NORCOM WKN: A12UP3 ISIN: DE000A12UP37 Kürzel: NC5A Forum: Aktien Thema: Hauptdiskussion

Wusste noch gar nicht das ich hier rum stichel und in der spanischen Sonne liege. Und oberarrogant bin ich ebenfalls nicht. Da musst du mich mit jemand verwechseln Cash.. PS: Wärst du hier schon länger dabei, wüsstest du was hier für links gepostet werden ;) - Also ruhig Blut.

Muss auch noch was passieren Wir hatten gemeinsam 67€ geschätzt bis Ultimo

Yes

Neue woche, neues Glück

Ups ;)

Heute geht's wieder aufwärts!

Der Artikel ist dir nicht durch gerutscht ;). Den hast du schon letztes Jahr gepostet. Keine Angst...

Trotzdem Danke, Nu

Panne!...soviel wollte ich nicht kopieren!

 18. Mai 2017  IHR SELBSTFAHRENDES AUTO - WIE IST ES SO SMART GEWORDEN? durch Michael Ger   ZIEL AUTONOM Der Marsch zu autonomen Fahrzeugen beschleunigt sich weiter. Während sich die Expertenmeinung in Bezug auf das spezifische Timing und die Anwendungsfälle, die zuerst auftauchen werden, unterscheidet, bestreiten nur wenige, dass selbstfahrende Autos in unserer Zukunft liegen. Es überrascht nicht, dass bei der Überprüfung von Big-Data-Strategien mit meinen Kunden aus der Automobilindustrie Diskussionen über Datenmanagementstrategien für autonome Fahrforschung zwangsläufig auftauchen. Vor einigen Wochen habe ich auf dem DataWorks Summit 2017 in München die Sitzung "Big Data in Automotive" mit NorCom und Microsoft präsentiert, zwei Hortonworks-Lösungspartnern, die in Zusammenarbeit mit Hortonworks Datenmanagementlösungen für die autonome Antriebsforschung entwickelt haben. Besonders interessant war eine Diskussion mit Dr. Tobias Abthoff von Norcom. Durch unsere Diskussionen entstand eine robustere Datenmanagementstrategie für autonome Fahrzeugforschung. AUTONOME FAHRFORSCHUNG - WAS IST DAS? Wie wir alle zu schätzen wissen, ist es ein entmutigendes Vorhaben, ein Fahrzeug so zu "lehren", dass es unter allen möglichen Bedingungen fahren kann (Straßenbedingungen, Wetterbedingungen und Verhalten anderer Verkehrsteilnehmer wie Autos, Lastwagen oder Menschen). Wenn Sie nur nervös denken, sind Sie nicht allein - nach Angaben der American Automobile Association (AAA) sind 75 Prozent der Verbraucher noch nicht bereit, selbstfahrende Autos zu umarmen. Dies ist jedoch die eigentliche Herausforderung für Autohersteller - Lehrfahrzeuge zu beurteilen und zu reagieren auf jede Kombination von Betriebsbedingungen "on-the-fly" durch diskrete Regeln (Algorithmen), die das Verhalten eines Fahrzeugs zu steuern. MASCHINEN LERNEN AUCH Interessanterweise "lernen" Menschen und Maschinen auf ähnliche Weise. Für jede gegebene Situation müssen sowohl Menschen als auch Maschinen zuerst Erfahrungen (Daten) absorbieren, gefolgt von der Anwendung einer Reihe von Regeln (Algorithmen), die die Problemlösung erleichtern. Wenn die Ergebnisse entweder positiv oder negativ sind, lernen wir im Allgemeinen von der Übung. TRADITIONELLE DATENMANAGEMENT-ANSÄTZE FÜR LANGSAME AUTONOME ENTWICKLUNG Wie sich herausstellt, ist das Unterrichten von Autos zum Fahren ein unglaublich datenintensives Unterfangen. Herkömmliche Datenmanagement-Ansätze sind bestrebt, die Anforderungen der autonomen Fahrforschung zu bewältigen. Betrachten Sie Herausforderungen in zwei Bereichen: Datenspeicher-Herausforderungen Autonome Testfahrzeuge (jene Autos mit den funky übergroßen Kameras, die Sie gesehen haben) erzeugen mehrere Terabyte an Video-, RADAR-, LIDAR- und Sensordaten pro Fahrzeug und Tag. Für die großen Fahrzeugflotten, die derzeit getestet werden, legt die einfache Mathematik nahe, dass Autohersteller jetzt mehrere PETABYTES von autonomen Autotestdaten aufnehmen und speichern. Warum alle diese Daten speichern? Der Grund ist einfach: Autohersteller versuchen, Daten zu erfassen, die praktisch jeden Betriebszustand eines Fahrzeugs beschreiben (z. B. das Überqueren einer Kreuzung bei rutschigen Bedingungen in der Nacht) und diese Informationen nutzen, um Autos zu "lehren". Herkömmlicherweise wurden Fahrzeugprüfdaten in zahlreichen NAS-Systemen (Network Attached Storage) gespeichert, die häufig an Orten auf der ganzen Welt verteilt sind.Angesichts der mit NAS-basierten Systemen verbundenen Kosten- und Leistungseinschränkungen untersuchen die Automobilhersteller jedoch effizientere Speicherlösungen für die autonome Fahrzeugforschung. Datenverarbeitungsherausforderungen Sobald alle diese Fahrzeugdaten gespeichert sind, wie wird es tatsächlich verwendet, um ein Auto zu fahren? Mehrere Datenverarbeitungsschritte sind erforderlich. Zuerst wird jedes Videobild (mit den zugehörigen RADAR-, LIDAR- und Sensordaten) analysiert, um genau zu erfassen, was "gesehen" wurde (dh eine Person, die eine Kreuzung überquert) und katalogisiert, wodurch eine Bibliothek von Fahrszenario- "Eingaben" bereitgestellt wird Regeln (Algorithmen) entwickeln, die bestimmen, wie ein Fahrzeug reagieren soll. Als nächstes müssen diese Algorithmen durch Simulationen getestet werden, wobei das reale autonome Fahrzeug Big Data, das zuvor gesammelt wurde, verwendet wird. Herkömmliche Architekturen sind nicht für die umfangreichen Datenverarbeitungs-Workloads optimiert, die für das Testen von Algorithmen mithilfe von Simulationen erforderlich sind. Mit herkömmlichen Methoden wird die Fahrzeugfahrdaten in NAS-basierten Lösungen gespeichert und übertragen auf Arbeitsstationen, in denen Ingenieure Testalgorithmen in der Entwicklung.Dieser Prozess bringt zwei grundlegende Herausforderungen mit sich. Erstens müssen große Datenmengen bewegt werden , was eine beträchtliche Zeit und Netzwerkbandbreite erfordert.Zweitens bieten einzelne Workstations nicht die enorme Rechenleistung, die erforderlich ist , um die Simulationsergebnisse zeitnah zurückzugeben. Es überrascht nicht, dass die Automobilhersteller nach effizienteren Lösungen suchen. EIN BESSERER WEG - BESCHLEUNIGUNG DER AUTONOMEN ENTWICKLUNG In Gesprächen mit Dr. Abthoff erzählte er mir von einem faszinierenden Ansatz, mit dem sich NorCom den Herausforderungen des Datenmanagements in der autonomen Fahrzeugforschung angenommen hat.Der Ansatz besteht aus zwei Grundprinzipien: Datenspeicherung in Hadoop Durch die Möglichkeit, Daten unbegrenzter Größe (über Petabyte hinaus) und Vielfalt (Video, LIDAR, RADAR, Sensor usw.) zu speichern, bietet das Hadoop Distributed File System (HDFS) eine hochleistungsfähige und kosteneffektive Grundlage für die Datenspeicherung autonome Fahrzeugforschung. Datenverarbeitung in Hadoop Der NorCom-Ansatz nutzt auch die inhärente Fähigkeit von Hadoop, massiv skalierbare MapReduce- und Spark-Workloads durchzuführen, was besonders für die Verarbeitung von Tests mit Algorithmen nützlich ist. Auf diese Weise hat NorCom das Datenverarbeitungs-Playbook neu geschrieben. Anstatt Daten an die Algorithmen auf Workstations für die Datenverarbeitung zu übertragen, schreibt diese neue Methode genau den umgekehrten Ansatz vor, indem sie die Algorithmen für die Daten (Hadoop) neu implementiert, wo auch Hochleistungsrechnen liegt.

Ups!! ...ich glaube, dieser Artikel ist uns durchgerutscht! Norcom und Microsoft!! https://hortonworks.com/blog/your-self-driving-car-how-did-it-get-so-smart/

Hier erklärt Tobias Abthoff, was Norcom bei der Entwicklung des Autonomen Fahren's leistet: https://businessvalueexchange.com/blog/2016/09/18/speeding-automotive-engineering-test-data-analytics/

Die Frau Keck ist auch ne Gute! Reagiert immer freundlich und direkt!

Teilweise sind die Leute hier flinker als viele Webseiten was neue Meldungen oder Ad Hocs angeht. Aber interessantes Detail was so möglich ist.

Moin moin, Ich habe bei Norcom folgendes per Mail angefragt. Hallo Norcom Team, kann man sich die Ad-hoc Mitteilungen zeitnah per E-Mail senden lassen? ANTWORT Sehr geehrter Herr xxx Ich nehme Sie gerne in unseren Verteiler auf – dann bekommen Sie unsere Mitteilungen direkt zugesandt. Viele Grüße Julia Keck Vielleicht wäre das ja was für den einen oder anderen was. Schönes Rest WE  

Kurzfristig wenig Umsatz! Die Kursstände sind teilweise nicht aussagefähig! Mittelfristig Konsolidierung! Langfristig werden wir dreistellig werden!