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
Federasyonlu Öğrenme: 7 Kullanım Örneği ve Durumu
Son McKinsey analizlerine göre, yapay zekâ kullanımının en acil riskleri arasında model yanılsamaları, veri kaynağı ve orijinalliği, düzenleyici uyumsuzluk ve yapay zekâ tedarik zinciri zafiyetleri yer almaktadır. Federasyonlu öğrenme (FL), bu riskleri azaltmak isteyen kuruluşlar için temel bir teknik olarak ortaya çıkmıştır.
Uzmanlardan Yapay Zeka Kaynaklı İş Kayıplarına İlişkin En Önemli 20 Tahmin
McKinsey danışmanı olarak on yıl boyunca işletmelerin yeni teknolojileri benimsemesine yardımcı oldum. Yapay zeka kaynaklı iş kayıplarına ilişkin kısa cevaplarım: Yapay zeka kaynaklı iş kaybı tahminleri Not: Grafiklerin boyutu, iş kaybı tahmininin boyutuyla ilişkilidir. Analizimizde referans alınan yüzdeler, genel iş kaybına ilişkin varsayımlardan türetilmiştir.
Öneri Sistemleri: Uygulamalar ve Örnekler
Öneri sistemleri, verileri kullanarak deneyimleri kişiselleştirerek hem işletmelere hem de müşterilere fayda sağlar. Seçenekleri basitleştirerek ve kullanıcıları meşgul tutarak satışları artırmaya, müşteri sadakatini yükseltmeye ve müşteri kaybını azaltmaya yardımcı olurlar. Aynı örtük geri bildirim veri setini ve aynı ön işleme adımlarını kullanarak üç Python öneri kütüphanesini (LightFM, Cornac BPR ve TensorFlow Recommenders) karşılaştırdık.
Ninjaone İncelemesi: Kurumsal BT için 15 Özellik
NinjaOne, 35.000 işletmenin BT birimlerine hizmet vermektedir. Platformu, uç nokta kontrolü, izleme, güvenlik, yedekleme ve servis operasyonlarını içerir. NinjaOne, yama yönetimi ve RMM konusunda pazar lideri performansa sahiptir. Her bölüm, NinjaOne ile ilgili deneyimimizi ve performansını açıklamaktadır: Kontrol katmanı (Cihazlar) 1.
VPN Benchmark of Top 5 VPN Providers
We tested six leading consumer VPN services, measuring throughput against a clean baseline, packet drops over 15 minutes per provider, CPU and RAM use on macOS, and VPN connection behavior under load. Our test on VPN providers show that best VPN services change based on different needs.
En İyi 20+ Agentic RAG Çerçevesi
Agentic RAG, LLM performansını artırarak ve daha fazla uzmanlaşmayı sağlayarak geleneksel RAG'ı geliştirir. Çoklu veritabanları arasında yönlendirme ve sorgu oluşturma performansını değerlendirmek için bir kıyaslama testi gerçekleştirdik. Agentic RAG çerçevelerini ve kütüphanelerini, standart RAG'dan temel farklılıklarını, faydalarını ve zorluklarını keşfederek tam potansiyellerini ortaya çıkarın.
Yılında Kullanım Senaryolarına Göre LLM Gecikme Süresi Karşılaştırması
Büyük dil modellerinin (LLM'ler) etkinliği yalnızca doğrulukları ve yetenekleriyle değil, aynı zamanda kullanıcılarla etkileşim kurma hızlarıyla da belirlenir. Önde gelen dil modellerinin performansını çeşitli kullanım durumlarında karşılaştırdık ve kullanıcı girdilerine verdikleri yanıt sürelerini ölçtük.
Büyük Görüş Modellerini Karşılaştırın: GPT-4o vs YOLOv8n
Büyük görüntü işleme modelleri (LVM'ler), kusur tespiti, tıbbi teşhis ve çevresel izleme gibi görsel görevleri otomatikleştirebilir ve iyileştirebilir. Üç nesne algılama modelini (YOLOv8n, DETR ve GPT-4o Vision) her biri 1.000 görüntü üzerinde karşılaştırdık ve mAP@0.5, çıkarım hızı, FLOP'lar ve parametre sayısı gibi ölçütleri değerlendirdik.
En İyi 20 Sürdürülebilirlik Yapay Zeka Uygulaması ve Örneği
PwC'ye göre, GenAI operasyonel verimliliği artırabilir ve bu da dolaylı olarak iş süreçlerindeki karbon ayak izini azaltabilir. Şirketler, lojistik optimizasyonu, talep tahmini ve atık azaltma gibi alanlara üretken yapay zekayı uygulayarak, yapay zeka sistemlerinin ötesinde operasyonları genelinde emisyonları azaltabilirler.
Makine Öğrenimi ve Yapay Zeka Modelleri için 57 Veri Kümesi
Üretken yapay zeka veya konuşma tabanlı yapay zeka çözümlerini kullanmak veya geliştirmek için verilere ihtiyaç duyulmaktadır. Piyasada bulunan mevcut veri kümelerini kullanabilir veya bir veri toplama hizmeti kiralayabilirsiniz. Makine öğrenimi ve yapay zeka modellerini eğitmek ve değerlendirmek için 57 veri kümesi belirledik.
AIMultiple Bülteni
Haftada 1 ücretsiz e-posta ile en son B2B teknoloji haberleri ve uzman içgörüler ile işletmenizi hızlandırın.