Sıla Ermut
Sıla est analyste sectorielle chez AIMultiple, spécialisée dans le marketing par e-mail et les vidéos de vente.
Intérêts de recherche
Les domaines de recherche de Sıla comprennent le marketing par courriel, les campagnes marketing e-commerce et l'automatisation marketing. Elle participe également au projet d'évaluation de la délivrabilité des courriels d'AIMultiple. À ce titre, elle conçoit et met en œuvre des tests de délivrabilité des courriels en collaboration avec l'équipe technique d'AIMultiple.Expérience professionnelle
Sıla a auparavant travaillé comme recruteuse et dans des entreprises de gestion de projets et de conseil.Éducation
Elle détient :- Licence en relations internationales de l'Université Bilkent.
- Master en psychologie sociale de l'Université Başkent.
Derniers articles de Sıla
Outils de détection des hallucinations par IA : W&B Weave et Comet
Nous avons comparé les performances de trois outils de détection d'hallucinations : Weights & Biases (W&B) Weave HallucinationFree Scorer, Arize Phoenix HallucinationEvaluator et Comet Opik Hallucination Metric, sur 100 cas de test. Chaque outil a été évalué selon quatre critères : exactitude, précision, rappel et latence, afin de permettre une comparaison équitable de leurs performances en situation réelle.
Générateurs de texte en image : Nano Banana Pro et GPT Image 1.5
Nous avons comparé les 6 meilleurs modèles de conversion texte-image sur 15 séquences afin d'évaluer leurs capacités de génération visuelle en termes de cohérence temporelle, de réalisme physique, de reconnaissance de texte et de symboles, de compréhension de l'activité humaine et de cohérence de scènes complexes à plusieurs objets : Résultats de l'évaluation comparative des générateurs texte-image. Consultez notre méthodologie d'évaluation comparative pour comprendre le calcul de ces résultats et voir des exemples de rendu.
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.
Lois d'échelle LLM : Analyse par des chercheurs en IA
Les grands modèles de langage prédisent le jeton suivant à partir de schémas appris dans les données textuelles. L'expression « lois d'échelle des grands modèles de langage » désigne les régularités empiriques qui lient les performances du modèle à la puissance de calcul, aux données d'entraînement et aux paramètres utilisés lors de l'entraînement.
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.
Systèmes de recommandation : applications et exemples
Les systèmes de recommandation profitent aux entreprises comme aux clients en utilisant les données pour personnaliser les expériences. Ils contribuent à augmenter les ventes, à fidéliser la clientèle et à réduire le taux d'attrition en simplifiant les choix et en maintenant l'engagement des utilisateurs. Nous avons comparé trois bibliothèques de recommandation Python : LightFM, Cornac BPR et TensorFlow Recommenders, en utilisant le même jeu de données de rétroaction implicite et les mêmes étapes de prétraitement.
Les 9 principales entreprises et applications d'infrastructure d'IA
De nombreuses organisations investissent massivement dans l'IA, pourtant la plupart des projets peinent à se déployer à grande échelle. Seuls 10 à 20 % des prototypes d'IA aboutissent à un déploiement complet. L'une des principales raisons est que les systèmes existants ne sont pas adaptés aux exigences des grands ensembles de données, du traitement en temps réel ou des modèles d'apprentissage automatique complexes.
Comparatif des 9 principaux fournisseurs d'IA
L'écosystème des infrastructures d'IA connaît une croissance rapide, les fournisseurs proposant diverses approches pour la création, l'hébergement et l'accélération des modèles. Bien que tous visent à alimenter des applications d'IA, chacun se concentre sur une couche différente de la pile technologique.
17 cas d'utilisation de l'IA générative dans le domaine de la santé
Les systèmes de santé sont confrontés à une augmentation du volume de données, à une pénurie de personnel et à des attentes croissantes en matière de soins personnalisés. L'IA générative s'impose comme une solution clé en synthétisant des données médicales non structurées, telles que les notes cliniques, les comptes rendus d'imagerie et les antécédents médicaux, afin d'en extraire des informations exploitables pour les cliniciens et les administrateurs. Découvrez comment l'IA générative est appliquée dans les domaines de la prestation de soins, de l'administration et de la santé publique.
Paramètres LLM : GPT-5 Élevé, Moyen, Faible et Minimal
Les nouveaux LLM, tels que la famille OpenAI, se déclinent en différentes versions (par exemple, GPT-5, GPT-5-mini et GPT-5-nano) et avec divers paramètres : élevé, moyen, faible et minimal. Nous explorons ci-dessous les différences entre ces versions en analysant leurs performances de référence et les coûts d’exécution des tests. Rapport qualité-prix : principaux enseignements.
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.