Sıla Ermut
Sıla è un'analista di settore presso AIMultiple, specializzata in email marketing e video di vendita.
Interessi di ricerca
Gli ambiti di ricerca di Sıla includono l'email marketing, le campagne di marketing per l'e-commerce e l'automazione del marketing. Fa anche parte del team di AIMultiple dedicato al benchmark di deliverability delle email, dove si occupa della progettazione e dell'esecuzione di tali benchmark in collaborazione con il team tecnologico di AIMultiple.Esperienza professionale
Sıla ha lavorato in precedenza come reclutatrice e in società di gestione di progetti e di consulenza.Preparazione
Lei possiede:- Laurea triennale in Relazioni Internazionali presso l'Università di Bilkent.
- Laurea magistrale in Psicologia Sociale conseguita presso l'Università di Başkent.
Ultimi articoli di Sıla
Le 125 migliori applicazioni di intelligenza artificiale generativa
Sulla base della nostra analisi di oltre 30 casi di studio e 10 benchmark, in cui abbiamo testato e confrontato più di 40 prodotti, abbiamo identificato 125 casi d'uso di IA generativa nelle seguenti categorie: Per altre applicazioni di IA per richieste in cui esiste un'unica risposta corretta (ad esempio, previsione o classificazione), consulta le applicazioni di IA.
Quota di mercato di LLM: confronto tra utilizzo e adozione
Abbiamo analizzato la quota di mercato dei modelli linguistici di grandi dimensioni (LLM) combinando dati basati sull'utilizzo e stime delle visite web per mostrare come la domanda di modelli linguistici di grandi dimensioni è distribuita tra laboratori di IA e applicazioni di IA: confronto della quota di mercato dei modelli linguistici di grandi dimensioni per paese. Leggi la metodologia per vedere come abbiamo misurato e calcolato questi risultati.
Confronto tra modelli di fondamenti relazionali
Abbiamo confrontato SAP-RPT-1-OSS con il gradient boosting (LightGBM, CatBoost) su 17 dataset tabellari che coprono l'intero spettro semantico-numerico, tabelle piccole/ad alta semantica, dataset aziendali misti e grandi dataset numerici a bassa semantica. Il nostro obiettivo è misurare in quali casi i prior semantici pre-addestrati di un LLM relazionale possono offrire vantaggi rispetto ai modelli ad albero tradizionali e dove invece incontrano difficoltà in presenza di grandi dimensioni o di una struttura a bassa semantica.
Quantizzazione LLM: BF16 vs FP8 vs INT4
Abbiamo eseguito un benchmark di Qwen3-32B a 4 livelli di precisione (BF16, FP8, GPTQ-Int8, GPTQ-Int4) su una singola GPU NVIDIA H100 da 80 GB. Ogni configurazione è stata valutata su 2 benchmark (~12.200 domande) che coprono la generazione di conoscenza e codice, oltre a più di 2.000 esecuzioni di inferenza per misurare il throughput.
E-Commerce AI Video Maker Benchmark: Veo 3 vs Sora 2
La visualizzazione del prodotto gioca un ruolo cruciale nel successo dell'e-commerce, eppure la creazione di video di prodotto di alta qualità rimane una sfida significativa. I recenti progressi nella tecnologia di generazione video basata sull'intelligenza artificiale offrono soluzioni promettenti.
Software di sintesi vocale: Hume ed ElevenLabs
Con l'evoluzione delle capacità dell'IA, i software di sintesi vocale (TTS) stanno diventando sempre più abili nel produrre un parlato naturale e simile a quello umano. Abbiamo valutato e confrontato le prestazioni di cinque diversi strumenti di sintesi vocale e analisi del sentiment (Resemble, ElevenLabs, Hume, Azure e Cartesia) su sette categorie emotive principali per determinare quale fosse in grado di riconoscere i toni emotivi in modo più accurato, coerente e completo.
Intelligenza artificiale senza codice: vantaggi, settori e differenze principali
Gli strumenti di IA senza codice consentono agli utenti di creare, addestrare o implementare applicazioni di IA senza scrivere codice. Queste piattaforme si basano in genere su interfacce drag-and-drop, comandi in linguaggio naturale, procedure guidate di configurazione o strumenti visivi per la creazione di flussi di lavoro. Questo approccio abbassa la barriera d'ingresso e rende lo sviluppo di IA accessibile agli utenti senza esperienza di programmazione.
Modelli quantitativi su larga scala: applicazioni e sfide
I sistemi moderni stanno diventando troppo complessi per l'analisi statistica tradizionale, poiché le istituzioni gestiscono ormai enormi quantità di dati, inclusi dati sui pazienti, dati meteorologici e dati sui mercati finanziari. I modelli quantitativi su larga scala (LQM) sono di aiuto nell'elaborazione di questi set di dati, nell'integrazione di dati strutturati e non strutturati e nell'applicazione di modelli predittivi per scoprire schemi e fornire informazioni basate sui dati che i metodi tradizionali non sono in grado di offrire.
10 migliori pratiche ed esempi per la raccolta dati nell'e-commerce
Con la crescita dello shopping online e il cambiamento delle aspettative dei clienti, le aziende di e-commerce si trovano ad affrontare una pressione crescente per rimanere competitive. I dati reali sono fondamentali per prendere decisioni più rapide e intelligenti. La mancata raccolta e il mancato utilizzo corretto dei dati possono comportare la perdita di vendite, operazioni inefficienti e una scarsa fidelizzazione dei clienti.
Intelligenza artificiale generativa per l'email marketing: applicazioni ed esempi.
L'intelligenza artificiale generativa si è evoluta oltre la semplice creazione di contenuti email, consentendo la personalizzazione in tempo reale, le interazioni multimodali e l'orchestrazione cross-channel che risponde al comportamento del cliente.
Newsletter AI Multiple
Una email gratuita a settimana con le ultime notizie tecnologiche B2B e approfondimenti di esperti per dare impulso alla tua azienda.