Dienstleistungen
Kontaktieren
Cem Dilmegani

Cem Dilmegani

Hauptanalyst
305 Artikel
Bleiben Sie über B2B-Technologie auf dem Laufenden
Cem ist seit fast einem Jahrzehnt Hauptanalyst bei AIMultiple.

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

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

  1. Why Microsoft, IBM, and Google Are Ramping up Efforts on AI Ethics, Business Insider.
  2. Microsoft invests $1 billion in OpenAI to pursue artificial intelligence that's smarter than we are, Washington Post.
  3. Empowering AI Leadership: AI C-Suite Toolkit, World Economic Forum.
  4. Science, Research and Innovation Performance of the EU, Europäische Kommission.
  5. EU's €200 billion AI investment pushes cash into data centers, but chip market remains a challenge, IT Brew.
  6. Hypatos gets $11.8M for a deep learning approach to document processing, TechCrunch.
  7. We got an exclusive look at the pitch deck AI startup Hypatos used to raise $11 million, Business Insider.

Neueste Artikel von Cem

Agentische KI
Einblick
1. Jul

Large Action Models: Hype oder Realität?

Nach dem Start von Rabbit, einem KI-Gerät, das mobile Apps nutzen kann, wird der Begriff Large Action Models (LAMs) immer beliebter. Diese Modelle gehen über Konversation hinaus, indem sie LLMs in „Agenten“ verwandeln, die die isolierte, App-gesteuerte Welt verbinden können, ohne dass Benutzer auf Apps klicken oder APIs integrieren müssen. Die Grenze zwischen Hype und…

Daten
Open-World-Bewertung
1. Jul

Top 10 quelloffene Web-Crawler für LLM & KI

Jüngste Fortschritte in der generativen KI haben verändert, was Entwickler von Web-Crawlern benötigen. Agentische Crawler nutzen nun natürlichsprachliche Prompts zur Linkauswahl anstelle fester Regeln und produzieren nativ token-effizientes Markdown. Gleichzeitig bleiben die klassischen Frameworks für groß angelegtes Batch-Crawling für Unternehmens- und Forschungsanwendungen unersetzlich. Sprache: Python | Lizenz: Apache 2.0 Crawl4AI ist eine quelloffene Python-Bibliothek, optimiert…

Cybersicherheit
Einblick
1. Jul

Demilitarisierte Zone (DMZ): Beispiele & Architektur

Ein Demilitarisierte Zone (DMZ) Netzwerk ist ein Teilnetz, das die öffentlich zugänglichen Dienste einer Organisation enthält. Es dient als exponierter Punkt zu einem nicht vertrauenswürdigen Netzwerk, häufig dem Internet. DMZs werden in verschiedenen Umgebungen eingesetzt, von Heimroutern bis zu Unternehmensnetzwerken, um öffentlich zugängliche Dienste zu isolieren und interne Systeme zu schützen. DMZs (demilitarisierte Zonen) hosten…

Daten
Einblick
1. Jul

KI-Datenqualität: Herausforderungen & Best Practices

Schlechte Datenqualität verzögert die erfolgreiche Einführung von KI- und ML-Projekten. 1 Selbst die fortschrittlichsten KI-Algorithmen können fehlerhafte Ergebnisse liefern, wenn die zugrunde liegenden Daten von schlechter Qualität sind. Entdecken Sie die Bedeutung der Datenqualität in der KI, die Herausforderungen, mit denen Organisationen konfrontiert sind, und die Best Practices zur Sicherstellung hochwertiger Daten: Datenqualität ist für…

Daten
Open-World-Bewertung
1. Jul

Top 15+ Data as a Service Unternehmen

Data as a Service (DaaS) ist ein Cloud-Modell, das Daten auf Abruf bereitstellt, in der Regel im Abonnement. Es ermöglicht einem Unternehmen, die benötigten Datasets zu kaufen, ohne die Daten selbst sammeln und speichern zu müssen. Sehen Sie sich die führenden Data as a Service Unternehmen und die von ihnen angebotenen Datentypen an, die wichtigsten…

KI
Benchmark
1. Jul

Benchmark für KI-Code-Review-Tools

Mit der zunehmenden Nutzung von KI-Codierungstools sind Codebasen anfälliger für Schwachstellen geworden, was den Bedarf an effektiven Code-Reviews erhöht hat. Um dem zu begegnen, stellen wir RevEval (KI Code Review Eval) vor, das die vier führenden KI-Code-Review-Tools anhand von 309 Pull Requests aus Repositories unterschiedlicher Größe vergleicht und ihre Leistung mithilfe von Eingaben von 10…

KI
Benchmark
1. Jul

Bester KI-Code-Editor: Cursor vs Windsurf vs Replit

Apps ohne Programmierkenntnisse zu erstellen, ist derzeit stark im Trend. Aber können diese Tools erfolgreich eine App erstellen und bereitstellen? Wir haben 6 KI-Code-Editoren in 10 realen Webentwicklungs-Herausforderungen einem Benchmark unterzogen. Jede Aufgabe erforderte Implementierungen wie Backend, Frontend, Authentifizierung, State Management. Wir bewerteten die Backend-Korrektheit, das Frontend-Verhalten und die kombinierte Leistung und analysierten, wie jeder…

KI
Benchmark
1. Jul

Vergleich großer visueller Modelle: GPT-4o vs YOLOv8n

Große visuelle Modelle (LVMs) können visuelle Aufgaben wie Fehlererkennung, medizinische Diagnose und Umweltüberwachung automatisieren und verbessern. Wir haben drei Objekterkennungsmodelle getestet: YOLOv8n, DETR und GPT-4o Vision, jeweils über 1.000 Bilder, wobei Metriken wie mAP@0.5, Inferenzgeschwindigkeit, FLOPs und Parameteranzahl gemessen wurden. Um einen fairen Vergleich zu gewährleisten, wurden alle Bilder auf 800×800 Pixel skaliert und unter…

KI
Benchmark
1. Jul

LLM Inference-Engines: vLLM vs LMDeploy vs SGLang

Wir haben 3 führende LLM Inference-Engines auf NVIDIA H100 verglichen: vLLM, LMDeploy und SGLang. Jede Engine verarbeitete identische Workloads: 1.000 ShareGPT-Prompts mit Llama 3.1 8B-Instruct, um die tatsächliche Leistungsauswirkung ihrer Architekturentscheidungen und Optimierungsstrategien zu isolieren. Wir haben den Offline-Batch-Durchsatz über 10.000 gesamte Inferenzoperationen gemessen (1.000 Prompts × 10 Durchläufe pro Engine), um statistische Stabilität zu…

Agentische KI
Benchmark
1. Jul

Computer Use Agents: Benchmark & Architektur

Computer-use Agents versprechen, echte Desktops und Web-Apps zu bedienen, doch ihre Designs, Grenzen und Kompromisse sind oft unklar. Wir untersuchen führende Systeme, indem wir aufschlüsseln, wie sie funktionieren, wie sie lernen und wie sich ihre Architekturen unterscheiden. Wir beziehen uns zudem auf einen fokussierten UI-Grounding-Benchmark mit 100 Desktop-Screenshots, der 4 Aufgabentypen und 5 Durchläufe pro…