Ekrem Sarı
Ekrem es investigador de IA y científico de datos en AIMultiple. Diseña y ejecuta benchmarks prácticos para sistemas de IA y LLM.
Experiencia profesional
En AIMultiple, Ekrem evalúa sistemas de IA de extremo a extremo y crea los flujos de trabajo de datos y los paneles que se usan para rastrear métricas de benchmark y de producto. Sus benchmarks cubren modelos de embedding y reranker, bases de datos vectoriales y de grafos, motores de inference, cuantización, concurrencia de GPU y escalado multi-GPU, precios y proveedores de GPU en la nube, text-to-SQL, y frameworks de RAG y RAG agéntico.
Antes de AIMultiple, trabajó como científico de datos en Yandex, donde consultó y analizó grandes datasets con SQL para evaluar la calidad de búsqueda y ranking según directrices detalladas.
Intereses de investigación
El trabajo de Ekrem se centra en medir cómo funcionan en la práctica los sistemas de LLM y de recuperación. Diseña el banco de pruebas, ejecuta las cargas de trabajo en hardware real y compara modelos, frameworks e infraestructura en precisión, rendimiento, latencia, costo y escalabilidad, en toda la pila, desde modelos de embedding y bases de datos vectoriales hasta motores de inference e infraestructura de GPU. Su tesis de maestría automatiza revisiones sistemáticas de literatura con un pipeline basado en RAG.
Educación
Ekrem tiene un MSc en Sistemas de Información Gerencial por la Universidad de Başkent, donde su tesis automatizó revisiones sistemáticas de literatura con un pipeline basado en RAG, y está cursando un segundo MSc en Ingeniería de Datos y del Conocimiento en la Universidad de Hacettepe.
Últimos artículos de Ekrem
LLM Calculadora de VRAM para alojamiento propio
Alojar por tu cuenta un LLM implica ejecutar la inferencia en hardware que controla el operador, en lugar de a través de una API de terceros, lo que cambia el coste, el control de los datos y el perfil de privacidad. El hecho de que un modelo pueda ejecutarse depende de la memoria. La calculadora…
Benchmark Multi-GPU: B200 vs H200 vs H100 vs MI300X
Durante más de dos décadas, optimizar el rendimiento computacional ha sido una piedra angular de mi trabajo. Evaluamos las GPU NVIDIA B200, H200, H100 y la MI300X de AMD para medir qué tan bien escalan para la inferencia de Large Language Model (LLM). Utilizando el framework vLLM con el model meta-llama/Llama-3.1-8B-Instruct, ejecutamos pruebas en 1,…
GPU Benchmark de concurrencia: H100 vs H200 vs B200 vs MI300X
He pasado los últimos 20 años centrado en la optimización del rendimiento computacional a nivel de sistema. Evaluamos las NVIDIA GPU más recientes, incluidas las H100, H200 y B200 de NVIDIA, y la MI300X de AMD, para el análisis de escalado de concurrencia. Utilizando el framework vLLM con el gpt-oss-20b model, probamos cómo estas GPU…
Alternativas a DGX Spark: RTX, Ryzen IA Halo y Mac Studio
Comparamos benchmarks de inferencia publicados de DGX Spark, RTX y Ryzen IA Halo, que cubren el procesamiento de prompts, la generación de tokens y contextos más largos. Las alternativas incluyen Framework Desktop, Mac Studio y sistemas GB10 de otros fabricantes. La velocidad de decodificación mide los tokens de salida generados por segundo. Valores más altos…
Comparar Models Fundacionales Relacionales
Evaluamos SAP-RPT-1-OSS frente a gradient boosting (LightGBM, CatBoost) en 17 datasets tabulares que abarcan el espectro semántico-numérico, tablas pequeñas/altamente semánticas, datasets empresariales mixtos y datasets numéricos grandes de baja semántica. Nuestro objetivo es medir dónde los priors semánticos preentrenados de un LLM relacional pueden ofrecer ventajas sobre los tree models tradicionales y dónde enfrentan desafíos…
Benchmark de recuperación ante desastres: Acronis vs Comet vs MSP360
Evaluamos Acronis Cyber Protect Cloud, Comet Backup y MSP360 Managed Backup en recuperación ante desastres. Cada proveedor creó una imagen de un servidor Windows Server 2022 en vivo y de un servidor Ubuntu 24.04 en vivo con la misma carga de trabajo determinista, un servicio web, una base de datos de 10.000 filas y 50…
Benchmark de bases de datos vectoriales: 7 motores de código abierto para RAG
Evaluamos siete bases de datos vectoriales de código abierto y autogestionadas como capa de recuperación de un pipeline de RAG, cada una ejecutada una a la vez sobre los mismos embeddings bge-m3 y consultas médicas y técnicas reales, de modo que el índice de la base de datos fuera la única variable. La carga de…
Precios, rendimiento y comparativa de proveedores de GPU en la nube
Los precios de lista de GPU en la nube para el mismo modelo pueden variar varias veces de un proveedor a otro. Hemos recopilado la tarifa más baja, el proveedor, el rango de mercado y la mediana para más de 40 configuraciones de GPU en los tres niveles de precios, además de una prueba comparativa…
RAG Frameworks: LangChain frente a LangGraph frente a LlamaIndex
Comparamos 5 frameworks RAG: LangChain, LangGraph, LlamaIndex, Haystack y DSPy, construyendo el mismo flujo de trabajo RAG agéntico con componentes estandarizados: modelos idénticos (GPT-4.1-mini), embeddings (BGE-small), recuperador (Qdrant) y herramientas (búsqueda web de Tavily). Esto aísla la verdadera sobrecarga y eficiencia de tokens de cada framework. El benchmark consistió en 100 consultas, y cada framework…
Mejores RAG herramientas, frameworks y bibliotecas
RAG mejora las respuestas de los LLM al fundamentarlas en datos externos en lugar de solo en lo que el modelo memorizó durante el entrenamiento. Evaluamos los componentes con los que se construye un sistema RAG y reunimos los resultados en un solo lugar, junto con una guía práctica para elegir cada parte del stack.…
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.