Top 15 Fabricants de puces Edge AI avec cas d'usage

La demande de traitement à faible latence a stimulé l'innovation dans les puces Edge AI. Ces processeurs sont conçus pour effectuer des calculs d'IA localement sur les appareils plutôt que de dépendre de solutions basées sur le cloud.

Sur la base de notre expérience dans l'analyse des fabricants de puces d'IA, nous avons identifié les solutions leaders pour la robotique, l'IIoT, la vision par ordinateur et les systèmes embarqués.

*TOPS = Tera Operations Per Second. Ce sont des valeurs maximales citées par les vendeurs.
**Les performances de Kria K26 varient selon la configuration FPGA.

Analyse des puces Edge AI

1. NVIDIA Jetson AGX Orin

Le NVIDIA Jetson AGX Orin délivre 275 TOPS, le positionnant comme le module Edge AI le plus performant actuellement disponible. Le module est construit sur l'architecture Ampere de NVIDIA et est conçu pour la robotique et les systèmes autonomes qui nécessitent des capacités de traitement importantes sur l'appareil.

Spécifications clés :

• Consommation d'énergie : 10-60W (configurable selon la charge de travail)
• Mémoire : Jusqu'à 64 Go LPDDR5
• Logiciel : Prise en charge complète de CUDA, compatibilité avec la pile de datacenter AI de NVIDIA

La plage de consommation d'énergie de 10-60W offre une flexibilité pour différents scénarios de déploiement. Les modes de faible consommation peuvent prolonger l'autonomie de la batterie dans les applications de robotique mobile, tandis que le mode de performance maximale prend en charge plusieurs charges de travail d'IA simultanées.

L'écosystème logiciel de NVIDIA représente un avantage significatif. Les modèles développés pour les NVIDIA datacenter GPU peuvent être déployés sur Jetson avec une modification minimale. Cette compatibilité réduit le temps de développement pour les équipes travaillant déjà dans l'écosystème NVIDIA.

2. Plateforme Axelera Metis AI

La plateforme Metis AI d'Axelera délivre jusqu'à 214 TOPS pour les charges de travail d'inférence de vision à haut débit. La plateforme utilise l'architecture de calcul numérique en mémoire (D-IMC) pour améliorer le débit et l'efficacité.

Spécifications clés :

• Performance : Jusqu'à 214 TOPS
• Consommation d'énergie : 20-40W
• Architecture : Calcul numérique en mémoire (D-IMC)
• Cible : Inférence de vision par ordinateur

L'architecture D-IMC effectue des calculs directement dans les tableaux de mémoire, réduisant le mouvement des données entre la mémoire et les unités de traitement. Cette approche résout le goulot d'étranglement de la bande passante mémoire qui limite les performances dans les architectures traditionnelles.

Axelera cible les applications qui nécessitent le traitement simultané de plusieurs flux vidéo. Le haut débit permet l'analyse en temps réel de dizaines de flux de caméras à partir d'un seul appareil.

Cas d'usage :

• Systèmes de surveillance multi-caméras
• Infrastructure de ville intelligente
• Analytique retail avec déploiements denses de caméras
• Systèmes d'inspection qualité industrielle

Axelera a reçu 61,6 millions d'euros de financement de l'Entreprise commune EuroHPC en mars 2025, soutenant le développement de leur chiplet Titania pour un déploiement d'ici 2028.

3. EdgeCortix SAKURA

EdgeCortix SAKURA délivre 60 TOPS avec une consommation d'énergie inférieure à 10W, ciblant les serveurs Edge AI et les applications de vision haute performance. La plateforme dispose d'une architecture reconfigurable qui s'adapte aux différentes charges de travail d'IA.

Spécifications clés :

• Performance : 60 TOPS
• Consommation d'énergie : <10W
• Architecture : Accélérateur neuronal dynamique (DNA)
• Logiciel : Compilateur MERA prenant en charge TensorFlow, PyTorch, ONNX

L'architecture reconfigurable de la plateforme SAKURA permet l'optimisation pour différentes topologies de réseaux de neurones sans modifications matérielles. Cette flexibilité permet le déploiement d'architectures de modèles émergentes sans nécessiter de remplacement de puce.

Cas d'usage :

• Data centers Edge
• Systèmes d'inférence d'IA distribués
• Scénarios de déploiement multi-modèles
• Charges de travail Vision AI nécessitant de la flexibilité

4. SiMa.ai MLSoC

Le MLSoC (Machine Learning System-on-Chip) de SiMa.ai délivre plus de 50 TOPS tout en maintenant une consommation d'énergie inférieure à 5W. La puce cible les applications de vision embarquée nécessitant des performances élevées dans des environnements à contraintes énergétiques.

Spécifications clés :

• Performance : 50+ TOPS
• Consommation d'énergie : <5W
• Logiciel : SDK SiMa Platform
• Architecture : Optimisé pour les transformers de vision et les CNN

SiMa.ai a conçu le MLSoC spécifiquement pour les charges de travail de vision par ordinateur. L'enveloppe de puissance inférieure à 5W permet le déploiement dans des appareils alimentés par batterie qui nécessitent une inférence haute performance soutenue.

Cas d'usage :

• Robots mobiles autonomes
• Systèmes d'inspection basés sur des drones
• Caméras intelligentes pour la surveillance et l'analytique
• Appareils de réalité augmentée

5. Accélérateur AI Hailo-8

Hailo-8 délivre 26 TOPS tout en consommant seulement 2,5-3W, proxy l'un des ratios performance/watt les plus élevés parmi les puces Edge AI.

Spécifications clés :

• Performance : 26 TOPS
• Consommation d'énergie : 2,5-3W
• Facteurs de forme : Module M.2, carte PCIe
• Logiciel : SDK Hailo avec zoo de modèles

La puce prend en charge les couches de réseaux de neurones standard et peut exécuter des modèles développés dans TensorFlow, PyTorch et ONNX. Le compilateur de Hailo.

6. Ambarella CV5

Le system-on-chip CV5 d'Ambarella délivre plus de 20 TOPS spécifiquement optimisé pour la vision par ordinateur dans les applications automobiles et de caméras. La puce combine le traitement AI avec des capacités avancées de traitement du signal d'image (ISP).

Spécifications clés :

• Performance : 20+ TOPS
• Consommation d'énergie : 2,5-5W
• Architecture : Moteur AI CVflow
• Intégré : Encodage vidéo 4K/8K, ISP avancé

L'ISP intégré du CV5 gère le prétraitement complexe des images, réduisant la charge de calcul sur le moteur AI. Cette intégration améliore l'efficacité globale du système pour les applications basées sur la vision.

Cas d'usage :

• Caméras ADAS et de conduite autonome
• Systèmes de surveillance professionnels
• Caméras de bord alimentées par AI
• Systèmes d'imagerie de drones

7. Plateforme Robotics RB5 de Qualcomm

La plateforme Robotics RB5 de Qualcomm intègre la connectivité 5G avec le traitement Edge AI, délivrant environ 15 TOPS grâce à son Qualcomm AI Engine. La plateforme cible les robots et drones autonomes qui nécessitent à la fois une connectivité à haut débit et un traitement AI sur l'appareil.

Spécifications clés :

• Performance AI : 15 TOPS
• Connectivité : 5G, Wi-Fi 6, Bluetooth 5.1
• Traitement : Qualcomm Kryo 585 CPU, Adreno 650 GPU, Hexagon 698 DSP
• Consommation d'énergie : 5-15W

L'intégration de la 5G offre une connectivité à haut débit et à faible latence pour les applications qui nécessitent une communication cloud en temps réel.

La plateforme RB5 prend en charge jusqu'à 7 entrées de caméra simultanées. Cette capacité multi-caméras prend en charge les systèmes de perception à 360 degrés pour les robots mobiles autonomes.

Cas d'usage :

• Robots de livraison autonomes
• Drones d'inspection industrielle
• Systèmes d'automatisation d'entrepôt
• Véhicules connectés

8. GrAI Matter GrAI VIP

Les processeurs GrAI VIP de GrAI Matter délivrent 10-30 TOPS avec une consommation d'énergie ultra-faible entre 0,5-2W. Les puces utilisent un traitement basé sur les événements inspiré du neuromorphisme pour une efficacité extrême.

Spécifications clés :

• Performance : 10-30 TOPS
• Consommation d'énergie : 0,5-2W
• Architecture : Traitement neuronal basé sur les événements
• Logiciel : Environnement de développement GrAI Studio

L'architecture basée sur les événements ne traite que les pixels changeants dans les flux vidéo, réduisant considérablement la consommation d'énergie pour les applications de vision toujours actives. Cette approche est particulièrement efficace pour les scénarios de surveillance et de sécurité avec des scènes majoritairement statiques.

Cas d'usage :

• Caméras de sécurité alimentées par batterie
• Appareils de vision portables
• Systèmes de surveillance de la faune
• Surveillance industrielle avec alimentation limitée

9. Kneron KL730

Le SoC AI KL730 de Kneron délivre 7 TOPS avec une consommation d'énergie ultra-faible, ciblant l'IoT et les applications de maison intelligente. La puce met l'accent sur le traitement Edge pour les applications sensibles à la vie privée.

Spécifications clés :

• Performance : 7 TOPS
• Consommation d'énergie : 0,5-2W
• Architecture : Kneron NPU avec ARM Cortex-M4
• Logiciel : SDK Kneron PLUS

La faible consommation d'énergie du KL730 permet un traitement AI toujours actif dans les appareils alimentés par batterie. La puce prend en charge la reconnaissance faciale, la détection d'objets et la reconnaissance de gestes avec une consommation d'énergie minimale.

Cas d'usage :

• Sonnettes intelligentes et caméras de sécurité
• Hubs de maison intelligente
• Appareils portables
• Capteurs IoT avec capacités AI

10. Rockchip RK3588 SoC

Le RK3588 est un SoC 8 cœurs doté d'une unité de traitement neuronal de 6 TOPS. La puce cible les ordinateurs monocartes et les appareils Edge nécessitant des performances AI modérées parallèlement à des capacités de calcul à usage général.

Spécifications clés :

• CPU : Quad-core Cortex-A76 + Quad-core Cortex-A55
• NPU : 6 TOPS
• GPU : Mali-G610 MP4
• Consommation d'énergie : 8-15W
• Mémoire : Prise en charge jusqu'à 32 Go LPDDR4/5

Le NPU de 6 TOPS gère l'inférence de réseaux de neurones pour la vision par ordinateur, le traitement du langage naturel et les tâches de traitement audio.

Cas d'usage :

• Signalétique numérique avec reconnaissance de contenu
• Passerelles Edge avec prétraitement AI
• Hubs de maison intelligente
• Panneaux HMI industriels

Les capacités de calcul à usage général du RK3588 le rendent adapté aux applications où l'inférence AI est un composant d'un système plus large. Les organisations développant des appareils Edge qui combinent AI avec des serveurs web, des bases de données ou d'autres services logiciels ont adopté ce SoC.

11. Google Coral Dev Board

Le Coral Dev Board de Google dispose de l'Edge TPU, un ASIC conçu spécifiquement pour exécuter des modèles TensorFlow Lite à la périphérie. L'Edge TPU délivre 4 TOPS tout en ne consommant que 2W, ce qui le convient aux appareils IoT alimentés par batterie et aux systèmes embarqués.

Spécifications clés :

• Consommation d'énergie : 2W
• Logiciel : TensorFlow Lite, prend en charge les modèles quantifiés
• Facteurs de forme : Accélérateur USB, module M.2, SoM et carte de développement

L'architecture de l'Edge TPU privilégie l'efficacité énergétique par rapport aux performances brutes. Les performances de 4 TOPS sont obtenues grâce à la quantification d'entiers 8 bits, ce qui réduit la taille du modèle et la consommation d'énergie.

L'écosystème Coral comprend plusieurs facteurs de forme. L'accélérateur USB permet d'ajouter des capacités AI aux systèmes existants via une seule connexion USB. Le module M.2 fournit une solution plus intégrée pour les conceptions matérielles personnalisées.

Limitations :

• Limité aux modèles TensorFlow Lite
• Nécessite la quantification du modèle en int8
• Les performances diminuent considérablement pour les opérations non optimisées pour le TPU

12. Intel Neural Compute Stick 2

Le Neural Compute Stick 2 de Intel utilise le VPU Movidius Myriad X pour délivrer 4 TOPS dans un facteur de forme USB compact. L'appareil permet d'ajouter des capacités d'inférence AI aux systèmes existants sans nécessiter de modifications matérielles.

Spécifications clés :

• Consommation d'énergie : 5W
• Logiciel : Prise en charge de la toolkit OpenVINO
• Facteur de forme : Stick USB 3.0

La toolkit OpenVINO de Intel fournit l'optimisation des modèles et les bibliothèques d'exécution. La toolkit prend en charge les modèles de plusieurs frameworks, notamment TensorFlow, PyTorch et ONNX. L'optimisation des modèles via OpenVINO peut considérablement améliorer les performances d'inférence sur le matériel Myriad X.

Cas d'usage :

• Drones nécessitant une détection d'objets en temps réel
• Caméras intelligentes pour l'analytique retail
• Appareils AR avec traitement d'image sur l'appareil

13. NXP i.MX 8M Plus

Le iMX 8M Plus de NXP dispose d'une unité de traitement neuronal de 2,3 TOPS, conçue spécifiquement pour les applications IIoT. Le processeur privilégie la fiabilité, la sécurité et la disponibilité à long terme par rapport aux performances maximales.

Spécifications clés :

• NPU : 2,3 TOPS
• CPU : Quad-core Cortex-A53, cœur temps réel Cortex-M7
• Consommation d'énergie : 3-8W
• Sécurité : enclave sécurisée EdgeLock

L'inclusion d'un cœur temps réel Cortex-M7 permet un traitement déterministe pour les boucles de contrôle critiques en termes de temps. Cette architecture prend en charge les applications qui combinent la prise de décision basée sur l'AI avec le contrôle en temps réel, tels que les robots industriels et les équipements de fabrication automatisés.

Les fonctionnalités de sécurité EdgeLock de NXP fournissent un démarrage sécurisé basé sur le matériel, un stockage chiffré et une gestion sécurisée des clés.

Cas d'usage :

• Automatisation industrielle
• Appareils médicaux
• Automatisation des bâtiments
• Agriculture intelligente

14. Renesas RZ/V2L

Renesas RZ/V2L délivre 1,0 TOPS optimisé pour les applications de vision industrielle avec une consommation d'énergie extrêmement faible. La puce cible l'automatisation d'usine et les systèmes d'inspection qualité.

Spécifications clés :

• Performance : 1,0 TOPS
• Consommation d'énergie : 1,5-3W
• Architecture : DRP-AI (Processeur reconfigurable dynamiquement pour l'AI)
• CPU : Dual-core Cortex-A55

L'architecture DRP-AI offre de la flexibilité pour différents algorithmes de vision tout en maintenant une faible consommation d'énergie. Cette conception convient aux environnements industriels nécessitant une fiabilité à long terme et des performances déterministes.

Cas d'usage :

• Inspection qualité d'usine
• Caméras industrielles
• Systèmes de surveillance de processus
• Systèmes de tri automatisés

15. AMD Xilinx Kria K26 SOM

Le Kria K26 System-on-Module combine un Zynq UltraScale+ MPSoC avec une structure FPGA, permettant des solutions Edge AI adaptatives. L'architecture FPGA permet la personnalisation du pipeline de traitement pour des charges de travail spécifiques de vision par ordinateur et de fusion de capteurs.

Spécifications clés :

• Traitement : Quad-core Arm Cortex-A53, dual-core Arm Cortex-R5F
• FPGA : Logique programmable UltraScale+
• Consommation d'énergie : 5-15W
• Mémoire : 4 Go DDR4

AMD fournit des applications de vision AI pré-construites via le Kria KV260 Vision AI Starter Kit. Ces applications incluent des implémentations de caméras intelligentes avec des capacités de détection d'objets, de classification et de suivi.

Avantages :

• Pipeline de traitement personnalisable
• Interfaces de capteurs à faible latence
• Adaptable aux nouvelles architectures de modèles AI

Limitations :

• Nécessite une expertise en développement FPGA pour les implémentations personnalisées
• Les performances dépendent de la configuration FPGA
• Complexité de développement plus élevée par rapport aux accélérateurs à fonction fixe

Analyse Performance vs. Consommation d'énergie

Les puces Edge AI font face à un compromis entre performance et consommation d'énergie.

Haute Performance (>50 TOPS) :

• NVIDIA Jetson AGX Orin (275 TOPS, 10-60W)
• Axelera Metis (214 TOPS, 20-40W)
• EdgeCortix SAKURA (60 TOPS, <10W)
• SiMa.ai MLSoC (50+ TOPS, <5W)

Ces solutions ciblent les applications où la performance AI est l'exigence principale. Les cas d'usage incluent les véhicules autonomes, la robotique industrielle et les systèmes d'analytique vidéo multi-caméras.

Performance équilibrée (15-30 TOPS) :

• Hailo-8 (26 TOPS, 2,5-3W)
• Ambarella CV5 (20+ TOPS, 2,5-5W)
• Qualcomm RB5 (15 TOPS, 5-15W)

Les solutions équilibrées optimisent le ratio performance/watt. Ces puces conviennent aux applications où la performance et la consommation d'énergie sont toutes deux contraintes, telles que les robots alimentés par batterie et les caméras intelligentes.

Faible consommation (<10 TOPS) :

• Kneron KL730 (7 TOPS, 0,5-2W)
• Rockchip RK3588 (6 TOPS, 8-15W)
• Intel Movidius Myriad X (4 TOPS, 5W)
• Google Edge TPU (4 TOPS, 2W)
• NXP i.MX 8M Plus (2,3 TOPS, 3-8W)
• Renesas RZ/V2L (1,0 TOPS, 1,5-3W)

Les solutions à faible consommation privilégient l'efficacité énergétique par rapport aux performances brutes. Les appareils IoT, les caméras alimentées par batterie et les systèmes embarqués avec des budgets thermiques limités utilisent généralement ces puces.

La sélection du matériel approprié dépend de :

1. Débit d'inférence requis (images par seconde, inférences par seconde)
2. Budget énergétique (exigences d'autonomie de la batterie, contraintes thermiques)
3. Exigences de latence (traitement en temps réel vs quasi temps réel)
4. Complexité du modèle (nombre de paramètres, opérations par inférence)

Écosystème logiciel

Le support logiciel a un impact significatif sur les performances pratiques et le temps de développement pour les déploiements Edge AI.

NVIDIA Jetson prend en charge l'écosystème CUDA complet. Les modèles développés pour les NVIDIA data center GPU peuvent être déployés avec une modification minimale. Cette compatibilité réduit le temps de développement pour les équipes utilisant déjà du matériel NVIDIA.

Google Edge TPU nécessite des modèles TensorFlow Lite avec quantification int8. Bien que cette limitation assure des performances optimales sur le TPU, elle nécessite des étapes de conversion et de validation du modèle. Les organisations n'utilisant pas TensorFlow peuvent faire face à un travail de développement supplémentaire.

Intel Movidius s'intègre à la toolkit OpenVINO, qui prend en charge plusieurs frameworks de modèles. Les capacités d'optimisation de la toolkit peuvent considérablement améliorer les performances d'inférence, mais nécessitent d'apprendre des outils spécifiques à Intel.

AMD Xilinx Kria exige une expertise en développement FPGA pour les implémentations personnalisées. Bien que les piles de vision AI pré-construites réduisent cette exigence, les organisations qui recherchent des pipelines de traitement personnalisés nécessitent des compétences spécialisées.

Qualcomm, Hailo et autres vendeurs fournissent leurs propres SDK et compilateurs de modèles. Les équipes de développement doivent évaluer ces outils lors du processus de sélection pour comprendre l'effort requis pour le déploiement et l'optimisation des modèles.

Options de facteur de forme

Les puces Edge AI sont disponibles dans plusieurs facteurs de forme pour répondre à différentes exigences d'intégration :

System-on-Module (SoM) :

• NVIDIA Jetson AGX Orin
• AMD Xilinx Kria K26
• Qualcomm RB5

Le SoM fournit un module de calcul complet qui peut être intégré dans des cartes porteuses personnalisées. Cette approche réduit la complexité de conception matérielle tout en permettant la personnalisation des interfaces E/S.

Cartes M.2 et PCIe :

• Hailo-8
• Google Coral
• Intel Movidius (via adaptateur M.2)

Les facteurs de forme M.2 et PCIe permettent d'ajouter une accélération AI aux systèmes existants. Cette approche convient aux applications qui mettent à niveau les plateformes matérielles existantes avec des capacités AI.

Accélérateurs USB :

• Google Coral USB Accelerator
• Intel Neural Compute Stick 2

Les accélérateurs USB fournissent le chemin d'intégration le plus simple. Ces appareils conviennent au prototypage, au développement et aux applications où le système hôte dispose de ports USB disponibles et d'une bande passante suffisante.

SoC intégré :

• Rockchip RK3588
• NXP i.MX 8M Plus
• Ambarella CV5
• Kneron KL730
• Renesas RZ/V2L

Les SoC intégrés combinent CPU, GPU et NPU dans une seule puce. Cette intégration réduit la complexité et le coût de la carte pour les produits conçus autour du SoC spécifique.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Recommandations spécifiques aux applications

Robotique et systèmes autonomes : NVIDIA Jetson AGX Orin ou Qualcomm RB5 fournissent les performances requises pour la navigation en temps réel, la détection d'objets et la planification de trajectoire. Le choix dépend de la nécessité de la connectivité 5G.

IIoT et automatisation d'usine : NXP i.MX 8M Plus ou AMD Xilinx Kria K26 répondent aux exigences de sécurité et de traitement en temps réel courantes dans les applications industrielles. La plateforme Kria convient aux applications nécessitant des interfaces de capteurs personnalisées ou une latence déterministe.

Caméras intelligentes et analytique vidéo : Hailo-8 ou Axelera Metis délivrent le ratio performance/watt requis pour le traitement vidéo toujours actif. Hailo-8 convient aux déploiements à une ou quelques caméras, tandis qu'Axelera Metis cible les systèmes multi-caméras.

Appareils IoT alimentés par batterie : Google Edge TPU fournit la consommation d'énergie la plus faible pour les applications où l'autonomie de la batterie est la contrainte principale. La consommation d'énergie de 2W permet une opération prolongée à partir de petites batteries.

Drones et appareils AR : Intel Movidius Myriad X ou SiMa.ai MLSoC équilibrent performance et consommation d'énergie pour les appareils aériens et portables. Les contraintes de poids et thermiques dans ces applications favorisent les solutions efficaces.

Applications automobiles : Ambarella CV5 ou les plateformes Qualcomm offrent les certifications et performances de niveau automobile nécessaires pour les applications ADAS et de conduite autonome.

Développement et prototypage : Intel Neural Compute Stick 2 ou Google Coral USB Accelerator permettent une évaluation rapide des capacités Edge AI sans modifications matérielles. Ces appareils USB conviennent aux projets de preuve de concept et au développement d'algorithmes.

FAQ

Pour aller plus loin

• Top 30 Fournisseurs de GPU Cloud & Leurs GPU
• GPU Software pour l'AI : CUDA vs. ROCm
• Top 20+ Fabricants de puces AI : NVIDIA & Ses concurrents
• Benchmark Multi-GPU : B200 vs H200 vs H100 vs MI300X

Si vous avez besoin d'aide pour trouver un vendeur ou avez des questions, n'hésitez pas à nous contacter :

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Top 15 Fabricants de puces Edge AI avec cas d'usage}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/edge-ai-chips}},
  note   = {AIMultiple. Consulté le 4 Juin 2026}
}

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. 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. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire