Cem Dilmegani
Expérience professionnelle et réalisations
Tout au long de sa carrière, Cem a occupé les postes de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Pendant plus de dix ans, il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Son travail chez Hypatos a été couvert par des publications technologiques de référence telles que TechCrunch et Business Insider. [6], [7]Intérêts de recherche
Les travaux de Cem portent sur la manière dont les entreprises peuvent tirer parti des nouvelles technologies en matière d'IA, d'IA agentielle, de cybersécurité (notamment la sécurité des réseaux et des applications) et de données, y compris les données web. Son expérience pratique des logiciels d'entreprise enrichit ses recherches. D'autres analystes du secteur et l'équipe technique d'AIMultiple épaulent Cem dans la conception, la mise en œuvre et l'évaluation des benchmarks.Éducation
Il a obtenu son diplôme d'ingénieur en informatique à l'Université de Bogazici en 2007. Durant ses études, il s'est spécialisé en apprentissage automatique, alors souvent appelé « exploration de données », et les réseaux de neurones ne comportaient généralement que quelques couches cachées. Il est titulaire d'un MBA de la Columbia Business School (promotion 2012). Cem parle couramment anglais et turc. Il possède un niveau avancé en allemand et des notions de français.Publications externes
- Cem Dilmegani, « Le secteur bancaire post-IA : des millions d’emplois menacés par l’automatisation des fonctions essentielles des banques » , International Banker.
- Cem Dilmegani, Bengi Korkmaz et Martin Lundqvist (1er décembre 2014). Numérisation du secteur public : le défi à mille milliards de dollars , McKinsey & Company.
Présentations aux médias, conférences et autres événements
- Réponses aux questions de Korea24 sur les pertes d'emplois dues à l'IA, Korea24
- Immobilier et technologie , présenté par le Wilbur F. Breslin Center for Real Estate Studies et la Frank G. Zarb School of Business de l'Université Hofstra en 2023 et 2024.
- Session Radar AI (22 juin 2023) : « Accroître l'impact de la science des données avec ChatGPT ».
- Rencontre d'Atlanta sur l'IA générative : L'IA générative au service des technologies d'entreprise .
Sources
- Pourquoi Microsoft, IBM et Google intensifient leurs efforts en matière d'éthique de l'IA , Business Insider.
- Microsoft investit 1 milliard de dollars dans OpenAI pour développer une intelligence artificielle plus performante que l'humanité , Washington Post.
- Développer le leadership en IA : Boîte à outils IA pour les dirigeants , Forum économique mondial.
- Performances scientifiques, de recherche et d'innovation de l'UE , Commission européenne.
- L'investissement de 200 milliards d'euros de l'UE dans l'IA injecte des fonds dans les centres de données, mais le marché des puces reste un défi , IT Brew.
- Hypatos lève 11,8 millions de dollars pour une approche d'apprentissage profond appliquée au traitement de documents , TechCrunch.
- Business Insider nous a permis de découvrir en exclusivité le pitch deck utilisé par la startup d'IA Hypatos pour lever 11 millions de dollars .
Derniers articles de Cem
Systèmes de recommandation : applications et exemples
We examined the main types of recommendation systems, key concepts, and real-world applications, and benchmarked LightFM, Cornac BPR, and TensorFlow Recommenders using AUC, Precision@10, and Recall@10. Best Python libraries for recommendation systems These libraries implement machine learning algorithms to process training data and generate personalized recommendations using collaborative or content-based filtering techniques.
Avis Ninjaone : 15 fonctionnalités pour l'IT d'entreprise
NinjaOne serves IT units in 35,000 businesses. Its platform includes endpoint control, monitoring, security, backup, and service operations. NinjaOne has market-leading performance on patch management and RMM. Each section explains our experience with NinjaOne and its performance: Control layer (Devices) 1.
Comparatif de performance des 5 principaux fournisseurs de VPN
We tested six leading consumer VPN services, measuring throughput against a clean baseline, packet drops over 15 minutes per provider, CPU and RAM use on macOS, and VPN connection behavior under load. Our test on VPN providers show that best VPN services change based on different needs.
Top 20+ Prédictions d'Experts sur la Perte d'Emplois due à l'IA
As a McKinsey consultant, I helped enterprises adopt new technologies for a decade. My quick answers: AI job loss predictions Note: The size of the plots is correlated with the size of the job loss prediction. The percentages referenced in our analysis are derived from assumptions about overall job displacement.
Text-to-SQL : Comparaison de la précision des LLM
I have relied on SQL for data analysis for 18 years, beginning in my days as a consultant. Translating natural-language questions into SQL makes data more accessible, allowing anyone, even those without technical skills, to work directly with databases.
Top 20+ Frameworks Agentic RAG
Agentic RAG enhances traditional RAG by boosting LLM performance and enabling greater specialization. We conducted a benchmark to assess its performance on routing between multiple databases and generating queries. Explore agentic RAG frameworks and libraries, key differences from standard RAG, benefits, and challenges to unlock their full potential.
LLM Benchmark de latence par cas d'utilisation
The effectiveness of large language models (LLMs) is determined not only by their accuracy and capabilities but also by the speed at which they engage with users. We benchmarked the performance of leading language models across various use cases, measuring their response times to user input.
Comparer les grands modèles de vision : GPT-4o vs YOLOv8n
Large vision models (LVMs) can automate and improve visual tasks such as defect detection, medical diagnosis, and environmental monitoring. We benchmarked three object detection models: YOLOv8n, DETR, and GPT-4o Vision, across 1,000 images each, measuring metrics such as mAP@0.5, inference speed, FLOPs, and parameter count.
Top 20 Applications et Exemples d'IA pour la Durabilité
According to PwC, GenAI could improve operational efficiency, which might indirectly reduce carbon footprints in business processes. By applying generative AI to areas such as logistics optimization, demand forecasting, and waste reduction, companies can reduce emissions across their operations beyond the AI systems themselves.
57 ensembles de données pour les modèles ML et IA
Data is required to leverage or build generative AI or conversational AI solutions. You can use existing datasets available on the market or hire a data collection service. We identified 57 datasets to train and evaluate machine learning and AI models.
Newsletter AIMultiple
Un e-mail gratuit par semaine contenant les dernières actualités technologiques B2B et des analyses d'experts pour accélérer la croissance de votre entreprise.