Los 5 principales desafíos y soluciones del reconocimiento facial
El reconocimiento facial es hoy parte de la vida cotidiana, desde desbloquear teléfonos hasta verificar identidades en espacios públicos. Su alcance sigue creciendo, trayendo comodidad y nuevas posibilidades. Sin embargo, esta expansión también suscita preocupaciones sobre precisión, privacidad, sesgo y equidad que requieren atención cuidadosa.
Sesgo en el reconocimiento facial
El gráfico compara ocho sistemas de reconocimiento facial utilizando el benchmark Racial Faces in the Wild (RFW). RFW evalúa la verificación facial uno a uno, es decir, el sistema comprueba si dos imágenes de rostros pertenecen a la misma persona.
El benchmark reporta los resultados por separado para cuatro grupos demográficos: caucásico, indio, asiático y africano.
Cada grupo se prueba con 6.000 pares de imágenes desafiantes. La mitad de estos pares muestran a la misma persona, mientras que la otra mitad muestra personas diferentes. Dado que los cuatro grupos usan la misma configuración equilibrada de prueba, las diferencias de rendimiento entre grupos probablemente reflejan el sesgo demográfico más que diferencias en el diseño de la prueba.1
Cada punto en el gráfico representa un modelo de reconocimiento facial. Las cuatro puntuaciones de precisión por subgrupo del modelo se resumen en dos medidas:
- Precisión promedio: Indica el rendimiento general del modelo en todos los grupos demográficos.
- Equidad: Calculada como 100 menos la diferencia entre el subgrupo con mejor y peor rendimiento.
Los resultados muestran un patrón consistente: la mayoría de los sistemas rinden mejor con rostros caucásicos y peor con rostros africanos. En varios casos, la tasa de error para rostros africanos es aproximadamente el doble que para rostros caucásicos. Esta brecha empuja hacia abajo en el gráfico a los sistemas menos equitativos.2
Este ejemplo muestra por qué la precisión del reconocimiento facial por sí sola no basta para evaluar estos sistemas. Incluso cuando un modelo rinde bien en promedio, sus errores pueden distribuirse de manera desigual entre grupos demográficos, creando riesgos reales en seguridad, aplicación de la ley, banca y verificación de identidad.
Estas brechas de rendimiento son uno de varios desafíos que las organizaciones deben considerar antes de adoptar la tecnología de reconocimiento facial. A continuación, examinamos los principales desafíos del reconocimiento facial, sus causas y posibles formas de abordarlos.
1. Privacidad y vigilancia
El reconocimiento facial puede usarse para vigilar a las personas sin su consentimiento. Cuando autoridades o empresas lo aplican en áreas públicas, los individuos pueden ser identificados y seguidos sin percatarse. Este tipo de vigilancia plantea serias preocupaciones de privacidad y puede amenazar las libertades civiles.
Por ejemplo, la Policía Metropolitana ha ampliado el despliegue del reconocimiento facial en vivo en espacios públicos, pero la escala de escaneo varía según la operación y no se aplica de manera continua en toda la ciudad.3
¿Cómo aumentar la privacidad?
- Establecer marcos legales claros para regular el uso gubernamental y prevenir la vigilancia no autorizada.
- Exigir el consentimiento por escrito antes de recopilar datos de reconocimiento facial en contextos no públicos.
- Implementar medidas de transparencia, como auditorías e informes periódicos sobre los despliegues.
- Limitar el almacenamiento de datos biométricos a fines de identificación específicos y reforzar los controles de protección de datos.
Ejemplo real: Reconocimiento facial en el comercio minorista
Los minoristas utilizan cada vez más el reconocimiento facial para identificar a personas previamente señaladas por robo, fraude u otras conductas indebidas. Esto ha suscitado dudas sobre si los compradores pueden otorgar un consentimiento significativo al escaneo biométrico en espacios comerciales comunes.
En 2026, Wegmans enfrentó desafíos después de confirmar que se utilizó reconocimiento facial en algunas tiendas de Nueva York. La empresa dijo que la tecnología se usó en tiendas de mayor riesgo y para identificar a personas previamente señaladas por conductas indebidas. Sin embargo, defensores de la privacidad y legisladores locales argumentaron que los sistemas biométricos plantean riesgos más allá de los de las cámaras de seguridad estándar, porque los datos faciales pueden almacenarse, reutilizarse, venderse o ser robados.
La controversia llevó al condado de Erie, Nueva York, a aprobar una ley que prohíbe a los establecimientos comerciales recopilar, almacenar o vender los datos biométricos de los clientes, incluidos los escaneos faciales. La ley no prohíbe las cámaras de seguridad estándar e incluye exenciones para el uso gubernamental y policial.4
Ejemplo real: Reconocimiento facial a nivel de calle
Los agentes federales de inmigración utilizan cada vez más la tecnología de reconocimiento facial durante operativos callejeros, lo que genera preocupación por la ampliación de la vigilancia gubernamental.
El ICE y otros funcionarios del Departamento de Seguridad Nacional han usado una aplicación para teléfonos inteligentes llamada Mobile Fortify para fotografiar y escanear los rostros de personas en ciudades como Minneapolis, Chicago y Portland, Maine. La aplicación puede comparar imágenes con bases de datos gubernamentales en tiempo real y puede almacenar fotos hasta por 15 años, según documentos obtenidos mediante una solicitud de la Ley de Libertad de Información. Testigos afirman que los escaneos han incluido a transeúntes y ciudadanos estadounidenses, no a objetivos de la aplicación de la ley.
El DHS afirma que la herramienta es legal y ayuda a identificar a personas de interés. Pero grupos de libertades civiles y algunos legisladores argumentan que el reconocimiento facial a nivel de calle puede violar protecciones constitucionales y normalizar la vigilancia biométrica en espacios públicos. Demandas y legislación propuesta buscan frenar la práctica, mientras los críticos advierten que podría erosionar la privacidad y limitar la actividad pública.5
Ejemplo real: Name Tag de Meta
Meta planea incorporar la tecnología de reconocimiento facial a sus gafas inteligentes Ray-Ban. La función, llamada internamente “Name Tag”, permitiría a los usuarios identificar a las personas que ven y acceder a información sobre ellas a través del asistente de IA de Meta.
Antes de este desarrollo, Facebook cerró su sistema de reconocimiento facial en 2021, citando riesgos de privacidad y legales. Tras vender más de 7 millones de gafas inteligentes en 2025 y enfrentar una creciente competencia en dispositivos portátiles de IA, Meta ve el reconocimiento facial como una forma de hacer sus dispositivos más útiles y destacar en el mercado.
Las discusiones internas muestran que la empresa es consciente de las preocupaciones de privacidad y seguridad. Meta ha considerado limitar la función para reconocer solo a personas conectadas con el usuario en sus plataformas o aquellas con perfiles públicos, en lugar de ofrecer una identificación abierta.
Los defensores de la privacidad advierten que incorporar el reconocimiento facial a gafas de consumo podría erosionar el anonimato en espacios públicos e invitar al uso indebido.
Al mismo tiempo, Meta argumenta que la tecnología podría mejorar la accesibilidad, en particular para personas ciegas o con discapacidad visual. La empresa también está desarrollando gafas más avanzadas diseñadas para capturar datos visuales de forma continua, con el reconocimiento facial para impulsar recordatorios y asistencia contextual.6
2. Sesgo e identificación errónea
Aunque muchos sistemas de reconocimiento facial todavía muestran tasas de error más altas para grupos marginados, los modelos de primer nivel evaluados en las recientes evaluaciones del NIST7 han reducido significativamente las brechas de precisión demográfica. El sesgo sigue siendo una preocupación, particularmente en sistemas antiguos o mal curados.
Para reducir el sesgo y la identificación errónea:
- Entrenar modelos con conjuntos de datos diversos que representen múltiples demografías.
- Exigir pruebas independientes para identificar sesgos algorítmicos.
- Aplicar umbrales conservadores y garantizar la supervisión humana de todas las coincidencias.
- Prohibir que las agencias de aplicación de la ley dependan únicamente de los resultados automatizados.
Ejemplo real: Representación racial en el reconocimiento facial
Una profesora de informática del Departamento de Ciencias de la Computación e Ingeniería de la Universidad de Buffalo, Ifeoma Nwogu, explica que muchos algoritmos logran una alta precisión dentro de conjuntos de datos de entrenamiento estrechamente representativos, típicamente dominados por imágenes de hombres blancos de entre 18 y 35 años, lo que conduce a tasas de error significativamente más altas para mujeres y personas de color.
Estudios de Gender Shades y el NIST han confirmado una precisión particularmente baja para mujeres negras, lo que ilustra cómo los datos desequilibrados y las tecnologías de cámara no optimizadas para tonos de piel más oscuros refuerzan las disparidades sistémicas.
Aunque los avances recientes en conjuntos de datos, calidad de cámara y aprendizaje automático han mejorado la precisión, Nwogu enfatiza que debe ocurrir una supervisión significativa a nivel gubernamental y de formulación de políticas, ya que muchos daños sociales provienen de consecuencias no deseadas de los sistemas implementados.
Sostiene que una regulación integral, una mayor alfabetización técnica entre los responsables de políticas y la investigación continua sobre modelos conscientes de la diversidad son esenciales para garantizar que el reconocimiento facial se utilice de manera responsable y ética.8
3. Seguridad de datos y uso indebido
Los datos faciales son especialmente sensibles porque, a diferencia de una contraseña, no se pueden restablecer una vez expuestos. Si alguien obtiene acceso a ellos, podría utilizarlos para robo de identidad, fraude o rastreo no autorizado. Cuando estos sistemas operan con poca supervisión, aumenta la posibilidad de abuso.
Apoye la seguridad de los datos y minimice el uso indebido mediante:
- Cifrar todos los datos de reconocimiento facial almacenados y limitar los períodos de retención.
- Exigir el cumplimiento de estándares sólidos de protección de datos y auditorías periódicas.
- Aplicar controles de acceso estrictos para garantizar que el personal autorizado maneje los datos biométricos.
- Exigir planes claros de respuesta a incidentes para proteger a las personas en caso de violaciones de datos.
Ejemplo real: Violaciones de privacidad de Clearview IA
Clearview IA es una empresa estadounidense que proporciona software de reconocimiento facial basado en una base de datos de decenas de miles de millones de imágenes extraídas de sitios web de acceso público. Las fuerzas del orden y las agencias gubernamentales suben una foto al sistema, que devuelve posibles coincidencias y enlaces a dónde aparecieron esas imágenes en línea. La tecnología se ha utilizado en investigaciones penales y se ha comercializado a agencias fronterizas y de inteligencia.
La empresa ha enfrentado un escrutinio legal y regulatorio constante por preocupaciones de privacidad. Los críticos argumentan que Clearview recopila e indexa imágenes faciales sin el conocimiento o consentimiento de las personas. En Estados Unidos, ha sido demandada bajo leyes de privacidad biométrica, incluida la Ley de Privacidad de la Información Biométrica de Illinois, resultando en un importante acuerdo. Los tribunales de California también han permitido que procedan las reclamaciones de privacidad sobre sus prácticas de bases de datos.
Los reguladores europeos han encontrado repetidamente a Clearview en violación de las leyes de protección de datos. Las autoridades de Grecia y los Países Bajos impusieron multas multimillonarias en euros, citando la recolección ilegal de datos biométricos bajo el RGPD. Los grupos de privacidad también han presentado quejas solicitando más acciones legales.
Más recientemente, la Oficina de Aduanas y Protección Fronteriza de EE. UU. firmó un contrato que otorga a las unidades de inteligencia acceso al sistema de Clearview para la focalización táctica, lo que genera preocupación por la expansión de la vigilancia biométrica en operaciones gubernamentales rutinarias.9
4. Limitaciones técnicas en condiciones del mundo real
El reconocimiento facial tiende a ser menos preciso en condiciones del mundo real. La poca luz, las máscaras, las gafas y los cambios de ángulo pueden confundir al sistema y provocar errores. Estos problemas dificultan la confiabilidad de la tecnología para verificaciones de identidad, acceso de seguridad o vigilancia policial.
Para aumentar la precisión en el mundo real:
- Mejorar los estándares de captura de imágenes para garantizar entradas de alta resolución.
- Aplicar detección de vida para confirmar que hay personas reales presentes durante los escaneos.
- Usar métodos avanzados como el modelado facial 3D y GANs para reconstruir rasgos ocluidos.
- Emplear autenticación multimodal (combinando rostro con iris, huella dactilar o reconocimiento de voz) en áreas sensibles.
Recientemente, los investigadores han usado cada vez más modelos basados en difusión y arquitecturas transformer para reconstruir rasgos faciales ocluidos, ya que estos métodos superan a las GANs tradicionales en estabilidad y precisión.
Ejemplo real: Detección de vida con Yoti MyFace
Yoti MyFace Liveness es un sistema pasivo de detección de vida que verifica si una selfie está siendo capturada de una persona real y físicamente presente en tiempo real, y no de una falsificación, como una foto impresa, un video reproducido, una máscara o un deepfake generado por IA.
Funciona analizando una sola selfie utilizando múltiples modelos de redes neuronales para evaluar la calidad de la imagen y las señales de profundidad facial, y devolviendo una puntuación de confianza en segundos. A diferencia del reconocimiento facial, no identifica quién es alguien; verifica que el rostro esté vivo y sea genuino. También puede configurarse para detectar ataques de inyección en los que una imagen o video falso se inyecta en la transmisión de la cámara en lugar de una captura real.10
Ejemplo real: Imágenes de baja calidad en investigaciones
Muchos fallos de reconocimiento facial ocurren cuando los sistemas se aplican a imágenes que no están diseñadas para la coincidencia biométrica. Las imágenes de vigilancia pueden ser borrosas, mal iluminadas, anguladas o parcialmente obstruidas. Estas condiciones pueden reducir las puntuaciones de confianza y aumentar el riesgo de falsas coincidencias.
Esto es especialmente importante en la aplicación de la ley, donde una imagen de baja calidad puede compararse con grandes bases de datos. Incluso si el sistema devuelve una posible coincidencia, el resultado debe tratarse como una pista de investigación y no como una identificación confiable.
La lección práctica es que el reconocimiento facial no debe evaluarse por la precisión en benchmarks. Las organizaciones deben probar la tecnología en las mismas condiciones en que se usará, incluyendo calidad de cámara, iluminación, movimiento del usuario y variación demográfica.
Ejemplos reales: Aumento de la efectividad del reconocimiento facial en el mundo real
Según un estudio reciente, los sistemas de reconocimiento facial siguen enfrentando desafíos significativos cuando se utilizan en condiciones del mundo real. Para abordar estas limitaciones, los investigadores están desarrollando métodos como el aprendizaje profundo, el modelado facial 3D y técnicas generativas que pueden reconstruir rasgos faltantes.
El estudio destaca los beneficios de combinar el reconocimiento facial con otros enfoques biométricos para mejorar la precisión. También enfatiza la importancia de técnicas de preservación de la privacidad, como el aprendizaje federado y el cifrado.
Concluye que, a pesar del rápido progreso, los desafíos en torno a la equidad, precisión y privacidad deben abordarse para garantizar el uso responsable de la tecnología de reconocimiento facial.
Figura 1: La imagen muestra 30 tipos diferentes de distorsiones comunes y cambios de apariencia.11
Otro estudio sobre los desafíos del reconocimiento facial muestra que los sistemas de vigilancia y reconocimiento a menudo sufren de una precisión reducida debido a imágenes de baja calidad, oclusiones (por ejemplo, gafas) y sesgos demográficos en los conjuntos de datos de entrenamiento.
Para abordar estos problemas, los investigadores desarrollaron un marco de aprendizaje profundo que utiliza autoencoders y redes generativas antagónicas (GANs) para generar datos sintéticos, manipular atributos faciales y mejorar imágenes degradadas.
Los componentes clave de este enfoque incluyen un modelo para ajustar los tonos de piel para una mayor representación demográfica, un sistema para eliminar gafas preservando la identidad, y un módulo de mejora de imagen que mejora la claridad en imágenes de vigilancia de baja resolución.
Probado en el conjunto de datos CelebA, el método demostró una mayor diversidad del conjunto de datos, una reducción del sesgo y una mayor precisión de reconocimiento en condiciones desafiantes.12
5. Problemas éticos y sociales
El creciente uso del reconocimiento facial ha planteado serias cuestiones éticas sobre la equidad, la transparencia y la confianza pública. Cuando la tecnología se usa sin un consentimiento claro, a menudo enfrenta fuertes críticas públicas. Si su propagación continúa sin límites adecuados, podría hacer que la vigilancia constante parezca normal y debilitar los derechos fundamentales.
Apoye los estándares éticos mediante:
- Exigir a empresas y agencias gubernamentales la divulgación de cómo se utilizan los sistemas de reconocimiento facial.
- Requerir un consentimiento de inclusión voluntaria significativo para las personas.
- Crear juntas de revisión ética independientes para supervisar los despliegues.
- Lanzar campañas de concienciación pública que expliquen tanto los beneficios como los riesgos de la tecnología.
Ejemplo real: Control de asistencia estudiantil con reconocimiento facial
Un informe reciente sobre el plan de la India de usar reconocimiento facial basado en IA para la asistencia de estudiantes bajo el Sistema de Seguimiento del Rendimiento Estudiantil (SATS) ha generado importantes preocupaciones de privacidad y ética. Los expertos advierten que recopilar y almacenar los datos faciales de los niños podría dar lugar a un uso indebido, incluidas posibles filtraciones a actores comerciales o delincuentes.
Enfatizan que las escuelas deben seguir siendo espacios seguros de aprendizaje, no sitios de vigilancia. En cambio, sugieren mejorar los Comités de Desarrollo y Monitoreo Escolar (SDMCs) y adoptar herramientas de código abierto como opciones más seguras y transparentes.13
Añadir como fuente preferidaLos pasos de la tecnología de reconocimiento facial
Un sistema típico de reconocimiento facial sigue una secuencia clara:
- Captura de imagen: El sistema registra una imagen facial o un fotograma de un video. La calidad de los escaneos faciales impacta significativamente los resultados, y las imágenes de alta resolución suelen producir coincidencias más precisas.
- Detección facial: Algoritmos especializados localizan el rostro en la imagen capturada y lo separan del fondo. Este paso es esencial antes de analizar los rasgos faciales.
- Extracción de características: El sistema codifica los rasgos faciales únicos en una plantilla numérica que representa la identidad de una persona. Algunas tecnologías de reconocimiento facial utilizan datos tridimensionales para mejorar la precisión.
- Comparación: La plantilla extraída se compara con los datos de reconocimiento facial almacenados en una base de datos o con una imagen facial específica, dependiendo de si la tarea es identificación o verificación.
- Decisión: El sistema evalúa el nivel de similitud entre la imagen de prueba y los datos almacenados, luego genera posibles coincidencias o confirma una identidad.
Por ejemplo, Amazon Rekognition utiliza colecciones para almacenar vectores faciales, que son representaciones matemáticas de los rasgos faciales en lugar de imágenes.
El flujo de trabajo es:
- Crear una colección para contener los datos faciales.
- Indexar rostros para detectar y almacenar vectores faciales.
- Crear un usuario y asociar rostros para agrupar múltiples imágenes de la misma persona en un vector de usuario para una mayor precisión.
Luego puede buscar rostros en imágenes, videos almacenados o transmisiones de video utilizando operaciones como SearchFacesByImage o SearchUsersByImage. Esto habilita casos de uso como la autenticación de empleados en puntos de entrada comparando escaneos faciales en vivo con datos almacenados mediante puntuaciones de similitud.14
Cómo medir la precisión del reconocimiento
La precisión en la tecnología de reconocimiento facial se mide mediante métricas específicas que capturan la probabilidad de coincidencias correctas o incorrectas. Las medidas comunes incluyen:
- Tasa de falsas coincidencias (FMR): La probabilidad de que el sistema empareje incorrectamente a dos personas diferentes.
- Tasa de falsas no coincidencias (FNMR): La probabilidad de que el sistema no logre emparejar dos imágenes de la misma persona.
- Tasas de identificación: Métricas como la tasa de identificación de rango 1 indican con qué frecuencia el sistema identifica correctamente a individuos de una base de datos extensa.
- Compensaciones de error: El rendimiento a menudo se presenta en gráficos, como curvas ROC, que muestran cómo cambian los falsos positivos y falsos negativos al ajustar el umbral de decisión.
La precisión depende de la calidad de las imágenes faciales, la iluminación, el ángulo e incluso cambios en la apariencia, como el vello facial. También varía entre modelos de reconocimiento facial, lo que plantea importantes preocupaciones éticas sobre el sesgo algorítmico y la equidad hacia grupos específicos.
¿Qué es la puntuación de confianza en el reconocimiento facial?
Una puntuación de confianza muestra qué tan seguro está un sistema de reconocimiento facial de que dos rostros pertenecen a la misma persona. Mide similitud, no la probabilidad exacta de ser correcto. Si bien una puntuación más alta significa una coincidencia más cercana, el juicio final depende del umbral definido dentro del sistema.
- Calibración: Las puntuaciones de confianza varían según el software de reconocimiento facial y deben alinearse con los objetivos operativos.
- Umbrales: En muchas jurisdicciones, los sistemas de aplicación de la ley generan listas de candidatos basadas en umbrales de alta confianza, y se requiere que los oficiales validen manualmente las posibles coincidencias en lugar de depender de resultados automatizados.
- Influencia de las condiciones: La mala iluminación, la oclusión o cambios en los rasgos faciales únicos, como vello facial nuevo, pueden reducir las puntuaciones de confianza y afectar los resultados.
- Implicaciones políticas: Dado que los datos de reconocimiento facial son datos biométricos sensibles, los umbrales de confianza deben gestionarse con salvaguardas de protección de datos, consideraciones de privacidad personal y conciencia de cuestiones éticas como el sesgo racial y el posible uso indebido en vigilancia no autorizada.
Por lo tanto, las puntuaciones de confianza ayudan a equilibrar la capacidad de la tecnología para identificar individuos frente a los riesgos de falsos positivos y los desafíos más amplios del reconocimiento facial que enfrentan muchas empresas, agencias gubernamentales y fuerzas del orden.
Preguntas frecuentes
El reconocimiento facial es un enfoque biométrico que identifica o verifica a una persona analizando rasgos faciales únicos. A diferencia de las contraseñas o tokens, se basa en el propio rostro de la persona como credencial.
Esta tecnología convierte las imágenes faciales en patrones matemáticos, a veces llamados plantillas o huellas faciales, que luego pueden compararse con datos faciales almacenados. Se utiliza tanto para identificación en grandes bases de datos como para verificar una identidad reclamada.
El reconocimiento facial se utiliza cada vez más en sistemas de seguridad, control de acceso y verificación de identidad.
La tecnología de reconocimiento facial funciona capturando una imagen facial, aislando el rostro dentro de la imagen y analizando rasgos faciales distintivos. Estos rasgos incluyen las distancias relativas entre los ojos, la nariz, la boca y otros puntos clave, así como rasgos adicionales como la textura de la piel.
Los modelos avanzados de reconocimiento facial utilizan inteligencia artificial, visión por computadora y aprendizaje profundo para crear representaciones de rostros altamente precisas, lo que permite a la tecnología identificar o verificar individuos con una precisión excepcional. El uso del reconocimiento facial se extiende desde desbloquear dispositivos personales hasta apoyar a las agencias de aplicación de la ley en espacios públicos, lo que genera tanto oportunidades de mejora como preocupaciones de privacidad.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{Los 5 principales desafíos y soluciones del reconocimiento facial}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/facial-recognition-challenges}},
note = {AIMultiple. Recuperado el 22 de Junio de 2026}
}Enlaces de referencia
El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.
A lo largo de su carrera, Cem se ha desempeñado como consultor tecnológico, comprador de tecnología 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.
Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.