LLM Guida al Fine-Tuning per le Aziende

Segui i link per le soluzioni specifiche ai tuoi problemi di output LLM. Se il tuo LLM:

• Non ha accesso ai fatti necessari nel tuo dominio, addestra un nuovo LLM, passa a uno specifico per il dominio, o utilizza RAG per recuperare i fatti
• Possiede i fatti rilevanti ma deve rispondere con uno stile e un tono diversi, seguire determinati formati di output o utilizzare determinati strumenti, allora:
  • Per prima cosa, sfrutta l'ingegneria dei prompt o il prompt chaining per migliorare i risultati
  • Se non funzionano, il LLM fine-tuning è l'approccio giusto. Puoi utilizzare il servizio del tuo fornitore di LLM o fare il fine-tuning di LLM open source in locale.

L'adozione diffusa dei modelli linguistici di grandi dimensioni (LLMs) ha migliorato la nostra capacità di elaborare il linguaggio umano. Tuttavia, il loro addestramento generico spesso si traduce in prestazioni subottimali per compiti specifici.

Per superare questa limitazione, vengono impiegati metodi di fine-tuning per adattare gli LLMs ai requisiti unici di diverse aree applicative.

Che cos'è il fine-tuning degli LLM?

Il fine-tuning di un modello linguistico di grandi dimensioni regola un modello pre-addestrato per eseguire compiti specifici o per soddisfare un particolare dominio in modo più efficace. Il processo prevede l'addestramento ulteriore del modello su un dataset più piccolo e mirato, pertinente al compito o all'argomento desiderato.

Il modello linguistico di grandi dimensioni originale è pre-addestrato su enormi quantità di dati testuali diversificati, il che lo aiuta ad apprendere la comprensione generale del linguaggio, la grammatica e il contesto. Il fine-tuning sfrutta questa conoscenza generale e affina il modello per ottenere prestazioni e comprensione migliori in un dominio specifico.

Figura 2: Capacità di un LLM dopo il fine-tuning.¹

Ad esempio, un modello linguistico di grandi dimensioni potrebbe essere sottoposto a fine-tuning per compiti come l'analisi del sentiment nelle recensioni dei prodotti, la previsione dei prezzi delle azioni basata su notizie finanziarie, o l'identificazione dei sintomi di malattie nei testi medici.

Questo processo personalizza il comportamento del modello, consentendogli di generare output più accurati e contestualmente pertinenti per compiti quali:

• Analisi del sentiment.
• Sviluppo di chatbot.
• Risposta a domande.

Come fare il fine-tuning degli LLMs

1. Preparazione del dataset

Poiché gli LLMs sono pre-addestrati su un dataset fisso, non sono a conoscenza di eventi in tempo reale. Per mantenere aggiornati questi modelli e migliorare le loro prestazioni su argomenti specifici in evoluzione, le aziende utilizzano dati web in tempo reale. Questi dati sono fondamentali per due motivi principali: aiutano l'allineamento al dominio e riducono le allucinazioni.

1.1. Allineamento al dominio e pertinenza:

L'utilizzo di dati provenienti dal web consente alle aziende di fare il fine-tuning degli LLMs sulle informazioni più aggiornate e pertinenti per il loro settore. Ad esempio, un'azienda di tecnologia legale potrebbe utilizzare web crawler per raccogliere sentenze recenti e blog legali.

Questi dati specifici del dominio assicurano che il modello sottoposto a fine-tuning comprenda la terminologia aggiornata e il contesto del settore, che spesso mancano nei dataset statici disponibili pubblicamente. Questo processo è fondamentale per trasformare un modello pre-addestrato generico in un esperto in un campo specifico.

1.2. Riduzione delle allucinazioni:

L'allucinazione si verifica quando un LLM genera informazioni plausibili ma di fatto errate. Facendo il fine-tuning di un LLM con dati di alta qualità provenienti dal mondo reale tramite il web, gli si fornisce una fonte di verità affidabile.

Ciò rende il modello meno propenso a inventare informazioni durante l'inferenza e lo aiuta a generare risposte più accurate e affidabili.

Le aziende utilizzano strumenti di web scraping interni o fornitori terzi per raccogliere dati dai siti web. Questi dati di addestramento raccolti vengono poi preparati e utilizzati per il fine-tuning del LLM.

Incorporando continuamente nuovi dati web, le aziende possono garantire che i loro modelli sottoposti a fine-tuning rimangano pertinenti e accurati, fornendo un significativo vantaggio competitivo.

2. Scelta di un modello di base e di un metodo di fine-tuning

La selezione del modello di base appropriato e del metodo di fine-tuning dipende dal compito specifico e dai dati disponibili. Esistono vari fornitori di LLM tra cui scegliere, tra cui Alphabet e Meta, ciascuno con i propri punti di forza e debolezza. Anche il metodo di fine-tuning può variare in base al compito e ai dati, come il transfer learning, il fine-tuning sequenziale o il fine-tuning specifico per il compito.

Nella scelta del modello di base, dovresti considerare:

• Se l'infrastruttura tecnica è adeguata alla potenza di calcolo richiesta per il fine-tuning
• Se il modello si adatta al tuo compito specifico
• Le dimensioni di input e output del modello
• La dimensione del tuo dataset

3. Fine-tuning

Il fine-tuning adatta gli LLMs pre-addestrati a compiti specifici o esigenze organizzative, sia attraverso servizi gestiti offerti dai fornitori di modelli, sia modificando direttamente modelli open-source utilizzando dati specifici del compito e strumenti MLOps.

Fine-tuning come servizio per modelli closed-source

I principali fornitori di LLM offrono il fine-tuning gestito, sebbene il panorama sia cambiato nel 2026. Google (Gemini tramite Vertex IA) e Anthropic (Claude tramite Amazon Bedrock) rimangono le principali opzioni closed-source per i nuovi carichi di lavoro di fine-tuning. OpenAI, che storicamente offriva il fine-tuning sui modelli GPT, sta riducendo la sua piattaforma di fine-tuning, il che significa che è chiusa ai nuovi utenti e gli utenti esistenti hanno una finestra limitata per creare nuovi lavori di addestramento.²

Ad esempio, Vertex IA supporta molteplici approcci di tuning dei modelli, consentendo agli sviluppatori flessibilità nel modo in cui personalizzano il comportamento del modello oltre al semplice fine-tuning:

• Fine-tuning supervisionato: Addestrare un modello con esempi etichettati in modo che impari a produrre gli output desiderati per compiti specifici.
• Tuning delle preferenze: Un approccio di tuning distinto che si basa sul fine-tuning supervisionato utilizzando dati di preferenza umana per insegnare ai modelli a generare output più preferiti sulla base di feedback a coppie piuttosto che su etichette esplicite.
• Checkpoint di tuning e tuning continuo: Strumenti per salvare i progressi o estendere un modello già ottimizzato con più dati o passaggi di addestramento.³

Prezzi: Il fine-tuning gestito ha in genere un prezzo per token di addestramento, con l'inferenza fatturata separatamente a un premio rispetto al modello di base.

Fine-tuning di modelli open source

Poiché i pesi del modello sono disponibili nei modelli open source, le aziende possono fare il fine-tuning di modelli open source in locale senza esporre i propri dataset ai fornitori di LLM.

I passaggi per fare il fine-tuning dei modelli open source includono:

• Caricamento del modello pre-addestrato: Una volta selezionati l' LLM e il metodo di fine-tuning, il modello pre-addestrato deve essere caricato in memoria.
  • Questo passaggio inizializza i pesi del modello in base ai valori pre-addestrati, accelerando il processo di fine-tuning e garantendo che il modello abbia appreso la comprensione generale del linguaggio.
• Il fine-tuning comporta l'addestramento dell' LLM pre-addestrato sul dataset specifico del compito. Il processo di addestramento prevede l'ottimizzazione dei pesi e dei parametri del modello per minimizzare la funzione di perdita e migliorare le sue prestazioni sul compito.

Il processo di fine-tuning comporta in genere cicli iterativi di addestramento. Per ottimizzare le prestazioni, gli sviluppatori devono regolare configurazioni come il tasso di apprendimento o la dimensione del batch. Strumenti come Weights & Biases (Sweeps) automatizzano questa ricerca degli iperparametri, visualizzando come le diverse variabili influenzano la convergenza del modello in modo che i team possano selezionare la configurazione migliore senza tentativi manuali.

Ad esempio, i modelli Llama possono essere sottoposti a fine-tuning in modo economico con approcci di Parameter Efficient Fine Tuning (PEFT).⁴

Le aziende possono sfruttare le loro piattaforme MLOps o LLMOps per fare il fine-tuning dei modelli.

Ad esempio, l'utilizzo di una piattaforma che funge da system of record (come Weights & Biases) consente alle aziende di tracciare ogni esecuzione di addestramento, registrare le metriche di sistema (utilizzo della GPU) e versionare i checkpoint del modello risultanti in un registro centrale. Ciò garantisce che anche quando si addestrano modelli open-source in locale, il flusso di lavoro rimanga riproducibile e collaborativo.

Fine-tuning di modelli open-weight

I modelli open-weight sono disponibili pubblicamente per essere scaricati ed eseguiti localmente (o sulla propria infrastruttura cloud) senza fare affidamento su un'API.

Si differenziano dai modelli open-source perché open-source implica in genere che il codice di addestramento completo, i dettagli dei dati e i termini di licenza consentano la modifica e la ridistribuzione. I modelli open-weight possono rilasciare i pesi ma mantenere riservate parti della pipeline di addestramento, il dataset o i diritti di utilizzo.

Poiché i pesi sono accessibili, i modelli open-weight possono essere sottoposti a fine-tuning direttamente continuando l'addestramento su dataset personalizzati (ad esempio, fine-tuning supervisionato, metodi LoRA/PEFT), consentendo alle organizzazioni di personalizzare il comportamento mantenendo i dati e il deployment completamente sotto il proprio controllo.

Ad esempio, la famiglia LFM2.5 di Liquid IA funge da insieme di modelli di base open-weight. Sono rilasciati per deployment on-device e edge IA, con checkpoint disponibili su Hugging Face e sulla piattaforma Liquid IA LEAP.

La serie include varianti come LFM2.5-1.2B-Base (un modello di base pre-addestrato) e LFM2.5-1.2B-Instruct, che ha ricevuto un fine-tuning supervisionato e un apprendimento per rinforzo nella sua pipeline di post-addestramento.

Poiché i pesi sono pubblicamente accessibili, gli sviluppatori possono prendere il checkpoint di base ed eseguire il proprio fine-tuning: addestrare il modello su dataset proprietari, adattarlo a compiti specifici della lingua o del dominio, o sperimentare altri metodi di addestramento (come il fine-tuning supervisionato con adattatori o l'allineamento delle preferenze).

LFM2.5 è altamente adatto per la personalizzazione specifica del compito su hardware locale o dispositivi edge, dove è importante controllare il flusso di lavoro di addestramento e inferenza.⁵

Un altro esempio è Tinker di Thinking Machines Lab, che è un'API progettata per rendere più accessibile a ricercatori e sviluppatori il fine-tuning di modelli linguistici open-weight.

Tinker consente agli utenti di adattare un'ampia gamma di modelli open-weight, da architetture più piccole a grandi modelli a mistura di esperti come Qwen-235B-A22B. Gli utenti possono applicare il fine-tuning basato su LoRA o altri metodi di post-addestramento per adattare i modelli a compiti specifici, sia attraverso l'apprendimento supervisionato che approcci di tipo reinforcement.

Dopo il tuning, gli sviluppatori possono scaricare i checkpoint risultanti e utilizzarli in modo indipendente, consentendo il controllo sia del modello che del comportamento personalizzato.⁶

4. Valutazione dei modelli sottoposti a fine-tuning

Una volta completato il processo di fine-tuning, le prestazioni del modello devono essere valutate sul set di test. Questo passaggio aiuta a garantire che il modello generalizzi bene su nuovi dati e che funzioni bene sul compito specifico. Le metriche comuni utilizzate per la valutazione includono accuratezza, precisione, richiamo e punteggio F1.

Tuttavia, per i compiti generativi, le metriche tradizionali sono spesso insufficienti. La valutazione moderna richiede il tracciamento del ragionamento del modello e la verifica della qualità del testo generato. Strumenti come W&B Weave lo consentono, permettendo agli sviluppatori di tracciare input e output, eseguire il debug dei prompt ed eseguire valutazioni sistematiche (utilizzando un LLM-as-a-judge) per valutare il modello sottoposto a fine-tuning su sfumature come tono, fedeltà e sicurezza.

5. Deployment

Una volta valutato il modello sottoposto a fine-tuning, può essere distribuito in ambienti di produzione. Il processo di deployment può comportare l'integrazione del modello in un sistema più ampio, la configurazione dell'infrastruttura necessaria e il monitoraggio delle prestazioni del modello in scenari reali.

Quali sono i metodi utilizzati nel processo di fine-tuning degli LLMs?

Metodi di fine-tuning

Il fine-tuning è un processo che prevede l'adattamento di un modello pre-addestrato a un compito o dominio specifico, addestrandolo ulteriormente su un dataset più piccolo e specifico per il compito. Possono essere utilizzati diversi metodi di fine-tuning per regolare i pesi e i parametri di un modello pre-addestrato al fine di migliorarne le prestazioni sul compito target:

• Transfer learning prevede il riutilizzo dei pesi e dell'architettura di un modello pre-addestrato per un nuovo compito o dominio. Il modello pre-addestrato è generalmente addestrato su un ampio dataset generico e l'approccio di transfer learning consente un adattamento efficiente ed efficace a compiti o domini specifici.
• Fine-tuning sequenziale: Il modello pre-addestrato viene sottoposto a fine-tuning su più compiti o domini correlati in sequenza. Ciò consente al modello di apprendere modelli linguistici più sfumati e complessi attraverso diversi compiti, portando a una migliore generalizzazione e prestazioni.
• Fine-tuning specifico per il compito: Il modello pre-addestrato viene sottoposto a fine-tuning su un compito o dominio specifico utilizzando un dataset specifico per il compito. Questo metodo richiede più dati e tempo rispetto al transfer learning, ma può portare a prestazioni più elevate sul compito specifico.
• Apprendimento multi-task: Il modello pre-addestrato viene sottoposto a fine-tuning su più compiti contemporaneamente. Questo approccio consente al modello di apprendere e sfruttare le rappresentazioni condivise tra diversi compiti, portando a una migliore generalizzazione e prestazioni.
• Addestramento con adattatori prevede l'addestramento di moduli leggeri che vengono inseriti nel modello pre-addestrato, consentendo il fine-tuning su un compito specifico senza influire sulle prestazioni del modello originale su altri compiti.

Reinforcement Fine-Tuning (RFT)

Il Reinforcement Fine-Tuning (RFT) è una tecnica di personalizzazione del modello che adatta un modello linguistico pre-addestrato utilizzando un feedback guidato da ricompense piuttosto che esempi di addestramento etichettati tradizionali.

Invece di addestrarsi su output fissi/corretti, l'RFT utilizza un segnale di ricompensa o una funzione di valutazione per valutare le risposte del modello e ottimizzare iterativamente il modello per massimizzare queste ricompense.

Questo approccio affonda le sue radici nei principi dell'apprendimento per rinforzo, in cui il modello si comporta come un agente che impara quali tipi di output portano a punteggi di ricompensa più elevati e regola i suoi parametri di conseguenza. A differenza del fine-tuning supervisionato, l'RFT eccelle in scenari in cui è difficile definire output precisi e corretti, ma la qualità può essere giudicata o valutata.

Ad esempio, la funzionalità di reinforcement fine-tuning di Amazon Bedrock automatizza questo processo per consentire agli sviluppatori di personalizzare i modelli in base a segnali di feedback (funzioni di ricompensa).

In Bedrock, gli utenti definiscono ciò che rende accurata una risposta attraverso funzioni di ricompensa basate su regole o IA, e il modello viene addestrato per massimizzare queste ricompense.⁷

Un altro esempio è l'RFT di OpenAI. Consente agli sviluppatori di adattare i modelli di ragionamento definendo un valutatore programmabile che assegna un punteggio alle risposte candidate. Durante l'addestramento, il modello viene aggiornato in modo che gli output con punteggi elevati diventino più probabili nelle generazioni future.

Ciò rende l'RFT particolarmente utile per compiti in cui la qualità dell'output è soggettiva o può essere giudicata meglio tramite punteggio piuttosto che con risposte di riferimento esatte.⁸

Metodo di few-shot learning

Il few-shot learning (FSL) prevede il miglioramento delle prestazioni del modello senza modificare i pesi del modello. In questo approccio, al modello vengono forniti un numero limitato di esempi (ovvero "pochi esempi") del nuovo compito, e utilizza queste informazioni per adattarsi e funzionare meglio su quel compito. Può essere considerato come:

• Un'alternativa a basso costo al fine-tuning. Il costo è rappresentato dai token di input per alcuni esempi.
• Un problema di Meta-apprendimento in cui il modello impara come imparare a risolvere il problema dato.

Figura 3: Scenario di few-shot learning in cui il modello impara a classificare un insieme di immagini a partire dai compiti su cui è stato addestrato.⁹

Ciò è particolarmente utile quando non ci sono dati sufficienti disponibili per l'apprendimento supervisionato tradizionale. Nel contesto degli LLMs, il fine-tuning con un piccolo dataset relativo al nuovo compito è un esempio di few-shot learning.

Differenze tra few-shot learning e fine-tuning

La differenza principale è la quantità di dati specifici del compito richiesti affinché il modello si adatti a un nuovo compito o dominio. I metodi di fine-tuning richiedono una quantità moderata di dati specifici del compito per ottimizzare le prestazioni del modello, mentre i metodi di few-shot learning possono adattare i modelli a nuovi compiti o domini con pochi esempi etichettati.

Esempi di fine-tuning

Il fine-tuning ha ottenuto significativi aumenti delle prestazioni nella finanza

Bloomberg ha sviluppato BloombergGPT, un modello linguistico su larga scala su misura per il settore finanziario. Questo modello si concentra su compiti di elaborazione del linguaggio naturale finanziario come l'analisi del sentiment, il riconoscimento di entità nominate e la classificazione delle notizie.

BloombergGPT è stato creato utilizzando una combinazione di dataset finanziari e generici, e ha portato a punteggi elevati nei test di benchmark (Figura 4).

Figura 4: Immagine che mostra come BloombergGPT si comporta in due ampie categorie di compiti NLP: finanza-specifici e generici.¹⁰

Perché o quando la tua azienda ha bisogno di un LLM fine-tuned?

Le aziende potrebbero aver bisogno di modelli linguistici di grandi dimensioni sottoposti a fine-tuning per diversi motivi, a seconda delle loro esigenze specifiche, del settore e degli obiettivi. Ecco alcuni motivi comuni:

1. Personalizzazione

Le aziende hanno spesso esigenze e obiettivi unici che un modello linguistico generico potrebbe non soddisfare. Il fine-tuning consente loro di adattare il comportamento del modello per soddisfare i loro obiettivi specifici, come la generazione di contenuti di marketing personalizzati o la comprensione dei contenuti generati dagli utenti sulla loro piattaforma.

Scopri come il fine-tuning degli LLMs consente la creazione di prodotti e strategie di marketing personalizzati, migliorando in definitiva l'esperienza dell'IA generativa nel retail, nel marketing e nelle assicurazioni.

2. Sensibilità dei dati e conformità

Le aziende che gestiscono dati sensibili o operano in ambienti normativi rigorosi potrebbero aver bisogno di fare il fine-tuning del modello per garantire che rispetti i requisiti di privacy, aderisca alle linee guida sui contenuti e generi risposte appropriate conformi alle normative di settore.

3. Linguaggio specifico del dominio

Molti settori utilizzano gergo, termini tecnici e vocabolario specializzato che potrebbero non essere ben rappresentati nei dati di addestramento generali di un modello linguistico di grandi dimensioni. Il fine-tuning del modello su dati specifici del dominio gli consente di comprendere e generare risposte accurate nel contesto del settore aziendale.

4. Prestazioni migliorate

Il fine-tuning migliora le prestazioni del modello su compiti o applicazioni specifiche rilevanti per l'azienda, come:

• Analisi del sentiment
• Classificazione dei documenti
• Estrazione di informazioni

Ciò può portare a un migliore processo decisionale, maggiore efficienza e risultati migliori.

5. Abilitazione di capacità di IA agentica

Il fine-tuning è fondamentale per lo sviluppo di sistemi di IA agentica, progettati per agire in modo autonomo, prendere decisioni e interagire con strumenti o ambienti esterni per raggiungere obiettivi specifici.

Facendo il fine-tuning di un LLM, le aziende possono migliorare la loro capacità di eseguire function calling, consentendo al modello di selezionare ed eseguire strumenti appropriati (ad esempio, API, database) con parametri accurati.

Ad esempio, un LLM sottoposto a fine-tuning può alimentare un'IA agentica che gestisce autonomamente le richieste dei clienti integrandosi con un sistema CRM o recupera dati in tempo reale tramite API web. Questa personalizzazione garantisce che il modello comprenda i contesti specifici del dominio e le interazioni con gli strumenti, rendendo l'IA agentica più efficace e affidabile nelle applicazioni aziendali.

6. Migliore esperienza utente

Un modello sottoposto a fine-tuning può offrire una migliore esperienza utente generando risposte più accurate, pertinenti e consapevoli del contesto, portando a una maggiore soddisfazione del cliente, in applicazioni come:

• Chatbot
• Assistenti virtuali
• Sistemi di assistenza clienti

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Che cos'è un modello linguistico di grandi dimensioni (LLM)?

Un modello linguistico di grandi dimensioni è un sistema avanzato di intelligenza artificiale (IA), più specificamente un modello di IA generativa aziendale, progettato per elaborare, comprendere e generare testo simile a quello umano sulla base di enormi quantità di dati. Questi modelli sono generalmente costruiti utilizzando tecniche di deep learning, come le reti neurali. Vengono addestrati su ampi dataset che includono testo da una vasta gamma di fonti, come libri e siti web, per l'elaborazione del linguaggio naturale.

Uno degli aspetti chiave di un modello linguistico di grandi dimensioni è la sua capacità di comprendere il contesto e generare risposte coerenti e pertinenti in base all'input fornito. Le dimensioni del modello, in termini di numero di parametri e livelli, gli consentono di catturare relazioni e schemi complessi all'interno del testo. Ciò gli consente di eseguire vari compiti, come:

• Rispondere a domande
• Generazione di testo
• Riassumere testi
• Traduzione
• Scrittura creativa

I modelli di base, come i modelli linguistici di grandi dimensioni, sono una componente fondamentale della ricerca e delle applicazioni di IA. Forniscono una base per la costruzione di modelli più specializzati e sottoposti a fine-tuning per compiti o domini specifici.

Figura 5: Esempi di modelli di base.¹¹

Ulteriori letture

• Sebbene il fine-tuning migliori l'efficacia dei modelli linguistici di grandi dimensioni, è essenziale affrontare i Rischi dell'IA Generativa.
• Il fine-tuning dei modelli linguistici di grandi dimensioni comporta considerazioni legali. Esplora il panorama legale che circonda questi sistemi di IA avanzati nel diritto d'autore dell'IA generativa.

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{LLM Guida al Fine-Tuning per le Aziende}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/llm-fine-tuning}},
  note   = {AIMultiple. Consultato il 22 Giugno 2026}
}

Collegamenti di riferimento

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

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento