Warum ist die Preisgestaltung für Serverless-GPU wichtig?

Das Projekt Megatron-Turing von NVIDIA und Microsoft kostet Schätzungen zufolge insgesamt etwa 100 Millionen US-Dollar.4 Solche Systemkosten hindern Unternehmen trotz der Vorteile daran, Large Language Models (LLMs) einzuführen.

Open-World-Bewertung

Diese Forschung Zitieren

Beste 10 Serverless-GPU-Clouds & 14 kosteneffiziente GPUs

Cem Dilmegani

aktualisiert am 15. Apr. 2026

Siehe unsere ethischen Normen

Diese Forschung Zitieren

Serverless-GPU kann einfach skalierbare Computing-Dienste für KI-Workloads bereitstellen. Die Kosten können jedoch bei großen Projekten erheblich sein. Navigieren Sie je nach Bedarf zu den Abschnitten:

Finden Sie die kosteneffizientesten Anbieter nach Tokens pro Dollar
Vergleichen Sie die Stundensätze aller großen Anbieter
Leistungsdaten für Inference- und Fine-Tuning-Durchsatz

Serverless-GPU-Preis pro Durchsatz

Serverless-GPU-Anbieter bieten unterschiedliche Leistungsstufen und Preise für KI-Workloads. Vergleichen Sie die kosteneffizientesten GPU-Konfigurationen für Ihre Fine-Tuning- und Inference-Anforderungen auf führenden Serverless-Plattformen:

Serverless-GPU-Preisrechner

Serverless-GPU-Benchmark-Ergebnisse

Weitere Informationen finden Sie in unserer Benchmark-Methodik für Serverless-GPU.

Ausgewählte 10 Serverless-GPU-Anbieter

Unternehmen sind alphabetisch sortiert, da es sich um ein aufstrebendes Gebiet handelt und nur begrenzte Daten verfügbar sind – mit Ausnahme der Abonnenten, die mit einem Link zu ihrer Website oben in der Liste stehen.

Anbieter*	Gegründet	Anzahl der GPU-Typen	Preisführer bei	Bewertung
Runpod	2020	7	H100 A6000 A5000 A4000	4,4 basierend auf 34 Bewertungen
Baseten	2019	5		5 basierend auf 10 Bewertungen
Beam Cloud	2022	5	A10G	0
Fal KI	2021	2		0
Koyeb	2020	3	V100	4,9 basierend auf 16 Bewertungen
Modal Labs	2021	6		3,7 basierend auf 16 Bewertungen
Mystic KI	2019	4	T4	0
Novita KI	2023	6	H100 RTX A6000 RTX 4090	0
Replicate	2019	3		0
Seeweb	1998	4	L40S L4 RTX A6000	0

RunPod

RunPod bietet vollständig verwaltete und skalierbare KI-Endpunkte für unterschiedliche Workloads. Nutzer von RunPod können zwischen GPU-Instanzen und Serverless-Endpunkten wählen und einen Bring-Your-Own-Container-Ansatz (BYOC) nutzen. Zu den RunPod-Funktionen gehören:

Ladeprozess durch das Ablegen eines Container-Links zum Abrufen eines Pods
Ein Guthaben-basiertes Zahlungs- und Abrechnungssystem.

Baseten Labs

Baseten ist eine Machine-Learning-Infrastrukturplattform, die Nutzern hilft, Modelle verschiedener Größen und Typen aus der Modellbibliothek in großem Maßstab bereitzustellen. Sie nutzt GPU-Instanzen wie A100, A10 und T4, um die Rechenleistung zu verbessern.

Baseten stellt außerdem ein Open-Source-Tool namens Truss vor. Dieses Tool kann Entwicklern helfen, KI-/ML-Modelle in realen Szenarien bereitzustellen. Mit Truss können Entwickler:

Modellcode, Gewichte und Abhängigkeiten mit einem Modellserver paketieren und testen.
Ihr Modell mit schnellem Feedback von einem Live-Reload-Server entwickeln und komplexe Docker- und Kubernetes-Konfigurationen vermeiden.
Modelle unterstützen, die mit beliebigen Python-Frameworks erstellt wurden – sei es Transformers, Diffusors, PyTorch, TensorFlow, XGBoost, sklearn oder sogar vollständig benutzerdefinierte Modelle.

Beam Cloud

Beam, früher bekannt als Slai, bietet eine einfache Bereitstellung über REST-API mit integrierten Funktionen wie Authentifizierung, Autoscaling, Logging und Metriken. Beam-Nutzer können:

GPU-basierte, lang laufende Trainingsaufgaben ausführen, wobei sie zwischen einmaligem oder geplantem automatisiertem Retraining wählen können
Funktionen in einer Aufgabenwarteschlange mit automatischen Wiederholungen, Callbacks und Statusabfragen bereitstellen.
Autoscaling-Regeln anpassen, um Wartezeiten der Nutzer zu optimieren.

Cerebrium KI

Cerebrium KI bietet eine vielfältige Auswahl an GPUs, darunter H100, A100 und A5000, mit insgesamt über 8 verfügbaren GPU-Typen. Cerebrium ermöglicht es Nutzern, ihre Umgebung mit Infrastructure-as-Code zu definieren und direkt auf Code zuzugreifen, ohne S3-Buckets verwalten zu müssen.

Die Abbildung stammt von einem anderen Serverless-GPU-Anbieter, Cerebrium.

Abbildung 2: Beispiel der Cerebrium-Plattform ¹

Fal KI

FAL KI liefert einsatzbereite Modelle mit API-Endpunkten zur Anpassung und Integration in Kunden-Apps. Ihre Plattform unterstützt Serverless-GPUs wie A100 und T4.

Koyeb

Koyeb ist eine Serverless-Plattform, mit der Entwickler Anwendungen global bereitstellen können, ohne Server, Infrastruktur oder Betrieb verwalten zu müssen. Koyeb bietet Serverless-GPUs mit Docker-Unterstützung und horizontaler Skalierung für KI-Aufgaben wie generative KI, Videoverarbeitung und LLMs. Das Angebot umfasst H100- und A100-GPUs mit bis zu 80GB vRAM.

Die Preise liegen zwischen $0,50/Std. und $3,30/Std. und werden sekundengenau abgerechnet.

Modal ist eine Serverless-Cloud-Plattform, mit der Entwickler Code remote ausführen, Container-Umgebungen programmatisch definieren und auf Tausende von Containern skalieren können. Sie unterstützt GPU-Integration, das Bereitstellen von Web-Endpunkten, geplante Job-Deployments und verteilte Datenstrukturen wie Dictionaries und Queues. Die Plattform arbeitet nach einem Pay-per-Second-Modell und erfordert keine Infrastrukturkonfiguration, sondern konzentriert sich auf codebasierte Einrichtung statt auf YAML.

Um Modal zu nutzen, melden sich Entwickler bei modal.com an, installieren das Modal-Python-Paket per pip install modal und authentifizieren sich mit modal setup. Der Code wird in Containern innerhalb der Cloud von Modal ausgeführt, wodurch Infrastrukturverwaltung wie Kubernetes oder AWS abstrahiert wird. Derzeit auf Python beschränkt, könnte die Unterstützung auf andere Sprachen ausgeweitet werden.

Die Abbildung stammt von Modal Labs und zeigt, wie man Apps auf einer Serverless-GPU-Plattform bereitstellt.

Abbildung 3: Beispiel der Modal-Plattform²

Mystic KI

Die Serverless-Plattform von Mystic KI ist ein Pipeline-Core, der ML-Modelle über eine Inference-API hostet. Der Pipeline-Core kann benutzerdefinierte Modelle mit über 15 Optionen wie GPT, Stable Diffusion und Whisper erstellen. Hier sind einige der Pipeline-Core-Funktionen:

Gleichzeitige Modellversionierung und Überwachung
Umgebungsverwaltung, einschließlich Bibliotheken und Frameworks
Automatische Skalierung über verschiedene Cloud-Anbieter hinweg
Unterstützung für Online-, Batch- und Streaming-Inference
Integrationen mit anderen ML- und Infrastruktur-Tools.

Mystic KI bietet außerdem eine aktive Discord-Community für Support.

Novita KI

Novita KI ist eine Plattform, die Entwicklern helfen soll, fortgeschrittene KI-Produkte ohne tiefgehende Machine-Learning-Expertise zu erstellen. Sie bietet eine umfassende Suite von APIs und Tools zur Entwicklung von Anwendungen in verschiedenen Bereichen, darunter Bild, Video, Audio und Aufgaben mit großen Sprachmodellen (LLM).

Novita AIs Serverless-System bietet automatisch-scaling, Deployment mit DockerHub-Unterstützung und Echtzeit-Überwachung.

Das Bild zeigt die Überwachungsfunktion des Serverless-GPU-Systems von Novita KI.

Abbildung 4: Überwachungsfunktion der Novita KI-Plattform für eine Serverless-Instanz.³

Replicate

Die Plattform von Replicate unterstützt benutzerdefinierte und vortrainierte Machine-Learning-Modelle. Die Plattform bietet eine Warteliste für Open-Source-Modelle und Flexibilität durch die Wahl zwischen Nvidia T4 und A100. Außerdem enthält sie die Open-Source-Bibliothek COG, um die Modellbereitstellung zu erleichtern.

Seeweb

Seeweb ist ein Cloud-Computing-Anbieter, der Serverless-GPU-Lösungen zur Optimierung von KI-Workloads anbietet. Diese Lösungen dienen als Einstiegspunkt für Entwickler, die beliebte Modelle effizient in Python ausführen, forken oder vortrainieren möchten. Sie können Kubernetes nutzen, um Bereitstellungen zu beschleunigen

Wichtige Funktionen:

Autoscaling zur dynamischen Anpassung von Ressourcen und zur Reduzierung von Kaltstarts im Zusammenhang mit Serverless-Funktionen.
DSGVO-Konformität durch den Betrieb in einer europäischen Cloud und die Nutzung eines globalen Netzwerks für größere Reichweite.
24x7x365-Support, der sicherstellt, dass Nutzer zuverlässige Unterstützung bei der Verwaltung ihrer ML-Modelle erhalten.

Bereitgestellte GPUs umfassen A100, H100, L40S, L4 und RTX A6000.

Welche anderen Cloud-Anbieter gibt es?

Führende Cloud-Anbieter wie Google, AWS und Azure bieten derzeit Serverless-Funktionen an, die noch keine GPUs unterstützen. Andere Anbieter wie Scaleway oder CoreWeave bieten GPU-Inference, aber keine Serverless-GPUs.

Erfahren Sie mehr über Cloud-GPU-Anbieter und den GPU-Markt.

Lassen Sie unser Team einen Ihrer Geschäftsprozesse kostenlos mit KI-Agenten automatisieren.

Einen Prozess automatisieren

Welche Vorteile bietet eine Serverless-GPU?

LLMs wie ChatGPT sind seit letztem Jahr ein heißes Thema in der Geschäftswelt. Daher ist die Zahl dieser Modelle drastisch gestiegen. Die Vorteile von Serverless-GPUs helfen, mehrere LLM-Herausforderungen zu vermeiden, wie zum Beispiel:

Kosteneffizienz: Nutzer zahlen nur für die GPU-Ressourcen, die sie tatsächlich nutzen, was die Lösung kosteneffizient macht. Bei einem herkömmlichen Server-Setup wird erwartet, dass Nutzer für die fortlaufende Ressourcenbereitstellung zahlen.
Skalierbarkeit: Serverless-Architekturen skalieren automatisch, um unterschiedliche Workloads zu bewältigen. Wenn die Nachfrage nach Ressourcen steigt oder sinkt, passt sich die Infrastruktur dynamisch und ohne manuelles Eingreifen an.
Vereinfachte Verwaltung: Entwickler können sich auf das Schreiben von Code für bestimmte Funktionen oder Aufgaben konzentrieren, da der Cloud-Anbieter Serverbereitstellung, Skalierung und sonstige Infrastrukturverwaltung übernimmt.
On-Demand-Ressourcenzuweisung: Die Serverless-GPU-Architektur ermöglicht Anwendungen den bedarfsgerechten Zugriff auf GPU-Ressourcen. Dies hilft, physische oder virtuelle Server zu verwalten und zu warten, die für die GPU-Verarbeitung bestimmt sind. Ressourcen werden dynamisch auf der Grundlage der Anwendungsanforderungen zugewiesen.
Flexibilität: Entwickler können Ressourcen je nach den spezifischen Anforderungen ihrer Anwendungen nach oben oder unten skalieren. Diese Anpassungsfähigkeit ist besonders nützlich für Workloads mit unterschiedlichen Rechenanforderungen.
Verbesserte Parallelverarbeitung: GPU-Computing eignet sich hervorragend für parallele Verarbeitungsaufgaben. Daher können Serverless-GPU-Architekturen in Anwendungen eingesetzt werden, die erhebliche parallele Berechnungen erfordern, etwa Machine-Learning-Inference, Datenverarbeitung und wissenschaftliche Simulationen.

Serverless-GPU-Benchmark-Methodik

Preise: Die Preise für Serverless-GPU werden monatlich bei allen Anbietern erhoben.

Leistung:

Die Leistung aller Serverless-GPU-Modelle wurde auf der Cloud-Plattform Modal gemessen.
Das Text-Fine-Tuning wurde gemessen, indem Llama 3.2-1B-Instruct mit dem FineTune-100k-Datensatz und 1M Tokens über 5 Epochen feinabgestimmt wurde. Die Anzahl der Tokens multipliziert mit der Anzahl der Epochen wurde durch die Fine-Tuning-Zeit geteilt, um die Anzahl der pro Sekunde feinabgestimmten Tokens zu erhalten.
Die Text-Inference wurde über 1 Million Tokens gemessen, einschließlich Eingabe- und Ausgabe-Tokens. Wir teilten die Anzahl der Tokens durch die gesamte Inference-Dauer, um die durchschnittliche Anzahl der Tokens pro Sekunde zu berechnen.

Leistungshinweise zu H200 vs. H100:

Dass das H200 eine geringere Fine-Tuning-Leistung als das H100 zeigt, mag angesichts seiner neueren Architektur und seines größeren Speichers (141GB gegenüber 80GB) kontraintuitiv erscheinen. Mehrere Faktoren könnten zu diesem Ergebnis beitragen, darunter Unterschiede bei der Nutzung der Speicherbandbreite, der Reife der Softwareoptimierung oder dem Wärmemanagement unter anhaltender Last.
Dieser Benchmark verwendete ein relativ kleines Modell mit 1B Parametern, das die zusätzliche Speicherkapazität des H200 möglicherweise nicht vollständig nutzt. Der Leistungsunterschied könnte bei größeren Modellen, die den erweiterten Speicher des H200 besser ausnutzen, deutlich anders ausfallen.
Die Leistung kann auch je nach den spezifischen Workload-Eigenschaften, Batch-Größen und dem jeweiligen beim Testen verwendeten Software-Stack variieren.

Nächste Schritte:

Wir planen, unsere Benchmarks um größere Modelle (7B, 13B und 70B Parameter) zu erweitern, um besser zu verstehen, wie die Leistung mit Modellgröße und Speicheranforderungen skaliert.
Künftige Tests werden Multi-GPU-Setups und Szenarien mit längeren Kontextlängen umfassen, in denen die architektonischen Vorteile des H200 möglicherweise deutlicher werden.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Wie Sie Serverless-GPUs für ML-Modelle verwenden

In traditionellen Machine-Learning-Workflows stellen Entwickler und Data Scientists häufig dedizierte Server oder GPU-Cluster bereit und verwalten sie, um den Rechenanforderungen beim Training komplexer Modelle gerecht zu werden. Serverless-GPU für Machine Learning beseitigt die Komplexität der Infrastrukturverwaltung.

Bitte folgen Sie der nachstehenden Anleitung, um zu verstehen, wie Sie Serverless-GPU in ML-Modellen verwenden:

Training von Modellen: Serverless-GPU ermöglicht effizientes Training von Machine-Learning-Modellen, indem Ressourcen für umfangreiche Datensätze dynamisch zugewiesen werden. Entwickler profitieren von On-Demand-Ressourcen, ohne sich um die Verwaltung dedizierter Server kümmern zu müssen.
Inference: Serverless-GPUs sind entscheidend für die Modell-Inference und ermöglichen schnelle Vorhersagen bei neuen Daten. Ideal für Anwendungen wie Bilderkennung und natürliche Sprachverarbeitung, gewährleisten sie eine schnelle, effiziente Ausführung, insbesondere bei schwankender Nachfrage.
Echtzeitverarbeitung: Anwendungen, die dies erfordern, etwa die Videoanalyse, nutzen Serverless-GPU. Durch dynamische Ressourcenskalierung werden eingehende Datenströme schnell verarbeitet, wodurch sie sich für Echtzeitanwendungen in verschiedenen Bereichen eignen.
Batch-Verarbeitung: Serverless-GPUs übernehmen die groß angelegte Datenverarbeitung in ML-Workflows. Dies ist unerlässlich für Datenvorverarbeitung, Merkmalsextraktion und andere batchorientierte Machine-Learning-Operationen.
Ereignisgesteuerte ML-Workflows: Serverless-Architekturen sind ereignisgesteuert und reagieren auf Trigger oder Ereignisse, etwa die Aktualisierung eines Modells, wenn neue Daten verfügbar werden, oder das Retraining als Reaktion auf bestimmte Ereignisse.
Hybride Architekturen: Einige ML-Workflows kombinieren Serverless- und herkömmliche Rechenressourcen. Beispielsweise geht das GPU-intensive Modelltraining für die KI-Inference in eine Serverless-Umgebung über, wodurch die Ressourcennutzung optimiert wird.

FAQs

GPU-Inference ist der Prozess, bei dem Graphics Processing Units (GPUs) verwendet werden, um Vorhersagen oder Inferenzen aus einem vortrainierten Machine-Learning-Modell zu treffen. Die GPU beschleunigt die Rechenaufgaben, die erforderlich sind, um Eingabedaten mit dem trainierten Modell zu verarbeiten, was zu schnelleren und effizienteren Vorhersagen führt. Die parallelen Verarbeitungsfähigkeiten von GPUs erhöhen die Geschwindigkeit und Effizienz dieser Inference-Aufgaben im Vergleich zu herkömmlichen, CPU-basierten Ansätzen.

GPU-Inference ist besonders wertvoll für Anwendungen wie Bilderkennung, natürliche Sprachverarbeitung und andere Machine-Learning-Aufgaben, die Vorhersagen oder Klassifizierungen in Echtzeit oder nahezu in Echtzeit erfordern.

Serverless-GPU ist ein Computermodell, bei dem Entwickler Anwendungen ausführen, ohne die zugrunde liegende Serverinfrastruktur zu verwalten. GPU-Ressourcen werden bei Bedarf dynamisch bereitgestellt. In dieser Umgebung konzentrieren sich Entwickler auf die Codierung bestimmter Funktionen, während der Cloud-Anbieter die Infrastruktur einschließlich der Serverskalierung übernimmt.

Auch wenn der Begriff „serverless“ das Fehlen von Servern suggeriert, existieren sie weiterhin, sind jedoch für die Entwickler abstrahiert. Im GPU-Computing ermöglicht diese Architektur den On-Demand-Zugriff auf GPUs, ohne dass physische oder virtuelle Server verwaltet werden müssen.

Serverless-GPU-Computing wird häufig für Aufgaben verwendet, die eine erhebliche Parallelverarbeitung erfordern, etwa Machine Learning, Datenverarbeitung und wissenschaftliche Simulationen. Cloud-Anbieter, die Serverless-GPU-Funktionen anbieten, automatisieren die Zuweisung und Skalierung von GPU-Ressourcen auf der Grundlage der Anwendungsnachfrage.

Diese Architektur bietet Vorteile wie Kosteneffizienz und Skalierbarkeit, da sich die Infrastruktur dynamisch an unterschiedliche Workloads anpasst. Sie ermöglicht es Entwicklern, sich stärker auf den Code und weniger auf die Verwaltung der zugrunde liegenden Infrastruktur zu konzentrieren.

Das Projekt Megatron-Turing von NVIDIA und Microsoft kostet Schätzungen zufolge insgesamt etwa 100 Millionen US-Dollar.⁴ Solche Systemkosten hindern Unternehmen trotz der Vorteile daran, Large Language Models (LLMs) einzuführen.

Die NVIDIA L40S ist eine leistungsstärkere, KI-optimierte Version der L40-GPU. Obwohl beide die Ada-Lovelace-Architektur verwenden, liefert die L40S dank verbesserter Tensor-Core-Fähigkeiten und Unterstützung für die FP8-Präzision eine deutlich höhere Leistung für KI-Training und Inference.

Die L40 eignet sich besser für Grafik, Rendering und allgemeine Workloads, während die L40S ideal für rechenintensive KI-Aufgaben in Rechenzentren ist.

Weiterführende Literatur

Erfahren Sie mehr über GPU:

Externe Quellen

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.

Cem Dilmegani (2026) - "Beste 10 Serverless-GPU-Clouds & 14 kosteneffiziente GPUs". Online veröffentlicht auf AIMultiple.com. Abgerufen am 15. April 2026, von: https://aimultiple.com/serverless-gpu [Online-Ressource]

Dilmegani, C. (2026, 15. April). Beste 10 Serverless-GPU-Clouds & 14 kosteneffiziente GPUs. AIMultiple. https://aimultiple.com/serverless-gpu

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Beste 10 Serverless-GPU-Clouds & 14 kosteneffiziente GPUs}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/serverless-gpu}},
  note   = {AIMultiple. Abgerufen am 15. April 2026}
}

Alle Daten herunterladen

Ergebnisse und Zeitstempel von 10 Datenpunkten. Laden Sie die in diesem Artikel verwendeten Daten als ZIP-Datei herunter, die eine CSV-Datei enthält.

Zuletzt aktualisiert: 17. August 2026

Herunterladen

Änderungsprotokoll

7 Aktualisierungen

20253. Jul
Erweiterter Abschnitt „Günstigster Anbieter für jede serverlose GPU“.
20. Jun
Serverless GPU Benchmark-Methodik zum Methodik-Abschnitt hinzugefügt.
16. Jun
Der Abschnitt „Serverless GPU-Preisrechner“ wurde hinzugefügt.
11. Mär
RunPod wurde zum Abschnitt „Top 10 Serverless GPU-Anbieter“ hinzugefügt.
20246. Nov
Novita AI zur Liste der Serverless-GPU-Anbieter hinzugefügt.
16. Sep
Koyeb zur Liste der Serverless-GPU-Anbieter hinzugefügt.
12. Sep
Banana Dev wurde durch Seeweb im Abschnitt „Top 10 Serverless GPU-Anbieter“ ersetzt.

Referenzlinks

Serverless GPU Infrastructure for Real-Time AI | Cerebrium

Cerebrium

Modal: High-performance AI infrastructure

GPU Cloud - High-Performance GPUs for AI | Novita AI

Why Large Language Models Will Not Understand Human Language – jeremy hadfield

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von 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.