LLM Fine-Tuning Guide for Enterprises

Suivez les liens pour les solutions spécifiques aux défis de sortie de votre LLM. Si votre LLM :

• N'a pas accès aux faits nécessaires dans votre domaine, soit entraînez un nouveau LLM, passez à un modèle spécifique au domaine, ou utilisez RAG pour récupérer des faits
• Possède les faits pertinents mais doit répondre dans un style et un ton différents, suivre certains formats de sortie, ou utiliser certains outils, alors :
  • D'abord, exploitez le prompt engineering ou le prompt chaining pour améliorer les résultats
  • S'ils ne fonctionnent pas, le LLM fine-tuning est l'approche appropriée. Vous pouvez utiliser le service de votre fournisseur de LLM ou effectuer le fine-tuning de LLMs open source on-prem.

L'adoption généralisée des grands modèles de langage (LLMs) a amélioré notre capacité à traiter le langage humain. Cependant, leur entraînement générique entraîne souvent des performances sous-optimales pour des tâches spécifiques.

Pour surmonter cette limitation, des méthodes de fine-tuning sont employées pour adapter les LLMs aux exigences uniques de différents domaines d'application.

Qu'est-ce que le fine-tuning de LLM ?

Le fine-tuning d'un LLM ajuste un model pré-entraîné pour effectuer des tâches spécifiques ou pour répondre plus efficacement à un domaine particulier. Le processus implique d'entraîner davantage le model sur un dataset plus petit et ciblé, pertinent pour la tâche ou le sujet souhaité.

Le LLM original est pré-entraîné sur de vastes quantités de données textuelles diverses, ce qui l'aide à apprendre la compréhension générale du langage, la grammaire et le contexte. Le fine-tuning exploite ces connaissances générales et affine le model pour obtenir de meilleures performances et une meilleure compréhension dans un domaine spécifique.

Figure 2 : Capacités d'un LLM après fine-tuning.¹

Par exemple, un LLM peut être fine-tuné pour des tâches telles que l'analyse de sentiment dans les avis sur les produits, la prédiction des cours boursiers basée sur les actualités financières, ou l'identification des symptômes de maladies dans des textes médicaux.

Ce processus personnalise le comportement du model, lui permettant de générer des sorties plus précises et contextuellement pertinentes pour des tâches telles que :

• Analyse de sentiment.
• Développement de chatbot.
• Réponse aux questions.

Comment fine-tuner des LLMs

1. Préparation du dataset

Comme les LLMs sont pré-entraînés sur un dataset fixe, ils ne sont pas au courant des événements en temps réel. Pour maintenir ces models à jour et améliorer leurs performances sur des sujets spécifiques et évolutifs, les entreprises utilisent des données web en temps réel. Ces données sont critiques pour deux raisons principales : elles aident à l'alignement du domaine et réduisent l'hallucination.

1.1. Alignement du domaine et pertinence : 

L'utilisation de données sourcées sur le web permet aux entreprises de fine-tuner les LLMs sur les informations les plus actuelles et pertinentes pour leur industrie. Par exemple, une entreprise de technologie juridique pourrait utiliser des web crawlers pour collecter des décisions de justice récentes et des blogs juridiques.

Ces données spécifiques au domaine garantissent que le model fine-tuné comprend la terminologie à jour et le contexte de l'industrie, qui sont souvent absents des datasets statiques disponibles publiquement. Ce processus est essentiel pour transformer un model pré-entraîné à usage général en un expert dans un domaine spécifique.

1.2. Réduction de l'hallucination :

L'hallucination se produit lorsqu'un LLM génère des informations plausibles mais factuellement incorrectes. En fine-tunant un LLM avec des données du monde réel de haute qualité provenant du web, vous lui fournissez une source de vérité fiable.

Cela rend le model moins susceptible d'inventer des informations lors de l'inference et l'aide à générer des réponses plus précises et dignes de confiance. Ce processus garantit que les sorties du model sont ancrées dans la réalité plutôt que dans un contenu fabriqué.

Les entreprises utilisent soit des outils de web scraping internes, soit des fournisseurs tiers pour collecter des données sur des sites web. Ces données d'entraînement collectées sont ensuite préparées et utilisées pour fine-tuner le LLM.

En incorporant continuellement des données web fraîches, les entreprises peuvent s'assurer que leurs models fine-tunés restent pertinents et précis, offrant ainsi un avantage concurrentiel significatif.

2. Choix d'un model de fondation et d'une méthode de fine-tuning

La sélection du model de base approprié et de la méthode de fine-tuning dépend de la tâche spécifique et des données disponibles. Il existe divers fournisseurs de LLM parmi lesquels choisir, notamment Alphabet et Meta, chacun ayant ses propres forces et faiblesses. La méthode de fine-tuning peut également varier en fonction de la tâche et des données, comme l'apprentissage par transfert, le fine-tuning séquentiel ou le fine-tuning spécifique à une tâche.

Lors du choix du model de base, vous devez considérer :

• Si l'infrastructure technique est adaptée à la puissance de calcul requise pour le fine-tuning
• Si le model correspond à votre tâche spécifique
• La taille d'entrée et de sortie du model
• La taille de votre dataset

3. Fine-tuning

Le fine-tuning adapte les LLMs pré-entraînés à des tâches spécifiques ou à des besoins organisationnels, que ce soit via des services gérés offerts par les fournisseurs de models ou en modifiant directement des models open source à l'aide de données spécifiques à la tâche et d'outils MLOps.

Fine-tuning en tant que service pour les models closed-source

Les principaux fournisseurs de LLM proposent un fine-tuning géré, bien que le paysage ait évolué en 2026. Google (Gemini via Vertex AI) et Anthropic (Claude via Amazon Bedrock) restent les principales options closed-source pour les nouvelles charges de travail de fine-tuning. OpenAI, qui proposait historiquement le fine-tuning sur les models GPT, réduit sa plateforme de fine-tuning, ce qui signifie qu'elle est fermée aux nouveaux utilisateurs, et les utilisateurs existants ont une fenêtre limitée pour créer de nouveaux jobs d'entraînement.²

Par exemple, Vertex AI prend en charge plusieurs approches de réglage de model, offrant aux développeurs une flexibilité dans la manière dont ils personnalisent le comportement du model au-delà du fine-tuning de base :

• Fine-tuning supervisé : Entraînez un model avec des exemples étiquetés afin qu'il apprenne à produire les sorties souhaitées pour des tâches spécifiques.
• Réglage des préférences : Une approche de réglage distincte qui s'appuie sur le fine-tuning supervisé en utilisant des données de préférence humaine pour enseigner aux models à générer des sorties plus préférées basées sur un feedback par paires plutôt que sur des étiquettes explicites.
• Checkpoints de réglage et réglage continu : Outils pour sauvegarder la progression ou étendre un model réglé existant avec plus de données ou de passes d'entraînement.³

Tarification : Le fine-tuning géré est généralement facturé par token d'entraînement, avec l'inference facturée séparément avec une prime par rapport au model de base.

Fine-tuning de models open source

Comme les poids du model sont disponibles dans les models open source, les entreprises peuvent fine-tuner des models open source on-prem sans exposer leurs datasets aux fournisseurs de LLM.

Les étapes pour fine-tuner des models open source incluent :

• Chargement du model pré-entraîné : Une fois que le LLM et la méthode de fine-tuning ont été sélectionnés, le model pré-entraîné doit être chargé en mémoire.
  • Cette étape initialise les poids du model sur la base des valeurs pré-entraînées, ce qui accélère le processus de fine-tuning et garantit que le model a déjà appris la compréhension générale du langage.
• Le fine-tuning implique l'entraînement du LLM pré-entraîné sur le dataset spécifique à la tâche. Le processus d'entraînement implique l'optimisation des poids et des paramètres du model pour minimiser la fonction de perte et améliorer ses performances sur la tâche.

Le processus de fine-tuning implique généralement des cycles itératifs d'entraînement. Pour optimiser les performances, les développeurs doivent ajuster des configurations comme le taux d'apprentissage ou la taille du batch. Des outils comme Weights & Biases (Sweeps) automatisent cette recherche d'hyperparamètres, visualisant comment différentes variables impactent la convergence du model afin que les équipes puissent sélectionner la meilleure configuration sans essais et erreurs manuels.

Par exemple, les models Llama peuvent être fine-tunés économiquement avec des approches de Parameter Efficient Fine Tuning (PEFT).⁴

Les entreprises peuvent exploiter leurs plateformes MLOps ou LLMOps pour fine-tuner des models.

Par exemple, l'utilisation d'une plateforme qui agit comme un système d'enregistrement (comme Weights & Biases) permet aux entreprises de suivre chaque run d'entraînement, de journaliser les métriques système (utilisation GPU), et de versionner les checkpoints de model résultants dans un registre central. Cela garantit que même lors de l'entraînement de models open source on-premise, le workflow reste reproductible et collaboratif.

Fine-tuning de models open weights

Les models open-weight sont disponibles publiquement pour que les utilisateurs puissent les télécharger et les exécuter localement (ou sur leur infrastructure cloud) sans dépendre d'une API.

Ils diffèrent des models open-source car l'open-source implique généralement que le code d'entraînement complet, les détails des données et les termes de licence permettent la modification et la redistribution. Les models open-weight peuvent publier les poids mais garder certaines parties du pipeline d'entraînement, du dataset ou des droits d'utilisation restreints.

Parce que les poids sont accessibles, les models open-weight peuvent être fine-tunés directement en continuant l'entraînement sur des datasets personnalisés (par exemple, fine-tuning supervisé, méthodes LoRA/PEFT), permettant aux organisations de personnaliser le comportement tout en gardant les données et le déploiement entièrement sous leur contrôle.

Par exemple, la famille LFM2.5 de Liquid AI sert d'ensemble de models de fondation open-weight. Ils sont publiés pour des déploiements AI on-device et edge, avec des checkpoints disponibles sur Hugging Face et la plateforme LEAP de Liquid AI.

La série comprend des variantes telles que LFM2.5-1.2B-Base (un model de base pré-entraîné) et LFM2.5-1.2B-Instruct, qui a déjà reçu un fine-tuning supervisé et un apprentissage par renforcement dans son pipeline de post-entraînement.

Comme les poids sont accessibles publiquement, les développeurs peuvent prendre le checkpoint de base et effectuer leur propre fine-tuning : entraîner le model sur des datasets propriétaires, l'adapter à des tâches spécifiques à une langue ou à un domaine, ou expérimenter d'autres méthodes d'entraînement (telles que le fine-tuning supervisé avec des adaptateurs ou l'alignement des préférences).

LFM2.5 est très adapté à la personnalisation spécifique aux tâches sur du matériel local ou des appareils edge, où le contrôle du workflow d'entraînement et d'inference est important.⁵

Un autre exemple est Tinker de Thinking Machines Lab, qui est une API conçue pour rendre le fine-tuning des models de langage open-weight plus accessible aux chercheurs et développeurs.

Tinker permet aux utilisateurs d'adapter une large gamme de models open-weight, des architectures plus petites aux grands models mixture-of-experts comme Qwen-235B-A22B. Les utilisateurs peuvent appliquer un fine-tuning basé sur LoRA ou d'autres méthodes de post-entraînement pour adapter les models à des tâches spécifiques, que ce soit par apprentissage supervisé ou par des approches de style renforcement.

Après le réglage, les développeurs peuvent télécharger les checkpoints résultants et les utiliser indépendamment, permettant un contrôle sur le model et le comportement personnalisé.⁶

4. Évaluation des models fine-tunés

Une fois le processus de fine-tuning terminé, les performances du model doivent être évaluées sur l'ensemble de test. Cette étape permet de s'assurer que le model se généralise bien aux nouvelles données et qu'il est performant sur la tâche spécifique. Les métriques courantes utilisées pour l'évaluation incluent la précision (accuracy), la précision (precision), le rappel (recall) et le score F1.

Cependant, pour les tâches génératives, les métriques traditionnelles sont souvent insuffisantes. L'évaluation moderne nécessite le traçage du raisonnement du model et la vérification de la qualité du texte généré. Des outils comme W&B Weave permettent cela en permettant aux développeurs de tracer les entrées et sorties, de déboguer les prompts, et d'exécuter des évaluations systématiques (en utilisant un LLM-as-a-judge) pour noter le model fine-tuné sur des nuances comme le ton, la fidélité et la sécurité.

5. Déploiement

Une fois le model fine-tuné évalué, il peut être déployé dans des environnements de production. Le processus de déploiement peut impliquer l'intégration du model dans un système plus large, la mise en place de l'infrastructure nécessaire et la surveillance des performances du model dans des scénarios réels.

Quelles sont les méthodes utilisées dans le processus de fine-tuning des LLMs ?

Méthodes de fine-tuning

Le fine-tuning est un processus qui consiste à adapter un model pré-entraîné à une tâche ou un domaine spécifique en l'entraînant davantage sur un dataset plus petit et spécifique à la tâche. Plusieurs méthodes de fine-tuning peuvent être utilisées pour ajuster les poids et les paramètres d'un model pré-entraîné afin d'améliorer ses performances sur la tâche cible :

• L'apprentissage par transfert (Transfer learning) consiste à réutiliser les poids et l'architecture d'un model pré-entraîné pour une nouvelle tâche ou un nouveau domaine. Le model pré-entraîné est généralement entraîné sur un dataset général et vaste, et l'approche d'apprentissage par transfert permet une adaptation efficace et performante à des tâches ou domaines spécifiques.
• Fine-tuning séquentiel : Le model pré-entraîné est fine-tuné séquentiellement sur plusieurs tâches ou domaines connexes. Cela permet au model d'apprendre des modèles de langage plus nuancés et complexes à travers différentes tâches, conduisant à une meilleure généralisation et performance.
• Fine-tuning spécifique à la tâche : Le model pré-entraîné est fine-tuné sur une tâche ou un domaine spécifique à l'aide d'un dataset spécifique à la tâche. Cette méthode nécessite plus de données et de temps que l'apprentissage par transfert, mais peut aboutir à des performances plus élevées sur la tâche spécifique.
• Apprentissage multi-tâches (Multi-task learning) : Le model pré-entraîné est fine-tuné sur plusieurs tâches simultanément. Cette approche permet au model d'apprendre et d'exploiter les représentations partagées entre différentes tâches, conduisant à une meilleure généralisation et performance.
• Entraînement d'adaptateurs (Adapter training) consiste à entraîner des modules légers qui sont branchés sur le model pré-entraîné, permettant un fine-tuning sur une tâche spécifique sans affecter les performances du model original sur d'autres tâches.

Reinforcement Fine-Tuning (RFT)

Le Reinforcement Fine-Tuning (RFT) est une technique de personnalisation de model qui adapte un model de langage pré-entraîné en utilisant un feedback basé sur la récompense plutôt que des exemples d'entraînement étiquetés traditionnels.

Au lieu de s'entraîner sur des sorties fixes/correctes, le RFT utilise un signal de récompense ou une fonction de notation pour évaluer les réponses du model et optimiser itérativement le model pour maximiser ces récompenses.

Cette approche est ancrée dans les principes de l'apprentissage par renforcement, où le model se comporte comme un agent qui apprend quels types de sorties mènent à des scores de récompense plus élevés et ajuste ses paramètres en conséquence. Contrairement au fine-tuning supervisé, le RFT excelle dans les scénarios où les sorties précises et correctes sont difficiles à définir, mais où la qualité peut être jugée ou notée.

Par exemple, la capacité de reinforcement fine-tuning d'Amazon Bedrock automatise ce processus pour que les développeurs personnalisent les models sur la base de signaux de feedback (fonctions de récompense).

Dans Bedrock, les utilisateurs définissent ce qui rend une réponse précise via des fonctions de récompense basées sur des règles ou sur l'AI, et le model est entraîné pour maximiser ces récompenses.⁷

Un autre exemple est le RFT d'OpenAI. Il permet aux développeurs d'adapter des models de raisonnement en définissant un correcteur programmable qui note les réponses candidates. Pendant l'entraînement, le model est mis à jour pour que les sorties ayant un score élevé deviennent plus probables dans les générations futures.

Cela rend le RFT particulièrement utile pour les tâches où la qualité de la sortie est subjective ou mieux jugée par une notation que par des réponses de référence exactes.⁸

Méthode de Few-shot learning

Le few-shot learning (FSL) consiste à améliorer les performances du model sans modifier les poids du model. Dans cette approche, le model reçoit un nombre limité d'exemples (c'est-à-dire "quelques shots") de la nouvelle tâche, et utilise ces informations pour s'adapter et mieux performer sur cette tâche. Il peut être considéré comme une

• Alternative moins coûteuse au fine-tuning. Le seul coût est celui des tokens d'entrée pour quelques exemples.
• Problème de Meta-learning où le model apprend comment apprendre à résoudre le problème donné.

Figure 3 : Scénario de few-shot learning où le model apprend à classifier un ensemble d'images à partir des tâches sur lesquelles il a été entraîné.⁹

C'est particulièrement utile lorsqu'il n'y a pas assez de données disponibles pour l'apprentissage supervisé traditionnel. Dans le contexte des LLMs, le fine-tuning avec un petit dataset lié à la nouvelle tâche est un exemple de few-shot learning.

Différences entre few-shot learning & fine-tuning

La différence principale réside dans la quantité de données spécifiques à la tâche requise pour que le model s'adapte à une nouvelle tâche ou un nouveau domaine. Les méthodes de fine-tuning nécessitent une quantité modérée de données spécifiques à la tâche pour optimiser les performances du model, tandis que les méthodes de few-shot learning peuvent adapter les models à de nouvelles tâches ou domaines avec seulement quelques exemples étiquetés.

Exemples de fine-tuning

Le fine-tuning a permis d'augmenter significativement les performances en finance

Bloomberg a développé BloombergGPT, un model de langage à grande échelle adapté à l'industrie financière. Ce model se concentre sur les tâches de traitement du langage naturel financier telles que l'analyse de sentiment, la reconnaissance d'entités nommées et la classification d'actualités. 

BloombergGPT a été créé en utilisant une combinaison de datasets financiers et d'usage général, et a conduit à des scores élevés dans les tests de benchmark (Figure 4).

Figure 4 : Image montrant comment BloombergGPT performe à travers deux larges catégories de tâches NLP : spécifiques à la finance et d'usage général.¹⁰

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

Pourquoi ou quand votre entreprise a-t-elle besoin d'un LLM fine-tuné ?

Les entreprises peuvent avoir besoin de grands modèles de langage fine-tunés pour plusieurs raisons, selon leurs exigences spécifiques, leur industrie et leurs objectifs. Voici quelques raisons courantes :

1. Personnalisation

Les entreprises ont souvent des besoins et des objectifs uniques qu'un model de langage générique peut ne pas traiter. Le fine-tuning leur permet d'adapter le comportement du model pour répondre à leurs objectifs spécifiques, comme générer du contenu marketing personnalisé ou comprendre le contenu généré par les utilisateurs sur leur plateforme.

Découvrez comment le fine-tuning des LLMs permet la création de produits et de stratégies marketing personnalisés, améliorant ainsi l'expérience de l'AI générative dans le commerce de détail, le marketing et l'assurance.

2. Sensibilité des données et conformité

Les entreprises manipulant des données sensibles ou opérant dans des environnements réglementaires stricts pourraient avoir besoin de fine-tuner le model pour s'assurer qu'il respecte les exigences de confidentialité, adhère aux directives de contenu et génère des réponses appropriées conformes aux réglementations de l'industrie.

3. Langage spécifique au domaine

De nombreuses industries utilisent un jargon, des termes techniques et un vocabulaire spécialisé qui peuvent ne pas être bien représentés dans les données d'entraînement générales d'un LLM. Le fine-tuning du model sur des données spécifiques au domaine lui permet de comprendre et de générer des réponses précises dans le contexte de l'industrie de l'entreprise.

4. Performance améliorée 

Le fine-tuning améliore les performances du model sur des tâches ou applications spécifiques pertinentes pour l'entreprise, telles que :

• Analyse de sentiment
• Classification de documents
• Extraction d'informations 

Cela peut conduire à une meilleure prise de décision, une efficacité accrue et des résultats améliorés.

5. Activation des capacités d'AI agentique

Le fine-tuning est critique pour développer des systèmes d'AI agentique, qui sont conçus pour agir autonomement, prendre des décisions et interagir avec des outils ou environnements externes pour atteindre des objectifs spécifiques.

En fine-tunant un LLM, les entreprises peuvent améliorer leur capacité à effectuer l'appel de fonctions (function calling), permettant au model de sélectionner et d'exécuter les outils appropriés (par exemple, APIs, bases de données) avec des paramètres précis.

Par exemple, un LLM fine-tuné peut propulser une AI agentique qui gère autonomement les demandes des clients en s'intégrant à un système CRM ou récupère des données en temps réel via des APIs web. Cette personnalisation garantit que le model comprend les contextes spécifiques au domaine et les interactions avec les outils, rendant l'AI agentique plus efficace et fiable dans les applications d'entreprise.

6. Expérience utilisateur améliorée

Un model fine-tuné peut offrir une meilleure expérience utilisateur en générant des réponses plus précises, pertinentes et conscientes du contexte, conduisant à une satisfaction client accrue, dans des applications telles que :

• Chatbots
• Assistants virtuels
• Systèmes de support client

Qu'est-ce qu'un LLM (LLM) ?

Un LLM est un système d'intelligence artificielle (AI) avancé, plus spécifiquement un model d'AI générative d'entreprise, conçu pour traiter, comprendre et générer du texte semblable à celui des humains basé sur des quantités massives de données. Ces models sont généralement construits à l'aide de techniques de deep learning, telles que les réseaux de neurones. Ils sont entraînés sur des datasets étendus comprenant des textes d'une large gamme, tels que des livres et des sites web, pour le traitement du langage naturel.

L'un des aspects clés d'un LLM est sa capacité à comprendre le contexte et à générer des réponses cohérentes et pertinentes basées sur l'entrée fournie. La taille du model, en termes de nombre de paramètres et de couches, lui permet de capturer des relations et des modèles complexes au sein du texte. Cela lui permet d'effectuer diverses tâches, telles que : 

• Répondre à des questions
• Génération de texte
• Résumé de texte
• Traduction
• Écriture créative

Les models de fondation, comme les grands modèles de langage, sont un composant central de la recherche et des applications de l'AI. Ils fournissent une base pour construire des models plus spécialisés et fine-tunés pour des tâches ou domaines spécifiques.

Figure 5 : Exemples de models de fondation.¹¹

Lectures complémentaires

• Bien que le fine-tuning améliore l'efficacité des grands modèles de langage, il est essentiel d'aborder les Risques de l'AI Générative.
• Le fine-tuning des grands modèles de langage s'accompagne de considérations juridiques. Explorez le paysage juridique entourant ces systèmes d'AI avancés dans le copyright de l'AI générative.

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  = {{LLM Fine-Tuning Guide for Enterprises}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/llm-fine-tuning}},
  note   = {AIMultiple. Consulté le 22 Juin 2026}
}

Liens de référence

1.

Fine-Tuning Transformers for NLP

2.

Supervised fine-tuning | OpenAI API

3.

Introduction to tuning  |  Gemini Enterprise Agent Platform  |  Google Cloud Documentation

4.

Fine-tuning | How-to guides

5.

Introducing LFM2.5: The Next Generation of On-Device AI — Blog — Liquid AI

Liquid AI

6.

Announcing Tinker - Thinking Machines Lab

7.

Amazon Bedrock adds reinforcement fine-tuning simplifying how developers build smarter, more accurate AI models | AWS News Blog

8.

Reinforcement fine-tuning | OpenAI API

9.

Few-Shot Learning & Meta-Learning | Tutorial - Research Blog | RBC Borealis

Borealis AI

10.

Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance | Press | Bloomberg LP

11.

Foundation Models: The future isn't happening fast enough

Madrona

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