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

KIMär 26

Vergleich der besten Design-to-Code-Tools: Detaillierte Analyse

Die Design-to-Code-Landschaft hat sich durch KI-gestützte Tools, die die Lücke zwischen visuellem Design und produktionsreifem Code schließen sollen, grundlegend verändert. Da 82 % der Entwickler täglich oder wöchentlich KI-Codierungsassistenten nutzen, ist die Nachfrage nach effektiven Design-to-Code-Lösungen so hoch wie nie zuvor.

KIMär 23

RAG-Evaluierungsinstrumente: Gewichtungen & Verzerrungen vs. Ragas vs. DeepEval

Wenn eine RAG-Pipeline den falschen Kontext abruft, generiert das LLM mit Sicherheit die falsche Antwort. Kontextrelevante Bewertungsalgorithmen bilden die primäre Verteidigungslinie. Wir haben fünf Tools anhand von 1.460 Fragen und über 14.600 bewerteten Kontexten unter identischen Bedingungen verglichen: gleiches Bewertungsmodell (GPT-4o), Standardkonfigurationen und keine benutzerdefinierten Eingabeaufforderungen.

KIMär 23

KI ohne Programmierung: Vorteile, Branchen und wichtigste Unterschiede

No-Code-KI-Tools ermöglichen es Nutzern, KI-Anwendungen zu erstellen, zu trainieren oder bereitzustellen, ohne Code schreiben zu müssen. Diese Plattformen basieren typischerweise auf Drag-and-Drop-Oberflächen, natürlichsprachlichen Eingabeaufforderungen, geführten Einrichtungsassistenten oder visuellen Workflow-Buildern. Dieser Ansatz senkt die Einstiegshürde und macht die KI-Entwicklung auch für Nutzer ohne Programmierkenntnisse zugänglich.

DatenMär 19

Automatisierte Datenerfassungstools und Anwendungsfälle im Jahr

Die automatisierte Datenerfassung nutzt Systeme, um Informationen effizient zu sammeln, zu verarbeiten und zu analysieren. Da automatisierte Daten aus verschiedenen Quellen in unterschiedlichen Formaten stammen, ist das Verständnis der verschiedenen Datentypen und ihrer Herkunft für eine effektive Implementierung unerlässlich. Was ist automatisierte Datenerfassung? Die automatisierte Datenerfassung nutzt Software-Skripte, Bots, APIs oder spezielle Plattformen, um Daten zu sammeln, zu organisieren und zu analysieren.

UnternehmenssoftwareMär 19

Oracle Cloud-Infrastruktur (OCI) Scheduler – Funktionen und Alternativen

Vergleichen Sie die führenden OCI-Scheduler (Cloud Infrastructure) nach Integrationsmöglichkeiten, Funktionen und Preisen. Folgen Sie den unten stehenden Links, um unsere Begründung zu sehen: Native DB- und OCI-Scheduler; Alternative Scheduler anderer Hersteller: Datenbank- und Cloud-Infrastruktur-Scheduler; Scheduler (DBMS_SCHEDULER): Der Scheduler ist die native Job-Scheduling-Engine, die direkt in integriert ist.

UnternehmenssoftwareMär 19

Sicherheit bei der Workload-Automatisierung im Jahr: Best Practices und Beispiele

Unternehmen müssen die Automatisierung von Arbeitsabläufen auf allen Ebenen absichern. Die folgenden Abschnitte beschreiben die wichtigsten Risiken, Best Practices für die Absicherung von Automatisierungsumgebungen und Beispiele aus der Praxis, die die Bedeutung robuster Sicherheit verdeutlichen. Sicherheitsrisiken in Systemen zur Automatisierung von Arbeitsabläufen: Bis 2027 werden schätzungsweise 90 % der Unternehmen, die derzeit Arbeitsabläufe automatisieren, Service-Orchestrierung und -Automatisierung nutzen.

UnternehmenssoftwareMär 19

Vergleich von 7 Python-Jobplanungsmethoden

Die Jobplanung in Python ermöglicht die automatische Ausführung von Aufgaben zu bestimmten Zeiten oder in festgelegten Intervallen. Dadurch wird der manuelle Aufwand reduziert und die Zuverlässigkeit erhöht. Im Folgenden werden die verschiedenen Methoden zur Jobplanung in Python vorgestellt – von einfachen bis hin zu fortgeschrittenen Lösungen – sowie deren Vor- und Nachteile: Die wichtigsten Methoden zur Jobplanung in Python: 1.

CybersicherheitMär 17

Datenschutz (DLP): Arten und 6 Herausforderungen

Die zunehmende Mobilität birgt Risiken wie Datenverlust oder -diebstahl, was zu erheblichen finanziellen Einbußen und Reputationsschäden für Unternehmen führen kann. Effektive Software zur Verhinderung von Datenverlust (DLP) muss die unbefugte Weitergabe privater Daten und personenbezogener Informationen (PII) verhindern, um Reputations- und Finanzrisiken zu minimieren.

UnternehmenssoftwareMär 17

Cloud-Workload-Automatisierung: Top-Software und Anwendungsfälle

Unternehmen steigern ihre Flexibilität und senken gleichzeitig ihre Kosten durch die Einführung einer Hybrid-Cloud-Strategie. Laut Statista haben Branchen ihre Cloud-Workloads erhöht und als Reaktion auf die COVID-19-Pandemie einen Aufschwung erlebt.

CybersicherheitMär 17

Die 10 besten Praktiken und Fallstudien für mobiles DLP

Mitarbeiter greifen über mobile Geräte wie Smartphones und Tablets auf Dateien zu, versenden E-Mails und nutzen Geschäftsanwendungen. Dadurch entstehen neue Risiken. Aufgrund ihrer Portabilität, des Zugriffs auf Cloud-Systeme und der Vielzahl an Apps stellen mobile Geräte oft Schwachstellen für DLP-Software dar. Sehen Sie sich die 10 Best Practices und Fallstudien an, die Unternehmen bei der Implementierung effektiver mobiler DLP-Lösungen unterstützen.