Kontaktieren Sie uns
Keine Ergebnisse gefunden.
Cem Dilmegani

Cem Dilmegani

Leitender Analyst
346 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

DatenJan 30

Remote-Browser: Vergleich der Webinfrastruktur für KI-Agenten

KI-Agenten nutzen Remote-Browser, um Webaufgaben zu automatisieren, ohne von Anti-Scraping-Maßnahmen blockiert zu werden. Die Leistungsfähigkeit dieser Browserinfrastruktur ist entscheidend für den Erfolg eines Agenten. Wir haben acht Anbieter hinsichtlich Erfolgsquote, Geschwindigkeit und Funktionen verglichen. Dazu führten wir 160 automatisierte Aufgaben aus und testeten vier verschiedene Szenarien jeweils fünfmal pro Dienst.

KIJan 29

RAG-Frameworks: LangChain vs. LangGraph vs. LlamaIndex

Wir haben fünf RAG-Frameworks – LangChain, LangGraph, LlamaIndex, Haystack und DSPy – anhand desselben agentenbasierten RAG-Workflows mit standardisierten Komponenten verglichen: identische Modelle (GPT-4.1-mini), Einbettungen (BGE-small), Retriever (Qdrant) und Tools (Tavily-Websuche). Dadurch lassen sich der tatsächliche Overhead und die Token-Effizienz jedes Frameworks isolieren.

KIJan 29

Die 5 besten KI-Dienste zur Steigerung der Geschäftseffizienz

Die Nutzung von KI nimmt rasant zu. Rund 98 % der Unternehmen experimentieren mit KI, was ihre wachsende Verfügbarkeit und ihr Potenzial zur Verbesserung von Betriebsabläufen widerspiegelt. Dennoch haben erst 26 % die Testphase abgeschlossen und einen messbaren Geschäftsnutzen erzielt. Dies zeigt, dass viele Unternehmen noch die notwendigen Kapazitäten aufbauen, um KI effektiv zu skalieren.

CybersicherheitJan 29

15 Bedrohungen für die Sicherheit von KI-Agenten

Noch vor wenigen Jahren hätte die Unvorhersehbarkeit großer Sprachmodelle (LLMs) ernsthafte Herausforderungen dargestellt. Ein bemerkenswertes frühes Beispiel betraf das Suchtool von ChatGPT: Forscher stellten fest, dass Webseiten mit versteckten Anweisungen (z. B. eingebettetem Eingabeaufforderungstext) das Tool zuverlässig dazu veranlassen konnten, verzerrte und irreführende Ergebnisse zu liefern, selbst wenn gegenteilige Informationen vorlagen.

KI-AgentJan 29

15 Tools zur Beobachtbarkeit von KI-Agenten im Jahr 2026: AgentOps & Langfuse

Tools zur Überwachung von KI-Agenten, wie Langfuse und Arize, helfen dabei, detaillierte Ablaufverfolgungen (Protokolle der Programm- oder Transaktionsausführung) zu erfassen und Dashboards zur Echtzeit-Überwachung von Metriken bereitzustellen. Viele Agenten-Frameworks, wie LangChain, nutzen den OpenTelemetry-Standard, um Metadaten mit der Agentenüberwachung auszutauschen. Darüber hinaus bieten viele Überwachungstools benutzerdefinierte Instrumentierung für mehr Flexibilität.

KIJan 28

Die LLM-Evaluierungslandschaft mit Rahmenwerken

Die Evaluierung von LLMs erfordert Werkzeuge, die mehrstufiges Schließen, Produktionsleistung und Werkzeugnutzung bewerten. Wir haben zwei Tage lang gängige LLM-Evaluierungsframeworks untersucht, 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 LLMs, die Evaluierungsfähigkeiten von LLMs und eine Erklärung der Evaluierungsfähigkeiten (Agentenverhalten und ) betrachtet.

CybersicherheitJan 28

6 Beispiele für RBAC aus der Praxis im Jahr 2026

Fast zwei Drittel der Unternehmen haben 1.000 oder mehr wichtige Dateien, auf die jeder Mitarbeiter Zugriff hat. Rollenbasierte Zugriffskontrollsysteme (RBAC) helfen Organisationen dabei: Hier sind sechs Beispiele aus der Praxis für RBAC-Implementierungen, ihre Herausforderungen, Lösungen und Ergebnisse. Praxisbeispiele für RBAC: 1. Dresdner Bank: Große europäische Bank mit 368 verschiedenen Funktionen und 1.300 Rollen.

KIJan 28

8 KI-Code-Modelle im Vergleich: LMC-Eval

Mehr als 37 % der Aufgaben, die KI-Modelle bearbeiten, betreffen Computerprogrammierung und Mathematik. Um das passende KI-Modell für Programmieraufgaben zu finden, führen wir einen neuen Benchmark ein: LMC-Eval. Darin testen wir führende KI-Modelle hinsichtlich ihrer Leistung bei logischen Programmieraufgaben.

KIJan 28

OCR-Benchmark: Genauigkeit der Textextraktion / -erfassung

Die Genauigkeit der Texterkennung (OCR) ist für viele Dokumentenverarbeitungsaufgaben entscheidend, und moderne multimodale Spracherkennungssysteme (LLMs) bieten eine Alternative zur herkömmlichen OCR. Wir haben führende OCR-Dienste in DeltOCR Bench verglichen, um ihre Genauigkeit bei verschiedenen Dokumenttypen zu ermitteln: OCR-Benchmark: DeltOCR Bench.

KIJan 28

Die 25 wichtigsten Anwendungsfälle für generative KI im Finanzwesen im Jahr 2026

Ich habe zehn Jahre lang Finanzdienstleistungsunternehmen beraten. Jede KI-Implementierung, die ich miterlebt habe, folgte demselben Muster: Pilotprojekte, die in Präsentationen beeindruckend wirkten, aber im Produktivbetrieb scheiterten. Das ändert sich. Banken setzen generative KI jetzt in großem Umfang ein, und die Ergebnisse sind messbar. Hier erfahren Sie, was tatsächlich funktioniert – basierend auf Implementierungen, die Sie überprüfen können.