Dienstleistungen
Kontaktieren
Sıla Ermut

Sıla Ermut

Branchenanalystin
66 Artikel
Bleiben Sie über B2B-Technologie auf dem Laufenden

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
Einblick
16. Jul

17 Generative KI Anwendungsfälle im Gesundheitswesen

Gesundheitssysteme stehen vor wachsenden Datenmengen, Personalmangel und steigenden Erwartungen an eine personalisierte Versorgung. Generative KI entwickelt sich zu einer wichtigen Lösung, indem sie unstrukturierte medizinische Daten wie klinische Notizen, Bildgebungsberichte und Patientenhistorien in Erkenntnisse für Kliniker und Administratoren umwandelt. Entdecken Sie, wie generative KI in der Gesundheitsversorgung, Verwaltung und im Bevölkerungsgesundheitsmanagement eingesetzt wird, sowie die…

Unternehmenssoftware
Einblick
7. Jul

Top 11 KI-Anwendungsfälle in ITSM & Beispiele

Der Einsatz von KI für IT-Service-Management-Tools (ITSM) unterstützt Organisationen in Bezug auf: Sehen Sie sich die Top 11 Anwendungsfälle von KI in ITSM, Beispiele und Vorteile des Einsatzes von KI in ITSM an. KI-natives ITSM bezieht sich auf eine neue Art des Managements interner Unterstützung und IT-Betrieb, bei der künstliche Intelligenz kein zusätzliches Feature ist,…

KI
Einblick
2. Jul

LLM Marktanteil: Vergleich von Nutzung & Akzeptanz

Wir analysierten den LLM-Marktanteil, indem wir nutzungsbasierte Daten und Schätzungen zu Web-Besuchen kombinierten, um zu zeigen, wie die Nachfrage nach large language models über KI-Labore und KI-Anwendungen verteilt ist: Lesen Sie die Methodik, um zu erfahren, wie wir diese Ergebnisse gemessen und berechnet haben. Die Vereinigten Staaten dominierten die Web-Besuche über alle vier Monate hinweg…

KI
Einblick
2. Jul

No-Code-KI: Vorteile, Branchen & Hauptunterschiede

No-Code-KI-Tools ermöglichen es Anwendern, KI-Anwendungen zu erstellen, zu trainieren oder bereitzustellen, ohne Code schreiben zu müssen. Diese Plattformen basieren in der Regel auf Drag-and-Drop-Oberflächen, Eingabeaufforderungen in natürlicher Sprache, geführten Einrichtungsassistenten oder visuellen Workflow-Buildern. Dieser Ansatz senkt die Einstiegshürde und macht die KI-Entwicklung für Anwender ohne Programmierkenntnisse zugänglich. In letzter Zeit hat sich No-Code-KI weit über…

KI
Benchmark
1. Jul

Vergleich großer visueller Modelle: GPT-4o vs YOLOv8n

Große visuelle Modelle (LVMs) können visuelle Aufgaben wie Fehlererkennung, medizinische Diagnose und Umweltüberwachung automatisieren und verbessern. Wir haben drei Objekterkennungsmodelle getestet: YOLOv8n, DETR und GPT-4o Vision, jeweils über 1.000 Bilder, wobei Metriken wie mAP@0.5, Inferenzgeschwindigkeit, FLOPs und Parameteranzahl gemessen wurden. Um einen fairen Vergleich zu gewährleisten, wurden alle Bilder auf 800×800 Pixel skaliert und unter…

Unternehmenssoftware
Einblick
30. Jun

Top 20 ITSM-Fallstudien

Der Einsatz von IT-Service-Management-Tools (ITSM) ist für Unternehmen unerlässlich, die Effizienz ihrer IT-Operationen steigern und die Servicebereitstellung verbessern möchten. Entdecken Sie ITSM-Fallstudien in verschiedenen Branchen wie Bildung, Fertigung, Transport und Telekommunikation und sehen Sie, wie Unternehmen ITSM-Lösungen genutzt haben, um Herausforderungen im Service-Management zu bewältigen, die Effizienz zu steigern und die Kundenzufriedenheit zu erhöhen:…

KI
Einblick
26. Jun

LLM Parameter: GPT-5 High, Mittel, Niedrig und Minimal

Einige LLMs, wie die GPT-5-Familie von OpenAI, sind in verschiedenen Versionen verfügbar (z. B. GPT-5, GPT-5-mini und GPT-5-nano) und mit verschiedenen Parametereinstellungen, einschließlich hoch, mittel, niedrig und minimal. Im Folgenden untersuchen wir die Unterschiede zwischen diesen Modellversionen, indem wir ihre Benchmark-Leistung und die Kosten für die Durchführung der Benchmarks erfassen. Wir haben die GPT-5-Familie in…

Daten
Einblick
26. Jun

Föderiertes Lernen: 7 Anwendungsfälle & Beispiele

Föderiertes Lernen (FL) ermöglicht es Modellen, aus dezentralen Daten zu lernen, während sensible Informationen geschützt bleiben und die Einhaltung von Datenschutz- und Lokalisierungsgesetzen gewährleistet wird. Erkunden Sie, was föderiertes Lernen ist, wie es funktioniert, gängige Anwendungsfälle mit realen Beispielen, potenzielle Herausforderungen und seine Alternativen. Föderiertes Lernen unterstützt eine breite Palette von KI-Systemen, bei denen Datensensibilität,…

Unternehmenssoftware
Einblick
26. Jun

Control-M für Enterprise-Workload-Automatisierung

Control-M von BMC Software hilft Teams, Daten- und Anwendungs-Workflows in verschiedenen Umgebungen zu koordinieren und zu automatisieren, einschließlich Mainframes, der Cloud und hybriden Systemen. Es bietet Benutzern einen zentralen Ort, um Jobs zu planen, den Fortschritt zu verfolgen und Abhängigkeiten zu verwalten. Die Plattform verbindet sich auch mit beliebten Cloud-Diensten, Daten-Tools und DevOps-Systemen und erleichtert…

KI
Einblick
25. Jun

Große quantitative Modelle: Anwendungen & Herausforderungen

Moderne Systeme werden zu komplex für traditionelle statistische Analysen, da Institutionen heute massive Datensätze verarbeiten, darunter Patienten-, Wetter- und Finanzmarktdaten. Große quantitative Modelle (LQMs) helfen, indem sie diese Datensätze verarbeiten, strukturierte und unstrukturierte Daten integrieren und prädiktive Modellierung anwenden, um Muster zu erkennen und datengestützte Erkenntnisse zu liefern, die traditionelle Methoden nicht bieten können. Erfahren…