Dienstleistungen
Jetzt kontaktieren
Cem Dilmegani

Cem Dilmegani

Leitender Analyst
342 Artikel
Bleiben Sie über B2B-Technologie auf dem Laufenden
Cem ist seit fast zehn Jahren leitender Analyst bei AIMultiple. Seine Arbeit bei AIMultiple wurde von führenden internationalen Publikationen wie Business Insider, Forbes, Morning Brew und der Washington Post sowie von globalen Unternehmen wie HPE, NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. [1], [2], [3], [4], [5]

Berufserfahrung und Erfolge

Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte zudem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen Umsatz und eine neunstellige Unternehmensbewertung wuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider thematisiert. [6], [7]

Forschungsschwerpunkte

Cems Arbeitsschwerpunkt liegt darauf, wie Unternehmen neue Technologien in den Bereichen KI, agentenbasierte KI, Cybersicherheit (einschließlich Netzwerk- und Anwendungssicherheit) und Daten, insbesondere Webdaten, nutzen können. Seine praktische Erfahrung mit Unternehmenssoftware fließt in seine Arbeit ein. Weitere KI-Branchenanalysten und das technische Team unterstützen Cem bei der Konzeption, Durchführung und Auswertung von Benchmarks.

Ausbildung

Er schloss 2007 sein Studium der Informatik an der Bogazici-Universität ab. Während seines Studiums beschäftigte er sich mit maschinellem Lernen, damals noch unter dem Begriff „Data Mining“ bekannt, und die meisten neuronalen Netze besaßen nur wenige verborgene Schichten. 2012 erwarb er einen MBA an der Columbia Business School. Cem spricht fließend Englisch und Türkisch. Seine Deutschkenntnisse sind fortgeschritten, seine Französischkenntnisse liegen auf Anfängerniveau.

Externe Veröffentlichungen

Medien-, Konferenz- und sonstige Veranstaltungspräsentationen

Quellen

  1. Warum Microsoft, IBM und Google ihre Bemühungen im Bereich KI-Ethik verstärken , Business Insider.
  2. Microsoft investiert 1 Milliarde Dollar in OpenAI, um künstliche Intelligenz zu entwickeln, die intelligenter ist als wir , Washington Post.
  3. Stärkung der KI-Führungskräfte: KI-Toolkit für die C-Suite , Weltwirtschaftsforum.
  4. Wissenschafts-, Forschungs- und Innovationsleistung der EU , Europäische Kommission.
  5. Die EU investiert 200 Milliarden Euro in KI, wodurch Geld in Rechenzentren fließt, doch der Chipmarkt bleibt eine Herausforderung , IT Brew.
  6. Hypatos erhält 11,8 Millionen Dollar für einen Deep-Learning-Ansatz zur Dokumentenverarbeitung , TechCrunch.
  7. Wir haben einen exklusiven Einblick in die Präsentation erhalten, mit der das KI-Startup Hypatos 11 Millionen Dollar eingesammelt hat , Business Insider.

Neueste Artikel von Cem

UnternehmenssoftwareMai 25

Die 12 besten Patch-Management-Softwarelösungen, darunter NinjaOne

Ungepatchte Systeme sind ein leichtes Ziel für Angreifer. Ein einzelner veralteter Server oder eine vergessene Workstation wird zum Einfallstor. Patch-Management-Software automatisiert das Auffinden, Testen und Bereitstellen von Updates, bevor Sicherheitslücken zu Angriffen führen.

DatenMai 25

Die 3 produktivsten Alternativen

Prolific ist ein beliebter Dienst zur Erfassung von KI-Daten und bietet eine Crowdsourcing-Plattform für KI-Datensuchende. Unsere Untersuchung hat einige Nachteile der Zusammenarbeit mit Prolific aus Kunden- und Mitarbeitersicht aufgezeigt. Wenn Sie nach Alternativen zu Prolific suchen, können Sie folgende vergleichen: Prolific-Alternativen für Teilnehmer (Mitarbeiter).

KIMai 22

Große multimodale Modelle (LMMs) vs. LLMs

Wir evaluierten die Leistungsfähigkeit großer multimodaler Modelle (LMMs) in Aufgaben des finanziellen Denkens anhand eines sorgfältig ausgewählten Datensatzes. Durch die Analyse einer Teilmenge hochwertiger Finanzdaten bewerteten wir die Fähigkeit der Modelle, multimodale Daten im Finanzbereich zu verarbeiten und zu interpretieren. Der Methodenteil bietet detaillierte Einblicke in den verwendeten Datensatz und das Evaluierungsframework.

KIMai 22

Evaluierung großer Sprachmodelle im Jahr: Über 10 Metriken und Methoden

Die Evaluierung großer Sprachmodelle (LLM-Evaluierung) ist die mehrdimensionale Bewertung großer Sprachmodelle. Eine effektive Evaluierung ist entscheidend für die Auswahl und Optimierung von LLMs. Unternehmen haben eine Reihe von Basismodellen und deren Varianten zur Auswahl, doch ohne präzise Leistungsmessung ist der Erfolg ungewiss.

KI-AgentMai 22

Leistung von KI-Agenten: Erfolgsquoten und ROI im Jahr

Der Markt für KI-Agenten erreichte 2024 ein Volumen von 5,4 Milliarden US-Dollar und soll bis 2030 jährlich um 45,8 % wachsen. Unternehmen, die den Einsatz von KI-Agenten beherrschen, werden daher deutlich höhere Investitionsrenditen erzielen. Jüngste Forschungsergebnisse zeigen, dass die Leistung von KI einem vorhersehbaren exponentiellen Abfallmuster folgt. Dies ermöglicht es Unternehmen, Fähigkeiten vorherzusagen und zwischen kostspieligen Fehlschlägen und Erfolgen zu unterscheiden.

KIMai 22

Die Evaluierungslandschaft mit Rahmenwerken (LLM)

Die Evaluierung von LLM erfordert Werkzeuge, die mehrstufiges Schließen, Produktionsleistung und Werkzeugnutzung bewerten. Wir haben zwei Tage damit verbracht, gängige Evaluierungsframeworks für LLM zu überprüfen, die strukturierte Metriken, Protokolle und Traces bereitstellen, um zu identifizieren, wie und wann ein Modell vom erwarteten Verhalten abweicht. Im Einzelnen haben wir: die Evaluierungslandschaft von LLM, die Evaluierungsfähigkeiten von LLM sowie eine Erklärung der Evaluierungsfähigkeiten (Agentenverhalten und ) untersucht.

UnternehmenssoftwareMai 22

40 IoT-Anwendungen und Anwendungsfälle

Der weltweite Jahresumsatz mit IoT wird im Jahr 2033 voraussichtlich 934 Milliarden US-Dollar betragen. IoT ermöglicht eine Vielzahl unterschiedlicher Geschäftsanwendungen. Die Kenntnis dieser IoT-Beispiele und Anwendungsfälle kann Unternehmen helfen, IoT-Technologien in ihre zukünftigen Investitionsentscheidungen zu integrieren.

KI-AgentMai 22

Agentische KI für Cybersicherheit: Anwendungsfälle und Beispiele

Agentische KI bezeichnet KI-Systeme, die Modelle wie große Sprachmodelle (LLMs) mit automatisierten Arbeitsabläufen, Tool-Integration und Entscheidungsunterstützung kombinieren. Diese Systeme unterstützen Sicherheitsteams in den Bereichen SecOps und AppSec durch die Analyse von Warnmeldungen, die Automatisierung von Routineaufgaben und die Unterstützung von Ermittlungsarbeiten. Agentische KI-Tools arbeiten in der Regel unter menschlicher Aufsicht. Sie agieren nicht vollständig autonom.

KIMai 22

Mehr als 50 Anwendungsfälle für ChatGPT mit Beispielen aus der Praxis

ChatGPT erreichte Anfang 2026 900 Millionen wöchentlich aktive Nutzer, was etwa 10 % der Weltbevölkerung entspricht. Bis Mitte 2025 erzielte das Unternehmen einen jährlichen Umsatz von 10 Milliarden US-Dollar. Doch was machen diese 900 Millionen Menschen damit? Um das herauszufinden, analysierten der Harvard-Ökonom David Deming und ChatGPT 1,5 Millionen Chatverläufe. Dies ist die größte Studie zu diesem Thema.

KIMai 21

Vergleich von 9 großen Sprachmodellen im Gesundheitswesen

Wir haben neun LLM-Modelle anhand des MedQA-Datensatzes, einem auf USMLE-Fragen basierenden Benchmark für klinische Prüfungen auf Hochschulniveau, verglichen. Jedes Modell beantwortete dieselben klinischen Multiple-Choice-Szenarien mit standardisierten Fragen, was einen direkten Vergleich der Genauigkeit ermöglichte. Zusätzlich wurde die Bearbeitungszeit pro Frage erfasst, indem die Gesamtlaufzeit durch die Anzahl der bearbeiteten MedQA-Aufgaben geteilt wurde.