Sıla Ermut
Sıla ist eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab.
Forschungsinteressen
Sılas Forschung konzentriert sich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Sie behandelt auch KI-Bewertung, Governance, Ethik und KI-Adoption.Ihre Arbeit umfasst die Recherche und den Vergleich von KI-Technologien, die Analyse ihrer Geschäftsanwendungen und Beiträge zu AIMultiple’s Technologie-Benchmarks.
Berufserfahrung
Sıla war zuvor als Recruiterin tätig und arbeitete in Projektmanagement- und Beratungsunternehmen.Ausbildung
Sie hat:- Bachelor of Arts in Internationale Beziehungen von der Bilkent University.
- Master of Science in Sozialpsychologie von der Başkent University.
Ihre Masterarbeit konzentrierte sich auf ethische und psychologische Bedenken gegenüber KI. Ihre Arbeit untersuchte den Zusammenhang zwischen KI-Exposition, Einstellungen gegenüber KI und existenziellen Ängsten in verschiedenen Nutzungsstufen von KI.
Neueste Artikel von Sıla
KI-Fail: 10 Ursachen & Beispiele aus der Praxis
Ob es sich um einen Unfall eines autonomen Fahrzeugs, einen verzerrten Algorithmus oder einen Ausfall eines Chatbots im Kundenservice handelt – Ausfälle von eingesetzten KI-Systemen können schwerwiegende Folgen haben und wichtige ethische und gesellschaftliche Fragen aufwerfen. Durch die Identifizierung und Behebung der zugrunde liegenden Probleme können Unternehmen die mit KI verbundenen Risiken mindern und sicherstellen,…
World Foundation Models: 10 Anwendungsfälle
Das Training von Robotern und autonomen Fahrzeugen (AVs) in der physischen Welt kann kostspielig, zeitaufwendig und riskant sein. World Foundation Models bieten eine skalierbare Alternative, indem sie realistische Simulationen realer Umgebungen ermöglichen. Diese Modelle beschleunigen die Entwicklung und den Einsatz in der Robotik, bei AVs und anderen Bereichen, indem sie die Abhängigkeit von physischen Tests…
KI-Halluzinationserkennungstools: W&B Weave & Comet
Wir haben drei Halluzinationserkennungstools getestet: Weights & Biases (W&B) Weave HallucinationFree Scorer, Arize Phoenix HallucinationEvaluator und Comet Opik Hallucination Metric, und zwar anhand von 100 Testfällen. Jedes Tool wurde anhand von Genauigkeit, Precision, Recall und Latenz bewertet. Wir testeten 100 Antworten (50 korrekte, 50 halluzinierte) aus faktischen Q&A-Szenarien gegen ihren Quellkontext. Weitere Einzelheiten zum Testverfahren…
Statistiken zum Energieverbrauch von KI
Eine aktuelle Prognose sagt voraus, dass KI bis 2028 mehr als die Hälfte des Stroms von Rechenzentren verbrauchen wird.1Da rechenintensive Arbeitslasten wie generative KI expandieren, wird auch ein Anstieg der Gesamtstromnachfrage erwartet. Wir haben Daten der IEA, des MIT und großer Cloud-Anbieter ausgewertet, um Trends bei der Effizienz des KI-Energieverbrauchs, politische Reaktionen und bewährte Praktiken…
KI-Umsätze im gesamten Stack vergleichen
Der KI-Markt expandierte rasant über alle vier Schichten (Daten, Rechenleistung, Modelle und Anwendungen). Zum Beispiel stieg der Rechenzentrumsumsatz von NVIDIA von $47.5B auf $115.2B in einem einzigen Geschäftsjahr (GJ2024 bis GJ2025, endend im Januar 2024 und Januar 2025). Wir haben Umsatzdaten von über 80 KI-Unternehmen verfolgt. Erkunden Sie, wie sich die Umsätze über die Schichten…
Vergleiche relationale Foundation-Modelle
Wir haben SAP-RPT-1-OSS mit Gradient Boosting (LightGBM, CatBoost) auf 17 tabellarischen Datensätzen verglichen, die das semantisch-numerische Spektrum abdecken: kleine, hochsemantische Tabellen, gemischte Geschäftsdatensätze und große, niedrigsemantische numerische Datensätze. Unser Ziel ist es zu messen, wo die vortrainierten semantischen Prioren eines relationalen LLM Vorteile gegenüber traditionellen Baummodellen bieten können und wo sie bei großem Umfang oder…
Vergleichen Sie multimodale KI-Modelle im visuellen Schlussfolgern
Wir haben 15 führende multimodale KI-Modelle im visuellen Schlussfolgern mit 200 visuellen Fragen getestet. Die Evaluierung bestand aus zwei Bereichen: 100 Fragen zum Diagrammverständnis, die Interpretation von Datenvisualisierungen testen, und 100 Fragen zur visuellen Logik, die Mustererkennung und räumliches Denken bewerten. Jede Frage wurde 5‑mal ausgeführt, um konsistente und zuverlässige Ergebnisse zu gewährleisten. Sehen…
Zielgruppensimulation: Können LLMs menschliches Verhalten vorhersagen?
Im Marketing ist die Bewertung, wie genau LLMs menschliches Verhalten vorhersagen, entscheidend für die Beurteilung ihrer Wirksamkeit bei der Antizipation von Zielgruppenbedürfnissen und der Erkennung der Risiken von Fehlausrichtung, ineffektiver Kommunikation oder unbeabsichtigter Beeinflussung. Die Zielgruppensimulation mit LLMs ermöglicht die Modellierung virtueller Zielgruppen und hilft Organisationen, Reaktionen auf Inhalte oder Produkte vorherzusehen, ohne auf teure…
AutoSys: Hauptfunktionen und Benutzereinblicke
Das Interesse an Broadcoms AutoSys ist rückläufig (Quelle: Google Trends) und es hat eine niedrigere durchschnittliche Bewertung auf Bewertungsplattformen im Vergleich zu den meisten anderen Workload-Automatisierungstools. Dies könnte teilweise erklärt werden durch: Tauchen Sie ein in die Funktionen, Nutzerbewertungen und den Ausblick von AutoSys, um mehr zu erfahren: AutoSys wurde ursprünglich von CA Technologies entwickelt…
15 KI-Agenten in Marketing-Tools & Beispiele
Forschungsergebnisse zeigen, dass 50 % der Unternehmen, die generative KI nutzen, planen, agentic KI-Pilotprogramme zu starten.1KI-Agenten im Marketing führen Systeme ein, die logisch denken, Entscheidungen treffen und mit minimaler menschlicher Überwachung handeln können. Diese intelligenten Agenten analysieren Kundendaten, generieren umsetzbare Erkenntnisse und koordinieren Kampagnen in Echtzeit über mehrere Plattformen hinweg. Wir haben die Top-15-KI-Agenten im Marketing…
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.