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 5 besten Open-Source-Frameworks für agentenbasierte KI im Jahr
Wir haben vier gängige Open-Source-Agenten-Frameworks in 2.000 Durchläufen (fünf Aufgaben, jeweils 100 Durchläufe pro Framework) hinsichtlich Latenz, Token-Verbrauch und architektonischer Unterschiede verglichen. Wir untersuchten, wie die Frameworks selbst das Agentenverhalten beeinflussen und welche Auswirkungen dies auf Latenz und Token-Verbrauch hat. LangGraph ist das schnellste Framework mit der geringsten Latenz.
Benchmarking von agentenbasierten KI-Frameworks in Analyse-Workflows
Frameworks zum Erstellen agentenbasierter Workflows unterscheiden sich erheblich in ihrem Umgang mit Entscheidungen und Fehlern, ihre Leistungsfähigkeit bei unvollkommenen realen Daten ist jedoch weitgehend unerprobt. Um ihre Performance in realen analytischen Workflows zu evaluieren, haben wir drei Tage lang LangGraph, LangChain, CrewAI und Swarm anhand eines E-Commerce-Datensatzes mit 100 Datensätzen und kontrollierten Dateninkonsistenzen wie fehlenden Werten getestet.
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.
Die 5 besten Tools zum Scannen von Schwachstellen
Tools zur Schwachstellenanalyse identifizieren Sicherheitslücken in Netzwerken, Anwendungen und Systemen. Unternehmen bewerten diese Tools anhand von Scanmethoden (DAST/IAST/SCA), SIEM-Integration, Bereitstellungsoptionen und Preisgestaltung. Unsere Analyse umfasst fünf Lösungen zur Schwachstellenanalyse, basierend auf ihren technischen Fähigkeiten und ihrer Marktpräsenz.
CRM-KI-Systeme: Die 5 besten Anbieter und ihre wichtigsten Funktionen
Wir haben über 50 Produktankündigungen führender CRM-Anbieter verfolgt, Integrationsstarts von HubSpot und anderen analysiert und Nutzungsdaten aus über 15 Branchenstudien verglichen, um herauszufinden, welche KI-CRM-Funktionen tatsächlich Mehrwert bieten und nicht nur Marketingversprechen sind.
Die 8 besten Observability-Softwarelösungen mit Preisangaben, inklusive SolarWinds
Observability-Plattformen versprechen vollständige Transparenz verteilter Systeme. Die Auswahl der richtigen Lösung gestaltet sich jedoch schwierig, da jeder Anbieter behauptet, alles zu können. Wir haben die acht führenden Observability-Softwareprodukte anhand ihrer dokumentierten Funktionen, der öffentlich zugänglichen Preise, verifizierter Kundenbewertungen und Referenzfälle aus Unternehmen analysiert.
Die 15 wichtigsten Anwendungsfälle und Beispiele für KI in der Logistik
Anhaltende Ineffizienzen, steigende Betriebskosten und kontinuierliche Lieferkettenunterbrechungen stellen die Logistikbranche weltweit weiterhin vor große Herausforderungen. Diese Belastungen strapazieren traditionelle Systeme, verringern die Zuverlässigkeit der Dienstleistungen und schränken die Skalierbarkeit von Unternehmen ein. Als Reaktion darauf setzen Unternehmen verstärkt auf künstliche Intelligenz (KI), um die Transparenz der gesamten Wertschöpfungskette zu verbessern, die Resilienz zu stärken und Kernfunktionen zu optimieren.
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.
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.
Agentic Mesh: Die Zukunft skalierbarer KI-Kollaboration
Obwohl viel über Agentenarchitekturen geschrieben wurde, sind praxistaugliche Implementierungen weiterhin selten. Dieser Artikel beleuchtet das agentenbasierte KI-Netzwerk, ein Konzept, das kürzlich von McKinsey vorgestellt wurde. Wir untersuchen die Herausforderungen in Produktionsumgebungen und zeigen, wie unsere vorgeschlagene Architektur eine kontrollierte Skalierung der KI-Fähigkeiten ermöglicht.
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.