Cem Dilmegani
Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Morning Brew, Washington Post, globalen Unternehmen wie HPE, NGOs wie dem World Economic Forum und supranationalen Organisationen wie der European Commission. [1], [2], [3], [4], [5]
Berufserfahrung & Erfolge
Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. 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 Branchenanalysten von AIMultiple und das Tech-Team unterstützen Cem bei der Konzeption, Durchführung und Bewertung von Benchmarks.
Ausbildung
Er schloss sein Studium als Computer-Ingenieur an der Bogazici University 2007 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 versteckte Schichten hatten.Er hat einen MBA-Abschluss 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 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
- Gastgeber bei American Variety Radio, beantwortete Court Lewis' Fragen zu AGI am 25. April 2026.
- Beantwortete die Fragen von Korea24 zu Arbeitsplatzverlusten durch KI am 5. November 2025. Aufnahme 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 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 schlauer ist als wir, Washington Post.
- Stärkung der KI-Führung: AI C-Suite Toolkit, World Economic Forum.
- Wissenschafts-, Forschungs- und Innovationsleistung der EU, European Commission.
- Die 200-Milliarden-Euro-KI-Investition der EU treibt 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 eingesammelt hat, Business Insider.
Neueste Artikel von Cem
DGX Spark im Vergleich zu Mac Studio & Halo: Benchmarks & Alternativen
NVIDIA’s DGX Spark betrat 2025 den Desktop-KI-Markt für 4.699 $ und positioniert sich als „Desktop-KI-Supercomputer“. Er verfügt über 128 GB einheitlichen Speicher und verspricht eine Petaflop-FP4-KI-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 Hardwarespezifikationen erzählen nur die halbe Geschichte im GPU-Computing. Um die reale KI-Leistung zu messen, führten wir 52 verschiedene Tests durch, bei denen wir AMDs MI300X mit NVIDIAs H100, H200 und B200 in Multi-GPU- und Hochkonkurrenz-Szenarien verglichen. Während AMDs MI300X mit 1.307 TFLOPS im Vergleich zu NVIDIAs H100/H200 mit 990 TFLOPS aufwartet, einem theoretischen Vorteil…
Generative KI im Einzelhandel: 7 Anwendungsfälle & Beispiele
Einzelhandelsunternehmen bemühen sich, Kundenerlebnisse und Loyalität zu verbessern. Dies erfordert die Erstellung attraktiver Inhalte in verschiedenen Formaten, effektive Marketingmaßnahmen und außergewöhnlichen Kundenservice. Mit generativer KI können Einzelhändler die meisten dieser Probleme durch Automatisierung angehen, insbesondere durch die Verbesserung ihrer Fähigkeit, Kundendaten zu analysieren, um personalisiertere Erlebnisse zu liefern. Siehe die Beispiele und Vorteile von generativer…
Föderiertes Lernen: 7 Anwendungsfälle & Beispiele
Föderiertes Lernen (FL) ermöglicht es Modellen, aus dezentralen Daten zu lernen, während sensible Informationen geschützt bleiben und die Einhaltung von Datenschutz- und Lokalisierungsgesetzen gewährleistet wird. Erkunden Sie, was föderiertes Lernen ist, wie es funktioniert, gängige Anwendungsfälle mit realen Beispielen, potenzielle Herausforderungen und seine Alternativen. Föderiertes Lernen unterstützt eine breite Palette von KI-Systemen, bei denen Datensensibilität,…
Control-M für Enterprise-Workload-Automatisierung
Control-M von BMC Software hilft Teams, Daten- und Anwendungs-Workflows in verschiedenen Umgebungen zu koordinieren und zu automatisieren, einschließlich Mainframes, der Cloud und hybriden Systemen. Es bietet Benutzern einen zentralen Ort, um Jobs zu planen, den Fortschritt zu verfolgen und Abhängigkeiten zu verwalten. Die Plattform verbindet sich auch mit beliebten Cloud-Diensten, Daten-Tools und DevOps-Systemen und erleichtert…
Top 25 Versionskontrollwerkzeuge
Bei AIMultiple verwenden wir täglich Versionskontrollwerkzeuge, um den Code für über 1.000 Webseiten in mehreren Projekten zu verwalten. Basierend auf unserer Erfahrung haben wir die besten Versionskontrollwerkzeuge ausgewählt, einschließlich Open-Source und proprietärer Software: Git ist ein kostenloses und quelloffenes, verteiltes Versionskontrollsystem, das ursprünglich 2005 von Linus Torvalds für die Entwicklung des Linux-Kernels entwickelt wurde. Es…
Die Zukunft großer Sprachmodelle
Entdecken Sie die Zukunft großer Sprachmodelle, indem Sie vielversprechende Ansätze wie Selbsttraining, Faktenprüfung und spärliche Expertise untersuchen, die Einschränkungen von LLM beheben könnten. Vergleich der Erfolgsquoten von LLM’s Claude Sonnet 4.6 führte den Benchmark mit einer Gesamtpunktzahl von 0.748 an, wobei die Basis- und Denkvarianten bis auf drei Dezimalstellen gleichauf lagen. Claude Opus 4.8…
Beste Design-to-Code-Tools im Vergleich: Detaillierte Analyse
Design-to-Code-Tools haben sich in den letzten 18 Monaten stärker verändert als in dem Jahrzehnt davor. Früher bedeutete diese Kategorie "etwas CSS aus Figma exportieren". Inzwischen umfasst sie Full-Stack-App-Builder, bidirektionale MCP-Integrationen, die auf die Leinwand zurückschreiben, und agentische Plattformen, die Produktionsbranches aus Slack-Nachrichten ausliefern. Die Tools auf dieser Liste sind nicht austauschbar; sie lösen unterschiedliche Probleme…
Top 50 Deep Learning Use Case & Fallstudien
Deep Learning verwendet künstliche neuronale Netze, um aus Daten zu lernen. Wenn es auf großen, hochwertigen Datensätzen trainiert wird, erreicht es eine hohe Genauigkeit, was es überall dort wertvoll macht, wo Sie über reichlich Daten verfügen und genaue Vorhersagen benötigen. Im Folgenden finden Sie reale Deep-Learning-Anwendungen in verschiedenen Branchen und Geschäftsbereichen mit konkreten Beispielen. Deep-Learning-Modelle…
Top 15 Anwendungsfälle & Beispiele für KI in der Logistik
Anhaltende Ineffizienzen, steigende Betriebskosten und fortlaufende Lieferketten-Unterbrechungen stellen die Logistikfunktionen weltweit weiterhin vor Herausforderungen. Diese Belastungen strapazieren traditionelle Systeme, verringern die Servicezuverlässigkeit und schränken die Skalierungsfähigkeit von Organisationen ein. Als Reaktion darauf setzen Unternehmen zunehmend auf künstliche Intelligenz, um die durchgängige Transparenz zu verbessern, die Widerstandsfähigkeit zu stärken und Kernfunktionen zu optimieren. Mit zunehmender Einführung…
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.