LLM Guide de fine-tuning pour les entreprises

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
• Dispose de faits pertinents mais doit répondre dans un style et un ton différents, suivre certains formats de sortie, ou utiliser certains outils, alors :
  • Tout d’abord, exploitez l’ingénierie de prompt ou le chaînage de prompts pour améliorer les résultats
  • Si cela ne fonctionne pas, le LLM fine-tuning est la bonne approche. Vous pouvez utiliser votre LLM fournisseur ou fine-tuner des LLM open source sur site.

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

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

Qu’est-ce que le LLM fine-tuning ?

Le fine-tuning d’un LLM ajuste un modèle pré-entraîné pour effectuer des tâches spécifiques ou pour répondre plus efficacement à un domaine particulier. Le processus implique d’entraîner davantage le modèle sur un jeu de données 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 lui permet d’apprendre la compréhension générale du langage, la grammaire et le contexte. Le fine-tuning tire parti de ces connaissances générales et affine le modèle 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 pourrait être fine-tuné pour des tâches telles que l’analyse de sentiments dans les avis sur les produits, la prédiction des cours boursiers à partir des actualités financières, ou l’identification des symptômes de maladies dans les textes médicaux.

Ce processus personnalise le comportement du modèle, lui permettant de générer des résultats plus précis et contextuellement pertinents pour des tâches telles que :

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

Comment fine-tuner des LLM

1. Préparation du jeu de données

Étant donné que les LLM sont pré-entraînés sur un jeu de données fixe, ils ne sont pas conscients des événements en temps réel. Pour maintenir ces modèles à jour et améliorer leurs performances sur des sujets spécifiques et évolutifs, les entreprises utilisent des données web en temps réel. Ces données sont essentielles pour deux raisons principales : elles aident à l’alignement sur le domaine et réduisent l’hallucination.

1.1. Alignement sur le domaine et pertinence :

L’utilisation de données provenant du web permet aux entreprises de fine-tuner les LLM sur les informations les plus récentes et pertinentes pour leur secteur. Par exemple, une entreprise de technologie juridique pourrait utiliser des crawlers web pour collecter les décisions de justice récentes et les blogs juridiques.

Ces données spécifiques au domaine garantissent que le modèle fine-tuné comprend la terminologie à jour et le contexte sectoriel, souvent absents des jeux de données statiques et publics. Ce processus est essentiel pour transformer un modèle 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 de haute qualité provenant du monde réel via le web, vous lui fournissez une source fiable de vérité.

Cela rend le modèle moins susceptible d’inventer des informations pendant l’inférence et l’aide à générer des réponses plus précises et dignes de confiance.

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

En intégrant continuellement des données web fraîches, les entreprises peuvent s’assurer que leurs modèles fine-tunés restent pertinents et précis, offrant un avantage concurrentiel significatif.

2. Choix d’un modèle de fondation et d’une méthode de fine-tuning

La sélection du modèle de base et de la méthode de fine-tuning appropriés dépend de la tâche spécifique et des données disponibles. Il existe différents fournisseurs de LLM parmi lesquels choisir, notamment Alphabet et Meta, chacun avec 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 modèle de base, vous devez prendre en compte :

• Si l’infrastructure technique est adaptée à la puissance de calcul requise pour le fine-tuning
• Si le modèle convient à votre tâche spécifique
• La taille d’entrée et de sortie du modèle
• La taille de votre jeu de données

3. Fine-tuning

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

Fine-tuning en tant que service pour les modèles à source fermée

Les principaux fournisseurs de LLM proposent des services de fine-tuning gérés, bien que le paysage ait évolué en 2026. Google (Gemini via Vertex IA) et Anthropic (Claude via Amazon Bedrock) restent les principales options à source fermée pour les nouvelles charges de travail de fine-tuning. OpenAI, qui proposait historiquement le fine-tuning sur les modèles GPT, met fin à sa plateforme de fine-tuning, ce qui signifie qu’elle est fermée aux nouveaux utilisateurs et que les utilisateurs existants ont une fenêtre limitée pour créer de nouveaux travaux d’entraînement.²

Par exemple, Vertex IA prend en charge plusieurs approches de réglage de modèle, offrant aux développeurs une flexibilité dans la personnalisation du comportement du modèle au-delà du simple fine-tuning :

• Fine-tuning supervisé : Entraîner un modèle avec des exemples étiquetés afin qu’il apprenne à produire les sorties souhaitées pour des tâches spécifiques.
• Réglage par préférence : Une approche de réglage distincte qui s’appuie sur le fine-tuning supervisé en utilisant des données de préférence humaines pour apprendre aux modèles à générer des sorties plus préférées sur la base de retours par paires plutôt que d’étiquettes explicites.
• Points de contrôle et réglage continu : Outils pour sauvegarder la progression ou étendre un modèle réglé existant avec plus de données ou de passes d’entraînement.³

Tarification : Le fine-tuning géré est généralement facturé par token d’entraînement, l’inférence étant facturée séparément avec une prime par rapport au modèle de base.

Fine-tuning de modèles open source

Étant donné que les poids du modèle sont disponibles dans les modèles open source, les entreprises peuvent fine-tuner des modèles open source sur site sans exposer leurs jeux de données aux fournisseurs de LLM.

Les étapes pour fine-tuner des modèles open source comprennent :

• Chargement du modèle pré-entraîné : Une fois le LLM et la méthode de fine-tuning sélectionnés, le modèle pré-entraîné doit être chargé en mémoire.
  • Cette étape initialise les poids du modèle à partir des valeurs pré-entraînées, ce qui accélère le processus de fine-tuning et garantit que le modèle a appris une compréhension générale du langage.
• Le fine-tuning consiste à entraîner le LLM pré-entraîné sur le jeu de données spécifique à la tâche. Le processus d’entraînement implique l’optimisation des poids et des paramètres du modèle 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 telles que le taux d’apprentissage ou la taille du lot. Des outils comme Weights & Biases (Sweeps) automatisent cette recherche d’hyperparamètres, en visualisant l’impact des différentes variables sur la convergence du modèle afin que les équipes puissent sélectionner la meilleure configuration sans essais-erreurs manuels.

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

Les entreprises peuvent tirer parti de leurs plateformes MLOps ou LLMOps pour fine-tuner des modèles.

Par exemple, l’utilisation d’une plateforme qui agit comme un système d’enregistrement (comme Weights & Biases) permet aux entreprises de suivre chaque exécution d’entraînement, d’enregistrer les métriques système (utilisation du GPU) et de versionner les points de contrôle du modèle résultants dans un registre central. Cela garantit que même lors de l’entraînement de modèles open source sur site, le flux de travail reste reproductible et collaboratif.

Fine-tuning de modèles à poids ouverts

Les modèles à poids ouverts sont accessibles au public pour être téléchargés et exécutés localement (ou sur leur infrastructure cloud) sans dépendre d’une API.

Ils diffèrent des modèles open source car l’open source implique généralement que le code d’entraînement complet, les détails des données et les conditions de licence permettent la modification et la redistribution. Les modèles à poids ouverts peuvent publier les poids mais garder des parties du pipeline d’entraînement, du jeu de données ou des droits d’utilisation restreints.

Parce que les poids sont accessibles, les modèles à poids ouverts peuvent être fine-tunés directement en poursuivant l’entraînement sur des jeux de données 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 IA constitue un ensemble de modèles de fondation à poids ouverts. Ils sont publiés pour les déploiements sur appareil et en périphérie, avec des points de contrôle disponibles sur Hugging Face et la plateforme Liquid IA LEAP.

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

Comme les poids sont accessibles au public, les développeurs peuvent prendre le point de contrôle de base et effectuer leur propre fine-tuning : entraîner le modèle sur des jeux de données propriétaires, l’adapter à des tâches spécifiques à une langue ou à un domaine, ou expérimenter d’autres méthodes d’entraînement (comme le fine-tuning supervisé avec des adaptateurs ou l’alignement des préférences).

LFM2.5 est particulièrement adapté à la personnalisation spécifique à une tâche sur du matériel local ou des appareils de périphérie, où le contrôle du flux de travail d’entraînement et d’inférence est important.⁵

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

Tinker permet aux utilisateurs d’adapter une large gamme de modèles à poids ouverts, des architectures plus petites aux grands modèles de mélange d’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 modèles à des tâches spécifiques, que ce soit par apprentissage supervisé ou par des approches de type renforcement.

Après le réglage, les développeurs peuvent télécharger les points de contrôle résultants et les utiliser de manière indépendante, ce qui permet de contrôler à la fois le modèle et le comportement personnalisé.⁶

4. Évaluation des modèles fine-tunés

Une fois le processus de fine-tuning terminé, les performances du modèle doivent être évaluées sur l’ensemble de test. Cette étape permet de s’assurer que le modèle généralise bien sur de nouvelles données et qu’il performe bien sur la tâche spécifique. Les métriques couramment utilisées pour l’évaluation comprennent l’exactitude, la précision, le rappel et le score F1.

Cependant, pour les tâches génératives, les métriques traditionnelles sont souvent insuffisantes. L’évaluation moderne nécessite de tracer le raisonnement du modèle et de vérifier la qualité du texte généré. Des outils comme W&B Weave permettent cela en donnant aux développeurs la possibilité de tracer les entrées et les sorties, de déboguer les prompts et d’exécuter des évaluations systématiques (en utilisant un LLM-comme-juge) pour noter le modèle fine-tuné sur des nuances telles que le ton, la fidélité et la sécurité.

5. Déploiement

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

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

Méthodes de fine-tuning

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

• L’apprentissage par transfert consiste à réutiliser les poids et l’architecture d’un modèle pré-entraîné pour une nouvelle tâche ou un nouveau domaine. Le modèle pré-entraîné est généralement entraîné sur un grand jeu de données général et l’approche d’apprentissage par transfert permet une adaptation efficace et efficiente à des tâches ou domaines spécifiques.
• Fine-tuning séquentiel : Le modèle pré-entraîné est fine-tuné sur plusieurs tâches ou domaines liés de manière séquentielle. Cela permet au modèle d’apprendre des motifs linguistiques plus nuancés et complexes à travers différentes tâches, conduisant à une meilleure généralisation et performance.
• Fine-tuning spécifique à une tâche : Le modèle pré-entraîné est fine-tuné sur une tâche ou un domaine spécifique en utilisant un jeu de données propre 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 : Le modèle pré-entraîné est fine-tuné sur plusieurs tâches simultanément. Cette approche permet au modèle d’apprendre et d’exploiter les représentations partagées entre différentes tâches, conduisant à une meilleure généralisation et performance.
• L’entraînement par adaptateurs consiste à entraîner des modules légers qui sont branchés sur le modèle pré-entraîné, permettant un fine-tuning sur une tâche spécifique sans affecter les performances du modèle original sur d’autres tâches.

Reinforcement Fine-Tuning (RFT)

Le Reinforcement Fine-Tuning (RFT) est une technique de personnalisation de modèle qui adapte un modèle de langage pré-entraîné en utilisant un retour basé sur une 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 modèle et optimiser itérativement le modèle afin de maximiser ces récompenses.

Cette approche est ancrée dans les principes de l’apprentissage par renforcement, où le modèle se comporte comme un agent qui apprend quels types de sorties conduisent 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 des 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 puissent personnaliser les modèles en se basant sur des signaux de retour (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’IA, et le modèle est entraîné à maximiser ces récompenses.⁷

Un autre exemple est le RFT d’OpenAI. Il permet aux développeurs d’adapter les modèles de raisonnement en définissant un évaluateur programmable qui note les réponses candidates. Pendant l’entraînement, le modèle est mis à jour de sorte que les sorties à score élevé deviennent plus probables dans les générations futures.

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

Méthode d’apprentissage en quelques exemples

L’apprentissage en quelques exemples (few-shot learning, FSL) consiste à améliorer les performances du modèle sans modifier ses poids. Dans cette approche, le modèle reçoit un nombre limité d’exemples (c’est-à-dire quelques « shots ») de la nouvelle tâche, et il utilise ces informations pour s’adapter et mieux performer sur cette tâche. Cela peut être considéré comme un

• Alternative moins coûteuse au fine-tuning. Le coût correspond aux tokens d’entrée pour quelques exemples.
• Problème de meta-apprentissage où le modèle apprend à apprendre à résoudre le problème donné.

Figure 3 : Scénario d’apprentissage en quelques exemples où le modèle apprend à classer 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 un apprentissage supervisé traditionnel. Dans le contexte des LLM, le fine-tuning avec un petit jeu de données lié à la nouvelle tâche est un exemple d’apprentissage en quelques exemples.

Différences entre l’apprentissage en quelques exemples et le fine-tuning

La principale différence est la quantité de données spécifiques à la tâche nécessaire pour que le modèle s’adapte à une nouvelle tâche ou à un nouveau domaine. Les méthodes de fine-tuning nécessitent une quantité modérée de données spécifiques à la tâche pour optimiser les performances du modèle, tandis que les méthodes d’apprentissage en quelques exemples peuvent adapter les modèles à de nouvelles tâches ou domaines avec quelques exemples étiquetés.

Exemples de fine-tuning

Le fine-tuning a permis des augmentations significatives de performance dans la finance

Bloomberg a développé BloombergGPT, un modèle de langage à grande échelle adapté au secteur financier. Ce modèle se concentre sur les tâches de traitement du langage naturel financier telles que l’analyse de sentiments, la reconnaissance d’entités nommées et la classification d’actualités.

Le BloombergGPT a été créé en utilisant une combinaison de jeux de données financiers et généraux, et a conduit à des scores élevés dans les tests de référence (Figure 4).

Figure 4 : Image montrant comment BloombergGPT performe dans deux grandes catégories de tâches de NLP : spécifiques à la finance et à usage général.¹⁰

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, en fonction de leurs exigences spécifiques, de leur secteur et de leurs objectifs. Voici quelques raisons courantes :

1. Personnalisation

Les entreprises ont souvent des besoins et des objectifs uniques qu’un modèle de langage générique peut ne pas satisfaire. Le fine-tuning leur permet d’adapter le comportement du modèle à leurs objectifs spécifiques, comme la génération de contenu marketing personnalisé ou la compréhension du contenu généré par les utilisateurs sur leur plateforme.

Découvrez comment le fine-tuning des LLM permet la création de produits et de stratégies marketing personnalisés, améliorant ainsi l’expérience de l’IA 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 peuvent avoir besoin de fine-tuner le modèle pour s’assurer qu’il respecte les exigences de confidentialité, adhère aux directives de contenu et génère des réponses appropriées conformes aux réglementations du secteur.

3. Langage spécifique au domaine

De nombreux secteurs 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 modèle sur des données spécifiques au domaine lui permet de comprendre et de générer des réponses précises dans le contexte du secteur d’activité de l’entreprise.

4. Performances améliorées

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

• Analyse de sentiments
• 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’IA agentique

Le fine-tuning est essentiel pour développer des systèmes d’IA agentique, conçus pour agir de manière autonome, 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 sa capacité à effectuer des appels de fonction, permettant au modèle de sélectionner et d’exécuter les outils appropriés (par exemple, des API, des bases de données) avec des paramètres précis.

Par exemple, un LLM fine-tuné peut alimenter une IA agentique qui gère de manière autonome les demandes des clients en s’intégrant à un système CRM ou récupère des données en temps réel via des API web. Cette personnalisation garantit que le modèle comprend les contextes spécifiques au domaine et les interactions avec les outils, rendant l’IA agentique plus efficace et fiable dans les applications d’entreprise.

6. Amélioration de l’expérience utilisateur

Un modèle fine-tuné peut offrir une meilleure expérience utilisateur en générant des réponses plus précises, pertinentes et contextuellement adaptées, ce qui conduit à une satisfaction client accrue, dans des applications telles que :

• Chatbots
• Assistants virtuels
• Systèmes de support client

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

Ajouter comme source préférée

Qu’est-ce qu’un LLM (LLM) ?

Un LLM est un système avancé d’intelligence artificielle (IA), plus précisément un modèle d’IA générative d’entreprise, conçu pour traiter, comprendre et générer du texte semblable à celui des humains sur la base de quantités massives de données. Ces modèles sont généralement construits en utilisant des techniques d’apprentissage profond, telles que les réseaux de neurones. Ils sont entraînés sur des jeux de données étendus comprenant des textes provenant d’un large éventail, comme 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 en fonction de l’entrée fournie. La taille du modèle, en termes de nombre de paramètres et de couches, lui permet de capturer des relations et des motifs complexes dans le texte. Cela lui permet d’effectuer diverses tâches, telles que :

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

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

Figure 5 : Exemples de modèles de fondation.¹¹

Pour aller plus loin

• Bien que le fine-tuning améliore l’efficacité des grands modèles de langage, il est essentiel de prendre en compte les Risques de l’IA générative.
• Le fine-tuning des grands modèles de langage comporte des considérations juridiques. Explorez le paysage juridique entourant ces systèmes d’IA avancés dans le droit d’auteur de l’IA 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 Guide de fine-tuning pour les entreprises}},
  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