Verantwortungsvolle KI: 4 Grundsätze & Best Practices

65% der Führungskräfte fühlen sich nicht ausreichend vorbereitet, um KI-bezogene Risiken wirksam zu managen. ¹  KI-Anwendungen verantwortungsvoll, vertrauenswürdig und unter Berücksichtigung ethischer Grundsätze zu entwickeln und zu skalieren, ist unerlässlich, um KI zu schaffen, die für alle funktioniert.

Erkunden Sie vier Grundsätze für die verantwortungsvolle KI-Gestaltung (RAI) und empfehlen Sie Best Practices, um diese zu erreichen:

Schritt-für-Schritt-Leitfaden für verantwortungsvolle KI

1. Setzen Sie KI-Systeme mit Fokus auf menschliche Nutzer und deren Erfahrungen ein. Stellen Sie sicher, dass das Design ethische Grundsätze und gesellschaftliche Werte für eine bessere Nutzerinteraktion einbezieht.
2. Verwenden Sie ein Dashboard für verantwortungsvolle KI, um verschiedene Kennzahlen wie Feedback- und Fehlerquoten zu überwachen und so die Systemwirksamkeit und das Risikomanagement sicherzustellen.
3. Untersuchen Sie Trainingsdaten und zugrunde liegende Daten sorgfältig auf Genauigkeit und Repräsentativität. Gehen Sie Verzerrungen und unfairen Ergebnissen nach, um die Datenethik zu verbessern, und stellen Sie sicher, dass Ihre KI-Richtlinie Fairness-Prüfungen durchsetzt.
4. Verstehen Sie die Grenzen von Machine-Learning-Modellen und kommunizieren Sie diese klar. Vermeiden Sie eine übermäßige Abhängigkeit von Korrelationen und erkennen Sie den Umfang der Fähigkeiten generativer KI an.
5. Implementieren Sie strenge Tests in KI-Workflows, einschließlich Unit- und Integrationstests. Kontinuierliche Überwachung ist entscheidend für die Systemzuverlässigkeit und -genauigkeit und berücksichtigt dabei ethische Erwägungen.
6. Verfolgen Sie die Systemleistung nach der Bereitstellung kontinuierlich, bewerten Sie Aktualisierungen im Hinblick auf das EU KI Act zur Einhaltung gesetzlicher Vorschriften und passen Sie sich an Datenschutz- und Sicherheitsgrundsätze an. Richten Sie Ihre Überwachungspraktiken an KI-Richtlinienstandards aus, die Datenschutz, Transparenz und Sicherheit betonen. Behandeln Sie sowohl unmittelbare als auch langfristige Probleme und gewährleisten Sie gleichzeitig eine breite Akzeptanz und Widerstandsfähigkeit gegen böswillige Angriffe.

1. Fairness

KI-Tools werden zunehmend in verschiedenen Entscheidungsprozessen wie Einstellung, Kreditvergabe und medizinischer Diagnose eingesetzt. Verzerrungen, die in diese Entscheidungssysteme eingebracht werden, können weitreichende Auswirkungen auf die Öffentlichkeit haben und zur Diskriminierung verschiedener Personengruppen beitragen.

Beispiele aus der Praxis

Hier sind drei Beispiele für KI-Verzerrungen in realen Anwendungen:

• Sexismus bei Kreditalgorithmen: Im Jahr 2019 gab es mehrere Behauptungen (auch von Mitgründer Steve Wozniak), dass der Kreditkarten-Algorithmus von Apple Frauen diskriminiert und je nach Geschlecht unterschiedliche Kreditlimits anbietet.
• Rassismus und Ableismus bei KI-gestützter Einstellung: Laut einem aktuellen Bericht der Harvard Business School und Accenture werden in den USA 27 Millionen Arbeitnehmer durch automatisierte und KI-gestützte Einstellungssysteme herausgefiltert und können keinen Job finden. ²  Diese „versteckten Arbeitskräfte“ umfassen Immigranten, Flüchtlinge und Menschen mit körperlichen Behinderungen.
• Rassismus bei der Gesichtserkennung: Forscher fanden ³ heraus, dass einige kommerzielle Gesichtserkennungstechnologien, wie die von Amazon oder Microsoft, bei dunkelhäutigen Frauen eine geringe Genauigkeit aufwiesen, bei hellhäutigen Männern jedoch genauer waren (Abbildung 1).

Diese verzerrten Entscheidungen können aus dem Projektdesign oder aus Datensätzen resultieren, die reale Verzerrungen widerspiegeln. Es ist entscheidend, diese Verzerrungen zu beseitigen, um KI-Systeme zu schaffen, die robust und für alle inklusiv sind.

Best Practices zur Erreichung von Fairness

• Überprüfen Sie den Datensatz darauf, ob er eine faire Repräsentation der Bevölkerung darstellt.
• Analysieren Sie die Teilpopulationen des Datensatzes, um festzustellen, ob das Modell über verschiedene Gruppen hinweg gleich gut abschneidet.
• Entwerfen Sie Modelle mit Fairness im Hinterkopf und konsultieren Sie Sozialwissenschaftler und andere Fachexperten.
• Überwachen Sie das Machine-Learning-Modell kontinuierlich nach der Bereitstellung. Modelle driften ab, sodass im Laufe der Zeit Verzerrungen in das System eingebracht werden können.
• Integrieren Sie Fairness-Benchmarks in Ihre KI-Richtlinie zur messbaren Rechenschaftspflicht.

Wir haben einen umfassenden Artikel über KI-Verzerrung und wie man sie behebt. Schauen Sie kostenlos gerne vorbei. Sie können auch unseren Artikel zur KI-Ethik lesen.

2. Datenschutz

KI-Systeme verwenden oft große Datensätze, und diese Datensätze können sensible Informationen über Einzelpersonen enthalten. Dies macht KI-Lösungen anfällig für Datenlecks und Angriffe von böswilligen Parteien, die sensible Informationen erlangen wollen:

• Laut dem Identity Theft Resource Center gab es im Jahr 2021 1862 Datenschutzverletzungen, das sind 23% mehr als der vorherige Höchststand im Jahr 2017.⁴

Datenschutzverletzungen verursachen finanzielle Verluste sowie Reputationsschäden für Unternehmen und können Personen gefährden, deren sensible Informationen offengelegt werden.

Beispiel aus der Praxis

Anfang 2024 verhängte die italienische Datenschutzbehörde gegen die Stadt Trient eine Geldstrafe von €50.000 – die erste italienische Kommune, die wegen KI-bezogener Datenschutzverstöße bestraft wurde. Trient hatte KI-Tools in EU-finanzierten Überwachungsprojekten eingesetzt, die Kameras, Mikrofone und Social-Media-Überwachung umfassten, jedoch personenbezogene Daten nicht ordnungsgemäß anonymisierte und Informationen unrechtmäßig an Dritte weitergab.

Die Behörde ordnete die Löschung aller gesammelten Daten an und verwies auf Verstöße gegen Transparenz und Verhältnismäßigkeit gemäß DSGVO. Dieser Fall spiegelt Italiens zunehmende Durchsetzung von KI-bezogenen Datenschutzregeln wider, nach Maßnahmen wie dem vorübergehenden ChatGPT-Verbot im Jahr 2023 und einer Geldstrafe gegen OpenAI Ende 2024.⁵

Best Practices zur Gewährleistung des Datenschutzes 

• Bewerten und klassifizieren Sie Daten nach ihrer Sensibilität und überwachen Sie sensible Daten.
• Entwickeln Sie eine Richtlinie für Datenzugriff und -nutzung innerhalb der Organisation. Implementieren Sie das Prinzip der geringsten Privilegien

3. Sicherheit und Schutz

Die Sicherheit eines KI-Systems ist entscheidend, um Angreifer daran zu hindern, in das System einzugreifen und sein beabsichtigtes Verhalten zu ändern. Der zunehmende Einsatz von KI in besonders kritischen Bereichen der Gesellschaft kann Schwachstellen einführen, die erhebliche Auswirkungen auf die öffentliche Sicherheit haben können.

Die Anwendung strenger Sicherheitsgrundsätze während des Systemdesigns hilft, diese Schwachstellen zu minimieren. Außerdem erfordert eine robuste KI-Richtlinie Bedrohungsmodellierung, Penetrationstests und Red Teaming.

Betrachten Sie die folgenden Beispiele:

• Forscher haben gezeigt, dass sie ein selbstfahrendes Automatisch dazu bringen können, auf die Gegenfahrbahn zu fahren, indem sie kleine Aufkleber auf der Straße anbringen.

Diese Adversarial-Angriffe können Folgendes umfassen:

• Datenvergiftung durch Einschleusen irreführender Daten in Trainingsdatensätze.
• Modellvergiftung durch Zugriff auf und Manipulation der Modelle.

neben anderen Methoden, um das KI-Modell zu unbeabsichtigtem Verhalten zu veranlassen. Mit der Weiterentwicklung der KI-Technologie werden Angreifer neue Methoden finden und neue Wege zur Verteidigung von KI-Systemen entwickeln.

Beispiel aus der Praxis

Spanien hat einen Gesetzentwurf im Einklang mit dem EU KI Act verabschiedet, der vorschreibt, dass alle KI-generierten Inhalte, wie Deepfakes, klar gekennzeichnet werden müssen, um die Transparenz zu stärken und schutzbedürftige Gruppen zu schützen. Das Gesetz verbietet auch unterschwellige Manipulation durch KI und sieht hohe Strafen bei Verstößen vor. Das Gesetz verlangt:

• Kennzeichnung: Alle KI-generierten Inhalte (z. B. Bilder, Videos, Texte) müssen eindeutig als solche gekennzeichnet sein.
• Deepfake-Regulierung: Synthetische Medien müssen ihre künstliche Herkunft offenlegen.
• Manipulationsverbot: KI-Systeme dürfen keine unterschwelligen Techniken einsetzen, um Nutzer auszunutzen, insbesondere Minderjährige oder schutzbedürftige Personen.

Bei Verstößen müssen die Modellanbieter mit bis zu €35 Millionen oder 7% des weltweiten Umsatzes rechnen. Eine neue nationale Behörde, AESIA, wird die Einhaltung überwachen und durchsetzen.

Dieses Gesetz stärkt die Transparenz- und Sicherheitsgrundsätze verantwortungsvoller KI, indem es Nutzern bewusst macht, wann sie mit synthetischen Inhalten interagieren, und schädliche Manipulation eindämmt.⁶

Best Practices zur Erreichung von Sicherheit

• Bewerten Sie, ob ein Angreifer einen Anreiz hätte, das System anzugreifen, und die möglichen Folgen eines solchen Angriffs.
• Stellen Sie ein Red Team in Ihrer Organisation zusammen, das als Angreifer agiert, um das System auf Identifizierung und Minderung von Schwachstellen zu testen.
• Verfolgen Sie neue Entwicklungen bei KI-Angriffen und KI-Sicherheit. Es ist ein fortlaufendes Forschungsgebiet, daher ist es wichtig, über Entwicklungen auf dem Laufenden zu bleiben.

4. Transparenz

Transparenz, Interpretierbarkeit oder Erklärbarkeit von KI-Systemen ist in einigen Branchen wie dem Gesundheitswesen und der Versicherung ein Muss, in denen Unternehmen Branchenstandards oder staatliche Vorschriften einhalten müssen. Allerdings ist die Fähigkeit zu interpretieren, warum KI-Modelle zu bestimmten Ergebnissen kommen, für alle Unternehmen und Nutzer wichtig, um KI-Systeme verstehen und ihnen vertrauen zu können.

Ein transparentes KI-System kann Unternehmen helfen:

• Geschäftskritische Entscheidungen zu erklären und zu verteidigen,
• „Was-wäre-wenn“-Szenarien zu erstellen,
• Sicherzustellen, dass die Modelle wie vorgesehen funktionieren,
• Rechenschaftspflicht im Falle unbeabsichtigter Ergebnisse zu gewährleisten.

Beispiel aus der Praxis

Clearview KI, ein US-amerikanisches Unternehmen für Gesichtserkennung, baute eine Datenbank mit über 30 Milliarden Bildern auf, die aus dem Internet gesammelt wurden, um Personen für Strafverfolgung und Privatkunden zu identifizieren. Es wurde von der niederländischen Datenschutzbehörde mit einer Geldstrafe von €30,5 Millionen belegt, weil es gegen Datenschutz- und Transparenzgrundsätze der DSGVO verstoßen hatte, wie zum Beispiel:

• Keine Einwilligung: Erhob biometrische Daten (Gesichtsmerkmale) ohne Wissen oder Erlaubnis der Nutzer.
• Mangelnde Transparenz: Einzelpersonen wurden nicht darüber informiert, dass ihre Bilder verwendet oder wie sie verarbeitet wurden.
• Sensible Daten: Die Datenbank enthielt Bilder von Minderjährigen.
• Nichteinhaltung: Operierte in der EU ohne lokalen Vertreter oder rechtmäßige Datengrundlage.⁷

Anwendungsfälle

Erklärbare KI kann helfen, Transparenz und Vertrauen in Entscheidungsprozesse in verschiedenen Sektoren aufzubauen, wie zum Beispiel: 

• Gesundheitswesen, indem sie Ärzten hilft, die Gründe für KI-basierte Krankheitsdiagnosen und Behandlungsvorschläge zu verstehen. 
• Finanzen, indem sie Transparenz bietet und das Vertrauen der Stakeholder bei Betrugserkennung und Anlageberatung stärkt. 
• Automobilindustrie, indem sie hilft, die Entscheidungsprozesse in autonomen Fahrzeugen zu klären und so Sicherheit und Zuverlässigkeit zu erhöhen. 
• Marketing & Vertrieb, indem sie KI-gestützte Erkenntnisse für Kundensegmentierung, Vertriebsprognosen und Werbeausrichtung transparent macht und strategische Entscheidungen unterstützt. 
• Cybersicherheit, indem sie die Gründe für die KI-basierte Bedrohungserkennung erklärt und so das Cybersicherheitsmanagement verbessert. 

Best Practices zur Gewährleistung von Transparenz

• Verwenden Sie einen kleinen Satz von Eingaben, der für die gewünschte Modellleistung erforderlich ist. Dies kann es erleichtern, genau zu bestimmen, woher die Korrelation oder Kausalität zwischen Variablen stammt.
• Geben Sie erklärbaren KI-Methoden Vorrang vor Modellen, die schwer zu interpretieren sind (d. h. Black-Box-Modelle).
• Besprechen Sie das erforderliche Maß an Interpretierbarkeit mit Fachexperten und Stakeholdern.

Neue Säule: Grüne KI

Grüne KI konzentriert sich auf die Reduzierung der Umweltauswirkungen von KI-Systemen. Das Trainieren und Ausführen von KI-Modellen erfordert erhebliche Rechenleistung, was zu hohem Energieverbrauch führt. Dies kann sowohl die Kosten als auch die CO2-Emissionen erhöhen.

Mit zunehmender KI-Adoption wird Energieeffizienz immer wichtiger. Unternehmen beginnen, die Art und Weise zu optimieren, wie Modelle gebaut, trainiert und eingesetzt werden, um den Ressourcenverbrauch zu senken und gleichzeitig die Leistung zu erhalten.

Ein Ansatz der Grünen KI kann Unternehmen helfen:

• Energieverbrauch und Betriebskosten zu senken,
• Den CO2-Fußabdruck von KI-Workloads zu verringern,
• Die Effizienz von Modelltraining und Inferenz zu verbessern,
• KI-Initiativen mit Nachhaltigkeitszielen in Einklang zu bringen.

Beispiel aus der Praxis

Google DeepMind setzte maschinelles Lernen ein, um Kühlsysteme in Google-Rechenzentren zu optimieren. Das System analysiert Daten wie Temperatur, Stromverbrauch und Geräteleistung, um die Kühlung automatisch anzupassen.

Dies führte zu:

• Bis zu 40% Reduzierung des Energieverbrauchs für die Kühlung,
• Rund 15% Reduzierung des Gesamtenergieverbrauchs in Rechenzentren.

Dieses Beispiel zeigt, dass Grüne KI messbare Ergebnisse in großen Umgebungen liefert.⁸

Anwendungsfälle

Grüne KI kann in mehreren Bereichen angewendet werden, darunter:

• Rechenzentrumsoptimierung: KI-Systeme passen Kühlung und Stromverbrauch an, um Energieverschwendung zu reduzieren.
• Effizientes Modelldesign: Kleinere Modelle und Kompressionstechniken reduzieren den Rechenbedarf.
• Workload-Planung: Aufgaben werden ausgeführt, wenn die Energienachfrage geringer ist oder erneuerbare Energie verfügbar ist.
• Cloud-Optimierung: KI hilft, Ressourcen dynamisch zuzuweisen, um Überprovisionierung zu vermeiden.
• Edge-KI: Die Verarbeitung von Daten näher an der Quelle reduziert Datenübertragung und Energieverbrauch.

Best Practices zur Gewährleistung von Grüner KI

• Verwenden Sie effiziente Modellarchitekturen anstelle unnötig großer Modelle.
• Optimieren Sie das Training, indem Sie Iterationen reduzieren und qualitativ hochwertigere Daten verwenden.
• Überwachen Sie den Energieverbrauch von KI-Workloads.
• Bevorzugen Sie Cloud-Regionen oder Anbieter, die erneuerbare Energien nutzen.
• Verwenden Sie vortrainierte Modelle wieder, anstatt von Grund auf neu zu trainieren, wann immer möglich.

Hinweis zur Reife

Einige Praktiken der Grünen KI, wie die kohlenstoffbewusste Workload-Planung, entwickeln sich noch und sind noch nicht weitgehend standardisiert. Bestehende Implementierungen zeigen jedoch, dass erhebliche Effizienzgewinne erreichbar sind.

Werkzeuge für verantwortungsvolle KI

Die Marktlandschaft für Software für verantwortungsvolle KI umfasst verschiedene Tools, die Rahmenwerke für verantwortungsvolle KI bereitstellen, wie zum Beispiel:

• KI-Governance-Tools
• KI-Leitplanken
• MLOps-Tools
• LLMOps-Tools
• Open-Source-Bibliotheken für verantwortungsvolle KI

Schauen Sie kostenlos gerne in unsere datengestützten Listen von KI-Dienstleistungen für mehr über Data-Science-Berater und KI-Berater.

Um sicherzustellen, dass diese Tools mit ethischen Werten übereinstimmen, sollten Unternehmen Tools einführen, die ihrer KI-Richtlinie entsprechen und Sicherheit, Fairness, Transparenz und Rechenschaftspflicht abdecken.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

Wie erkennt man, ob ein KI-Tool verantwortungsvoll ist?

Geschäftsanwender können KI-Tools nutzen, wie z. B. ein HR-Team, das einen LLM-basierten Algorithmus verwendet, um Bewerberprofile zu überprüfen und die Rekrutierung zu beschleunigen, indem Lebensläufe nach Erfahrung und Ausbildung gefiltert werden. Verstößt das Tool jedoch gegen Fairness-Grundsätze, könnte es bestimmte Gruppen diskriminieren. Unwissend über diese Verzerrung könnten Nutzer Kandidaten aufgrund von Geschlecht oder Rasse ablehnen, was zu ethischen und rufschädigenden Problemen für die Organisation führt.

Um solche Probleme zu vermeiden, sollten Unternehmen Tools einführen, die mit verantwortungsvollen KI-Grundsätzen übereinstimmen. Sie können Benchmarks bewerten, Nutzerbewertungen prüfen und Beispiele aus der Praxis oder Fallstudien studieren, um eine ethische KI-Nutzung sicherzustellen. Die folgende Tabelle zeigt die Benchmark-Ergebnisse für einige der führenden LLMs:

Systeme werden sowohl insgesamt als auch für jede Gefahr auf einer 5-Punkte-Skala bewertet: Schlecht (1), Ausreichend (2), Gut (3), Sehr gut (4) und Hervorragend (5). Die Bewertungen werden durch den Prozentsatz der Antworten bestimmt, die Bewertungsstandards nicht erfüllen.⁹

Jüngste Entwicklungen in der verantwortungsvollen KI

Frühwarnsystem für Fehlausrichtung

Eine neue Technik namens Misalignment Early-Warning wurde von OpenAI als vielversprechender Schritt hin zu sichereren und verantwortungsvolleren KI-Systemen eingeführt. Diese Methode konzentriert sich auf die Erkennung interner Warnsignale, bevor ein KI-Modell schädliche Ausgaben produziert.¹⁰

Wie funktioniert das Misalignment-Frühwarnsystem?

Es funktioniert, indem es spezifische interne Merkmale identifiziert, wie etwa eine „toxische Persona“, die mit unsicheren Verhaltensweisen korreliert. Durch die Verfolgung der Aktivierungsstufen dieser Merkmale während des Trainings oder der Bereitstellung können Entwickler frühzeitig gewarnt werden, wenn ein Modell beginnt, in Richtung fehlausgerichtetes Verhalten abzudriften.

Wenn solche Warnsignale auftreten, können Eingriffe entweder durch:

• Direktes Dämpfen der schädlichen Aktivierung
• Anwendung von Activation Steering, einer Technik, die interne Richtung des Modells von unsicheren Mustern weglenkt.

Dieser Ansatz ermöglicht eine proaktive Risikominderung, anstatt sich nur auf die Überwachung externer Ausgaben zu verlassen.

Misalignment-Frühwarnung für verantwortungsvolle KI

Diese Entwicklung unterstützt die wichtigsten Grundsätze verantwortungsvoller KI: 

• Transparenz, indem internes Modellverhalten interpretierbar gemacht wird
• Sicherheit, indem frühzeitiges Eingreifen ermöglicht wird
• Rechenschaftspflicht, indem klare Signale für die menschliche Aufsicht bereitgestellt werden.

Es spiegelt einen wachsenden Trend wider, Echtzeit-Überwachungs- und Kontrollmechanismen in den Modellentwicklungsprozess einzubetten. Als Teil umfassenderer Sicherheits-F&E-Bemühungen verbessert diese Technik die Fähigkeit, Fehlausrichtung während des Trainings zu erkennen und zu korrigieren, und steht im Einklang mit internationalen KI-Governance-Rahmenwerken und Safety-by-Design-Standards.

Der KI Safety Summit

Der KI Safety Summit ist eine führende internationale Konferenz, die sich auf die Sicherheit, Risiken und Regulierung moderner „Frontier-KI“-Systeme konzentriert. Die erste Veranstaltung fand im November 2023 im Bletchley Park, Großbritannien, statt und brachte Regierungen, KI-Unternehmen, Zivilgesellschaft und Experten aus 28 Ländern zusammen, um die globalen Bemühungen zur KI-Sicherheit zu koordinieren.

Wichtigste Ergebnisse

• Bletchley-Erklärung: Die teilnehmenden Nationen verpflichteten sich, sichere, menschenzentrierte, vertrauenswürdige und verantwortungsvolle KI auf der Grundlage gemeinsamer Sicherheitsgrundsätze zu entwickeln.
• Internationale Zusammenarbeit: Betonte die dringende Notwendigkeit der Zusammenarbeit, um Risiken wie Missbrauch, gesellschaftliche Störungen und Kontrollverlust über fortschrittliche KI zu mindern.
• Transparenz und Regulierung: Forderten Transparenz, strenge Sicherheitstests und anpassungsfähige regulatorische Rahmenwerke, um mit den KI-Fortschritten Schritt zu halten.

Zweck und Vision

Der Gipfel fördert eine verantwortungsvolle KI-Entwicklung durch die Förderung der Zusammenarbeit mehrerer Interessengruppen und ethischer Governance. Er zielt darauf ab, sicherzustellen, dass KI der Gesellschaft nützt und gleichzeitig Schäden minimiert werden, und hebt die globale Verantwortung hervor, KI-Systeme zu entwerfen, einzusetzen und zu steuern, die menschliche Sicherheit, Ethik und Inklusivität priorisieren.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Verantwortungsvolle KI: 4 Grundsätze & Best Practices}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/responsible-ai}},
  note   = {AIMultiple. Abgerufen am 19. März 2026}
}

Referenzlinks

1.

Global Risk Study | Accenture

Accenture

2.

Hidden Workers: Untapped Talent | Managing the Future of Work

3.

Gender shades: Intersectional accuracy disparities in commercial gender classification

4.

ITRC 2021 Data Breach Report Saw Record Number of Compromises

Identity Theft Resource Center

5.

reuters.com

Reuters

6.

reuters.com

Reuters

7.

Clearview AI fined €30.5M in the Netherlands over its facial recognition database - SiliconANGLE

8.

AI Cuts Google Data Center Cooling Costs 40% (DeepMind)

9.

https://ailuminate.mlcommons.org/benchmarks/general_purpose_ai_chat/1.0-en_us-official-ensemble

10.

Toward understanding and preventing misalignment generalization | OpenAI

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. 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 außerdem 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 wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten