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
Les 7 meilleurs agents de test IA pour l'assurance qualité
Nous avons évalué des plateformes de test d'IA intégrant des agents d'IA ; la plupart étaient des solutions Selenium/Playwright surmédiatisées et bénéficiant d'un marketing agressif. Quelques-unes permettaient de rédiger et de maintenir des cas de test, ou d'effectuer des tests visuels, mais même ces outils présentaient des limitations notables. Parmi celles-ci, nous avons sélectionné 7 plateformes et les avons classées selon leurs principaux domaines d'application.
57 jeux de données pour les modèles d'apprentissage automatique et d'intelligence artificielle
Des données sont nécessaires pour exploiter ou développer des solutions d'IA générative ou conversationnelle. Vous pouvez utiliser des jeux de données existants disponibles sur le marché ou faire appel à un service de collecte de données. Nous avons identifié 57 jeux de données pour entraîner et évaluer des modèles d'apprentissage automatique et d'IA. Modèles de langage à grande échelle (LLM) et jeux de données d'IA agentique : cette catégorie comprend des jeux de données et des benchmarks conçus pour l'entraînement et l'évaluation de modèles d'IA.
Référence en matière de données Web éthiques et conformes
À mesure que les entreprises développent leurs opérations de collecte de données web, les responsables de la conformité, des données et des risques évaluent de plus en plus les risques éthiques, réputationnels et juridiques associés. Nous avons comparé cinq services leaders de collecte de données web selon trois axes et testé chaque service avec plus de vingt scénarios potentiellement contraires à l'éthique.
Meilleures plateformes de ML sans code : alternatives à ChatGPT
Nous avons comparé quatre plateformes d'apprentissage automatique sans code selon des critères clés : traitement des données (gestion des valeurs manquantes et aberrantes), configuration et facilité d'utilisation du modèle, précision des mesures de sortie, disponibilité des visualisations et principales limitations ou observations relevées lors des tests. Remarque concernant les outils d'apprentissage automatique sans code : les scores représentent les performances moyennes des algorithmes kNN et de régression logistique, le cas échéant.
20 applications/cas d'utilisation des jumeaux numériques par secteur d'activité
Avec l'essor de la virtualisation dans de nombreux secteurs, les solutions de jumeaux numériques gagnent en popularité. Le marché mondial des jumeaux numériques devrait atteindre 74 milliards de dollars d'ici 2027, et la prolifération des technologies IoT accélère cette croissance.
Plus de 100 cas d'utilisation RPA avec des exemples concrets
L'automatisation robotisée des processus (RPA) permet d'automatiser les tâches répétitives dans les services administratifs et commerciaux. Une approche axée sur les cas d'usage est essentielle pour optimiser le retour sur investissement technologique. Nous avons identifié 103 cas d'usage et exemples concrets d'automatisation robotisée des processus, illustrant son application à l'automatisation des tâches répétitives dans divers contextes professionnels, sectoriels et personnels.
Évaluation comparative des cadres d'IA agentiques dans les flux de travail analytiques
Les frameworks de création de workflows multi-agents diffèrent considérablement dans leur gestion des décisions et des erreurs, mais leurs performances sur des données réelles imparfaites restent largement inexplorées. Afin d'évaluer leurs performances sur des workflows analytiques réels, nous avons consacré trois jours à comparer LangGraph, LangChain, CrewAI et Swarm à l'aide d'un jeu de données e-commerce de 100 enregistrements présentant des incohérences contrôlées, telles que des données manquantes.
Analyse comparative des reçus OCR avec LLM
L'extraction de données à partir des reçus est essentielle pour les entreprises, car des millions d'employés soumettent leurs notes de frais professionnelles via ces supports. Grâce aux dernières avancées en intelligence artificielle générative et en modélisation du langage naturel, la précision de l'extraction de données a atteint un niveau comparable à celui des humains.
Top 10 des alternatives à Colab
Colaboratory est une plateforme populaire auprès des data scientists et des spécialistes du machine learning, mais ses limitations et son prix ne correspondent peut-être pas à vos besoins. Plusieurs alternatives offrent des fonctionnalités uniques, adaptées à différents besoins et scénarios en science des données.
20 applications et exemples d'IA pour le développement durable
Selon PwC, l'IA générative pourrait améliorer l'efficacité opérationnelle, ce qui pourrait indirectement réduire l'empreinte carbone des processus métier. En appliquant l'IA générative à des domaines tels que l'optimisation logistique, la prévision de la demande et la réduction des déchets, les entreprises peuvent réduire leurs émissions sur l'ensemble de leurs opérations, au-delà des systèmes d'IA eux-mêmes.
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.