Sıla Ermut
Sıla es analista del sector en AIMultiple, especializada en marketing por correo electrónico y vídeos de ventas.
Intereses de investigación
Las áreas de investigación de Sıla incluyen el marketing por correo electrónico, las campañas de marketing de comercio electrónico y la automatización del marketing. También forma parte del equipo de evaluación comparativa de entregabilidad de correo electrónico de AIMultiple, donde diseña y ejecuta dichas evaluaciones en colaboración con el equipo de tecnología.Experiencia profesional
Anteriormente, Sıla trabajó como reclutadora y en empresas de gestión de proyectos y consultoría.Educación
Ella sostiene:- Licenciatura en Relaciones Internacionales por la Universidad de Bilkent.
- Máster en Psicología Social por la Universidad Başkent.
Últimos artículos de Sıla
Automatización de MSP: Acronis, ConnectWise Automate & Rewst
Los proveedores de servicios gestionados (MSP) manejan una carga operativa constante, que incluye la gestión de incidencias, la gestión de parches, la incorporación de clientes, la monitorización de alertas, la conciliación de facturación y la actualización de la documentación. Estas son tareas necesarias, pero que consumen mucho tiempo. La automatización cambia la situación al reducir la carga de trabajo manual y el riesgo de errores humanos, permitiendo respuestas proactivas mediante la monitorización continua del sistema y mejorando los tiempos de respuesta y la coherencia entre los clientes.
Modelos básicos de series temporales: casos de uso y beneficios
Los modelos de base de series temporales (TSFM) se basan en los avances de los modelos de base del procesamiento del lenguaje natural y la visión artificial. Mediante arquitecturas basadas en transformadores y grandes conjuntos de datos de entrenamiento, logran un rendimiento óptimo sin necesidad de entrenamiento previo y se adaptan a diversos sectores como las finanzas, el comercio minorista, la energía y la sanidad.
IAG/Singularidad: 9.800 predicciones analizadas
La inteligencia artificial general (IAG) se da cuando un sistema de IA iguala las capacidades cognitivas humanas en todas las tareas. Según las predicciones disponibles, aquí hay algunas respuestas rápidas sobre la IAG: ¿Ocurrirá la IAG/singularidad? La IAG es inevitable según la mayoría de los expertos en IA. ¿Cuándo ocurrirá la singularidad/IAG? Encuestas recientes a investigadores de IA predicen la IAG en la década de 2040.
Aprendizaje federado: 7 casos de uso y ejemplos
Según análisis recientes de McKinsey, los riesgos más acuciantes de la adopción de la IA incluyen la distorsión de los modelos, la procedencia y autenticidad de los datos, el incumplimiento normativo y las vulnerabilidades en la cadena de suministro de la IA. El aprendizaje federado (FL) se ha consolidado como una técnica fundamental para las organizaciones que buscan mitigar estos riesgos.
Las 20 principales predicciones de expertos sobre la pérdida de empleos en el sector de la IA.
Como consultor de McKinsey, ayudé a empresas a adoptar nuevas tecnologías durante una década. Mis respuestas rápidas sobre la pérdida de empleos por IA: Predicciones de pérdida de empleos por IA Nota: El tamaño de los gráficos está correlacionado con el tamaño de la predicción de pérdida de empleos. Los porcentajes a los que se hace referencia en nuestro análisis se derivan de supuestos sobre el desplazamiento laboral general.
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.
Comparación de modelos de IA multimodales en razonamiento visual
Realizamos una evaluación comparativa de 15 modelos líderes de IA multimodal en razonamiento visual utilizando 200 preguntas basadas en imágenes. La evaluación constó de dos partes: 100 preguntas de comprensión de gráficos que evaluaban la interpretación de la visualización de datos y 100 preguntas de lógica visual que evaluaban el reconocimiento de patrones y el razonamiento espacial. Cada pregunta se ejecutó 5 veces para garantizar resultados consistentes y fiables.
Comparación de modelos de visión amplia: GPT-4o vs YOLOv8n
Los modelos de visión a gran escala (LVM) pueden automatizar y mejorar tareas visuales como la detección de defectos, el diagnóstico médico y la monitorización ambiental. Evaluamos el rendimiento de tres modelos de detección de objetos: YOLOv8n, DETR y GPT-4o Vision, con 1000 imágenes cada uno, midiendo métricas como mAP@0.5, velocidad de inferencia, FLOPs y número de parámetros.
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.
57 conjuntos de datos para modelos de aprendizaje automático e inteligencia artificial
Se requieren datos para aprovechar o desarrollar soluciones de IA generativa o IA conversacional. Puede utilizar conjuntos de datos existentes disponibles en el mercado o contratar un servicio de recopilación de datos. Identificamos 57 conjuntos de datos para entrenar y evaluar modelos de aprendizaje automático e IA.
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.