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 20 besten Web-Scraping-Anwendungen im Jahr
Web-Scraping hat sich von einfachen manuellen Skripten zu hochentwickelten Systemen entwickelt, die KI bei der Informationsgewinnung unterstützen. Agentisches Scraping ermöglicht es KI-Agenten, Websites zu navigieren, dynamische Inhalte zu verarbeiten und sich an neue Layouts anzupassen. Um die fortschrittliche KI-basierte Bot-Erkennung zu umgehen, setzen Unternehmen auf verwaltete Browserautomatisierung. Dieser Ansatz nutzt echte Browser in der Cloud, die sich wie echte Nutzer verhalten.
Moltbook: Agent Driven Social Media
Das rasante Wachstum von OpenClaw hat ein ungewöhnliches soziales Experiment angestoßen: Moltbook, eine Reddit-ähnliche Plattform, auf der Agenten miteinander interagieren. Sie ging am 28. Januar 2026 an den Start und erregte innerhalb kürzester Zeit große Aufmerksamkeit. Bereits in der ersten Woche verzeichnete sie über 1,5 Millionen Agenten.
Die besten RAG-Tools, Frameworks und Bibliotheken
RAG (Retrieval-Augmented Generation) verbessert die Ergebnisse von LLM-Systemen durch die Einbindung externer Datenquellen. Wir haben verschiedene Einbettungsmodelle verglichen und separat unterschiedliche Chunk-Größen getestet, um die optimalen Kombinationen für RAG-Systeme zu ermitteln. Entdecken Sie führende RAG-Frameworks und -Tools, erfahren Sie, was RAG ist, wie es funktioniert, welche Vorteile es bietet und welche Rolle es in der heutigen LLM-Landschaft spielt.
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.
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.
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.
Die 10 besten Open-Source-Tools für Mikrosegmentierung im Jahr
Die traditionelle Netzwerksegmentierung ist für Microservices ungeeignet. IP-Adressen und Ports bieten keinen Schutz für die API-Kommunikation, wenn Dienste dynamisch in Containern gestartet und beendet werden. Große Unternehmen mit Microservice-Architekturen benötigen daher einen anderen Ansatz: eine identitätsbasierte Segmentierung, die Dienste unabhängig von ihrem Ausführungsort verfolgt.
Benchmark für Beleg-OCR mit LLMs
Die Datenextraktion aus Belegen ist für Unternehmen unerlässlich, da Millionen von Angestellten ihre berufsbedingten Ausgaben per Beleg einreichen. Dank der jüngsten Entwicklungen im Bereich der generativen KI und großer Sprachmodelle hat die Genauigkeit der Datenextraktion ein Niveau erreicht, das mit dem des Menschen vergleichbar ist. Wir haben die Genauigkeit der Datenextraktion von Sprachmodellen anhand von Belegbildern niedriger und hoher Qualität mithilfe von evaluiert.
GPU-Software für KI: CUDA vs. ROCm im Jahr
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.
Vergleichsmessung der Rechnungs-OCR: Extraktionsgenauigkeit von LLMs im Vergleich zu OCRs
Die Rechnungsverarbeitung ist ein wichtiger, aber arbeitsintensiver Geschäftsprozess, der traditionell die manuelle Datenerfassung und -eingabe in Buchhaltungssysteme erfordert. Dieser manuelle Ansatz ist zeitaufwändig und fehleranfällig.
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.