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
Vor- und Nachteile der 7 wichtigsten RPA-Alternativen
Robotic Process Automation (RPA) ist eine vorteilhafte Technologie, die bis zu 70-80% regelbasierter Prozesse automatisieren kann.1 Allerdings erreichen etwa 40% der Unternehmen nach der RPA-Implementierung nicht ihre Erwartungen an Kostensenkungen.2 Dies liegt daran, dass RPA nicht für jeden Prozess die richtige Lösung ist und es potenzielle Fallstricke bei der RPA-Implementierung gibt, wie etwa kostspielige Wartung.…
DGX Spark im Vergleich zu Mac Studio & Halo: Benchmarks & Alternativen
NVIDIA’s DGX Spark betrat 2025 den Desktop-AI-Markt für 4.699 $ und positioniert sich als „Desktop-AI-Supercomputer". Er verfügt über 128 GB einheitlichen Speicher und verspricht eine Petaflop-FP4-AI-Leistung in einem Gehäuse in Mac-Mini-Größe. Sehen Sie sich die Benchmark-Ergebnisse zu Wert und Leistung im Vergleich zu Alternativen an: Beim Vergleich von Systemen mit dem anspruchsvollen GPT-OSS 120B-Modell (MXFP4-Format)…
GPU Software für KI: CUDA vs. ROCm
Rohe Hardware-Spezifikationen erzählen nur die Hälfte der Geschichte im GPU-Computing. Um die KI-Leistung in der Praxis zu messen, führten wir 52 verschiedene Tests durch, um AMDs MI300X mit NVIDIAs H100, H200 und B200 in Multi-GPU- und Hochkonkurrenz-Szenarien zu vergleichen. Während AMDs MI300X mit 1.307 TFLOPS im Vergleich zu NVIDIAs H100/H200 mit 990 TFLOPS einen theoretischen…
Top 8 Open-Source-KI-Coding-Agenten
In früheren Evaluierungen haben wir sowohl Open-Source- als auch proprietäre agentische CLIs gebenchmarkt, wobei der Fokus auf deren Leistung bei Webentwicklungsaufgaben lag, und einige Open-Source-Agenten schnitten ebenso erfolgreich ab wie die kostenpflichtigen Optionen. Daher haben wir auch die Top-Open-Source-Coding-Agenten für Benutzer mit Datenschutzbedenken aufgelistet. Informationen zur Methodik finden Sie im KI-Coding-Benchmark. Weitere Details zu diesen…
Vergleichen Sie 10 Python Job Scheduling-Methoden
Python Job Scheduling automatisiert Aufgaben in bestimmten Intervallen, um strikte Ausführungszeitpläne durchzusetzen, Laufzeitausnahmen abzufangen und die Konsistenz des Systemzustands ohne manuelles Eingreifen sicherzustellen. Hier sind die verschiedenen Job Scheduling-Methoden in Python mit ihren Vor- und Nachteilen: Cron ist ein integrierter Unix/Linux-Scheduler, der Skripte zu bestimmten Zeiten ausführt. Es ist nützlich für die Planung von Jobs…
Top 25+ Anwendungsfälle für synthetische Daten
Synthetische Daten gewinnen branchenübergreifend zunehmend an Popularität und Anwendbarkeit, einschließlich maschinellem Lernen, Deep Learning und generativer KI (GenAI). Synthetische Daten bieten Lösungen für Herausforderungen wie Datenschutzbedenken und begrenzte Dataset-Größen. Es wird geschätzt, dass synthetische Daten bis 2030 in KI-Modellen gegenüber echten Daten bevorzugt werden.1 Wir haben die Fähigkeiten und häufigsten Anwendungsfälle synthetischer Daten in verschiedenen…
RAG-Frameworks: LangChain vs LangGraph vs LlamaIndex
Wir haben 5 RAG-Frameworks einem Benchmark unterzogen: LangChain, LangGraph, LlamaIndex, Haystack und DSPy, indem wir denselben agentischen RAG-Workflow mit standardisierten Komponenten aufgebaut haben: identische Modelle (GPT-4.1-mini), Embeddings (BGE-small), Retriever (Qdrant) und Tools (Tavily-Websuche). Dies isoliert den tatsächlichen Overhead und die Token-Effizienz jedes Frameworks. Der Benchmark bestand aus 100 Abfragen, wobei jedes Framework den vollständigen Satz…
Python RPA: 8 Anwendungsfälle für Entwickler
Robotic Process Automation (RPA) ermöglicht es Software-Robotern, sich wiederholende Computeraufgaben auszuführen. Python gibt Entwicklern eine flexible Möglichkeit, diese Roboter in Code zu erstellen. Der globale RPA-Markt liegt 2025 bei etwa USD 28 Milliarden und soll bis 2035 voraussichtlich rund USD 247 Milliarden erreichen.1 Dennoch scheitern zwischen 30% und 50% der RPA-Projekte, oft weil starre, klickbasierte…
Data Loss Prevention (DLP): Arten & 6 Herausforderungen
Die zunehmende Mobilität birgt Risiken von Datenverlust oder -diebstahl, die zu schweren finanziellen Verlusten und Reputationsschäden für Unternehmen führen können. Effektive Data Loss Prevention (DLP)-Software muss die unbefugte Bewegung privater Daten und personenbezogener Daten (PII) verhindern, um Reputations- und Finanzrisiken zu begrenzen. Erkunden Sie DLP-Grundlagen, Herausforderungen, denen Unternehmen bei der Implementierung von DLP-Lösungen gegenüberstehen, und…
Dokumentation der Testautomatisierung mit Best Practices
Testautomatisierung ist entscheidend für die Sicherstellung der Qualität und Zuverlässigkeit von Anwendungen in der Softwareprüfung und -entwicklung. Unternehmen und QA-Teams stellen zunehmend von manuellen Tests auf automatisierte Tests um, da diese: Was oft übersehen wird, ist die Rolle einer effektiven Dokumentation, um den Nutzen der Testautomatisierung zu maximieren. Wir untersuchen die Bedeutung der Dokumentation von…
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.