Guía de optimización del programa LLM para empresas

Siga los enlaces para obtener soluciones específicas a los desafíos de producción de su LLM. Si su LLM:

• No tiene acceso a los hechos necesarios en su dominio, o bien entrene un nuevo LLM , cambie a uno específico del dominio o utilice RAG para recuperar los hechos.
• Si posee información relevante pero necesita responder con un estilo y tono diferentes, seguir ciertos formatos de salida o utilizar ciertas herramientas, entonces:
  • Primero, aproveche la ingeniería de impulsos o el encadenamiento de impulsos para mejorar los resultados.
  • Si no funcionan, la optimización de LLM es el enfoque adecuado. Puede utilizar el servicio de su proveedor de LLM o optimizar LLM de código abierto en sus propias instalaciones .

La adopción generalizada de modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) ha mejorado nuestra capacidad para procesar el lenguaje humano . Sin embargo, su entrenamiento genérico a menudo resulta en un rendimiento subóptimo para tareas específicas.

Para superar esta limitación, se emplean métodos de ajuste fino para adaptar los LLM a los requisitos únicos de las diferentes áreas de aplicación.

¿Qué es el ajuste fino de LLM?

El ajuste fino de un modelo de lenguaje extenso consiste en adaptar un modelo preentrenado para realizar tareas específicas o para que se ajuste mejor a un dominio particular. El proceso implica entrenar aún más el modelo con un conjunto de datos más pequeño y específico, relevante para la tarea o el tema deseado.

El modelo lingüístico original, de gran tamaño, se entrena previamente con enormes cantidades de datos textuales diversos, lo que le permite aprender la comprensión general del lenguaje, la gramática y el contexto. El ajuste fino aprovecha este conocimiento general y perfecciona el modelo para lograr un mejor rendimiento y comprensión en un dominio específico.

Figura 2: Capacidades de un LLM después del ajuste fino. ¹

Por ejemplo, un modelo de lenguaje extenso podría ajustarse para tareas como el análisis de sentimientos en reseñas de productos, la predicción de precios de acciones basándose en noticias financieras o la identificación de síntomas de enfermedades en textos médicos.

Este proceso personaliza el comportamiento del modelo, lo que le permite generar resultados más precisos y contextualmente relevantes para tareas como:

• Análisis de sentimientos .
• Desarrollo de chatbots .
• Responder preguntas.

Cómo perfeccionar los programas de maestría en derecho (LLM)

1. Preparación del conjunto de datos

Dado que los modelos de lógica descriptiva (LLM) se entrenan previamente con un conjunto de datos fijo, no tienen en cuenta los eventos en tiempo real. Para mantener estos modelos actualizados y mejorar su rendimiento en temas específicos y en constante evolución, las empresas utilizan datos web en tiempo real. Estos datos son fundamentales por dos razones principales: facilitan la alineación con el dominio y reducen la confusión.

1.1. Alineación y relevancia del dominio:

El uso de datos obtenidos de la web permite a las empresas optimizar sus modelos de negocio legales (LLM) con la información más actual y relevante para su sector. Por ejemplo, una empresa de tecnología legal podría utilizar rastreadores web para recopilar sentencias judiciales recientes y blogs jurídicos.

Estos datos específicos del dominio garantizan que el modelo optimizado comprenda la terminología actualizada y el contexto de la industria, información que suele faltar en los conjuntos de datos estáticos y de acceso público. Este proceso es fundamental para convertir un modelo preentrenado de propósito general en un experto en un campo específico.

1.2. Reducción de las alucinaciones:

Se produce una alucinación cuando un modelo de lógica difusa genera información plausible pero incorrecta. Al perfeccionar un modelo de lógica difusa con datos reales y de alta calidad procedentes de internet, se le proporciona una fuente de información fiable.

Esto reduce la probabilidad de que el modelo invente información durante la inferencia y le ayuda a generar respuestas más precisas y fiables. Este proceso garantiza que los resultados del modelo se basen en la realidad y no en información inventada.

Las empresas utilizan herramientas internas de extracción de datos web o proveedores externos para recopilar información de los sitios web. Estos datos de entrenamiento recopilados se preparan y utilizan para perfeccionar el modelo LLM.

Al incorporar continuamente datos web actualizados, las empresas pueden garantizar que sus modelos optimizados sigan siendo relevantes y precisos, lo que les proporciona una importante ventaja competitiva.

OpenAI afirma que cada vez que se duplica el tamaño del conjunto de datos, se produce un aumento lineal en la calidad del modelo. ²

2. Elección de un modelo base y un método de ajuste fino

La selección del modelo base y el método de ajuste fino adecuados depende de la tarea específica y de los datos disponibles. Existen diversos proveedores de modelos de aprendizaje automático (MLA), como Alphabet y otros, cada uno con sus propias ventajas y desventajas. El método de ajuste fino también puede variar según la tarea y los datos, como el aprendizaje por transferencia, el ajuste fino secuencial o el ajuste fino específico para la tarea.

Al elegir el modelo base, debe tener en cuenta lo siguiente:

• Si la infraestructura técnica es adecuada para la potencia de cálculo necesaria para el ajuste fino.
• Si el modelo se ajusta a su tarea específica
• Tamaño de entrada y salida del modelo
• Tamaño de su conjunto de datos

3. Ajuste fino

El ajuste fino adapta los modelos LLM preentrenados a tareas específicas o necesidades organizativas, ya sea a través de servicios gestionados ofrecidos por los proveedores de modelos o modificando directamente los modelos de código abierto utilizando datos específicos de la tarea y herramientas MLOps.

Ajuste fino como servicio para modelos de código cerrado.

La mayoría de los programas LLM (por ejemplo, OpenAI, GPT-5 y Google Gemini) ofrecen servicios de ajuste fino. ³ Anthropic se asoció con Amazon Bedrock para el ajuste fino. ⁴

Por ejemplo, Vertex AI admite múltiples enfoques de ajuste de modelos, lo que permite a los desarrolladores flexibilidad en la forma en que personalizan el comportamiento del modelo más allá del ajuste fino básico:

• Ajuste fino supervisado: Entrenar un modelo con ejemplos etiquetados para que aprenda a producir los resultados deseados para tareas específicas.
• Ajuste de preferencias: Un enfoque de ajuste distinto que se basa en el ajuste fino supervisado utilizando datos de preferencias humanas para enseñar a los modelos a generar resultados más preferidos a partir de la retroalimentación por pares en lugar de etiquetas explícitas.
• Puntos de control de ajuste y ajuste continuo: herramientas para guardar el progreso o ampliar un modelo ajustado existente con más datos o pasadas de entrenamiento. ⁵

El precio del ajuste fino depende del modelo y de los tokens utilizados. Los precios suelen rondar los pocos dólares por millón de tokens para el nivel de ajuste fino predeterminado (es decir, 4 épocas). ⁶

Ajuste fino de los modelos de código abierto

Dado que los pesos del modelo están disponibles en modelos de código abierto, las empresas pueden ajustar los modelos de código abierto en sus propias instalaciones sin exponer sus conjuntos de datos a los proveedores de LLM.

Los pasos para ajustar los modelos de código abierto incluyen:

• Carga del modelo preentrenado: Una vez seleccionados el método LLM y el método de ajuste fino, es necesario cargar el modelo preentrenado en la memoria.
  • Este paso inicializa los pesos del modelo basándose en los valores preentrenados, lo que acelera el proceso de ajuste fino y garantiza que el modelo ya haya aprendido la comprensión general del lenguaje.
• El ajuste fino implica entrenar el modelo LLM preentrenado con el conjunto de datos específico de la tarea. El proceso de entrenamiento consiste en optimizar los pesos y parámetros del modelo para minimizar la función de pérdida y mejorar su rendimiento en la tarea.

El proceso de ajuste fino suele implicar rondas iterativas de entrenamiento. Para optimizar el rendimiento, los desarrolladores deben ajustar configuraciones como la tasa de aprendizaje o el tamaño del lote. Herramientas como Weights & Biases (Sweeps) automatizan esta búsqueda de hiperparámetros, visualizando cómo las diferentes variables influyen en la convergencia del modelo para que los equipos puedan seleccionar la mejor configuración sin necesidad de realizar pruebas manuales.

Por ejemplo, los modelos Llama se pueden ajustar de forma económica mediante enfoques de ajuste fino eficiente de parámetros (PEFT, por sus siglas en inglés). ⁷

Las empresas pueden aprovechar sus plataformas MLOps o LLMOps para perfeccionar sus modelos.

Por ejemplo, usar una plataforma que funcione como sistema de registro (como Weights & Biases) permite a las empresas realizar un seguimiento de cada ejecución de entrenamiento, registrar las métricas del sistema (uso de la GPU) y gestionar las versiones de los puntos de control del modelo resultante en un registro central. Esto garantiza que, incluso al entrenar modelos de código abierto en las propias instalaciones, el flujo de trabajo siga siendo reproducible y colaborativo.

Ajuste fino de los modelos de pesos abiertos

Los modelos de peso abierto están disponibles públicamente para que los usuarios los descarguen y ejecuten localmente (o en su infraestructura en la nube) sin depender de una API.

Se diferencian de los modelos de código abierto porque estos últimos suelen implicar que el código de entrenamiento completo, los detalles de los datos y las condiciones de la licencia permiten su modificación y redistribución. Los modelos de pesos abiertos pueden publicar los pesos, pero mantienen restringidos algunos aspectos del proceso de entrenamiento, el conjunto de datos o los derechos de uso.

Dado que los pesos son accesibles, los modelos de peso abierto se pueden ajustar directamente continuando el entrenamiento con conjuntos de datos personalizados (por ejemplo, ajuste fino supervisado, métodos LoRA/PEFT), lo que permite a las organizaciones personalizar el comportamiento manteniendo los datos y la implementación totalmente bajo su control.

Por ejemplo, la familia LFM2.5 de Liquid AI sirve como un conjunto de modelos base de peso abierto. Se lanzaron para implementaciones de IA en dispositivos y en el borde, con puntos de control disponibles en Hugging Face y la plataforma Liquid AI LEAP.

La serie incluye variantes como LFM2.5-1.2B-Base (un modelo base preentrenado) y LFM2.5-1.2B-Instruct , que ya ha recibido un ajuste fino supervisado y aprendizaje por refuerzo en su proceso posterior al entrenamiento.

Dado que los pesos son de acceso público, los desarrolladores pueden tomar el punto de control base y realizar su propio ajuste fino: entrenar el modelo con conjuntos de datos propios, adaptarlo a tareas específicas de un idioma o dominio, o experimentar con otros métodos de entrenamiento (como el ajuste fino supervisado con adaptadores o la alineación de preferencias).

LFM2.5 es muy adecuado para la personalización de tareas específicas en hardware local o dispositivos periféricos, donde controlar el flujo de trabajo de entrenamiento e inferencia es importante. ⁸

Otro ejemplo es Tinker, de Thinking Machines Lab, una API diseñada para facilitar a investigadores y desarrolladores el ajuste fino de los modelos de lenguaje de peso abierto.

Tinker permite a los usuarios adaptar una amplia gama de modelos de peso abierto, desde arquitecturas pequeñas hasta grandes modelos de mezcla de expertos como Qwen-235B-A22B. Los usuarios pueden aplicar el ajuste fino basado en LoRA u otros métodos posteriores al entrenamiento para adaptar los modelos a tareas específicas, ya sea mediante aprendizaje supervisado o enfoques de refuerzo.

Tras realizar los ajustes, los desarrolladores pueden descargar los puntos de control resultantes y utilizarlos de forma independiente, lo que permite controlar tanto el modelo como el comportamiento personalizado. ⁹

4. Evaluación de modelos ajustados

Una vez finalizado el proceso de ajuste fino, es necesario evaluar el rendimiento del modelo en el conjunto de prueba. Este paso ayuda a garantizar que el modelo se generalice bien a nuevos datos y que funcione correctamente en la tarea específica. Las métricas comunes utilizadas para la evaluación incluyen precisión, exhaustividad y puntuación F1.

Sin embargo, para las tareas generativas, las métricas tradicionales suelen ser insuficientes. La evaluación moderna requiere rastrear el razonamiento del modelo y verificar la calidad del texto generado. Herramientas como W&B Weave lo permiten, ya que facilitan a los desarrolladores el seguimiento de las entradas y salidas, la depuración de mensajes y la ejecución de evaluaciones sistemáticas (utilizando un modelo de lenguaje natural como evaluador) para calificar el modelo optimizado en aspectos como el tono, la fidelidad y la seguridad.

5. Despliegue

Una vez evaluado el modelo optimizado, se puede implementar en entornos de producción. El proceso de implementación puede incluir la integración del modelo en un sistema más amplio, la configuración de la infraestructura necesaria y el monitoreo del rendimiento del modelo en escenarios reales.

¿Cuáles son los métodos utilizados en el proceso de ajuste fino de los LLM?

Métodos de ajuste fino

El ajuste fino es un proceso que consiste en adaptar un modelo preentrenado a una tarea o dominio específico mediante un entrenamiento adicional con un conjunto de datos más pequeño y específico para dicha tarea. Se pueden utilizar varios métodos de ajuste fino para modificar los pesos y parámetros de un modelo preentrenado y así mejorar su rendimiento en la tarea objetivo:

• El aprendizaje por transferencia implica reutilizar los pesos y la arquitectura de un modelo preentrenado para una nueva tarea o dominio. El modelo preentrenado suele entrenarse con un conjunto de datos amplio y general, y el enfoque de aprendizaje por transferencia permite una adaptación eficiente y efectiva a tareas o dominios específicos.
• Ajuste fino secuencial : El modelo preentrenado se ajusta de forma secuencial en múltiples tareas o dominios relacionados. Esto permite que el modelo aprenda patrones lingüísticos más complejos y sutiles en diferentes tareas, lo que se traduce en una mejor generalización y rendimiento.
• Ajuste fino específico para la tarea : El modelo preentrenado se ajusta para una tarea o dominio específico utilizando un conjunto de datos específico para dicha tarea. Este método requiere más datos y tiempo que el aprendizaje por transferencia, pero puede resultar en un mayor rendimiento en la tarea específica.
• Aprendizaje multitarea : El modelo preentrenado se ajusta simultáneamente en múltiples tareas. Este enfoque permite que el modelo aprenda y aproveche las representaciones compartidas entre diferentes tareas, lo que se traduce en una mejor generalización y rendimiento.
• El entrenamiento de adaptadores implica el entrenamiento de módulos ligeros que se conectan al modelo preentrenado, lo que permite un ajuste preciso en una tarea específica sin afectar el rendimiento del modelo original en otras tareas.

Ajuste fino del refuerzo (RFT)

El ajuste fino por refuerzo (RFT, por sus siglas en inglés) es una técnica de personalización de modelos que adapta un modelo de lenguaje preentrenado utilizando retroalimentación basada en recompensas en lugar de los ejemplos de entrenamiento etiquetados tradicionales.

En lugar de entrenar con resultados fijos/correctos, RFT utiliza una señal de recompensa o una función de calificación para evaluar las respuestas del modelo y optimizarlo iterativamente para maximizar estas recompensas.

Este enfoque se basa en los principios del aprendizaje por refuerzo , donde el modelo se comporta como un agente que aprende qué tipos de resultados generan mayores recompensas y ajusta sus parámetros en consecuencia. A diferencia del ajuste fino supervisado, el RFT destaca en escenarios donde resulta difícil definir resultados correctos precisos, pero la calidad puede evaluarse o puntuarse.

Por ejemplo, la función de ajuste fino por refuerzo de Amazon Bedrock automatiza este proceso para que los desarrolladores personalicen los modelos en función de las señales de retroalimentación (funciones de recompensa).

En Bedrock, los usuarios definen qué hace que una respuesta sea precisa mediante funciones de recompensa basadas en reglas o en inteligencia artificial, y el modelo se entrena para maximizar estas recompensas. ¹⁰

Otro ejemplo es la RFT de OpenAI. Permite a los desarrolladores adaptar modelos de razonamiento definiendo un calificador programable que evalúa las respuestas candidatas. Durante el entrenamiento, el modelo se actualiza para que las respuestas con mayor puntuación sean más probables en generaciones futuras.

Esto hace que RFT sea particularmente útil en tareas donde la calidad del resultado es subjetiva o se evalúa mejor mediante puntuaciones que mediante respuestas de referencia exactas. ¹¹

Método de aprendizaje con pocos ejemplos

El aprendizaje con pocos ejemplos (FSL) implica mejorar el rendimiento del modelo sin cambiar los pesos del modelo. En este enfoque, al modelo se le proporciona un número limitado de ejemplos (es decir, "pocos ejemplos") de la nueva tarea, y utiliza esta información para adaptarse y desempeñarse mejor en esa tarea. Puede considerarse como un

• Una alternativa más económica que el ajuste fino. El único coste son los tokens de entrada para algunos ejemplos.
• Meta-problema de aprendizaje donde el modelo aprende a aprender a resolver el problema dado.

Figura 3: Escenario de aprendizaje con pocos ejemplos en el que el modelo aprende a clasificar un conjunto de imágenes de las tareas en las que fue entrenado. ¹²

Esto resulta especialmente útil cuando no hay suficientes datos disponibles para el aprendizaje supervisado tradicional. En el contexto de los modelos de aprendizaje por lotes (LLM), el ajuste fino con un pequeño conjunto de datos relacionado con la nueva tarea es un ejemplo de aprendizaje con pocos ejemplos.

Diferencias entre el aprendizaje con pocos ejemplos y el ajuste fino

La principal diferencia radica en la cantidad de datos específicos de la tarea que requiere el modelo para adaptarse a una nueva tarea o dominio. Los métodos de ajuste fino requieren una cantidad moderada de datos específicos de la tarea para optimizar el rendimiento del modelo, mientras que los métodos de aprendizaje con pocos ejemplos pueden adaptar los modelos a nuevas tareas o dominios con tan solo unos pocos ejemplos etiquetados.

Ejemplos de ajuste fino

El ajuste fino logró aumentos de rendimiento significativos en finanzas.

Bloomberg ha desarrollado BloombergGPT, un modelo de lenguaje a gran escala diseñado específicamente para el sector financiero. Este modelo se centra en tareas de procesamiento del lenguaje natural aplicadas a las finanzas, como el análisis de sentimientos , el reconocimiento de entidades nombradas y la clasificación de noticias.

El BloombergGPT se creó utilizando una combinación de conjuntos de datos financieros y de propósito general, y dio como resultado puntuaciones altas en las pruebas de referencia (Figura 4).

Figura 4: Imagen que muestra el rendimiento de BloombergGPT en dos amplias categorías de tareas de PLN: específicas para finanzas y de propósito general. ¹³

¿Por qué o cuándo su empresa necesita un máster en Derecho (LLM) especializado?

Las empresas pueden necesitar modelos de lenguaje grandes y optimizados por diversas razones, dependiendo de sus requisitos específicos, sector y objetivos. Estas son algunas de las razones más comunes:

1. Personalización

Las empresas suelen tener necesidades y objetivos únicos que un modelo de lenguaje genérico podría no cubrir. El ajuste fino les permite adaptar el comportamiento del modelo a sus objetivos específicos, como generar contenido de marketing personalizado o comprender el contenido generado por los usuarios en su plataforma.

Descubra cómo el ajuste preciso de los modelos LLM permite la creación de productos y estrategias de marketing personalizados, mejorando en última instancia la experiencia de la IA generativa en el comercio minorista , el marketing y los seguros .

2. Sensibilidad y cumplimiento de los datos

Las empresas que manejan datos confidenciales o que operan en entornos regulatorios estrictos podrían necesitar ajustar el modelo para garantizar que respete los requisitos de privacidad, cumpla con las directrices de contenido y genere respuestas apropiadas que cumplan con las regulaciones de la industria.

3. Lenguaje específico de dominio

Muchas industrias utilizan jerga, términos técnicos y vocabulario especializado que puede no estar bien representado en los datos de entrenamiento generales de un modelo de lenguaje extenso. Ajustar el modelo con datos específicos del dominio le permite comprender y generar respuestas precisas dentro del contexto de la industria de la empresa.

4. Rendimiento mejorado

El ajuste fino mejora el rendimiento del modelo en tareas o aplicaciones específicas relevantes para el negocio, tales como:

• Análisis de sentimientos
• Clasificación de documentos
• Extracción de información

Esto puede conducir a una mejor toma de decisiones, una mayor eficiencia y mejores resultados.

5. Habilitación de capacidades de IA con capacidad de agencia

El ajuste fino es fundamental para el desarrollo de sistemas de IA con capacidad de acción , diseñados para actuar de forma autónoma, tomar decisiones e interactuar con herramientas o entornos externos para lograr objetivos específicos.

Mediante el ajuste preciso de un modelo LLM, las empresas pueden mejorar su capacidad para realizar llamadas a funciones, lo que permite que el modelo seleccione y ejecute las herramientas adecuadas (por ejemplo, API, bases de datos) con parámetros precisos.

Por ejemplo, un modelo LLM optimizado puede impulsar una IA con capacidad de gestión autónoma que atienda las consultas de los clientes integrándose con un sistema CRM o recuperando datos en tiempo real mediante API web. Esta personalización garantiza que el modelo comprenda los contextos específicos del dominio y las interacciones con las herramientas, lo que hace que la IA con capacidad de gestión sea más eficaz y fiable en aplicaciones empresariales.

6. Mejora de la experiencia del usuario

Un modelo optimizado puede ofrecer una mejor experiencia de usuario al generar respuestas más precisas, relevantes y contextualizadas, lo que conlleva una mayor satisfacción del cliente en aplicaciones como:

• Chatbots
• Asistentes virtuales
• Sistemas de atención al cliente

¿Qué es un modelo de lenguaje extenso (LLM)?

Un modelo de lenguaje a gran escala es un sistema avanzado de inteligencia artificial ( IA ), más específicamente un modelo generativo de IA empresarial , diseñado para procesar, comprender y generar texto similar al humano a partir de grandes cantidades de datos. Estos modelos suelen construirse utilizando técnicas de aprendizaje profundo , como las redes neuronales. Se entrenan con conjuntos de datos extensos que incluyen texto de una amplia gama de fuentes, como libros y sitios web, para el procesamiento del lenguaje natural.

Uno de los aspectos clave de un modelo de lenguaje grande es su capacidad para comprender el contexto y generar respuestas coherentes y relevantes basadas en la entrada proporcionada. El tamaño del modelo, en términos del número de parámetros y capas, le permite capturar relaciones y patrones complejos dentro del texto. Esto le permite realizar diversas tareas , tales como:

• Responder preguntas
• Generación de texto
• Texto de resumen
• Traducción
• Escritura creativa

Entre los ejemplos más destacados de modelos de lenguaje de gran tamaño se encuentra la serie GPT (Generative Pre-trained Transformer) de OpenAI, siendo GPT-3 y GPT-4 las últimas versiones.

Los modelos fundamentales, al igual que los grandes modelos de lenguaje, son un componente esencial de la investigación y las aplicaciones de la IA. Proporcionan una base para construir modelos más especializados y precisos para tareas o dominios específicos.

Figura 5: Ejemplos de modelos de cimentación. ¹⁴

Lecturas adicionales

• Si bien el ajuste fino mejora la eficacia de los grandes modelos de lenguaje, es esencial abordar los riesgos de la IA generativa .
• El ajuste fino de grandes modelos de lenguaje conlleva consideraciones legales. Explore el panorama legal que rodea a estos sistemas avanzados de IA en IA generativa en el ámbito legal o los derechos de autor de la IA generativa .

Enlaces de referencia

1.

Fine-Tuning Transformers for NLP

2.

OpenAI Platform

3.

OpenAI Platform

4.

5.

Introduction to tuning  |  Generative AI on Vertex AI  |  Google Cloud Documentation

6.

OpenAI API Pricing | OpenAI

7.

Fine-tuning | How-to guides

8.

Introducing LFM2.5: The Next Generation of On-Device AI | Liquid AI

Liquid AI

9.

Announcing Tinker - Thinking Machines Lab

10.

Amazon Bedrock adds reinforcement fine-tuning simplifying how developers build smarter, more accurate AI models | AWS News Blog

11.

Reinforcement fine-tuning | OpenAI API

12.

Few-Shot Learning & Meta-Learning | Tutorial - Research Blog | RBC Borealis

Borealis AI

13.

Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance | Press | Bloomberg LP

14.

Foundation Models: The future isn't happening fast enough

Madrona

Cem Dilmegani

Analista principal

Síguenos

Cem ha sido el analista principal de AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluyendo el 55% de las empresas Fortune 500 cada mes. El trabajo de Cem ha sido citado por importantes publicaciones globales 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. Puede consultar más empresas y recursos de renombre que citan a AIMultiple. A lo largo de su carrera, 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. Lideró la estrategia y adquisición de tecnología de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de la empresa de tecnología avanzada Hypatos, 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. Cem participa regularmente como ponente en conferencias internacionales de tecnología. Se graduó en ingeniería informática por la Universidad de Bogazici y posee un MBA de la Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario