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
Las 10 mejores alternativas a Colab
Colaboratory es una plataforma popular para científicos de datos y de aprendizaje automático, pero sus limitaciones y precios podrían no ajustarse a tus necesidades. Varias alternativas ofrecen características y capacidades únicas que se adaptan a diferentes necesidades y escenarios de ciencia de datos.
Las 20 principales aplicaciones y ejemplos de IA para la sostenibilidad
Según PwC, la IA generativa podría mejorar la eficiencia operativa, lo que indirectamente reduciría la huella de carbono en los procesos empresariales. Al aplicar la IA generativa a áreas como la optimización logística, la previsión de la demanda y la reducción de residuos, las empresas pueden reducir las emisiones en todas sus operaciones, más allá de los propios sistemas de IA.
Sistemas de recomendación: aplicaciones y ejemplos
Los sistemas de recomendación benefician tanto a las empresas como a los clientes al utilizar datos para personalizar las experiencias. Ayudan a impulsar las ventas, aumentar la fidelización de los clientes y reducir la deserción al simplificar las opciones y mantener a los usuarios comprometidos. Comparamos el rendimiento de tres bibliotecas de recomendación de Python: LightFM, Cornac BPR y TensorFlow Recommenders, utilizando el mismo conjunto de datos de retroalimentación implícita y los mismos pasos de preprocesamiento.
Agentes de IA móviles probados en 65 tareas del mundo real
Dedicamos 3 días a realizar pruebas comparativas de cuatro agentes de IA móvil (DroidRun, Mobile-Agent, AutoDroid y AppAgent) en 65 tareas reales utilizando un emulador de Android con aplicaciones como gestión de calendario, creación de contactos, captura de fotos, grabación de audio y operaciones con archivos.
Las 9 principales empresas y aplicaciones de infraestructura de IA
Muchas organizaciones invierten fuertemente en IA, pero la mayoría de los proyectos no logran escalar. Solo entre el 10 % y el 20 % de las pruebas de concepto de IA llegan a la implementación completa. Una razón clave es que los sistemas existentes no están preparados para soportar las demandas de grandes conjuntos de datos, el procesamiento en tiempo real o los modelos complejos de aprendizaje automático.
Las mejores herramientas de LLMOps y su comparación con MLOPs.
La rápida adopción de modelos de lenguaje de gran tamaño ha superado la capacidad de los marcos operativos necesarios para gestionarlos de forma eficiente. Las empresas se enfrentan cada vez más a elevados costes de desarrollo, flujos de trabajo complejos y una visibilidad limitada del rendimiento de los modelos.
Comparación de 9 modelos de lenguaje de gran tamaño en el sector sanitario
Evaluamos 9 modelos LLM utilizando el conjunto de datos MedQA, un referente para exámenes clínicos de posgrado derivado de preguntas del USMLE. Cada modelo respondió los mismos escenarios clínicos de opción múltiple con una consigna estandarizada, lo que permitió una comparación directa de la precisión. También registramos la latencia por pregunta dividiendo el tiempo total de ejecución entre el número de ítems de MedQA completados.
Más de 10 tendencias y ejemplos de IA agente para 2026
Revisamos y comparamos las tendencias de la IA ámbrica a partir de varios informes importantes de la industria, puntos de referencia y divulgaciones de proveedores. Las fuentes señalan que el futuro de la IA ámbrica no se trata solo de mejorar las herramientas o agilizar los flujos de trabajo empresariales, sino de integrar la IA profundamente y transformar los enfoques empresariales mediante la reestructuración de los marcos actuales.
17 casos de uso de IA generativa en el sector sanitario
Los sistemas de salud se enfrentan a un mayor volumen de datos, escasez de personal y crecientes expectativas de atención personalizada. La IA generativa se perfila como una solución clave al sintetizar datos médicos no estructurados, como notas clínicas, informes de imágenes e historiales de pacientes, para generar información útil para médicos y administradores.
Software de GPU para IA: CUDA frente a ROCm en 2026
Las especificaciones técnicas del hardware solo cuentan la mitad de la historia en la computación GPU. Para medir el rendimiento real de la IA, realizamos 52 pruebas distintas comparando el MI300X del AMD con el H100, H200 y B200 del NVIDIA en escenarios multi-GPU y de alta concurrencia.
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.