Cem Dilmegani
Mesleki deneyim ve başarılar
Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yıldan uzun bir süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınladı. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetti. Ayrıca, 2 yıl içinde 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınlarında yer aldı. [6], [7]Araştırma ilgi alanları
Cem'in çalışmaları, işletmelerin yapay zeka, ajan tabanlı yapay zeka, siber güvenlik (ağ güvenliği, uygulama güvenliği dahil) ve web verileri de dahil olmak üzere verilerdeki yeni teknolojilerden nasıl yararlanabileceğine odaklanmaktadır. Cem'in uygulamalı kurumsal yazılım deneyimi çalışmalarına katkıda bulunmaktadır. Diğer AIMultiple sektör analistleri ve teknoloji ekibi, Cem'e kıyaslama testlerinin tasarlanması, yürütülmesi ve değerlendirilmesinde destek vermektedir.Eğitim
Cem, 2007 yılında Boğaziçi Üniversitesi'nden bilgisayar mühendisliği bölümünden mezun oldu. Mühendislik eğitimi sırasında, o dönemde yaygın olarak "veri madenciliği" olarak adlandırılan ve çoğu sinir ağının birkaç gizli katmana sahip olduğu bir dönemde makine öğrenmesi üzerine çalıştı. 2012 yılında Columbia İşletme Okulu'ndan MBA derecesi aldı. Cem, İngilizce ve Türkçe dillerini akıcı bir şekilde konuşmaktadır. Almanca'da ileri düzeyde, Fransızca'da ise başlangıç düzeyindedir.Dış yayınlar
- Cem Dilmegani, Yapay Zeka Sonrası Bankacılık: Bankalar temel işlevlerini otomatikleştirirken milyonlarca iş risk altında . International Banker.
- Cem Dilmegani, Bengi Korkmaz ve Martin Lundqvist (1 Aralık 2014). Kamu sektörünün dijitalleşmesi: Trilyon dolarlık meydan okuma , McKinsey & Company.
Medya, konferans ve diğer etkinlik sunumları
- Korea24'ün yapay zekâ nedeniyle yaşanan iş kayıplarına ilişkin sorularına verilen yanıtlar, Korea24
- Gayrimenkul ve Teknoloji , Hofstra Üniversitesi Wilbur F. Breslin Gayrimenkul Çalışmaları Merkezi ve Frank G. Zarb İşletme Okulu tarafından 2023 ve 2024 yıllarında sunulmuştur.
- Radar AI oturumu (22 Haziran 2023): "ChatGPT ile Veri Biliminin Etkisini Artırma".
- Atlanta'da Üretken Yapay Zeka Buluşması: Kurumsal Teknoloji için Üretken Yapay Zeka .
Kaynaklar
- Microsoft, IBM ve Google'ın Yapay Zeka Etiği Konusundaki Çabalarını Artırmasının Nedenleri , Business Insider.
- Microsoft, bizden daha akıllı yapay zekâ geliştirmek için OpenAI'ye 1 milyar dolar yatırım yapıyor , Washington Post.
- Yapay Zeka Liderliğini Güçlendirme: Yapay Zeka Üst Düzey Yönetici Araç Seti , Dünya Ekonomik Forumu.
- AB'nin Bilim, Araştırma ve İnovasyon Performansı , Avrupa Komisyonu.
- AB'nin 200 milyar avroluk yapay zeka yatırımı, veri merkezlerine nakit akışını artırıyor ancak çip pazarı hâlâ bir zorluk teşkil ediyor , IT Brew.
- TechCrunch'ın haberine göre, Hypatos belge işleme için derin öğrenme yaklaşımına yönelik 11,8 milyon dolarlık yatırım aldı .
- Business Insider , yapay zeka girişim şirketi Hypatos'un 11 milyon dolar yatırım almak için kullandığı sunum dosyasına özel bir bakış sundu .
Cem Tarafından Son Makaleler
7 Yararlı Yapay Zeka Dönüşüm Stratejisi
AI transformation is the next phase of digital transformation. Businesses are willing to invest in AI technologies to stay ahead of competitors. Digital transformation is a prerequisite for companies to initiate their AI transformation, as digital data is essential for AI training, and digital processes are typically required to deploy AI solutions.
NinjaOne Dahil En İyi 12 Yama Yönetimi Yazılımı
Unpatched systems are low-hanging fruit for attackers. A single outdated server or forgotten workstation becomes an entry point. Patch management software automates the process of finding, testing, and deploying updates before vulnerabilities turn into breaches.
En İyi 3 Prolific Alternatifi
We analyzed Prolific’s top alternatives by comparing participant ratings, crowd size, payment terms, and verified platform data. The right alternative depends on whether you’re a worker looking for tasks or a research buyer looking for data the tradeoffs differ significantly between the two.
Büyük Çok Modlu Modeller (LMM'ler) ve Büyük Çok Modlu Modeller (LLM'ler)
Özenle seçilmiş bir veri kümesi kullanarak, Büyük Çok Modlu Modellerin (LMM'ler) finansal akıl yürütme görevlerindeki performansını değerlendirdik. Yüksek kaliteli finansal örneklerin bir alt kümesini analiz ederek, modellerin finansal alanda çok modlu verilerle işlem yapma ve akıl yürütme yeteneklerini değerlendirdik. Metodoloji bölümü, kullanılan veri kümesi ve değerlendirme çerçevesine ilişkin ayrıntılı bilgiler sunmaktadır.
Tablo Modeller Benchmarki: 19 Veri Setinde Performans
We benchmarked 7 widely used tabular learning models across 19 real-world datasets, covering ~260,000 samples and over 250 total features, with dataset sizes ranging from 435 to nearly 49,000 rows. Our goal was to understand top-performing model families for datasets of different sizes and structure (e.g. numeric vs.
Büyük Dil Modeli Değerlendirmesi: 10+ Metrik ve Yöntem
Large Language Model evaluation (i.e. LLM eval) is the multidimensional assessment of large language models (LLMs). Effective evaluation is crucial for selecting and optimizing LLMs. Enterprises have a range of base models and their variations to choose from, but achieving success is uncertain without precise performance measurement.
Agentic LLM Benchmark: Önde Gelen Modeller Karşılaştırıldı
We benchmarked the top LLMs across 10 software development tasks by using an agentic CLI tool. We executed ~3,500 automated validation steps per model across both API and UI layers. Agentic LLM benchmark results Success rate comparison Each alias ran 3 times across 10 tasks (30 samples per alias, 230 cells per iteration).
AI Ajan Performansı: Başarı Oranları & ROI
Recent research reveals that AI performance follows predictable exponential decay patterns, enabling businesses to forecast capabilities and differentiate between costly failures and successful ROI-generating implementations. I oversaw 12 AIMultiple benchmarks, including nearly 70 AI agents across more than 1,000 tasks.
Yapay Zeka Ajan Tuzakları: 20 Gerçek Hayat Olayı
AI agent adoption has outpaced AI agent security: 82% of enterprises now deploy agents, but only 44% have policies to secure them, and one in five organizations has already experienced an agent-related breach.
Çerçevelerle Birlikte Yüksek Lisans Değerlendirme Ortamı
Evaluating LLMs requires tools that assess multi-turn reasoning, production performance, and tool usage. We spent 2 days reviewing popular LLM evaluation frameworks that provide structured metrics, logs, and traces to identify how and when a model deviates from expected behavior.
AIMultiple Bülteni
Haftada 1 ücretsiz e-posta ile en son B2B teknoloji haberleri ve uzman içgörüler ile işletmenizi hızlandırın.