Premium
Services
Premium
Ekrem Sarı

Ekrem Sarı

Chercheur en IA
37 Articles
Restez informé des dernières technologies B2B

Ekrem est chercheur en IA et scientifique des données chez AIMultiple. Il conçoit et exécute des benchmarks pratiques pour les systèmes d'IA et de LLM.

Expérience professionnelle

Chez AIMultiple, Ekrem évalue des systèmes d'IA de bout en bout et construit les flux de données et les tableaux de bord utilisés pour suivre les indicateurs de benchmark et de produit. Ses benchmarks couvrent les modèles d'embedding et de reclassement, les bases de données vectorielles et de graphes, les moteurs d'inférence, la quantification, la concurrence GPU et la mise à l'échelle multi-GPU, la tarification et les fournisseurs de GPU cloud, le text-to-SQL, ainsi que les frameworks RAG et RAG agentique.

Avant AIMultiple, il a travaillé comme scientifique des données chez Yandex, où il a interrogé et analysé de grands datasets avec SQL pour évaluer la qualité de la recherche et du classement par rapport à des consignes détaillées.

Intérêts de recherche

Les travaux d'Ekrem portent sur la mesure des performances en conditions réelles des systèmes LLM et de recherche d'information. Il conçoit le harnais de test, exécute les charges de travail sur du matériel réel et compare les modèles, les frameworks et l'infrastructure en termes de précision, de débit, de latence, de coût et d'évolutivité, sur l'ensemble de la pile, des modèles d'embedding et des bases de données vectorielles aux moteurs d'inférence et à l'infrastructure GPU. Son mémoire de master automatise les revues systématiques de la littérature avec un pipeline basé sur RAG.

Formation

Ekrem est titulaire d'un master en systèmes d'information de gestion de l'université Başkent, où son mémoire a automatisé les revues systématiques de la littérature avec un pipeline basé sur RAG, et poursuit un deuxième master en ingénierie des données et de la connaissance à l'université Hacettepe.

Derniers articles de Ekrem

Cybersécurité
Benchmark
22 sep

Benchmark des logiciels de sauvegarde: Acronis vs NinjaOne vs Comet vs MSP360

Nous avons évalué NinjaOne Backup, Acronis Cyber Protect Cloud Backup, Comet Backup et MSP360 Managed Backup sur une infrastructure AWS identique. Chaque fournisseur a effectué une sauvegarde en mode fichier de la même charge de travail de 625 946 fichiers / 50 Go et une sauvegarde d'image complète du disque système, puis a restauré le sous-répertoire…

IA
Analyse
21 sep

LLM Calculateur de VRAM pour l'auto-hébergement

Auto-héberger un LLM signifie exécuter l'inférence sur du matériel contrôlé par l'opérateur plutôt que via une API tierce, ce qui modifie le coût, le contrôle des données et le profil de confidentialité. Qu'un modèle puisse s'exécuter dépend de la mémoire. Le calculateur estime la VRAM ou la mémoire unifiée dont un modèle a besoin pour…

IA
Benchmark
21 sep

Benchmark multi-GPU: B200 vs H200 vs H100 vs MI300X

Depuis plus de deux décennies, l’optimisation des performances de calcul est une pierre angulaire de mon travail. Nous avons évalué les NVIDIA B200, H200, H100 et AMD MI300X pour mesurer leur capacité de mise à l’échelle pour l’inférence de Large Language Model (LLM). En utilisant le framework vLLM avec le modèle meta-llama/Llama-3.1-8B-Instruct, nous avons exécuté…

IA
Benchmark
21 sep

GPU Benchmark de concurrence: H100 vs H200 vs B200 vs MI300X

J'ai passé les 20 dernières années à me concentrer sur l'optimisation des performances de calcul au niveau système. Nous avons évalué les derniers NVIDIA GPUs, y compris les NVIDIA H100, H200 et B200, et l'AMD MI300X, pour une analyse de mise à l'échelle de la concurrence. En utilisant le framework vLLM avec le gpt-oss-20b model,…

IA
Benchmark
17 sep

Alternatives au DGX Spark: RTX, Ryzen IA Halo et Mac Studio

Nous comparons les benchmarks d'inférence publiés pour DGX Spark, RTX et Ryzen IA Halo, couvrant le traitement des prompts, la génération de tokens et les contextes plus longs. Les alternatives incluent Framework Desktop, Mac Studio et les systèmes GB10 d'autres fabricants. La vitesse de décodage mesure les tokens de sortie générés par seconde. Des valeurs…

IA
Benchmark
15 sep

Comparer les modèles de fondation relationnels

Nous avons évalué SAP-RPT-1-OSS par rapport au gradient boosting (LightGBM, CatBoost) sur 17 jeux de données tabulaires couvrant le spectre sémantique-numérique, des tables petites/hautement sémantiques, des jeux de données métier mixtes et de grands jeux de données numériques à faible sémantique. Notre objectif est de mesurer où les a priori sémantiques pré-entraînés d’un LLM relationnel…

Cybersécurité
Évaluation en Monde Ouvert
10 sep

Benchmark de reprise après sinistre: Acronis vs Comet vs MSP360

Nous avons comparé Acronis Cyber Protect Cloud, Comet Backup et MSP360 Managed Backup en matière de reprise après sinistre. Chaque fournisseur a imagé un serveur Windows Server 2022 en production et un serveur Ubuntu 24.04 en production exécutant la même charge de travail déterministe, un service web, une base de données de 10 000 lignes et…

IA
Benchmark
4 sep

Benchmark de bases de données vectorielles: 7 moteurs open source pour RAG

Nous avons évalué sept bases de données vectorielles open source auto-hébergées comme couche de récupération d’un pipeline RAG, chacune exécutée une par une sur des embeddings bge-m3 identiques et des requêtes médicales et techniques réelles, de sorte que l’index de la base de données était la seule variable. La charge de travail couvrait MedRAG-50k, TechQA-28k…

IA
Benchmark
31 août

Frameworks RAG: LangChain vs LangGraph vs LlamaIndex

Nous avons benchmarké 5 RAG frameworks : LangChain, LangGraph, LlamaIndex, Haystack et DSPy, en construisant le même workflow RAG agentique avec des composants standardisés : modèles identiques (GPT-4.1-mini), embeddings (BGE-small), retriever (Qdrant) et outils (recherche web Tavily). Ceci isole la surcharge réelle et l’efficacité en tokens de chaque framework. Le benchmark consistait en 100 requêtes,…

IA
Benchmark
31 août

Meilleurs RAG outils, frameworks et bibliothèques

RAG améliore les réponses des LLM en les ancrant dans des données externes au lieu de se contenter de ce que le modèle a mémorisé pendant l’entraînement. Nous avons évalué les composants à partir desquels un système RAG est construit et rassemblé les résultats en un seul endroit, avec un guide pratique pour choisir chaque…