Dienstleistungen
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

UnternehmenssoftwareJan 23

Top 10 Google Colab-Alternativen

Colaboratory ist eine beliebte Plattform für Data Scientists und Machine-Learning-Experten, doch ihre Einschränkungen und Preise entsprechen möglicherweise nicht Ihren Anforderungen. Zahlreiche Alternativen bieten einzigartige Funktionen und Möglichkeiten, die auf unterschiedliche Bedürfnisse und Anwendungsszenarien im Bereich Data Science zugeschnitten sind.

KIJan 23

Die 20 wichtigsten KI-Anwendungen und Beispiele für Nachhaltigkeit

Laut PwC kann GenAI die betriebliche Effizienz steigern und dadurch indirekt den CO₂-Fußabdruck von Geschäftsprozessen verringern. Durch den Einsatz von Generativer KI in Bereichen wie Logistikoptimierung, Bedarfsplanung und Abfallreduzierung können Unternehmen die Emissionen über die KI-Systeme selbst hinaus in ihren gesamten Betriebsabläufen senken.

KIJan 23

Empfehlungssysteme: Anwendungen und Beispiele

Empfehlungssysteme bieten sowohl Unternehmen als auch Kunden Vorteile, indem sie Daten zur Personalisierung von Nutzererlebnissen nutzen. Sie tragen zur Umsatzsteigerung, erhöhten Kundenbindung und reduzierten Kundenabwanderung bei, indem sie die Auswahl vereinfachen und die Nutzerbindung stärken. Wir haben drei Python-Bibliotheken für Empfehlungssysteme – LightFM, Cornac BPR und TensorFlow Recommenders – anhand desselben Datensatzes mit implizitem Feedback und identischen Vorverarbeitungsschritten verglichen.

KI-AgentJan 23

Mobile KI-Agenten in 65 realen Aufgaben getestet

Wir haben drei Tage lang vier mobile KI-Agenten (DroidRun, Mobile-Agent, AutoDroid und AppAgent) anhand von 65 realen Aufgaben mit einem Android-Emulator getestet. Die Anwendungen umfassten Kalenderverwaltung, Kontakterstellung, Fotoaufnahme, Audioaufzeichnung und Dateiverwaltung.

KIJan 23

Die 9 führenden KI-Infrastrukturunternehmen und -anwendungen

Viele Organisationen investieren massiv in KI, doch die meisten Projekte scheitern bei der Skalierung. Nur 10–20 % der KI-Prototypen erreichen den vollständigen Einsatz. Ein Hauptgrund dafür ist, dass bestehende Systeme nicht für die Anforderungen großer Datensätze, Echtzeitverarbeitung oder komplexer Modelle des maschinellen Lernens ausgelegt sind.

KIJan 23

Die besten LLMOps-Tools und ihr Vergleich mit MLOPs

Die rasante Verbreitung großer Sprachmodelle hat die Entwicklung der notwendigen operativen Frameworks für deren effiziente Verwaltung überholt. Unternehmen kämpfen zunehmend mit hohen Entwicklungskosten, komplexen Pipelines und mangelnder Transparenz hinsichtlich der Modellperformance. Wir haben führende LLMOps-Tools, ihre Kernfunktionen, Preismodelle und Unterschiede untersucht, um die optimale Lösung zu finden.

KIJan 23

Vergleich von 9 großen Sprachmodellen im Gesundheitswesen

Wir haben neun LLM-Modelle anhand des MedQA-Datensatzes, einem auf USMLE-Fragen basierenden Benchmark für klinische Prüfungen auf Hochschulniveau, verglichen. Jedes Modell beantwortete dieselben klinischen Multiple-Choice-Szenarien mit standardisierten Fragen, was einen direkten Vergleich der Genauigkeit ermöglichte. Zusätzlich wurde die Bearbeitungszeit pro Frage erfasst, indem die Gesamtlaufzeit durch die Anzahl der bearbeiteten MedQA-Aufgaben geteilt wurde.

KI-AgentJan 23

Über 10 Trends und Beispiele für agentenbasierte KI bis 2026

Wir haben die Trends im Bereich agentenbasierter KI anhand mehrerer wichtiger Branchenberichte, Benchmarks und Herstellerangaben analysiert und verglichen. Die Quellen zeigen, dass es bei agentenbasierter KI in der Zukunft nicht nur um die Verbesserung von Tools oder die Optimierung von Geschäftsprozessen geht. Vielmehr geht es um die tiefgreifende Integration von KI und die Transformation von Geschäftsansätzen durch die Umstrukturierung bestehender Frameworks.

KIJan 23

17 Anwendungsfälle für generative KI im Gesundheitswesen

Gesundheitssysteme sehen sich mit steigenden Datenmengen, Personalmangel und wachsenden Erwartungen an personalisierte Versorgung konfrontiert. Generative KI entwickelt sich zu einer Schlüssellösung, indem sie unstrukturierte medizinische Daten wie klinische Notizen, Bildgebungsbefunde und Patientenakten zu Erkenntnissen für Ärzte und Verwaltungsmitarbeiter zusammenführt.

KIJan 22

GPU-Software für KI: CUDA vs. ROCm im Jahr 2026

Reine Hardware-Spezifikationen erzählen nur die halbe Geschichte beim GPU-Computing. Um die KI-Leistung in der Praxis zu messen, führten wir 52 verschiedene Tests durch, in denen wir die MI300X von AMD mit den Modellen H100, H200 und B200 von NVIDIA in Multi-GPU- und Hochkonkurrenz-Szenarien verglichen. Während die MI300X von AMD mit 1.307 TFLOPS gegenüber 990 TFLOPS bei den Modellen H100/H200 von NVIDIA aufwartet – ein theoretischer Vorteil von 32 % –, sieht die Leistung in der Praxis anders aus.