Cem Dilmegani
Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Morning Brew, Washington Post, globale Unternehmen wie HPE, NGOs wie das World Economic Forum und supranationale Organisationen wie die Europäische Kommission. [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 mehr als ein Jahrzehnt lang bei McKinsey & Company und Altman Solon zu ihren Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.Er leitete die Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Er leitete auch das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von 2 Jahren einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung von 0 aus erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider behandelt. [6], [7]
Forschungsinteressen
Cems Arbeit konzentriert sich auf KI und Software für Unternehmen.Cems praktische Erfahrung mit Unternehmenssoftware trägt zu seiner Arbeit bei. Andere Branchenanalysten von AIMultiple und das Tech-Team unterstützen Cem bei der Gestaltung, Durchführung und Auswertung von Benchmarks.
Ausbildung
Er schloss 2007 sein Studium als Computeringenieur an der Boğaziçi-Universität ab. Während seines Ingenieurstudiums beschäftigte er sich mit maschinellem Lernen zu einer Zeit, als es allgemein als „Data-Mining" bezeichnet wurde und die meisten neuronalen Netze nur wenige verborgene Schichten hatten.Er erwarb 2012 einen MBA-Abschluss an der Columbia Business School.
Cem spricht fließend Englisch und Türkisch. Er beherrscht Deutsch auf fortgeschrittenem Niveau und Französisch auf Anfängerniveau.
Externe Publikationen
- Cem Dilmegani, Post-AI Banking: Millionen von Arbeitsplätzen gefährdet, 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-, Konferenz- & andere Veranstaltungspräsentationen
- Zu Gast bei American Variety Radio, beantwortete Court Lewis' Fragen zu AGI am 25. April 2026.
- Beantwortete am 5. November 2025 die Fragen von Korea24 zum Arbeitsplatzverlust durch KI. Aufzeichnung verfügbar auf: Korea24
- Real Estate and Technology, 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): „Increasing Data Science Impact with ChatGPT".
- Generative AI Atlanta Meetup: Generative AI for Enterprise Technology.
Quellen
- Why Microsoft, IBM, and Google Are Ramping up Efforts on AI Ethics, Business Insider.
- Microsoft invests $1 billion in OpenAI to pursue artificial intelligence that's smarter than we are, Washington Post.
- Empowering AI Leadership: AI C-Suite Toolkit, World Economic Forum.
- Science, Research and Innovation Performance of the EU, Europäische Kommission.
- EU's €200 billion AI investment pushes cash into data centers, but chip market remains a challenge, IT Brew.
- Hypatos gets $11.8M for a deep learning approach to document processing, TechCrunch.
- We got an exclusive look at the pitch deck AI startup Hypatos used to raise $11 million, Business Insider.
Neueste Artikel von Cem
Lokale KI-Agenten: Goose, Observer AI, AnythingLLM
Lokale KI-Agenten werden oft als offline, gerätebasiert oder vollständig lokal beschrieben. Wir haben drei Tage damit verbracht, das Ökosystem lokaler KI-Agenten zu kartieren, die autonom auf persönlicher Hardware laufen, ohne von externen APIs oder Cloud-Diensten abhängig zu sein. Unsere Analyse kategorisiert die führenden Lösungen in drei Schlüsselbereiche, basierend auf praktischen Tests von Entwickler-Agenten, Automatisierungstools und…
IT-Dokumentations-Benchmark & Bewertung
Wir haben die führenden IT-Dokumentationsplattformen bewertet, um ihre Leistung, Funktionen und Benutzerfreundlichkeit zu beurteilen. Unser Benchmark maß Dokumenterstellungsroutinen, Editorfunktionen, Suchgenauigkeit und Beziehungsmanagement in realen Szenarien, einschließlich der Suche nach Fehlercodes, der Indizierung von PDF-Inhalten und der Erhaltung von Befehlsyntax. *NinjaOne speichert Entwürfe automatisch, zeigt sie aber nicht separat an. Das Starten eines neuen Entwurfs ruft…
Vergleich der besten KI-Agenten im Kundenservice
KI-Agenten, die auf Large Language Models (LLMs) basieren, können Kundenanfragen in natürlicher Sprache beantworten, den Kontext interpretieren und menschenähnliche Antworten generieren. Diese Agenten können große Informationsmengen aus Quellen wie Wissensdatenbanken verarbeiten und synthetisieren. Wir haben vier KI-Agenten für den Kundenservice zusammengestellt: Tidio Lyro, Microsoft Azure KI Chatbot, IBM Watsonx Assistant und Intercom Fin. Nachfolgend finden…
Web Crawler Benchmark zum Füttern von Websites mit KI
Wir haben vier Crawl APIs in drei Bereichen mit unterschiedlicher Schwierigkeit auf drei maximalen Tiefenstufen (5, 10, 20) mit einem Limit von 1.000 Seiten getestet und dabei die Crawl-Abdeckung, Ausführungszeit, Linkentdeckung, Markdown-Linkqualität und die Genauigkeit der Titelaus extraction gemessen. Wenn Sie Folgendes anstreben: Sie können unsere Benchmark-Methodik lesen. Firecrawl hat auf theregister.com unabhängig von der…
Multimodale Embedding-Modelle: Apple vs Meta vs OpenAI
Multimodale Embedding-Modelle sind hervorragend darin, Objekte zu identifizieren, haben aber Schwierigkeiten mit Beziehungen. Aktuelle Modelle können nicht zwischen „Telefon auf einer Karte“ und „Karte auf einem Telefon“ unterscheiden. Wir haben 7 führende Modelle an MS-COCO und Winoground getestet, um diese spezifische Einschränkung zu messen. Um einen fairen Vergleich zu gewährleisten, haben wir jedes Modell unter…
RAG Evaluierungswerkzeuge: Weights & Biases vs Ragas vs DeepEval
Wenn eine RAG-Pipeline den falschen Kontext abruft, generiert das LLM selbstbewusst die falsche Antwort. Scorer für die Kontextrelevanz sind die primäre Verteidigungslinie. Wir haben fünf Tools über 1,460 Fragen und über 14,600 bewertete Kontexte unter identischen Bedingungen getestet: gleiches Beurteilungsmodell (GPT-4o), Standardkonfigurationen und keine benutzerdefinierten Prompts. Unter Standardbedingungen erwiesen sich WandB, TruLens und Ragas als…
Spracherkennungs-Benchmark: Deepgram vs. Whisper
Wir haben die führenden Spracherkennungsanbieter (STT) einem Benchmark unterzogen, mit besonderem Fokus auf Anwendungen im Gesundheitswesen. Unser Benchmark verwendete reale Beispiele, um die Transkriptionsgenauigkeit in medizinischen Kontexten zu bewerten, wo Präzision entscheidend ist. Basierend auf den Ergebnissen sowohl der Wortfehlerrate (WER) als auch der Zeichenfehlerrate (CER) zeigt GPT-4o-transcribe die höchste Transkriptionsgenauigkeit unter allen bewerteten Spracherkennungssystemen.…
Top 5 Lösungen für das Management von Netzwerksicherheitsrichtlinien
Ich habe die Top 5 NSPM-Lösungen identifiziert, herstellerübergreifende und herstellerspezifische Tools, basierend auf meinen und anderen Nutzern Erfahrungen sowie den Funktionen der Anbieter. Folgen Sie den Links, um die Begründung für diese Auswahl zu sehen: Digitale Unternehmen sollten Lösungen für das Management von Netzwerksicherheitsrichtlinien (NSPM) nutzen, um Richtlinien über ihr gesamtes Netzwerk hinweg zu steuern,…
Remote-Browser: Web-Infrastruktur für KI-Agenten im Vergleich
KI-Agenten sind auf Remote-Browser angewiesen, um Webaufgaben zu automatisieren, ohne von Anti-Scraping-Maßnahmen blockiert zu werden. Die Leistung dieser Browser-Infrastruktur ist entscheidend für den Erfolg eines Agenten. Wir haben 8 Anbieter hinsichtlich Erfolgsquote, Geschwindigkeit und Funktionen bewertet. Dazu haben wir 160 automatisierte Aufgaben ausgeführt und 4 verschiedene Szenarien 5 Mal für jeden Dienst durchgetestet, um ihre…
Top LLMOps Tools & Vergleich mit MLOPs
LLMOps-Plattformen übernehmen den operativen Teil des Betriebs von Large Language Models: Bereitstellung, Überwachung, Evaluierung und Kostenmanagement. Wir haben führende LLMOps-Tools, deren Kernfunktionen, Preismodelle und ihre Unterschiede untersucht, um die beste Lösung für verschiedene Anwendungsfälle zu identifizieren. Eine Aufschlüsselung jeder Metrik finden Sie unten: LLMOps-Plattformen unterstützen den Lebenszyklus von LLMs durch die Ermöglichung von: LLMOps-Plattformen unterscheiden…
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.