Sıla Ermut
Sıla ist Branchenanalystin bei AIMultiple und spezialisiert auf E-Mail-Marketing und Vertriebsvideos.
Forschungsschwerpunkte
Sılas Forschungsschwerpunkte umfassen E-Mail-Marketing, E-Commerce-Marketingkampagnen und Marketingautomatisierung. Sie ist außerdem Teil des AIMultiple-Projekts zur E-Mail-Zustellbarkeits-Benchmark-Analyse. In Zusammenarbeit mit dem Technologie-Team von AIMultiple entwickelt und implementiert sie Benchmarks zur E-Mail-Zustellbarkeit.Berufserfahrung
Sıla arbeitete zuvor als Personalvermittlerin und war in Projektmanagement- und Beratungsunternehmen tätig.Ausbildung
Sie hält:- Bachelor of Arts-Abschluss in Internationalen Beziehungen von der Bilkent-Universität.
- Master of Science-Abschluss in Sozialpsychologie von der Başkent-Universität.
Neueste Artikel von Sıla
Die 125 besten Anwendungen für generative KI
Basierend auf unserer Analyse von über 30 Fallstudien und 10 Benchmarks, in denen wir über 40 Produkte getestet und verglichen haben, identifizierten wir 125 Anwendungsfälle für generative KI in den folgenden Kategorien: Weitere KI-Anwendungen für Anfragen mit einer einzigen richtigen Antwort (z. B. Vorhersage oder Klassifizierung) finden Sie unter KI-Anwendungen.
Marktanteile von LLM: Vergleich von Nutzung und Akzeptanz
Wir analysierten die Marktanteile von LLM (Large Language Models) anhand von Nutzungsdaten und geschätzten Webseitenbesuchen, um die Verteilung der Nachfrage nach großen Sprachmodellen auf KI-Labore und KI-Anwendungen darzustellen: Vergleich der LLM-Marktanteile nach Ländern. Die Methodik erläutert, wie wir diese Ergebnisse gemessen und berechnet haben. Die Vereinigten Staaten führten die Liste der Webseitenbesuche an.
Vergleich relationaler Fundamentmodelle
Wir haben SAP-RPT-1-OSS anhand von 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 ermitteln, wo die vortrainierten semantischen Priors eines relationalen LLM Vorteile gegenüber traditionellen Baummodellen bieten und wo sie bei großen Datenmengen oder niedrigsemantischen Strukturen an ihre Grenzen stoßen.
LLM-Quantisierung: BF16 vs FP8 vs INT4
Wir haben Qwen3-32B mit vier Genauigkeitsstufen (BF16, FP8, GPTQ-Int8, GPTQ-Int4) auf einer einzelnen NVIDIA H100 80GB GPU getestet. Jede Konfiguration wurde anhand von zwei Benchmarks (~12.200 Fragen) zur Wissens- und Codegenerierung sowie über 2.000 Inferenzläufen zur Messung des Durchsatzes evaluiert.
E-Commerce AI Video Maker Benchmark: Veo 3 vs. Sora 2
Die Produktvisualisierung spielt eine entscheidende Rolle für den Erfolg im E-Commerce, doch die Erstellung hochwertiger Produktvideos stellt nach wie vor eine große Herausforderung dar. Jüngste Fortschritte in der KI-Videogenerierungstechnologie bieten vielversprechende Lösungen. Wir haben die sechs führenden KI-Videogeneratoren anhand von zwölf Bild- und Texteingaben verglichen, um ihre Fähigkeiten bei der Erstellung von Produktdemonstrationsvideos zu bewerten: Ergebnisse des KI-Videogenerator-Benchmarks (Abbildung ).
Text-to-Speech-Software: Hume & ElevenLabs
Mit der Weiterentwicklung von KI-Fähigkeiten wird auch Text-to-Speech-Software (TTS) immer besser darin, natürliche, menschenähnliche Sprache zu erzeugen. Wir haben die Leistung von fünf verschiedenen TTS- und Stimmungsanalyse-Tools (Resemble, ElevenLabs, Hume, Azure und Cartesia) in sieben zentralen Emotionskategorien evaluiert und verglichen, um herauszufinden, welches Tool emotionale Nuancen am genauesten, konsistentesten und umfassendsten erkennen kann.
KI ohne Programmierung: Vorteile, Branchen und wichtigste Unterschiede
No-Code-KI-Tools ermöglichen es Nutzern, KI-Anwendungen zu erstellen, zu trainieren oder bereitzustellen, ohne Code schreiben zu müssen. Diese Plattformen basieren typischerweise auf Drag-and-Drop-Oberflächen, natürlichsprachlichen Eingabeaufforderungen, geführten Einrichtungsassistenten oder visuellen Workflow-Buildern. Dieser Ansatz senkt die Einstiegshürde und macht die KI-Entwicklung auch für Nutzer ohne Programmierkenntnisse zugänglich.
Große quantitative Modelle: Anwendungen und Herausforderungen
Moderne Systeme werden für traditionelle statistische Analysen zunehmend zu komplex, da Institutionen mittlerweile riesige Datensätze verarbeiten, darunter Patientendaten, Wetterdaten und Finanzmarktdaten. Große quantitative Modelle (LQMs) helfen dabei, indem sie diese Datensätze verarbeiten, strukturierte und unstrukturierte Daten integrieren und prädiktive Modellierung anwenden, um Muster aufzudecken und datengestützte Erkenntnisse zu gewinnen, die mit traditionellen Methoden nicht zu erzielen sind.
10 Best Practices und Beispiele für die Datenerfassung im E-Commerce
Mit dem Wachstum des Online-Handels und den sich wandelnden Kundenerwartungen stehen E-Commerce-Unternehmen unter zunehmendem Wettbewerbsdruck. Reale Daten sind der Schlüssel zu schnelleren und fundierteren Entscheidungen. Werden Daten nicht ordnungsgemäß erfasst und genutzt, kann dies zu Umsatzeinbußen, ineffizienten Abläufen und geringer Kundenbindung führen. Die Datenerfassung im E-Commerce liefert wertvolle Erkenntnisse über das Kundenverhalten, Markttrends und vieles mehr.
Generative KI für E-Mail-Marketing: Anwendungen & Beispiele
Generative KI hat sich über die einfache Erstellung von E-Mail-Inhalten hinaus weiterentwickelt und ermöglicht nun Echtzeit-Personalisierung, multimodale Interaktionen und kanalübergreifende Orchestrierung, die auf das Kundenverhalten reagiert. Der Wandel von segmentbasierten Kampagnen hin zu individueller Personalisierung stellt die bedeutendste Veränderung im E-Mail-Marketing seit der Automatisierung dar.
AIMultiple Newsletter
1 kostenlose E-Mail pro Woche mit den neuesten B2B-Technachrichten und Experten Einblicken.