Cem Dilmegani
Experiencia profesional y logros
A lo largo de su trayectoria profesional, Cem se desempeñó como consultor, comprador y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización. Dirigió la estrategia y las adquisiciones tecnológicas de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de Hypatos, una empresa de tecnología avanzada que alcanzó ingresos recurrentes anuales de siete cifras y una valoración de nueve cifras partiendo de cero en tan solo dos años. El trabajo de Cem en Hypatos fue reseñado por importantes publicaciones tecnológicas como TechCrunch y Business Insider. [6], [7]Intereses de investigación
El trabajo de Cem se centra en cómo las empresas pueden aprovechar las nuevas tecnologías en IA, IA con agentes, ciberseguridad (incluida la seguridad de redes y aplicaciones) y datos, incluidos los datos web. Su experiencia práctica en software empresarial contribuye a su trabajo. Otros analistas de la industria de IA y el equipo técnico apoyan a Cem en el diseño, la ejecución y la evaluación de pruebas comparativas.Educación
Se graduó como ingeniero informático en la Universidad de Bogazici en 2007. Durante su carrera de ingeniería, estudió aprendizaje automático en una época en la que se le conocía comúnmente como "minería de datos" y la mayoría de las redes neuronales tenían pocas capas ocultas. Obtuvo un MBA en la Escuela de Negocios de Columbia en 2012. Cem habla inglés y turco con fluidez. Tiene un nivel avanzado de alemán y un nivel básico de francés.Publicaciones externas
- Cem Dilmegani, Banca post-IA: Millones de empleos en riesgo a medida que los bancos automatizan sus funciones principales . International Banker.
- Cem Dilmegani, Bengi Korkmaz y Martin Lundqvist (1 de diciembre de 2014). Digitalización del sector público: El desafío del billón de dólares , McKinsey & Company.
Presentaciones en medios de comunicación, conferencias y otros eventos.
- Respuestas a las preguntas de Korea24 sobre la pérdida de empleos debido a la IA, Korea24
- Bienes raíces y tecnología , presentado por el Centro Wilbur F. Breslin de Estudios Inmobiliarios de la Universidad de Hofstra y la Escuela de Negocios Frank G. Zarb en 2023 y 2024.
- Sesión de Radar AI (22 de junio de 2023): "Aumentando el impacto de la ciencia de datos con ChatGPT".
- Encuentro de IA generativa en Atlanta: Inteligencia artificial generativa para la tecnología empresarial .
Fuentes
- Por qué Microsoft, IBM y Google están intensificando sus esfuerzos en materia de ética de la IA , Business Insider.
- Microsoft invierte mil millones de dólares en OpenAI para desarrollar una inteligencia artificial más inteligente que nosotros , según informa el Washington Post.
- Potenciando el liderazgo en IA: Kit de herramientas de IA para la alta dirección , Foro Económico Mundial.
- Resultados en ciencia, investigación e innovación de la UE , Comisión Europea.
- La inversión de 200.000 millones de euros de la UE en IA inyecta capital en los centros de datos, pero el mercado de chips sigue siendo un reto , según IT Brew.
- Hypatos recibe 11,8 millones de dólares por un enfoque de aprendizaje profundo para el procesamiento de documentos , según TechCrunch.
- Business Insider nos ofrece un vistazo exclusivo a la presentación que la startup de IA Hypatos utilizó para recaudar 11 millones de dólares .
Últimos artículos de Cem
Los 12 mejores programas de gestión de parches, incluido NinjaOne.
Los sistemas sin parchear son un blanco fácil para los atacantes. Un simple servidor obsoleto o una estación de trabajo olvidada se convierte en un punto de entrada. El software de gestión de parches automatiza el proceso de búsqueda, prueba e implementación de actualizaciones antes de que las vulnerabilidades se conviertan en brechas de seguridad.
Las 3 mejores alternativas a Prolific
Prolific es un popular servicio de recopilación de datos de IA que ofrece una plataforma de crowdsourcing para quienes buscan datos de IA. Nuestra investigación identificó algunas desventajas de trabajar con Prolific desde la perspectiva de sus clientes y trabajadores. Si está explorando alternativas a Prolific, puede comparar: Alternativas a Prolific para participantes (trabajadores).
Modelos multimodales grandes (LMM) frente a modelos multimodales grandes (LLM)
Evaluamos el rendimiento de los Modelos Multimodales Grandes (LMM) en tareas de razonamiento financiero utilizando un conjunto de datos cuidadosamente seleccionado. Mediante el análisis de un subconjunto de muestras financieras de alta calidad, evaluamos las capacidades de los modelos para procesar y razonar con datos multimodales en el ámbito financiero. La sección de metodología proporciona información detallada sobre el conjunto de datos y el marco de evaluación empleados.
Evaluación comparativa de modelos tabulares: Rendimiento en 19 conjuntos de datos
Evaluamos el rendimiento de 7 modelos de aprendizaje tabular ampliamente utilizados en 19 conjuntos de datos reales, que abarcan aproximadamente 260 000 muestras y más de 250 características en total, con tamaños de conjuntos de datos que oscilan entre 435 y casi 49 000 filas.
Evaluación de modelos de lenguaje a gran escala en: más de 10 métricas y métodos
La evaluación de modelos de lenguaje a gran escala (LLM eval) es la valoración multidimensional de estos modelos. Una evaluación eficaz es crucial para seleccionar y optimizar los LLM. Las empresas disponen de una variedad de modelos base y sus variantes, pero el éxito es incierto sin una medición precisa del rendimiento.
Rendimiento de los agentes de IA: tasas de éxito y retorno de la inversión.
Investigaciones recientes revelan que el rendimiento de la IA sigue patrones de decaimiento exponencial predecibles, lo que permite a las empresas pronosticar capacidades y diferenciar entre fallos costosos e implementaciones exitosas que generan retorno de la inversión. Este artículo analiza los principales benchmarks de IA, que incluyen casi 70 agentes de IA en más de 1000 tareas.
El panorama de la evaluación con marcos de trabajo (LLM)
La evaluación de LLM requiere herramientas que evalúen el razonamiento de múltiples turnos, el rendimiento de producción y el uso de herramientas. Dedicamos dos días a revisar marcos de evaluación populares de LLM que proporcionan métricas estructuradas, registros y trazas para identificar cómo y cuándo un modelo se desvía del comportamiento esperado.
40 aplicaciones y casos de uso de IoT
Se prevé que los ingresos anuales mundiales por IoT alcancen los 934.000 millones de dólares en 2033. El IoT posibilita una gran variedad de aplicaciones empresariales. Conocer estos ejemplos y casos de uso puede ayudar a las empresas a integrar las tecnologías IoT en sus futuras decisiones de inversión.
IA agencial para la ciberseguridad: casos de uso y ejemplos
La IA agente se refiere a los sistemas de IA que combinan modelos como los grandes modelos de lenguaje (LLM) con flujos de trabajo automatizados, integración de herramientas y soporte para la toma de decisiones. Estos sistemas ayudan a los equipos de seguridad en SecOps y AppSec mediante el análisis de alertas, la automatización de tareas rutinarias y el apoyo a las investigaciones. Las herramientas de IA agente generalmente operan bajo supervisión humana.
Más de 50 casos de uso de ChatGPT con ejemplos reales
ChatGPT alcanzó los 900 millones de usuarios activos semanales a principios de 2026, aproximadamente el 10 % de la población mundial. OpenAI llegó a los 10 mil millones de dólares en ingresos recurrentes anuales a mediados de 2025. Pero, ¿qué hacen esos 900 millones de personas con él? OpenAI y el economista de Harvard David Deming analizaron 1,5 millones de conversaciones para averiguarlo.
Boletín informativo de AIMultiple
Reciba un correo electrónico gratuito a la semana con las últimas noticias tecnológicas B2B y análisis de expertos para impulsar su empresa.