LLM Fine-Tuning Guide for Enterprises

Siga los enlaces para encontrar las soluciones específicas a sus desafíos de salida de LLM. Si su LLM:

• No tiene acceso a los hechos necesarios en su dominio, ya sea que entrene un nuevo LLM, cambie a uno específico del dominio, o use RAG para recuperar hechos
• Tiene hechos relevantes pero necesita responder en un estilo y tono diferentes, seguir ciertos formatos de salida o usar ciertas herramientas, entonces:
  • Primero, aproveche la ingeniería de prompts o el encadenamiento de prompts para mejorar los resultados
  • Si no funcionan, el fine-tuning de LLM es el enfoque correcto. Puede usar el servicio de su proveedor de LLM o realizar el fine-tuning de LLMs de código abierto on-prem.

La adopción generalizada de los modelos de lenguaje grandes (LLMs) ha mejorado nuestra capacidad para procesar el lenguaje humano. Sin embargo, su entrenamiento genérico a menudo resulta en un rendimiento suboptimal para tareas específicas.

Para superar esta limitación, se emplean métodos de fine-tuning para adaptar los LLMs a los requisitos únicos de diferentes áreas de aplicación.

¿Qué es el fine-tuning de LLM?

El fine-tuning de un LLM ajusta un model pre-entrenado para realizar tareas específicas o para atender a un dominio particular de manera más efectiva. El proceso implica entrenar el model más a fondo en un dataset más pequeño y focalizado que sea relevante para la tarea o el tema deseado.

El LLM original está pre-entrenado en vastas cantidades de datos de texto diversos, lo que le ayuda a aprender la comprensión general del lenguaje, la gramática y el contexto. El fine-tuning aprovecha este conocimiento general y refina el model para lograr un mejor rendimiento y comprensión en un dominio específico.

Figura 2: Capacidades de un LLM después del fine-tuning.¹

Por ejemplo, un LLM podría ser sometido a fine-tuning para tareas como el análisis de sentimiento en reseñas de productos, la predicción de precios de acciones basada en noticias financieras, o la identificación de síntomas de enfermedades en textos médicos.

Este proceso personaliza el comportamiento del model, permitiéndole generar salidas más precisas y contextualmente relevantes para tareas como:

• Análisis de sentimiento.
• Desarrollo de chatbots.
• Respuesta a preguntas.

Cómo realizar el fine-tuning de LLMs

1. Preparación del dataset

Dado que los LLMs están pre-entrenados en un dataset fijo, no están al tanto de eventos en tiempo real. Para mantener estos models actualizados y mejorar su rendimiento en temas específicos y evolutivos, las empresas utilizan datos web en tiempo real. Estos datos son críticos por dos razones principales: ayudan con la alineación del dominio y reducen la alucinación.

1.1. Alineación y relevancia del dominio: 

El uso de datos provenientes de la web permite a las empresas realizar el fine-tuning de LLMs con la información más actual y relevante para su industria. Por ejemplo, una empresa de tecnología legal podría usar web crawlers para recopilar sentencias judiciales recientes y blogs legales.

Estos datos específicos del dominio aseguran que el model con fine-tuning comprenda la terminología actualizada y el contexto de la industria, que a menudo faltan en los datasets estáticos disponibles públicamente. Este proceso es clave para convertir un model pre-entrenado de propósito general en un experto en un campo específico.

1.2. Reducción de la alucinación:

La alucinación ocurre cuando un LLM genera información plausible pero fácticamente incorrecta. Al realizar el fine-tuning de un LLM con datos del mundo real de alta calidad de la web, usted le proporciona una fuente de verdad confiable.

Esto hace que el model tenga menos probabilidades de inventar información durante la inference y le ayuda a generar respuestas más precisas y confiables. Este proceso asegura que las salidas del model estén fundamentadas en la realidad en lugar de contenido fabricado.

Las empresas utilizan herramientas de web scraping internas o proveedores externos para recopilar datos de sitios web. Estos datos de entrenamiento recopilados se preparan y utilizan luego para el fine-tuning del LLM.

Al incorporar continuamente datos web frescos, las empresas pueden asegurar que sus models con fine-tuning permanezcan relevantes y precisos, proporcionando una ventaja competitiva significativa.

2. Elección de un model base y un método de fine-tuning

La selección del model base y el método de fine-tuning adecuados depende de la tarea específica y los datos disponibles. Hay varios proveedores de LLM para elegir, incluyendo Alphabet y Meta, cada uno con sus propias fortalezas y debilidades. El método de fine-tuning también puede variar según la tarea y los datos, como el aprendizaje por transferencia, el fine-tuning secuencial o el fine-tuning específico de la tarea.

Al elegir el model base, debe considerar:

• Si la infraestructura técnica es adecuada para la potencia de cómputo requerida para el fine-tuning
• Si el model se ajusta a su tarea específica
• El tamaño de entrada y salida del model
• El tamaño de su dataset

3. Fine-tuning

El fine-tuning adapta los LLMs pre-entrenados a tareas específicas o necesidades organizacionales, ya sea a través de servicios gestionados ofrecidos por proveedores de models o modificando directamente models de código abierto utilizando datos específicos de la tarea y herramientas de MLOps.

Fine-tuning como servicio para models de código cerrado

Los principales proveedores de LLM ofrecen fine-tuning gestionado, aunque el panorama cambió en 2026. Google (Gemini vía Vertex AI) y Anthropic (Claude vía Amazon Bedrock) siguen siendo las principales opciones de código cerrado para nuevas cargas de trabajo de fine-tuning. OpenAI, que históricamente ofrecía fine-tuning en models GPT, está cerrando su plataforma de fine-tuning, lo que significa que está cerrada a nuevos usuarios, y los usuarios existentes tienen una ventana limitada para crear nuevos trabajos de entrenamiento.²

Por ejemplo, Vertex AI admite múltiples enfoques de ajuste de models, brindando a los desarrolladores flexibilidad en la forma en que personalizan el comportamiento del model más allá del fine-tuning básico:

• Fine-tuning supervisado: Entrenar un model con ejemplos etiquetados para que aprenda a producir las salidas deseadas para tareas específicas.
• Ajuste de preferencias: Un enfoque de ajuste distinto que se basa en el fine-tuning supervisado utilizando datos de preferencia humana para enseñar a los models a generar salidas más preferidas basadas en retroalimentación por pares en lugar de etiquetas explícitas.
• Checkpoints de ajuste y ajuste continuo: Herramientas para guardar el progreso o extender un model ya ajustado con más datos o pasadas de entrenamiento.³

Precios: El fine-tuning gestionado generalmente se cobra por token de entrenamiento, con la inference cobrada por separado con un recargo sobre el model base.

Fine-tuning de models de código abierto

Dado que los pesos del model están disponibles en los models de código abierto, las empresas pueden realizar el fine-tuning de models de código abierto on-prem sin exponer sus datasets a los proveedores de LLM.

Los pasos para realizar el fine-tuning de models de código abierto incluyen:

• Carga del model pre-entrenado: Una vez seleccionados el LLM y el método de fine-tuning, el model pre-entrenado debe cargarse en la memoria.
  • Este paso inicializa los pesos del model basándose en los valores pre-entrenados, lo que acelera el proceso de fine-tuning y asegura que el model ya haya aprendido la comprensión general del lenguaje.
• El fine-tuning implica entrenar el LLM pre-entrenado en el dataset específico de la tarea. El proceso de entrenamiento implica optimizar los pesos y parámetros del model para minimizar la función de pérdida y mejorar su rendimiento en la tarea.

El proceso de fine-tuning generalmente implica 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 diferentes variables impactan la convergencia del model para que los equipos puedan seleccionar la mejor configuración sin prueba y error manual.

Por ejemplo, los models Llama pueden ser sometidos a fine-tuning de manera económica con enfoques de Parameter Efficient Fine Tuning (PEFT).⁴

Las empresas pueden aprovechar sus plataformas de MLOps o LLMOps para realizar el fine-tuning de models.

Por ejemplo, el uso de una plataforma que actúe como un sistema de registro (como Weights & Biases) permite a las empresas rastrear cada ejecución de entrenamiento, registrar métricas del sistema (uso de GPU) y versionar los checkpoints resultantes del model en un registro central. Esto asegura que, incluso al entrenar models de código abierto on-premise, el flujo de trabajo siga siendo reproducible y colaborativo.

Fine-tuning de models de pesos abiertos

Los models de pesos abiertos están disponibles públicamente para que los usuarios los descarguen y los ejecuten localmente (o en su infraestructura de nube) sin depender de una API.

Se diferencian de los models de código abierto porque el código abierto generalmente implica que el código de entrenamiento completo, los detalles de los datos y los términos de licencia permiten la modificación y redistribución. Los models de pesos abiertos pueden liberar los pesos pero mantener restringidas partes del pipeline de entrenamiento, el dataset o los derechos de uso.

Debido a que los pesos son accesibles, los models de pesos abiertos pueden ser sometidos a fine-tuning directamente continuando el entrenamiento en datasets personalizados (por ejemplo, fine-tuning supervisado, métodos LoRA/PEFT), lo que permite a las organizaciones personalizar el comportamiento manteniendo los datos y el despliegue totalmente bajo su control.

Por ejemplo, la familia LFM2.5 de Liquid AI sirve como un conjunto de models base de pesos abiertos. Se lanzan para despliegues de IA en dispositivos y en el edge, con checkpoints disponibles en Hugging Face y la plataforma LEAP de Liquid AI.

La serie incluye variantes como LFM2.5-1.2B-Base (un model base pre-entrenado) y LFM2.5-1.2B-Instruct, que ya ha recibido fine-tuning supervisado y aprendizaje por refuerzo en su pipeline de post-entrenamiento.

Como los pesos son accesibles públicamente, los desarrolladores pueden tomar el checkpoint base y realizar su propio fine-tuning: entrenar el model en datasets propietarios, adaptarlo a tareas específicas de un idioma o dominio, o experimentar con otros métodos de entrenamiento (como el fine-tuning supervisado con adaptadores o la alineación de preferencias).

LFM2.5 es altamente adecuado para la personalización de tareas específicas en hardware local o dispositivos edge, donde controlar el flujo de trabajo de entrenamiento e inference es importante.⁵

Otro ejemplo es Tinker de Thinking Machines Lab, que es una API diseñada para hacer que el fine-tuning de models de lenguaje de pesos abiertos sea más accesible para investigadores y desarrolladores.

Tinker permite a los usuarios adaptar una amplia gama de models de pesos abiertos, desde arquitecturas pequeñas hasta grandes models de mezcla de expertos como Qwen-235B-A22B. Los usuarios pueden aplicar fine-tuning basado en LoRA u otros métodos de post-entrenamiento para adaptar los models a tareas específicas, ya sea a través de aprendizaje supervisado o enfoques de estilo de refuerzo.

Después del ajuste, los desarrolladores pueden descargar los checkpoints resultantes y usarlos de forma independiente, permitiendo el control tanto sobre el model como sobre el comportamiento personalizado.⁶

4. Evaluación de models con fine-tuning

Una vez completado el proceso de fine-tuning, el rendimiento del model debe evaluarse en el conjunto de prueba. Este paso ayuda a asegurar que el model esté generalizando bien ante nuevos datos y que esté funcionando correctamente en la tarea específica. Las métricas comunes utilizadas para la evaluación incluyen la precisión (accuracy), la precisión (precision), la exhaustividad (recall) y la puntuación F1.

Sin embargo, para tareas generativas, las métricas tradicionales suelen ser insuficientes. La evaluación moderna requiere el rastreo (tracing) del razonamiento del model y la verificación de la calidad del texto generado. Herramientas como W&B Weave permiten esto al dejar que los desarrolladores rastreen entradas y salidas, depuren prompts y ejecuten evaluaciones sistemáticas (usando un LLM-as-a-judge) para calificar el model con fine-tuning en matices como el tono, la fidelidad y la seguridad.

5. Despliegue

Una vez evaluado el model con fine-tuning, puede desplegarse en entornos de producción. El proceso de despliegue puede implicar la integración del model en un sistema más amplio, la configuración de la infraestructura necesaria y el monitoreo del rendimiento del model en escenarios del mundo real.

¿Cuáles son los métodos utilizados en el proceso de fine-tuning de LLMs?

Métodos de fine-tuning

El fine-tuning es un proceso que implica adaptar un model pre-entrenado a una tarea o dominio específico entrenándolo más a fondo en un dataset más pequeño y específico de la tarea. Se pueden utilizar varios métodos de fine-tuning para ajustar los pesos y parámetros de un model pre-entrenado y mejorar su rendimiento en la tarea objetivo:

• Aprendizaje por transferencia (Transfer learning) implica reutilizar los pesos y la arquitectura de un model pre-entrenado para una nueva tarea o dominio. El model pre-entrenado generalmente se entrena en un dataset general y amplio, y el enfoque de aprendizaje por transferencia permite una adaptación eficiente y efectiva a tareas o dominios específicos.
• Fine-tuning secuencial: El model pre-entrenado se somete a fine-tuning en múltiples tareas o dominios relacionados de forma secuencial. Esto permite que el model aprenda patrones de lenguaje más matizados y complejos a través de diferentes tareas, lo que conduce a una mejor generalización y rendimiento.
• Fine-tuning específico de la tarea: El model pre-entrenado se somete a fine-tuning en una tarea o dominio específico utilizando un dataset específico de la 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 (Multi-task learning): El model pre-entrenado se somete a fine-tuning en múltiples tareas simultáneamente. Este enfoque permite que el model aprenda y aproveche las representaciones compartidas entre diferentes tareas, lo que conduce a una mejor generalización y rendimiento.
• Entrenamiento de adaptadores (Adapter training) implica entrenar módulos ligeros que se conectan al model pre-entrenado, permitiendo el fine-tuning en una tarea específica sin afectar el rendimiento del model original en otras tareas.

Reinforcement Fine-Tuning (RFT)

El Reinforcement Fine-Tuning (RFT) es una técnica de personalización de models que adapta un model de lenguaje pre-entrenado utilizando retroalimentación impulsada por recompensas en lugar de los tradicionales ejemplos de entrenamiento etiquetados.

En lugar de entrenar con salidas fijas/correctas, el RFT utiliza una señal de recompensa o una función de calificación para evaluar las respuestas del model y optimizar el model iterativamente para maximizar estas recompensas.

Este enfoque se basa en los principios del aprendizaje por refuerzo, donde el model se comporta como un agente que aprende qué tipos de salidas conducen a puntuaciones de recompensa más altas y ajusta sus parámetros en consecuencia. A diferencia del fine-tuning supervisado, el RFT destaca en escenarios donde las salidas precisas y correctas son difíciles de definir, pero la calidad puede ser juzgada o calificada.

Por ejemplo, la capacidad de reinforcement fine-tuning de Amazon Bedrock automatiza este proceso para que los desarrolladores personalicen los models basándose en señales de retroalimentación (funciones de recompensa).

En Bedrock, los usuarios definen qué hace que una respuesta sea precisa a través de funciones de recompensa basadas en reglas o en IA, y el model se entrena para maximizar estas recompensas.⁷

Otro ejemplo es el RFT de OpenAI. Permite a los desarrolladores adaptar models de razonamiento definiendo un calificador programable que puntúa las respuestas candidatas. Durante el entrenamiento, el model se actualiza para que las salidas con puntuaciones altas sean más probables en generaciones futuras.

Esto hace que el RFT sea particularmente útil para tareas donde la calidad de la salida es subjetiva o se juzga mejor mediante una puntuación que mediante respuestas de referencia exactas.⁸

Método de aprendizaje few-shot

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

• Alternativa de menor costo al fine-tuning. El único costo son los tokens de entrada para unos pocos ejemplos.
• Problema de Meta-aprendizaje donde el model aprende cómo aprender a resolver el problema dado.

Figura 3: Escenario de aprendizaje few-shot donde el model aprende a clasificar un conjunto de imágenes a partir de las tareas en las que fue entrenado.⁹

Esto es particularmente útil cuando no hay suficientes datos disponibles para el aprendizaje supervisado tradicional. En el contexto de los LLMs, el fine-tuning con un dataset pequeño relacionado con la nueva tarea es un ejemplo de aprendizaje few-shot.

Diferencias entre el aprendizaje few-shot y el fine-tuning

La diferencia principal es la cantidad de datos específicos de la tarea requeridos para que el model se adapte a una nueva tarea o dominio. Los métodos de fine-tuning requieren una cantidad moderada de datos específicos de la tarea para optimizar el rendimiento del model, mientras que los métodos de aprendizaje few-shot pueden adaptar los models a nuevas tareas o dominios con solo unos pocos ejemplos etiquetados.

Ejemplos de fine-tuning

El fine-tuning logró aumentos significativos de rendimiento en finanzas

Bloomberg ha desarrollado BloombergGPT, un modelo de lenguaje a gran escala adaptado para la industria financiera. Este model se centra en tareas de procesamiento de lenguaje natural financiero, como el análisis de sentimiento, el reconocimiento de entidades nombradas y la clasificación de noticias. 

El BloombergGPT fue creado utilizando una combinación de datasets financieros y de propósito general, y obtuvo puntuaciones altas en las pruebas de benchmark (Figura 4).

Figura 4: Imagen que muestra cómo se desempeña BloombergGPT en dos categorías amplias de tareas de NLP: específicas de finanzas y de propósito general.¹⁰

Descubre más de nuestros análisis comparativos e insights basados en datos en la Búsqueda de Google.

Añadir como fuente preferida

¿Por qué o cuándo necesita su empresa un LLM con fine-tuning?

Las empresas pueden necesitar modelos de lenguaje grandes con fine-tuning por varias razones, dependiendo de sus requisitos específicos, industria y objetivos. Aquí hay algunas razones comunes:

1. Personalización

Las empresas a menudo tienen necesidades y metas únicas que un model de lenguaje genérico puede no abordar. El fine-tuning les permite adaptar el comportamiento del model para ajustarse a sus objetivos específicos, como generar contenido de marketing personalizado o comprender el contenido generado por los usuarios en su plataforma.

Descubra cómo el fine-tuning de LLMs permite la creación de productos y estrategias de marketing personalizados, mejorando en última instancia la experiencia de la IA generativa en retail, marketing y seguros.

2. Sensibilidad de los datos y cumplimiento

Las empresas que manejan datos sensibles o que operan bajo entornos regulatorios estrictos podrían necesitar realizar el fine-tuning del model para asegurar que respete los requisitos de privacidad, se adhiera a las pautas de contenido y genere respuestas apropiadas que cumplan con las regulaciones de la industria.

3. Lenguaje específico del dominio

Muchas industrias utilizan jerga, términos técnicos y vocabulario especializado que puede no estar bien representado en los datos de entrenamiento general de un LLM. Realizar el fine-tuning del model 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 fine-tuning mejora el rendimiento del model en tareas o aplicaciones específicas relevantes para la empresa, tales como:

• Análisis de sentimiento
• 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 agéntica

El fine-tuning es fundamental para desarrollar sistemas de IA agéntica, que están diseñados para actuar de forma autónoma, tomar decisiones e interactuar con herramientas o entornos externos para lograr objetivos específicos.

Al realizar el fine-tuning de un LLM, las empresas pueden mejorar su capacidad para realizar llamadas a funciones (function calling), permitiendo que el model seleccione y ejecute las herramientas adecuadas (por ejemplo, APIs, bases de datos) con parámetros precisos.

Por ejemplo, un LLM con fine-tuning puede potenciar una IA agéntica que gestione autónomamente las consultas de los clientes integrándose con un sistema CRM o recupere datos en tiempo real a través de APIs web. Esta personalización asegura que el model comprenda los contextos específicos del dominio y las interacciones con las herramientas, haciendo que la IA agéntica sea más efectiva y confiable en aplicaciones empresariales.

6. Experiencia de usuario mejorada

Un model con fine-tuning puede ofrecer una mejor experiencia de usuario al generar respuestas más precisas, relevantes y conscientes del contexto, lo que conduce a una mayor satisfacción del cliente, en aplicaciones como:

• Chatbots
• Asistentes virtuales
• Sistemas de soporte al cliente

¿Qué es un LLM (LLM)?

Un LLM es un sistema avanzado de inteligencia artificial (IA), más específicamente un model de IA generativa empresarial, diseñado para procesar, comprender y generar texto similar al humano basado en cantidades masivas de datos. Estos models se construyen típicamente utilizando técnicas de deep learning, como las redes neuronales. Se entrenan en datasets extensos que incluyen texto de una amplia gama, como libros y sitios web, para el procesamiento de lenguaje natural.

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

• Responder preguntas
• Generación de texto
• Resumen de texto
• Traducción
• Escritura creativa

Los models base, como los modelos de lenguaje grandes, son un componente central de la investigación y las aplicaciones de IA. Proporcionan una base para construir models más especializados y con fine-tuning para tareas o dominios específicos.

Figura 5: Ejemplos de models base.¹¹

Lecturas adicionales

• Si bien el fine-tuning mejora la eficacia de los modelos de lenguaje grandes, es esencial abordar los Riesgos de la IA Generativa.
• El fine-tuning de modelos de lenguaje grandes conlleva consideraciones legales. Explore el panorama legal que rodea a estos sistemas avanzados de IA en derechos de autor de IA gen.

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},
  title  = {{LLM Fine-Tuning Guide for Enterprises}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/llm-fine-tuning}},
  note   = {AIMultiple. Recuperado el 22 de Junio de 2026}
}

Enlaces de referencia

1.

Fine-Tuning Transformers for NLP

2.

Supervised fine-tuning | OpenAI API

3.

Introduction to tuning  |  Gemini Enterprise Agent Platform  |  Google Cloud Documentation

4.

Fine-tuning | How-to guides

5.

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

Liquid AI

6.

Announcing Tinker - Thinking Machines Lab

7.

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

8.

Reinforcement fine-tuning | OpenAI API

9.

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

Borealis AI

10.

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

11.

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. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario