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 Bilderkennungstools im Vergleich
Wir haben die reale Leistung der führenden Cloud-Bilderkennungstools für Objekterkennungsaufgaben bewertet, indem wir deren Standard-API-Konfigurationen anhand von 5 Klassen mit 100 Bildern getestet haben. Dies umfasste den Vergleich der Leistung, die Analyse der Funktionen und den Abgleich der Serviceangebote im Verhältnis zum Preis. Benchmark-Ergebnisse Leistungsübersicht bei IoU=0,5 Die Leistungsmetriken für drei Plattformen zur Bilderkennung wurden…
Top 13 GAN-Anwendungsfälle
Während GANs viele frühe generative KI-Anwendungen vorangetrieben haben, insbesondere in der Bildsynthese und Stilübertragung, basieren die meisten verbraucherorientierten generativen KI-Tools heute auf diffusionsbasierten Architekturen oder verwandten Ansätzen wie Flow Matching und Diffusion Transformers (DiT). GANs bleiben jedoch in bestimmten Bereichen wichtig, wie z.B. Super-Resolution, Gesichtsrestaurierung, der Generierung synthetischer tabellarischer oder Gesundheitsdaten und Anwendungen, die eine…
Lokale KI-Agenten: Goose, Observer AI, AnythingLLM
Lokale KI-Agenten werden oft als offline, gerätebasiert oder vollständig lokal beschrieben. Wir haben drei Tage damit verbracht, das Ökosystem lokaler KI-Agenten zu kartieren, die autonom auf persönlicher Hardware laufen, ohne von externen APIs oder Cloud-Diensten abhängig zu sein. Unsere Analyse kategorisiert die führenden Lösungen in drei Schlüsselbereiche, basierend auf praktischen Tests von Entwickler-Agenten, Automatisierungstools und…
Top 4 KI-Suchmaschinen im Vergleich
Die Suche mit LLMs hat sich zu einer wichtigen Alternative zur Google-Suche entwickelt. Wir haben die folgenden KI-Suchmaschinen getestet, um herauszufinden, welche die korrektesten Ergebnisse liefert: Deepseek Search Andi ChatGPT Search mit GPT-4o Perplexity Search Pro Benchmark-Ergebnisse DeepSeek ist der Führer dieses Benchmarks, da es korrekt 57 % der Daten in unserem Ground-Truth-Datensatz bereitstellt. Sie…
IT-Dokumentations-Benchmark & Bewertung
Wir haben die führenden IT-Dokumentationsplattformen bewertet, um ihre Leistung, Funktionen und Benutzerfreundlichkeit zu beurteilen. Unser Benchmark maß Dokumenterstellungsroutinen, Editorfunktionen, Suchgenauigkeit und Beziehungsmanagement in realen Szenarien, einschließlich der Suche nach Fehlercodes, der Indizierung von PDF-Inhalten und der Erhaltung von Befehlsyntax. ToolHauptfunktionen & Fähigkeiten NinjaOne• Detailliertestes IT-fokussiertes Dashboard mit RMM-Integration • Link-Ablaufkontrollen für sichere externe Freigabe •…
Vergleich der besten KI-Agenten im Kundenservice
KI-Agenten, die von großen Sprachmodellen (LLMs) angetrieben werden, können auf Kundenanfragen in natürlicher Sprache antworten, Kontext interpretieren und menschenähnliche Antworten generieren. Diese Agenten können große Informationsmengen aus Quellen wie Wissensdatenbanken verarbeiten und synthetisieren. Wir haben vier KI-Agenten für den Kundenservice zusammengestellt: Tidio Lyro, Microsoft Azure AI Chatbot, IBM Watsonx Assistant und Intercom Fin. Nachfolgend finden…
Web Crawler Benchmark zum Füttern von Websites mit KI
Wir haben vier Crawl APIs in drei Bereichen mit unterschiedlicher Schwierigkeit auf drei maximalen Tiefenstufen (5, 10, 20) mit einem Limit von 1.000 Seiten getestet und dabei die Crawl-Abdeckung, Ausführungszeit, Linkentdeckung, Markdown-Linkqualität und die Genauigkeit der Titelaus extraction gemessen. Wenn Sie Folgendes anstreben: Webseiten in strukturierte Daten umwandeln, lesen Sie unseren Leitfaden zu Web-Scraping. Ganze…
Top 15+ Open-Source-Tools für die Incident Response
Basierend auf ihren Kategorien und GitHub-Sternen sind hier die führenden Open-Source-Incident-Response-Tools, die Ihnen helfen, das Erkennen und Beheben von Sicherheitsverletzungen zu automatisieren. Siehe die Erklärung zu Incident-Response-Tools und reinen Incident-Response-Tools. Incident-Response-Tools ToolKategorieAnzahl der Sterne auf GitHubAnzahl der GitHub-Mitwirkenden GraylogSIEM7,4k100+ WazuhSIEM, XDR11k250+ Azure Sentinel SIEM, SOAR4,6k700+ Snort3Intrusion-Detection-System (IDS)2,6k30+ OSSECIntrusion-Detection-System (IDS)4,3k100+ NtopNetFlow-Analysator6,3k100+ NfSenNetFlow-Analysator0,2k10 OpenVASSchwachstellenscanner3,4k50 amassNetzwerk-Mapping12k70 NmapNetzwerk-Mapping10,2k8 n8nSOAR,…
Multimodale Embedding-Modelle: Apple vs Meta vs OpenAI
Multimodale Embedding-Modelle sind hervorragend darin, Objekte zu identifizieren, haben aber Schwierigkeiten mit Beziehungen. Aktuelle Modelle können nicht zwischen „Telefon auf einer Karte“ und „Karte auf einem Telefon“ unterscheiden. Wir haben 7 führende Modelle an MS-COCO und Winoground getestet, um diese spezifische Einschränkung zu messen. Um einen fairen Vergleich zu gewährleisten, haben wir jedes Modell unter…
RAG Evaluierungstools: Weights & Biases vs Ragas vs DeepEval
Wenn eine RAG Pipeline den falschen Kontext abruft, generiert der LLM selbstbewusst die falsche Antwort. Kontext-Relevanz-Score sind die primäre Verteidigung. Wir haben fünf Tools unter identischen Bedingungen getestet: 1.460 Fragen und über 14.600 bewertete Kontexte, derselbe Judge-Modell (GPT-4o), Standardkonfigurationen und keine benutzerdefinierten Prompts. Unter Standardbedingungen schnitten WandB, TruLens und Ragas am besten ab. Unter adversarischem…
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.