik braucht, sollte sich das ansehen. Und für alle Skeptiker: Einfach mal die Demo laufen lassen – „Seeing is believing.“

Aber eine Sache doch noch… eine übersetzte Zusammenfassung für jedermann ! 🙌 Der Artikel „Evaluating Edge Accelerators: Beyond the Metrics“ analysiert, warum klassische Leistungskennzahlen wie TOPS (Trillionen Operationen pro Sekunde) nicht ausreichen, um Edge-KI-Beschleuniger wirklich fair zu bewerten. Hier sind die wichtigsten Punkte in einfacher Sprache zusammengefasst: ⸻ 🔍 Warum klassische Metriken nicht reichen • TOPS ist nicht alles: Ein hoher theoretischer Wert sagt nichts über echte Leistung im Alltag aus – etwa, wie flexibel ein Chip mit verschiedenen Modellen umgehen kann oder wie sparsam er bei realen Aufgaben arbeitet. • Softwarekompatibilität entscheidend: Viele Chips versprechen Unterstützung für Frameworks wie TensorFlow Lite, funktionieren aber mit echten Modellen nur eingeschränkt. • CPU-Bremsklotz: Wenn ein KI-Modell nicht vollständig vom Beschleuniger verarbeitet werden kann, muss der Rest auf der CPU laufen – das verlangsamt alles stark, selbst bei einem „schnellen“ Chip. ⸻ ⚡ Was macht Akida besonders? • Sparsity-Nutzung: Akida berechnet nur das, was wirklich nötig ist. Überflüssige Nullen in den Daten werden einfach übersprungen – das spart Energie und Zeit. • Eventbasiertes Rechnen: Statt durchgehend Daten zu verarbeiten, reagiert Akida nur auf Ereignisse („Event-Trigger“), was bei visuellen und auditiven Signalen besonders effizient ist. • Auch bei normalen Daten effektiv: Auch bei klassischen Bildern und Tonaufnahmen zeigt sich genug „Leere“ (Sparsity), um davon zu profitieren – nicht nur bei Spezialdaten wie von DVS-Kameras. ⸻ 🧠 Zukunftssichere Architektur • State-Space Modelle statt nur CNNs: BrainChip setzt auf neuartige Modellarchitekturen (TENNs), die schneller und sparsamer sind als klassische Convolutional Neural Networks. • Flexible Anpassung: Akida kann mit modernen Modellen umgehen und ist offen für zukünftige KI-Entwicklungen. ⸻ 📉 Warum Akida im Benchmark manchmal unterschätzt wird • Zu viele Vergleichswerte aus Theorie: Viele Studien ignorieren Akidas Stärken wie Sparse-Verarbeitung oder testen veraltete Chips (AKD1000 statt AKD1500). • Systemleistung zählt mehr als Einzelchip: Wenn Stromverbrauch und Speicher nicht systemweit betrachtet werden, sehen Chips wie Akida schlechter aus, obwohl sie in echt überlegen sind. ⸻ 🧾 Fazit des Artikels Die Autoren fordern, dass Benchmarks von Edge-KI-Chips sich mehr an echten Anforderungen orientieren: • Stromverbrauch pro Inferenz • Gesamtsystem-Leistung inklusive Speicher • Kompatibilität mit echten Modellen • Architektonische Flexibilität (z. B. Sparsity, State-Space)

Wollte ich alles auch jetzt posten… 😂 Danke für eure Mühe!