Benchmark des modèles tabulaires: performance sur 19 jeux de données

Nous avons évalué 13 modèles d'apprentissage tabulaire sur 19 jeux de données réels totalisant environ 272 000 échantillons, allant de 435 à 48 800 lignes. Chaque modèle a été exécuté avec une validation croisée à 5 plis sur des répartitions identiques. Les résultats alimentent également l'AIM Tabular Index, qui les combine avec les classements publics TabArena et BeyondArena.

Résultats du benchmark des modèles d'apprentissage tabulaire

Chaque jeu de données donne lieu à un round-robin de confrontations directes entre modèles, départagées par la métrique principale. Le score Elo agrège les 1 398 confrontations en une note unique par modèle ; un écart de 200 points signifie que le modèle mieux noté remporte environ 3 matchs sur 4. Les détails figurent dans la méthodologie.

• Aucun modèle ne domine à lui seul. Le test de significativité ne détecte aucun écart significatif parmi les cinq premiers : LimiX-2 (1503), Kumo-Tabular (1438), TabPFN-3.5 (1363), TabFM (1325) et Causilo (1192). Les intervalles Elo des quatre premiers se chevauchent.
• LimiX-2 s'est classé premier sur 11 des 19 jeux de données et dans le trio de tête sur 17. Kumo-Tabular, que le test ne distingue pas de celui-ci, met en moyenne 7,6 secondes par pli, soit environ 15x plus rapide.
• Sur 15 des 18 jeux de données avec un seul gagnant, l'avance du gagnant est inférieure à son propre écart-type pli à pli. LimiX-2 mène avec un écart supérieur sur les trois autres : diabetes, electricity et employee_salaries.

Le score Elo gère également équitablement la couverture partielle : Mitra n'est noté que sur les matchs qu'il pouvait jouer, c'est-à-dire les 12 jeux de données respectant sa limite d'apprentissage de 10 000 lignes¹.

• LimiX-2 domine diabetes avec 0.879 de ROC-AUC contre Kumo-Tabular et son 0.844, et employee_salaries avec un RMSE de 2 743 contre TabPFN-3.5 et ses 3 060.
• Sur amazon_employee_access, dont la plus grande colonne catégorielle possède 7 518 valeurs, LimiX-2 obtient 0.898 contre 0.863 pour la régression logistique, le meilleur modèle classique. L'écart est de 3.5 fois l'écart-type de pli de LimiX-2.

Le test de significativité (test de Friedman, puis différence critique de Nemenyi) place LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM et Causilo devant les quatre modèles classiques, dont aucun n'a remporté un jeu de données. LimiX-2 et Kumo-Tabular devancent également TabICLv2, Mitra-v2 et TabPFN 3. L'avance de TabPFN-3.5 sur TabPFN 3 dépasse le seuil de 0.02 point de rang, l'écart significatif le plus étroit du test. Les détails du test figurent dans la méthodologie.

Latence des modèles tabulaires

• La tarification des GPU utilise le tarif à la demande RunPod Community Cloud B200 de 5.98 $ par heure-GPU. Les modèles classiques ont été exécutés sur CPU (62 cœurs) ; chaque modèle de fondation a été exécuté sur un B200.
• TabFM a mis en moyenne 173,6 secondes par pli (médiane 16.9) et LimiX-2 111.9 (médiane 28.4). À ce rythme, les temps de pli de TabFM pour l'ensemble du benchmark coûtent environ 27 $ et ceux de LimiX-2 environ 18 $ ; TabPFN-3.5 a effectué le même travail pour 0.68 $, et LightGBM a tourné sur CPU.
• TabPFN-3.5 et Kumo-Tabular mettent en moyenne 4.3 et 7,6 secondes par pli ; l'exécution complète de Kumo-Tabular coûte 1.19 $. Causilo (1,4 secondes) et Mitra-v2 (1.5) sont les modèles de fondation les plus rapides.
• Les temps de pli excluent le démarrage à froid de TabFM : son backend JAX passe environ 20 à 25 minutes à compiler les noyaux GPU avant la première prédiction. Un cache de compilation persistant élimine ce phénomène lors des exécutions suivantes.
• LimiX-2 a utilisé environ 124 Go de mémoire GPU sur les plus grands jeux de données. Le backend JAX de TabFM sur le matériel B200 rencontre un bug cuBLAS documenté dans la pile CUDA 12 par défaut, que JAX signale comme un risque silencieux de corruption des données ; la pile CUDA 13 l'évite.
• TabFM retraite les données d'entraînement comme contexte à chaque lot de prédiction, de sorte que les évaluations répétées sur de grandes données aggravent son coût. Un modèle XGBoost entraîné prédit en microsecondes.

Résultats par taille de jeu de données et type de caractéristiques

• Petits jeux de données (1 000 lignes ou moins) : les modèles de fondation occupent les neuf premières places sur les données numériques comme hybrides (numériques plus catégorielles). LimiX-2 est en tête sur les données numériques (93,7 % de ROC-AUC moyen). La régression logistique tient bon sur les données numériques (91,2 %) et s'effondre sur les données hybrides (77,5 %).
• Jeux de données moyens (1 001 à 10 000 lignes) : les modèles de fondation dominent sur les deux types de caractéristiques. L'écart sur les données hybrides est large : LimiX-2 obtient 85,5 % de ROC-AUC moyen contre 83,4 % pour le meilleur modèle classique, CatBoost.
• Grands jeux de données (plus de 10 000 lignes) : le vieux schéma selon lequel « le boosting rattrape à grande échelle » a disparu. Sur les grandes données numériques, LimiX-2, Kumo-Tabular et TabPFN-3.5 obtiennent en moyenne 99,6 % contre XGBoost et ses 97,0 %. Sur les grandes données hybrides, LimiX-2 et TabPFN-3.5 dominent avec 89,2 % contre LightGBM et ses 87,6 %.
• Mitra-v2 obtient en moyenne 95,6 % sur les grandes données numériques, en dessous de XGBoost. Ce segment ne contient qu'un jeu de données binaire, electricity, où Mitra-v2 prédit à partir d'un contexte plafonné.

Rang moyen par régime

La vue des rangs ajoute deux éléments que les moyennes de ROC-AUC masquent.

• LimiX-2 détient le meilleur rang moyen dans cinq des six régimes, à égalité avec TabFM sur les données numériques moyennes. Sur les petites données hybrides, son rang inversé de 9.5 le place quatrième, derrière Kumo-Tabular (11.5), TabFM (10.0) et TabPFN-3.5 (9.8).
• Chaque modèle de fondation, à l'exception de Mitra, surclasse tous les modèles classiques dans les six régimes.

Victoires des modèles par régime

LimiX-2 remporte des points de victoire dans les six régimes et 11.1 des 19 points au total. TabFM en marque dans trois régimes ; Kumo-Tabular et TabPFN-3.5 dans deux. Les modèles classiques ne marquent aucun point. L'égalité à huit sur monks-problems-2 divise un point en huit parts, si bien que la plupart des modèles de fondation affichent 0.1 sur les petites données hybrides.

Observations spécifiques aux modèles

LimiX-2 (StableAI)

LimiX-2 possède le meilleur rang moyen (2.16) et 11 victoires nettes. Il affiche également le deuxième coût de calcul le plus élevé, avec 111,9 secondes par pli et environ 124 Go de mémoire GPU sur les plus grands jeux de données².

Kumo-Tabular (NVIDIA)

Kumo-Tabular possède le deuxième rang moyen (2.63) à 7,6 secondes par pli, et le test de significativité ne le distingue pas de LimiX-2³. Il s'est classé dans le trio de tête sur 16 des 19 jeux de données.

TabPFN-3.5 (Prior Labs)

TabPFN-3.5 possède le troisième rang moyen (3.26) à 4,3 secondes par pli, contre TabPFN 3 et ses 4.2. Son avance de rang sur TabPFN 3 est significative avec la marge la plus étroite du test. SAP a annoncé l'acquisition de Prior Labs en mai 2026⁴, ce qui compte pour les entreprises qui évaluent la stabilité d'un fournisseur.

TabFM (Google Research)

TabFM possède le quatrième rang moyen (3.53) et s'est classé premier sur trois jeux de données⁵. Ses temps de pli sont environ 40x ceux de TabPFN 3, sa première exécution compile pendant plus de 20 minutes, et il est limité à 10 classes et optimisé pour jusqu'à 500 caractéristiques.

Causilo (Nums IA)

Causilo possède le cinquième rang moyen (4.89) à 1,4 secondes par pli, le modèle de fondation le plus rapide du benchmark⁶. Aucun des quatre modèles qui le précèdent n'est significativement devant lui.

TabICLv2 (Inria SODA)

TabICLv2 possède le sixième rang moyen (6.58) à 3,1 secondes par pli⁷. Il ajoute la prise en charge de la régression, qui manquait au TabICL original, et a traité l'ensemble des 19 jeux de données.

TabPFN 3 (Prior Labs)

TabPFN 3 possède le huitième rang moyen (7.11) et a traité l'ensemble des 19 jeux de données en 6.6 minutes-GPU⁸.

Mitra-v2 (Amazon)

Mitra-v2 possède le septième rang moyen (7.00) à 1,5 secondes par pli⁹. Il supprime la limite de Mitra de 10 000 lignes et a traité l'ensemble des 19 jeux de données, mais sur cinq grands jeux de données binaires, il prédit à partir d'un échantillon d'au plus 16 384 lignes d'entraînement.

Mitra (Amazon, via AutoGluon)

Un spécialiste des petites données par conception : une limite stricte de 10 000 lignes d'apprentissage le rend N/A sur 7 des 19 jeux de données. Sur ses 12 jeux de données, il obtient en moyenne un rang de 9.12 parmi les 13 modèles. Mitra-v2 supprime la limite et obtient un meilleur rang.

Boosting de gradient : LightGBM, CatBoost, XGBoost

Les arbres à gradient boosté ne dominent plus l'exactitude dans aucun régime. LightGBM a été le meilleur modèle classique (rang moyen 9.74). CatBoost a été le meilleur modèle classique sur les données hybrides moyennes. XGBoost s'est classé dernier au rang moyen (10.79) et a montré une faiblesse notable : avec les divisions catégorielles natives sur la régression à haute cardinalité employee_salaries, il a obtenu un RMSE de 10 894 là où LightGBM a obtenu 4 367 sur des entrées identiques. C'est un résultat sur un seul jeu de données, mais il vaut la peine d'être vérifié avant de s'appuyer sur le mode catégoriel de XGBoost.

L'atout des arbres boostés en 2026 est opérationnel : entraînement en moins d'une seconde, inférence en microsecondes, pas de GPU, pas de limite de lignes, outillage mature.

Régression logistique

Logistic regression a un rang moyen de 10.53, mais sur amazon_employee_access, il bat tous les arbres à gradient boosté, TabPFN 3 et TabICLv2. Le one-hot sparse associé à un modèle linéaire reste une référence solide et presque gratuit sur les données catégorielles à haute cardinalité. Gardez-le dans chaque benchmark.

Points clés

Cinq modèles de fondation (LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM et Causilo) battent les quatre modèles classiques avec une significativité statistique sur les 19 jeux de données, et les modèles de fondation dominent dans chaque régime de taille et de type de caractéristiques. Cela ne vaut que si chaque modèle reçoit l'entrée catégorielle pour laquelle il est conçu ; forcer un encodage one-hot sur les modèles en contexte les handicape sur les données à haute cardinalité.

Le test de significativité ne distingue pas LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM et Causilo. Leurs temps de pli vont de 1,4 seconde (Causilo) à 173,6 secondes (TabFM).

Parmi ces cinq modèles, seule la licence de Kumo-Tabular autorise l'utilisation commerciale du modèle et de ses sorties sans accord séparé.

Zero-shot signifie zéro entraînement, pas zéro calcul. Évaluez le volume de prédiction de votre charge de travail avant de choisir TabFM ou LimiX-2.

Que sont les modèles de fondation tabulaires ?

Les modèles tabulaires traditionnels s'entraînent de zéro sur chaque jeu de données. Les modèles de fondation tabulaires (TFM) sont préentraînés une seule fois sur de grandes collections de problèmes tabulaires, pour la plupart synthétiques, et s'adaptent à de nouveaux jeux de données au moment de l'inférence : les lignes d'entraînement sont fournies comme contexte et les prédictions sortent d'une passe avant. Pas d'entraînement par gradient, pas de réglage d'hyperparamètres.

TabPFN reformule l'apprentissage tabulaire comme une inférence bayésienne amortie : un transformeur préentraîné sur des millions de tâches synthétiques conditionne ses prédictions sur le jeu de données observé⁸. TabPFN 3 est conçu pour jusqu'à 1 000 000 lignes et 2 000 caractéristiques, avec une gestion native des variables catégorielles.

TabICL étend l'apprentissage en contexte aux tables : les lignes deviennent des tokens structurés et le modèle infère des règles de décision à partir d'exemples contextuels¹⁰. TabICLv2 a ajouté la prise en charge de la régression en février 2026.

TabFM combine les deux approches : attention alternée sur les lignes et les colonnes des cellules brutes, compression de chaque ligne en un vecteur dense, puis un transformeur en contexte sur les lignes compressées. Il a été entraîné sur des centaines de millions de jeux de données synthétiques générés à partir de modèles causaux structurels.

Mitra suit la lignée TabPFN à l'intérieur d'AutoGluon, optimisé pour les petites données.

LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo et Mitra-v2 fonctionnent de la même manière dans ce benchmark : chacun prédit à partir des lignes d'entraînement comme contexte, sans entraînement par gradient sur le jeu de données.

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

Méthodologie du benchmark des modèles tabulaires

Modèles (13) : LogisticRegression (régression ridge sur les trois jeux de données de régression), XGBoost, LightGBM, CatBoost, TabPFN 3, TabICLv2, TabFM, Mitra, LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo, Mitra-v2.

Jeux de données (19, OpenML) : 15 classifications binaires, 1 multiclasse, 3 régressions ; de 435 à 48 800 lignes ; caractéristiques uniquement numériques ou hybrides (numériques plus catégorielles). Les colonnes de fuite connues ont été supprimées.

Évaluation : validation croisée stratifiée à 5 plis (CV simple pour la régression), graine 42, répartitions identiques pour chaque modèle. Métriques principales : ROC-AUC (binaire), macro-F1 (multiclasse), RMSE (régression). Hyperparamètres par défaut, aucun réglage. Cela favorise les modèles tuning-free : un XGBoost réglé obtiendrait un score plus élevé, et le budget de réglage est lui-même un coût que nous n'avons pas modélisé.

Configuration : les réglages fixes du benchmark pour les modèles classiques, TabPFN 3, TabICLv2, TabFM et Mitra ; pour LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo et Mitra-v2, la configuration par défaut de TabArena, un classement public pour les modèles tabulaires. Aucun modèle n'est fine-tuné. Le réglage par défaut de TabArena pour Mitra-v2 effectue un fine-tuning pendant 50 étapes sur chaque pli d'entraînement ; ici, Mitra-v2 est exécuté sans cela.

Traitement des variables catégorielles, selon la conception de chaque modèle : dtype natif de catégorie pour CatBoost, XGBoost, LightGBM, Causilo et Mitra-v2 ; caractéristiques brutes avec indices catégoriels pour TabPFN 3, TabPFN-3.5 et TabFM, colonnes de texte brut pour LimiX-2 ; types de colonnes inférés par le modèle pour Kumo-Tabular, encodage ordinal pour TabICLv2 ; one-hot plus StandardScaler pour la régression logistique uniquement. Aucun modèle prenant en charge les catégorielles natives n'est forcé au one-hot. Le compromis : les cellules diffèrent dans la représentation d'entrée par conception. Imposer une représentation unique à chaque modèle semble plus équitable, mais pénalise les modèles conçus pour une entrée différente.

Environnement : un pod RunPod avec 2x NVIDIA B200 (183 Go), pilote 580, Ubuntu 24.04. Modèles classiques sur CPU (62 cœurs), chaque modèle de fondation sur un B200. PyTorch 2.8.0 cu128 pour TabPFN 3, TabICLv2 et Mitra ; JAX 0.10.1 avec les wheels CUDA 13 pour TabFM. LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo et Mitra-v2 ont été exécutés sur des pods RunPod à B200 unique (pilote 595, CUDA 13.2), un modèle à la fois par GPU, chacun dans son propre environnement Python.

Latence : temps horloge d'ajustement plus prédiction par pli, enregistré dans le harnais. La compilation unique de TabFM est exclue des temps de pli et rapportée séparément.

Politique N/A : une cellule est N/A uniquement en cas de limite documentée du modèle, avec la raison enregistrée dans les journaux. Les seuls N/A dans les données finales concernent les 7 jeux de données de Mitra dépassant sa limite de 10 000 lignes.

Plafond de contexte de Mitra-v2 : sur les jeux de données binaires avec plus de 16 384 lignes d'entraînement (adult, amazon_employee_access, bank-marketing-full, default_credit, electricity), Mitra-v2 prédit à partir d'un échantillon équilibré par classe de 16 384 lignes d'entraînement, redessiné pour chaque lot de 16 384 lignes de test. C'est le défaut de TabArena. Le plafond est de 32 768 lignes pour la multiclasse et la régression, ce qu'aucun jeu de données ne dépasse ici.

Métriques de rang : dans chaque jeu de données, les modèles sont classés de 1 (meilleur) à k selon la métrique principale ; le rang moyen d'un modèle fait la moyenne de ces rangs sur les jeux de données qu'il a terminés. Le graphique par régime montre le rang inversé, k + 1 moins le rang, de sorte que plus c'est élevé, mieux c'est, et 13 signifie premier parmi 13. Les points de victoire attribuent le point unique de chaque jeu de données au meilleur score ; les égalités exactes le partagent également, donc une égalité à huit paie 0.125 chacun.

Statistiques : test de Friedman plus différence critique de Nemenyi sur les 12 modèles à couverture complète. Mitra est exclu car il n'a traité que 12 des 19 jeux de données ; l'inclure réduirait le test à ces 12. Les rangs moyens cités dans les sections modèles proviennent de ce test à 12 modèles ; celui de Mitra est calculé parmi les 13 modèles sur ses 12 jeux de données.

Le test de Friedman donne un chi-deux de 165.8, p inférieur à 10^-29. La différence critique est CD = q × sqrt(k(k+1) / (6N)), avec q = 3.268 à alpha 0.05 pour k = 12 modèles et N = 19 jeux de données, ce qui donne CD = 3.82 : deux modèles ne diffèrent significativement que si leurs rangs moyens sont distants de plus de 3.82. Les quatre premiers s'étendent de 2.16 (LimiX-2) à 3.53 (TabFM), de sorte qu'aucun écart entre eux ne franchit le seuil. L'écart de LimiX-2 par rapport à TabICLv2 est de 4.42 ; l'écart de TabPFN-3.5 par rapport à TabPFN 3 est de 3.84. Les intervalles de confiance du rang moyen proviennent d'un bootstrap de 10 000 échantillons sur les jeux de données.

Classements Elo : chaque jeu de données donne lieu à un round-robin entre tous les modèles qui l'ont traité, soit 1 398 confrontations par paires au total. Le modèle avec la meilleure métrique principale remporte la confrontation (score 1) ; les égalités exactes donnent 0.5 chacun.

Les formules utilisent quatre quantités. R(A) est le classement actuel du modèle A, le nombre rapporté par le graphique ; chaque modèle commence à R = 1000. S(A) est le score réel obtenu par le modèle A lors d'une confrontation : 1 pour une victoire, 0.5 pour une égalité, 0 pour une défaite. E(A) est le score attendu, la probabilité de victoire prédite par les classements actuels pour A avant la confrontation. K = 32 est le pas de mise à jour, qui plafonne la variation de classement qu'une seule confrontation peut entraîner.

Avant une confrontation entre les modèles A et B, le score attendu est E(A) = 1 / (1 + 10^((R(B) − R(A)) / 400)) : lorsque les classements sont égaux, cela donne 0.5, et il s'approche de 1 à mesure que le classement de A prend de l'avance. Après la confrontation, le classement est mis à jour par R(A) = R(A) + K × (S(A) − E(A)), de sorte que A gagne lorsqu'il fait mieux que prévu et perd des points lorsqu'il fait moins bien ; une victoire surprise sur un modèle mieux classé rapporte plus qu'une victoire de routine sur un modèle plus faible. La mise à jour est à somme nulle, donc la moyenne du groupe reste à 1000, et un classement proche de 1000, comme Mitra-v2 et ses 977, se lit comme un modèle moyen dans ce domaine. Le diviseur 400 fixe l'échelle : à un écart de 200 points, le score attendu est 1 / (1 + 10^(−0.5)) = 0.76, ce qui explique l'expression « gagne environ 3 matchs sur 4 ».

Une seule passe Elo dépend de l'ordre des affrontements, et les 19 jeux de données sont eux-mêmes un échantillon. Nous exécutons donc 1 000 cycles de bootstrap ; chaque cycle rééchantillonne les 19 jeux de données avec remise, reconstruit la liste des confrontations, mélange l'ordre des confrontations et exécute Elo de zéro. Le classement publié est la moyenne sur les cycles, et les intervalles à 95 % sont les percentiles 2.5 et 97.5, couvrant à la fois l'échantillonnage des jeux de données et le bruit d'ordre. Elo est la visualisation de synthèse ; le test de Friedman et Nemenyi reste l'arbitre de la significativité.

Reproductibilité : graine fixe 42, répartitions identiques, résultats par pli et tous les scripts de fusion, de statistiques et d'Elo dans le dépôt du benchmark.

Citez ce benchmark

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

@misc{kalelioglu2026,
  author = {Kalelioğlu, Berk and Dilmegani, Cem},
  title  = {{Benchmark des modèles tabulaires: performance sur 19 jeux de données}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/tabular-models}},
  note   = {AIMultiple. Consulté le 12 octobre 2026}
}

Journal des modifications

3 mises à jour

Toutes3Général2Méthodologie1

2026

1. 3 juil

   Ajout de TabFM au benchmark, en tête dans chaque régime de données.

2. 19 mai

   Remplacement de TabPFN par TabPFN 3 dans les résultats, classements et limites du benchmark.

3. 19 mai

   Remplacement de TabPFN par TabPFN 3 dans la liste des modèles évalués.

Liens de référence

1.

AutoGluon Tabular - Foundational Models - AutoGluon 1.6.1 documentation

2.

[2609.17488] LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence

3.

GitHub - NVIDIA/structured-data-models: Foundation Models for Structured Data · GitHub

4.

SAP to Acquire Prior Labs | SAP News Center

SAP

5.

Introducing TabFM: A zero-shot foundation model for tabular data

6.

[2609.22866] Causilo Technical Report

7.

[2602.11139] TabICLv2: A better, faster, scalable, and open tabular foundation model

8.

[2207.01848] TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second

9.

[2609.04540] Mitra-v2 Technical Report

10.

[2502.05564] TabICL: A Tabular Foundation Model for In-Context Learning on Large Data

Berk Kalelioğlu

Chercheur en IA

Suivre

Berk est chercheur en IA au sein de l’équipe benchmark d’AIMultiple, se concentrant sur l’IA agentique, l’apprentissage automatique et les grands et petits modèles de langage (LLM et SLM).

Voir le profil complet

Recherche effectuée par

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. 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 digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et 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