LLM Guida al Fine-Tuning per le Imprese

Segui i collegamenti per le soluzioni specifiche alle sfide relative all'output del tuo 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
• Ha fatti rilevanti ma deve rispondere con uno stile e un tono diversi, seguire determinati formati di output o utilizzare determinati strumenti, allora:
  • Innanzitutto, sfrutta l'ingegneria dei prompt o la concatenazione dei prompt per migliorare i risultati
  • Se non funzionano, LLM fine-tuning è l'approccio giusto. Puoi utilizzare il servizio del tuo LLM provider o fare il fine-tuning di LLM open source on-prem.

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

Per superare questa limitazione, vengono impiegati metodi di fine-tuning per adattare gli LLM ai requisiti unici di diversi ambiti applicativi.

Cos'è il LLM fine-tuning?

Il fine-tuning di un grande modello linguistico adatta un modello pre-addestrato per eseguire compiti specifici o per soddisfare in modo più efficace un particolare dominio. Il processo comporta un ulteriore addestramento del modello su un dataset più piccolo e mirato, rilevante per il compito o l'argomento desiderato.

Il grande modello linguistico originale è pre-addestrato su vaste quantità di dati testuali diversificati, il che lo aiuta a imparare 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 grande modello linguistico potrebbe essere sottoposto a fine-tuning per compiti come analisi del sentiment nelle recensioni di prodotti, previsione dei prezzi delle azioni in base alle notizie finanziarie o identificazione dei sintomi delle malattie nei testi medici.

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

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

Come fare il fine-tuning degli LLM

1. Preparazione del dataset

Dato che gli LLM sono pre-addestrati su un dataset fisso, non sono a conoscenza degli eventi in tempo reale. Per mantenere questi modelli aggiornati e migliorare le loro prestazioni su argomenti specifici ed evolutivi, 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 e rilevanza del dominio:

L'utilizzo di dati provenienti dal web consente alle aziende di eseguire il fine-tuning degli LLM sulle informazioni più attuali e pertinenti per il loro settore. Ad esempio, un'azienda di legal tech potrebbe utilizzare web crawler per raccogliere recenti sentenze e blog legali.

Questi dati specifici del dominio garantiscono che il modello sottoposto a fine-tuning comprenda la terminologia aggiornata e il contesto del settore, che spesso manca nei dataset statici e pubblicamente disponibili. 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 fattualmente errate. Eseguendo il fine-tuning di un LLM con dati reali di alta qualità provenienti dal web, gli fornisci una fonte affidabile di verità.

Questo rende il modello meno propenso a inventare informazioni durante l'inference e lo aiuta a generare risposte più accurate e affidabili. Questo processo garantisce che gli output del modello siano radicati nella realtà piuttosto che in contenuti fabbricati.

Le aziende utilizzano strumenti di web scraping interni o provider di terze parti per raccogliere dati dai siti web. Questi dati di addestramento raccolti vengono quindi preparati e utilizzati per eseguire il fine-tuning dell'LLM.

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

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

La selezione del modello di base e del metodo di fine-tuning appropriati dipende dal compito specifico e dai dati disponibili. Ci sono vari LLM provider tra cui scegliere, tra cui Alphabet e Meta, ognuno con i propri punti di forza e di debolezza. Il metodo di fine-tuning può anche variare in base al compito e ai dati, come transfer learning, fine-tuning sequenziale o fine-tuning specifico per il compito.

Quando scegli il modello di base, dovresti considerare:

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

3. Fine-tuning

Il fine-tuning adatta gli LLM pre-addestrati a compiti specifici o alle esigenze organizzative, sia attraverso servizi gestiti offerti dai provider di modelli sia modificando direttamente i modelli open source utilizzando dati specifici per il compito e strumenti MLOps.

Fine-tuning come servizio per modelli closed-source

I principali LLM provider offrono fine-tuning gestito, sebbene il panorama sia cambiato nel 2026. Google (Gemini tramite Vertex AI) e Anthropic (Claude tramite Amazon Bedrock) rimangono le principali opzioni closed-source per nuovi carichi di lavoro di fine-tuning. OpenAI, che storicamente offriva fine-tuning sui modelli GPT, sta chiudendo 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 AI supporta più approcci di tuning del modello, consentendo agli sviluppatori flessibilità su come personalizzare il comportamento del modello oltre il semplice fine-tuning:

• Fine-tuning supervisionato: Addestra 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 basati su feedback a coppie piuttosto che su etichette esplicite.
• Checkpoint di tuning e tuning continuo: Strumenti per salvare i progressi o estendere un modello sottoposto a tuning esistente con più dati o passaggi di addestramento.³

Prezzi: Il fine-tuning gestito è tipicamente prezzato per token di addestramento, con l'inference prezzato separatamente con un premio rispetto al modello di base.

Fine-tuning dei modelli open source

Dato che i pesi del modello sono disponibili nei modelli open source, le aziende possono eseguire il fine-tuning dei modelli open source on-prem senza esporre i loro dataset ai LLM provider.

I passaggi per eseguire 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, il che accelera il processo di fine-tuning e garantisce che il modello abbia già imparato la comprensione generale del linguaggio.
• Fine-tuning comporta l'addestramento dell'LLM pre-addestrato sul dataset specifico per il compito. Il processo di addestramento comporta 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 tipicamente round iterativi di addestramento. Per ottimizzare le prestazioni, gli sviluppatori devono regolare configurazioni come il learning rate o la dimensione del batch. Strumenti come Weights & Biases (Sweeps) automatizzano questa ricerca degli iperparametri, visualizzando come diverse variabili influenzano la convergenza del modello in modo che i team possano selezionare la migliore configurazione senza prove ed errori 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 eseguire il fine-tuning dei modelli.

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

Fine-tuning dei modelli open weights

I modelli open weights sono pubblicamente disponibili per gli utenti per scaricarli ed eseguirli localmente (o sulla loro infrastruttura cloud) senza fare affidamento su un API.

Si differenziano dai modelli open source perché open source implica tipicamente l'intero codice di addestramento, i dettagli dei dati e i termini di licenza che consentono la modifica e la ridistribuzione. I modelli open weights possono rilasciare i pesi ma mantenere parti della pipeline di addestramento, del dataset o dei diritti d'uso limitati.

Poiché i pesi sono accessibili, i modelli open weights 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 la distribuzione completamente sotto il loro controllo.

Ad esempio, la famiglia LFM2.5 di Liquid AI funge da insieme di modelli di base open weights. Sono rilasciati per distribuzioni AI su dispositivo e edge, con checkpoint disponibili su Hugging Face e sulla piattaforma Liquid AI 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 già ricevuto fine-tuning supervisionato e 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: addestrando il modello su dataset proprietari, adattandolo a compiti specifici per lingua o dominio, o sperimentando altri metodi di addestramento (come fine-tuning supervisionato con adapter o allineamento delle preferenze).

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

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

Tinker consente agli utenti di adattare una vasta gamma di modelli open weights, dalle architetture più piccole ai grandi modelli mixture-of-experts 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 apprendimento supervisionato sia attraverso approcci di tipo rinforzato.

Dopo il tuning, gli sviluppatori possono scaricare i checkpoint risultanti e utilizzarli in modo indipendente, consentendo il controllo sia sul modello sia sul 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 stia generalizzando bene ai nuovi dati e stia performando 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 di tracciare il ragionamento del modello e verificare la qualità del testo generato. Strumenti come W&B Weave abilitano questo consentendo agli sviluppatori di tracciare input e output, debuggare i 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. Distribuzione

Una volta valutato il modello sottoposto a fine-tuning, può essere distribuito negli ambienti di produzione. Il processo di distribuzione 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 LLM?

Metodi di fine-tuning

Il fine-tuning è un processo che comporta 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. Diversi metodi di fine-tuning possono essere utilizzati per regolare i pesi e i parametri di un modello pre-addestrato per migliorare le sue prestazioni sul compito target:

• Transfer learning comporta il riutilizzo dei pesi e dell'architettura di un modello pre-addestrato per un nuovo compito o dominio. Il modello pre-addestrato è solitamente addestrato su un dataset grande e 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. Questo consente al modello di imparare pattern linguistici più sfumati e complessi tra 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 risultare in prestazioni più elevate sul compito specifico.
• Multi-task learning: Il modello pre-addestrato viene sottoposto a fine-tuning su più compiti simultaneamente. Questo approccio consente al modello di imparare e sfruttare le rappresentazioni condivise tra diversi compiti, portando a una migliore generalizzazione e prestazioni.
• Adapter training comporta l'addestramento di moduli leggeri che vengono inseriti nel modello pre-addestrato, consentendo il fine-tuning su un compito specifico senza influenzare le prestazioni originali del modello 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 feedback guidato da ricompensa piuttosto che esempi di addestramento etichettati tradizionali.

Invece di addestrare su output fissi/corretti, 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 è radicato nei principi di reinforcement learning, dove il modello si comporta come un agente che impara quali tipi di output portano a punteggi di ricompensa più alti e regola i suoi parametri di conseguenza. A differenza del fine-tuning supervisionato, RFT eccelle in scenari in cui è difficile definire output precisi e corretti, ma la qualità può essere giudicata o valutata.

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

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

Un altro esempio è RFT di OpenAI. Consente agli sviluppatori di adattare 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 ad alto punteggio diventino più probabili nelle generazioni future.

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

Metodo di apprendimento few-shot

L'apprendimento few-shot (FSL) comporta il miglioramento delle prestazioni del modello senza modificare i pesi del modello. In questo approccio, il modello viene fornito con un numero limitato di esempi (cioè "few shots") dal nuovo compito, e utilizza queste informazioni per adattarsi e performare meglio in quel compito. Può essere considerato come un

• Alternativa a basso costo al fine-tuning. L'unico costo sono i token di input per alcuni esempi.
• Problema di Meta-learning in cui il modello impara come imparare a risolvere il problema dato.

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

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

Differenze tra apprendimento few-shot e fine-tuning

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

Esempi di fine-tuning

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

Bloomberg ha sviluppato BloombergGPT, un modello linguistico su larga scala adattato per l'industria finanziaria. Questo modello si concentra su compiti di elaborazione del linguaggio naturale finanziari come analisi del sentiment, riconoscimento di entità nominate e 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: specifici per la finanza e generici.¹⁰

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

Perché o quando la tua azienda ha bisogno di un LLM sottoposto a fine-tuning?

Le aziende potrebbero aver bisogno di grandi modelli linguistici sottoposti a fine-tuning per diverse ragioni, a seconda dei loro requisiti specifici, del settore e degli obiettivi. Ecco alcune ragioni comuni:

1. Personalizzazione

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

Scopri come il fine-tuning degli LLM consente la creazione di prodotti personalizzati e strategie di marketing, migliorando infine l'esperienza di AI 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 sottoporre il modello a fine-tuning per garantire che rispetti i requisiti di privacy, aderisca alle linee guida sui contenuti e generi risposte appropriate che rispettino le normative del 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 grande modello linguistico. Eseguire il fine-tuning del modello su dati specifici del dominio gli consente di comprendere e generare risposte accurate nel contesto del settore dell'azienda.

4. Prestazioni migliorate

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

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

Questo può portare a un migliore processo decisionale, maggiore efficienza e risultati migliorati.

5. Abilitazione delle capacità di AI agentic

Il fine-tuning è fondamentale per lo sviluppo di sistemi di AI agentic, progettati per agire autonomamente, prendere decisioni e interagire con strumenti o ambienti esterni per raggiungere obiettivi specifici.

Eseguendo il fine-tuning di un LLM, le aziende possono migliorare la loro capacità di eseguire chiamate di funzione, 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'AI agentic che gestisce autonomamente le richieste dei clienti integrandosi con un sistema CRM o recuperando dati in tempo reale tramite API web. Questa personalizzazione garantisce che il modello comprenda contesti specifici del dominio e interazioni con gli strumenti, rendendo l'AI agentic più efficace e affidabile nelle applicazioni aziendali.

6. Miglioramento dell'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 supporto clienti

Cos'è un grande modello linguistico (LLM)?

Un grande modello linguistico è un sistema avanzato di intelligenza artificiale (AI), più specificamente un modello di AI generativa aziendale, progettato per elaborare, comprendere e generare testo simile a quello umano basandosi su enormi quantità di dati. Questi modelli sono tipicamente costruiti utilizzando tecniche di deep learning, come le reti neurali. Sono addestrati su dataset estesi che includono testo da un'ampia gamma, come libri e siti web, per l'elaborazione del linguaggio naturale.

Uno degli aspetti chiave di un grande modello linguistico è la sua capacità di comprendere il contesto e generare risposte coerenti e pertinenti in base all'input fornito. La dimensione del modello, in termini di numero di parametri e livelli, gli consente di catturare relazioni e pattern intricati all'interno del testo. Questo gli consente di eseguire varie attività, come:

• Rispondere alle domande
• Generazione di testo
• Riassumere il testo
• Traduzione
• Scrittura creativa

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

Figura 5: Esempi di modelli di base.¹¹

Ulteriori letture

• Mentre il fine-tuning migliora l'efficacia dei grandi modelli linguistici, è essenziale affrontare i Rischi dell'AI Generativa.
• Il fine-tuning dei grandi modelli linguistici comporta considerazioni legali. Esplora il panorama legale che circonda questi sistemi AI avanzati nel copyright dell'AI 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 Imprese}},
  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