Cem Dilmegani
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]
Berufserfahrung & Erfolge
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. [6], [7]
Forschungsinteressen
Cems Arbeit konzentriert sich auf Enterprise-KI und -Software.Cems praktische Erfahrung mit Unternehmenssoftware trägt zu seiner Arbeit bei. Weitere AIMultiple-Branchenanalysten und das Tech-Team unterstützen Cem beim Entwerfen, Durchführen und Bewerten von Benchmarks.
Ausbildung
Er schloss 2007 sein Studium als Computeringenieur an der Bogazici University ab. Während seines Ingenieurstudiums studierte er maschinelles Lernen zu einer Zeit, als es allgemein als "Data Mining" bezeichnet wurde und die meisten neuronalen Netze nur wenige verborgene Schichten hatten.Er hat einen MBA-Abschluss von der Columbia Business School aus dem Jahr 2012.
Cem spricht fließend Englisch und Türkisch. Er verfügt über fortgeschrittene Deutschkenntnisse und Grundkenntnisse in Französisch.
Externe Veröffentlichungen
- Cem Dilmegani, Post-AI-Banking: Millionen Arbeitsplätze in Gefahr, da Banken ihre Kernfunktionen automatisieren. International Banker.
- Cem Dilmegani, Bengi Korkmaz und Martin Lundqvist (1. Dezember 2014).Digitalisierung des öffentlichen Sektors: Die Billionen-Dollar-Herausforderung, McKinsey & Company.
Medien, Konferenzen & andere Veranstaltungspräsentationen
- Gast bei American Variety Radio und Beantwortung der Fragen von Court Lewis zu AGI am 25. April 2026.
- Beantwortung der Fragen von Korea24 zu Arbeitsplatzverlusten durch KI am 5. November 2025. Aufzeichnung verfügbar unter: Korea24
- Immobilien und Technologie, präsentiert vom Wilbur F. Breslin Center for Real Estate Studies der Hofstra University und der Frank G. Zarb School of Business in den Jahren 2023 und 2024.
- Radar AI-Session (22. Juni 2023): "Steigerung der Data-Science-Wirkung mit ChatGPT".
- Generative AI Atlanta Meetup: Generative KI für Unternehmenstechnologie.
Quellen
- Warum Microsoft, IBM und Google ihre Anstrengungen im Bereich KI-Ethik verstärken, Business Insider.
- Microsoft investiert 1 Milliarde Dollar in OpenAI, um künstliche Intelligenz zu verfolgen, die intelligenter ist als wir, Washington Post.
- KI-Führung stärken: KI-C-Suite-Toolkit, World Economic Forum.
- Wissenschafts-, Forschungs- und Innovationsleistung der EU, European Commission.
- EU-Investition von 200 Milliarden Euro in KI pumpt Geld in Rechenzentren, aber der Chipmarkt bleibt eine Herausforderung, IT Brew.
- Hypatos erhält 11,8 Millionen Dollar für einen Deep-Learning-Ansatz zur Dokumentenverarbeitung, TechCrunch.
- Wir haben einen exklusiven Einblick in das Pitch-Deck erhalten, mit dem das KI-Startup Hypatos 11 Millionen Dollar einwarb, Business Insider.
Neueste Artikel von Cem
20 Strategien zur KI-Verbesserung & Beispiele
KI-Modelle erfordern kontinuierliche Verbesserung, da sich Daten, Nutzerverhalten und reale Bedingungen weiterentwickeln. Selbst leistungsstarke Models können abdriften, wenn die gelernten Muster nicht mehr zu den aktuellen Eingaben passen, was zu geringerer Genauigkeit und unzuverlässigen Vorhersagen führt. Änderungen bei Vorschriften, Produktanforderungen oder Kundenerwartungen können zudem neue Einschränkungen mit sich bringen, für die bestehende Models nicht ausgelegt…
Top 13 Open-Source-SIEM-Tools
Es gibt kein einzelnes Open-Source-Tool, das sofort einsatzbereit ein vollständiges, produktionsreifes SIEM liefert. Jede Option bringt einen Kompromiss mit sich: Entweder erhalten Sie ein zweckgebautes SIEM mit Lücken in der Analyse oder einen leistungsstarken Logging- und Analyse-Stack, bei dem Sie die Sicherheitserkennung selbst einrichten müssen. Hier sind kostenlos Open-Source-Tools aus dem Umfeld der SIEM-Kategorie, um…
Die 9 besten Netzwerküberwachungstools für Windows
Wir haben Netzwerküberwachungstools getestet, die für Windows-Umgebungen entwickelt wurden, um ihre Leistung in realen Bereitstellungen zu bewerten. Unser Ziel war es, Lösungen zu finden, die Zuverlässigkeit, Benutzerfreundlichkeit und tiefe Integration mit Microsoft-Systemen in Einklang bringen. Jedes Tool musste drei Kriterien erfüllen: Protokollunterstützung: Die Tools mussten mehrere Kommunikationsprotokolle verarbeiten können: SNMP, TCP, ICMP und IPMI. Kompatibilität:…
RAG-Evaluierungstools: W&B Weave vs Ragas vs TruLens
Wir haben fünf Evaluierungstools für Retrieval-Augmented Generation (RAG) mit 1.000+ adversariellen Fragen getestet, die jeweils mit fünf Passagen gepaart wurden. Der Vergleich misst die Kontextrelevanz mithilfe von GPT-4o und den Standard-Evaluierungsprompts der Tools. W&B Weave erzielte die höchste Top-1-Genauigkeit mit 94,5 %. TruLens führte bei den Ranking-Metriken, einschließlich NDCG@5 mit 0.932. Ihre Platzierungen hängen davon ab,…
Beste Amazon Mechanical Turk Alternativen
Unsere Analyse untersucht einige Nachteile der Nutzung von Amazon Mechanical Turk (MTurk), einer beliebten Plattform für KI-Datenerfassung und Marktforschung. Sie vergleicht außerdem die besten Alternativen zu Amazon Mechanical Turk. Leser lassen sich in drei Kategorien einteilen. Wählen Sie Ihre aus, um die relevantesten Alternativen zu sehen: * Die Daten wurden von Bewertungsplattformen wie Trustpilot erhoben,…
Beste Appen-Alternativen für Worker & Kunden
Wir haben die besten Appen-Alternativen analysiert, indem wir die Bewertungen von Workern auf Trustpilot, die Crowd-Größe, die Zahlungspläne und öffentlich verfügbare Unternehmensdaten verglichen haben. Die Alternativen unterscheiden sich erheblich, je nachdem, was Sie von Appen benötigen. Durchsuchen Sie nach Rolle: * Die Daten stammen von Trustpilot und bestehen hauptsächlich aus Worker-Bewertungen. ** Daten aus Worker-Bewertungen…
Top 5 KI-Guardrails: W&B Weave und Xnode Cortx
KI-Sicherheitsfehler sind teuer und kommen immer häufiger vor. Viele Vorfälle sind auf schwache Governance zurückzuführen, insbesondere auf Lücken bei Zugriffskontrollen, Datenberechtigungen und der Überwachung der Modellnutzung. KI-Guardrails reduzieren dieses Risiko, indem sie durchsetzbare Grenzen dafür setzen, wie KI-Systeme auf Daten zugreifen, Ergebnisse generieren und mit Nutzern oder Geschäftsabläufen interagieren. Erfahren Sie, wie KI-Guardrails funktionieren, wie…
Vergleichen Sie 45+ MLOps-Tools
Machine Learning Operations (MLOps) bringt DevOps-Prinzipien in das maschinelle Lernen, von der Modellbereitstellung bis zur Wartung, um Übergänge zwischen Trainings- und Bereitstellungs-Pipelines zu automatisieren Entdecken Sie 45+ MLOps-Tools für verschiedene Komponenten des ML-Lebenszyklus, wie zum Beispiel: 63 % der Organisationen aus verschiedenen Sektoren und 72 % im Technologiesektor gaben an, Open-Source-KI-Tools zu verwenden, während über drei Viertel…
15 KI-Agenten-Observability-Tools: AgentOps & Langfuse
Wir haben 15 Observability-Plattformen für LLM-Anwendungen und KI-Agenten getestet. Jede Plattform wurde praktisch umgesetzt, indem Workflows eingerichtet, Integrationen konfiguriert und Testszenarien ausgeführt wurden. Wir haben 4 Observability-Tools gebenchmarkt, um zu messen, ob sie in Produktions-Pipelines Overhead verursachen. Außerdem haben wir ein LangChain-Observability-Tutorial mit Langfuse demonstriert. Wir haben jede Observability-Plattform in unser Multi-Agenten-Reiseplanungssystem integriert und 100…
10+ Beispiele für Large Language Models
Wir haben Open-Source-Benchmarks gesammelt, um führende proprietäre und Open-Source-Large-Language-Models zu vergleichen. Wählen Sie Ihren Anwendungsfall, um das richtige Model zu finden. Sie können Large Language Models bewerten, indem Sie ihre Benchmark-Leistung und reale Latenz untersuchen (verfügbar durch Klicken auf den Namen jedes Models in der Tabelle) und ihre Preisgestaltung überprüfen, um die Gesamteffizienz und Kosteneffektivität…
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.