Cem Dilmegani
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
- Cem Dilmegani, Post-KI-Banking: Millionen von Arbeitsplätzen in Gefahr, 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- und sonstige Veranstaltungspräsentationen
- Antworten auf die Fragen von Korea24 zum Thema Arbeitsplatzverlust durch KI, 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 den Jahren 2023 und 2024.
- Radar AI- Session (22. Juni 2023): „Steigerung der Wirkung von Data Science mit ChatGPT“.
- Generative AI Atlanta Meetup: Generative KI für Unternehmenstechnologie .
Quellen
- Warum Microsoft, IBM und Google ihre Bemühungen im Bereich KI-Ethik verstärken , Business Insider.
- Microsoft investiert 1 Milliarde Dollar in OpenAI, um künstliche Intelligenz zu entwickeln, die intelligenter ist als wir , Washington Post.
- Stärkung der KI-Führungskräfte: KI-Toolkit für die C-Suite , Weltwirtschaftsforum.
- Wissenschafts-, Forschungs- und Innovationsleistung der EU , Europäische Kommission.
- Die EU investiert 200 Milliarden Euro in KI, wodurch Geld in Rechenzentren fließt, doch 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 die Präsentation erhalten, mit der das KI-Startup Hypatos 11 Millionen Dollar eingesammelt hat , Business Insider.
Neueste Artikel von Cem
Die besten Appen-Alternativen im Jahr für Arbeitnehmer und Kunden
Appen, ein Anbieter von KI-Datendiensten, steht vor Herausforderungen, die seine sinkende Beliebtheit erklären könnten. Wir haben die besten Alternativen zu Appen im Bereich KI-Trainingsdaten verglichen. Die Alternativen zu Appen hängen von Ihren Zielen ab. Entdecken Sie Alternativen für Appen: Appen-Alternativen für Mitarbeiter * Die Daten stammen von Trustpilot, da sie hauptsächlich aus Bewertungen von Mitarbeitern bestehen.
RL-Umgebungen: Die Infrastruktur hinter agentenbasierter KI
Reinforcement-Learning-Umgebungen sind kontrollierte Umgebungen, in denen KI-Agenten Aktionen ausführen, Ergebnisse beobachten und Feedback erhalten. Sie gewinnen zunehmend an Bedeutung, da Modelle von einmaligen Antworten zu mehrstufigen Aufgaben in Bereichen wie Programmierung, Browseranwendungen, Kundensupport und Unternehmenssoftware übergehen. Einige Unternehmen bieten maßgeschneiderte Umgebungen für Programmierung, Finanzwesen, Unternehmensprozesse oder computergestützte Aufgaben an.
No-Code-Finanzdaten-Scraping: Tools & Compliance-Tipps
Offizielle Finanzdatenanbieter stellen zwar APIs bereit, diese sind jedoch oft in Umfang, Zugriff oder Flexibilität für Echtzeit- oder Spezialdatenanforderungen eingeschränkt. Das Scraping von Finanzdaten hat sich als gängige Methode zur Informationsbeschaffung etabliert. Dabei kommen typischerweise Technologien wie Web-Scraper, Headless-Browser und Open-Source-Crawler zum Einsatz, die gegebenenfalls mit Proxy-/Entsperrungsdiensten kombiniert werden können.
LLM-Inferenzmaschinen: vLLM vs. LMDeploy vs. SGLang
Wir haben drei führende LLM-Inferenz-Engines auf dem H100 (NVIDIA) getestet: vLLM, LMDeploy und SGLang. Jede Engine verarbeitete identische Workloads: 1.000 ShareGPT-Prompts mit Llama 3.1 8B-Instruct, um die tatsächlichen Auswirkungen ihrer Architektur und Optimierungsstrategien auf die Performance zu ermitteln. Benchmark-Ergebnisse der Inferenz-Engines: Wir haben den Offline-Batch-Durchsatz über insgesamt 10.000 Inferenzoperationen (1.000 Prompts ) gemessen.
Die 5 besten Open-Source-Datenbanküberwachungstools
Kommerzielle Datenbanküberwachungstools versprechen oft benutzerfreundliche Oberflächen und dedizierten Enterprise-Support. Open-Source-Lösungen werden aufgrund ihrer Transparenz, Kosteneffizienz, Community-basierten Entwicklung und Flexibilität zunehmend bevorzugt. Wir haben fünf Open-Source-Datenbanküberwachungsplattformen untersucht, die Funktionsangaben anhand der offiziellen Dokumentation und Versionshinweise überprüft, Einrichtung und Abfrageanalyse mit MySQL- und MongoDB-Workloads getestet und die Akzeptanz in der Community berücksichtigt.
LCMs: Von der Tokenisierung auf LLM-Ebene zur Repräsentation auf Konzeptebene
Große Konzeptmodelle (Large Concept Models, LCMs), wie sie von Meta in ihrer Arbeit zu „Großen Konzeptmodellen“ eingeführt wurden, stellen einen grundlegenden Wandel von tokenbasierter Vorhersage hin zur Repräsentation auf Konzeptebene dar.
Vergleich von visuellen Sprachmodellen mit der Bilderkennung
Können fortschrittliche Bildverarbeitungsmodelle (VLMs) traditionelle Bilderkennungsmodelle ersetzen? Um dies herauszufinden, haben wir 16 führende Modelle in drei Paradigmen verglichen: traditionelle CNNs (ResNet, EfficientNet), VLMs (wie z. B. GPT-4.1, Gemini 2.5) und Cloud-APIs (AWS, Google, Azure).
MCP-Benchmark: Die besten MCP-Server für den Webzugriff
Wir haben acht MCP-Server hinsichtlich Websuche und -extraktion sowie Browserautomatisierung getestet, indem wir vier verschiedene Aufgaben jeweils fünfmal auf allen geeigneten MCPs ausgeführt haben. Zusätzlich führten wir einen Lasttest mit 250 gleichzeitig aktiven KI-Agenten durch.
Top-Vektordatenbank für RAG: Qdrant vs Weaviate vs Pinecone
Vektordatenbanken bilden die Grundlage für die Abfrageschicht in RAG-Workflows, indem sie Dokument- und Abfrageeinbettungen als hochdimensionale Vektoren speichern. Sie ermöglichen schnelle Ähnlichkeitssuchen basierend auf Vektordistanzen. Wir haben sechs Anbieter von Vektordatenbanken hinsichtlich ihrer Preisstrukturen und Leistung verglichen: Vergleich von Vektordatenbanken: Preise & Leistung.
Die 125 besten Anwendungen für generative KI
Basierend auf unserer Analyse von über 30 Fallstudien und 10 Benchmarks, in denen wir über 40 Produkte getestet und verglichen haben, identifizierten wir 125 Anwendungsfälle für generative KI in den folgenden Kategorien: Weitere KI-Anwendungen für Anfragen mit einer einzigen richtigen Antwort (z. B. Vorhersage oder Klassifizierung) finden Sie unter KI-Anwendungen.
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.