Yapay Zeka ve Makine Öğrenimi için En İyi 6 Veri Toplama Yöntemi

Bazı şirketler yapay zeka veri toplama hizmetlerine güvenirken, diğerleri verilerini scraping araçları veya diğer yöntemlerle toplar.

Yapay zeka projelerinizi doğru verilerle beslemek için en iyi 6 yapay zeka veri toplama yöntemini ve tekniğini görün:

Yapay Zeka Veri Toplama Yöntemlerine Genel Bakış

1. Kitle Kaynak Kullanımı

Veri kitle kaynak kullanımı, veri toplama görevlerini halka atamayı, talimatlar sağlamayı ve paylaşım için bir platform oluşturmayı içerir. İşletmeler ayrıca kitle kaynaklı veri toplama ajanslarıyla da çalışabilir.

Avantajlar

• Geliştiriciler, sıkı teslim tarihlerine sahip projeler için veri toplamayı hızlandırarak çok çeşitli katkıda bulunanları hızla işe alabilir.
• Kitle kaynak kullanımı, dünyanın her yerinden katkıda bulunanları toplayarak veri çeşitliliğini sağlar ve çok dilli veri toplamayı önemli ölçüde daha verimli hale getirir.
• Kurum içi bir ekibin işe alınması, eğitilmesi ve işe alıştırılmasıyla ilgili maliyetleri ortadan kaldırır. Çalışanlar kendi ekipmanlarını kullanır.
• Deneyimli kitle kaynak kullanımı firmaları, proje ihtiyaçlarınıza özel yüksek kaliteli, ilgili ve güvenilir veriler sağlayabilecek alan uzmanlarına sahiptir.
• Bu yöntem, kullanıcı tarafından oluşturulan içerikten akademik araştırma verilerine kadar hem birincil hem de ikincil veri toplama için işe yarar.

Dezavantajlar

• Özellikle uzmanlık gerektiren veya teknik içeriklerde, katkıda bulunanların yeterli alan veya dil becerisine sahip olup olmadığını doğrulamak zor olabilir.
• Çalışanlar uzakta ve çok sayıda olduğunda ve görevlerin yorumlanması değiştiğinde, atamaların doğru yapılıp yapılmadığını izlemek zordur.
• Katkıda bulunanların uzmanlık ve özverilerindeki değişkenlik nedeniyle veri kalitesini korumak zordur.
• Doğru katkıda bulunanları belirlemek, niteliklerin ve geçmiş performansın dikkatli bir şekilde değerlendirilmesini gerektirir.

Vaka çalışmaları

Kenya'da bir mobil para hizmeti olan M-Pesa, kitle kaynaklı acente ağlarında şeffaflığı artırmak için blockchain kullanır. Kırsal alanlardaki acenteler, müşteri taleplerini merkezi olmayan bir defter aracılığıyla ele alarak dolandırıcılık riskini azaltır. Bu sistem, gerçek zamanlı işlemleri ve acente performansını izlemek için blockchain'i kullanarak sekiz ülkeye daha yayıldı.¹

OpenStreetMap (OSM), açık kaynaklı haritalar oluşturmak için dünya çapındaki gönüllüleri kullanır. Katkıda bulunanlar, afet müdahalesi (ör. Nepal'deki deprem yardımı) ve kentsel planlama için kullanılan coğrafi verileri günceller; bu, özel haritalama hizmetlerine uygun maliyetli bir alternatiftir.²

2. Kurum içi veri toplama

AI/ML geliştiricileri verileri kurum içinde özel olarak toplayabilir. Bu yöntem, gerekli veri seti küçük, özel veya hassas olduğunda veya problem tanımı hassasiyet ve özelleştirmenin ölçekten daha önemli olacağı kadar spesifik olduğunda en iyi sonucu verir. Gerekli veri seti küçüktür ve veriler özel veya hassastır. Ayrıca problem tanımı çok spesifik olduğunda ve veri toplamanın hassas ve özel olarak uyarlanması gerektiğinde de etkilidir.

Avantajlar

• Kurum içi toplama, birincil veri toplamanın en özel ve kontrollü yoludur.
• Süreç belirli projeye göre uyarlandığı için daha yüksek düzeyde özelleştirme elde edilebilir.
• İş gücünü izlemek, fiziksel olarak hazır olduklarında daha kolaydır.

Dezavantajlar

• Bir veri toplama ekibini işe almak veya oluşturmak pahalı ve zaman alıcıdır.
• Kitle kaynak kullanımı ajanslarının sunduğu alana özgü verimliliği elde etmek zordur.
• Çok dilli verilerin kurum içinde toplanması karmaşıktır.
• Veri toplayıcılarının ayrıca işleme ve etiketleme yapması gerekir, bu da iş yükünü artırır.

Vaka Çalışması: Tesla Otonom Araçları

Tesla, araç filosundan araç üstü sensörler ve kameralar kullanarak gerçek zamanlı sürüş verileri toplar. Bu özel veri seti, karmaşık trafik senaryoları için AI modellerini eğitir. Tesla'nın Autopilot sistemi, şerit tutma ve çarpışma önleme algoritmalarını iyileştirmek için petabaytlarca video ve sensör verisine dayanır. ³ Ana zorluklar, yüksek altyapı ve depolama maliyetleri ile çok dilli veya küresel veri setleri için sınırlı ölçeklenebilirliktir.

3. Hazır veri setleri

Bu yöntem, piyasada bulunan önceden temizlenmiş, mevcut veri setlerini kullanır. Proje çok çeşitli veri veya yüksek düzeyde kişiselleştirilmiş girdiler gerektirmediğinde pratik bir seçenektir. Hazır paketlenmiş veri setlerini edinmek, sıfırdan bir veri seti oluşturmaktan daha ucuzdur ve uygulanması daha kolaydır.

Örneğin, basit bir görüntü sınıflandırma sistemi hazır paketlenmiş verilerle beslenebilir.

Avantajlar

• Ekip işe alınması veya veri toplanması gerekmediğinden daha düşük ön maliyetler.
• Veri setleri zaten hazır ve kullanıma hazır olduğundan uygulanması daha hızlıdır.

Dezavantajlar

• Bu veri setleri, ek işleme gerektiren eksik veya hatalı veriler içerebilir. 20–%30 kalite farkını kapatmak, başlangıçtaki tasarrufların gösterdiğinden daha pahalıya mal olabilir.
• Belirli bir proje için oluşturulmadıkları için özelleştirme eksikliği taşırlar; bu da onları yüksek düzeyde kişiselleştirilmiş veya alana özgü veriler gerektiren modeller için uygunsuz hale getirir.

Vaka Çalışması: AlphaFold, 3D protein konfigürasyonlarını tahmin etmede çığır açan gelişmeler sağlamak için AI modelini eğitmek üzere önceden var olan protein yapısı veritabanlarını (Protein Data Bank) kullandı. Bu, yıllarca süren laboratuvar tabanlı veri toplamayı atlayarak ilaç keşfini hızlandırdı.⁴

4. Otomatik veri toplama

Otomatik veri toplama, manuel çaba harcamadan çevrimiçi kaynaklardan veri elde etmek için yazılım araçları kullanır. En yaygın iki yaklaşım şunlardır:

• Web kazıma: Web sitelerinden ve sosyal platformlardan otomatik olarak veri toplayan araçlar.
• API'ler: Kaynak platform tarafından sağlanan uygulama programlama arayüzleri aracılığıyla doğrudan çekilen veriler.

Avantajlar

• Mevcut en verimli ikincil veri toplama yöntemlerinden biri.
• Tekrarlayan manuel toplama görevlerinde meydana gelen insan hatasını azaltır.

Dezavantajlar

• Bakım maliyetleri yüksek olabilir. Web siteleri tasarımlarını ve yapılarını sık sık değiştirir, bu da kazıyıcıların tekrar yeniden programlanmasını gerektirir.
• Bazı web siteleri, otomatik erişimi sınırlayan kazıyıcı karşıtı araçlar kullanır.
• Otomatik olarak toplanan ham veriler hatalı olabilir ve toplama sonrası analiz gerektirir.

Vaka Çalışması: Alibaba’nın City Brain’i
Alibaba, gerçek zamanlı kentsel verileri toplamak için otomatik sensörler, GPS ve trafik kameraları kullanır. Bu sistem trafik ışığı zamanlamasını optimize eder ve şehirlerdeki sıkışıklığı azaltır. ⁵

Avantajlar:

• Yüksek verimlilik ve azaltılmış insan hatası.
• Büyük ölçekli ikincil veriler için ölçeklenebilir.

Zorluklar:

• Değişen veri kaynaklarına uyum sağlamak için bakım maliyetleri.
• Mevcut verilerle sınırlıdır, birincil toplama değildir.
• Yasal ve uyumluluk riski: Web scraping için yasal ortam önemli ölçüdeğişti. Dünya genelinde yapay zeka şirketlerine karşı korunan içerikleri kazıdıkları için 70'ten fazla telif hakkı ihlali davası açıldı.⁶ AB Yapay Zeka Yasası, 2 Ağustos 2026'da tam olarak yürürlüğe giriyor ve AI model sağlayıcılarının makine tarafından okunabilir devre dışı bırakma taleplerine saygı duymasını, eğitim veri setlerinin ayrıntılı özetlerini yayınlamasını ve hangi verilerin kullanıldığı konusunda şeffaflık sağlamasını gerektiriyor. Interactive Advertising Bureau (IAB), Şubat 2026'da ABD'de Yayıncılar için AI Hesap Verebilirlik Yasası'nı tanıttı; bu yasa, yapay zeka şirketlerinin yayıncı içeriğini kazımak için izin almasını ve ücret ödemesini gerektirecek.⁶ Yapay zeka eğitim verilerinde adil kullanımın parametrelerini belirleyecek iki aktif dava var: Google v. SerpApi (davayı reddetme talebinin duruşması 19 Mayıs 2026'da planlandı)⁷ ve Reddit v. Anthropic. ⁸ Yapay zeka eğitimi için web scraping kullanan kuruluşların, Ağustos 2026'dan önce belgelenmiş, denetlenebilir bir veri toplama sürecine sahip olması gerekir.

5. Üretken Yapay Zeka

Üretken yapay zeka, model performansını artırmak için yapay zeka eğitim verilerini sıfırdan üretebilir veya mevcut verileri çoğaltabilir. Gerçek dünya girdilerine çok benzeyen içerik metni, görüntüler, ses, video veya yapılandırılmış veriler üretmek üzere tasarlanmıştır.

Sentetik veri üretimi pazarının, gizlilik düzenlemeleri, uzmanlık alanlarındaki veri kıtlığı ve insan etiketleme maliyetlerinin artmasıyla, $0,77 milyar 2026'dan $7,22 milyar 2033'e kadar büyümesi öngörülüyor.⁹

Avantajlar

• Veri çoğaltma: Mevcut verilerde görüntüleri döndürme, yakınlaştırma veya yeniden renklendirme gibi küçük değişiklikler yapmak, modelleri daha sağlam hale getirir ve daha iyi tanımasını değişen koşullar altındaki girdileri sağlar.
• Veri sentezleme: Gerçek dünya verilerini toplamak zor, pahalı veya zaman alıcı olduğunda, üretken yapay zeka buna çok benzeyen sentetik veri setleri oluşturabilir. Bu, özellikle geçmiş verilerde bir modeli etkili bir şekilde eğitmek için yeterince sık görünmeyen nadir olaylar ve uç durumlar için etkilidir.
• Gizlilik: Üretken yapay zeka, hiçbir kişisel olarak tanımlanabilir bilgi içermeden orijinal verilerin istatistiksel özelliklerini yansıtan veriler oluşturabilir; bu da kuruluşlar ve düzenleyici sınırlar arasında paylaşımı mümkün kılar.
• Maliyet etkinliği: AI kullanarak veri oluşturmak, özellikle yüksek riskli veya düşük frekanslı senaryolar için geleneksel veri toplamadan genellikle daha ucuzdur.
• Çeşitli senaryolar: Üretken yapay zeka, gerçek dünyada toplanması pratik olmayan veya tehlikeli olan koşulları ve uç durumları simüle edebilir.

Dezavantajlar

• Veri kalitesi ve özgünlük endişeleri: Üretilen veriler her zaman gerçek dünya senaryolarını mükemmel şekilde temsil etmez. Üretken model önyargılar veya yanlışlıklar sergilerse, bunlar eğitim verilerine yayılır ve alt modelde daha da büyür.
• Sentetik verilere aşırı uyum: Gerçek dünya dağılımlarıyla yakından eşleşmeyen sentetik verilere yoğun şekilde eğitilen bir model, sentetik benchmark'larda iyi performans gösterir ancak üretimde kötü performans gösterir.
• Model çöküşü: Bu, standart aşırı uyumdan daha belirgin ve daha ciddi bir risktir. AI modelleri benzer modeller tarafından üretilen veriler üzerinde yinelemeli olarak yeniden eğitildiğinde, çıktı kalitesinin giderek bozulduğu bir geri bildirim döngüsü ortaya çıkar. Üretilen verilerin dağılımı daralır, çeşitlilik kaybolur ve modeller gerçek dünya sinyallerinden öğrenmek yerine giderek birbirlerinin hatalarını taklit eder. Model çöküşünü azaltmak, insan ve sentetik verilerin bilinçli olarak karıştırılmasını, çeşitlilik sağlanmasını ve dağılımsal sapmanın izlenmesini gerektirir.¹⁰

Öneriler

Veri çeşitliliğini sağlayın: Önyargıları önlemek ve modelin farklı durumlara genelleme yapmasını sağlamak için üretilen veri setlerinde demografi, senaryo ve bağlam çeşitliliğine öncelik verin.

Sentetik verileri insan doğruluğuna dayandırın: Temel olarak insan tarafından seçilmiş külliyatları kullanın; özellikle nadir olaylar ve uç durumlar için bu çekirdeği genişletmek, zorlamak ve sağlamlaştırmak için sentetik verileri kullanın. Yalnızca sentetik verilerle eğitim yapmayın.

Gerçek dünya örnekleriyle düzenli olarak doğrulayın: Üretilen verileri sürekli doğrulayın ve eğitim setlerini güncelleyin. Bu, dağılımların hızla değiştiği hızlı ilerleyen alanlarda özellikle önemlidir.

Etik ve yasal uyumluluğu izleyin: Veri gizliliğine ve fikri mülkiyet haklarına çok dikkat edin. Üretken modellerin korunan bilgileri çoğaltmadığından veya zararlı önyargıları sürdürmediğinden emin olun.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

6. İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)

RLHF, bir makine öğrenimi modelinin yalnızca ortamdan gelen geleneksel ödül sinyallerine güvenmek yerine insan geri bildirimi kullanılarak eğitildiği bir yöntemdir. 2023–2024 boyunca büyük dil modelleri için baskın hizalama tekniğiydi, ancak giderek daha ölçeklenebilir alternatiflerle değiştirilmekte veya desteklenmektedir.

Nasıl çalışır

1. Başlangıç gösterimleri: İnsan uzmanlar istenen davranışı sergiler. Bu gösterimler, başarılı performansın nasıl göründüğünü gösteren temel bir veri seti oluşturur.
2. Model eğitimi: Model, bu gösterim verileri üzerinde eğitim yaparak uzmanın davranışlarını ve kararlarını taklit etmeyi öğrenir.
3. Geri bildirimle fine-tuning: İnsan değerlendiriciler modelin çıktılarını sıralar veya puanlar. Model, insan beklentileriyle uyum sağlamak için bu puanlara göre davranışını ayarlar.

Avantajlar

• Ödül fonksiyonunu tanımlamanın zor olduğu veya ödüllerin seyrek olduğu ortamlarda RLHF, insan uzmanlığını kullanarak boşluğu doldurur.
• İnsan değerlendiriciler, modeli otomatik bir ödül sinyalinin gözden kaçırabileceği zararlı veya etik olmayan davranışlardan uzaklaştırabilir.

Dezavantajlar

• Ölçeklenebilirlik sorunları: Sürekli olarak insan geri bildirimine güvenmek kaynak yoğundur. Görevler karmaşıklaştıkça insan katılımı bir darboğaz haline gelir. RLHF ile bir ödül modeli eğitmek ~$500K tutabilir ve iki ay sürebilir.
• İnsan önyargılarının dahil edilmesi: İnsan değerlendiricilerin tercihleri, yanlış anlamaları ve kültürel önyargıları farkında olmadan modele aktarılır ve istenmeyen davranışlara yol açar.

Ölçeklenebilir Alternatifler: RLAIF ve RLVR

RLHF'nin ölçeklenebilirlik kısıtları, şu anda öncü AI laboratuvarlarında kullanılan iki ana halef yöntemin geliştirilmesine yol açtı:

RLAIF (AI Geri Bildiriminden Pekiştirmeli Öğrenme), insan etiketleyicileri tercih geri bildirimi üreten bir AI modeliyle değiştirir. Karşılaştırma çiftleri insan değerlendiricilere gösterilmek yerine, belirli bir ilkeler dizisi altında çalışan bir AI hakemine gösterilir. RLAIF, yaklaşık $5K karşılığında 50.000 etiket maliyetiyle, RLHF'nin ~$500K'sına kıyasla ve üç ayda bir yerine haftalık yineleme sağlar.¹¹ Anthropic’in

Anayasal AI, RLAIF'in başlıca gerçek dünya uygulamasıdır. Yazılı bir ilkeler “anayasası”, bir AI modeline kendi çıktılarını eleştirme ve revize etme konusunda rehberlik eder; böylece zararlı içerikleri etiketlemek için insan etiketleyicilere olan ihtiyacı ortadan kaldırır. Yararlılıktan ödün vermeden, RLHF için %76'ya kıyasla %88 zararsızlık oranı elde eder.¹² 2026 itibarıyla RLAIF, sektör genelinde eğitim sonrası pipeline'larda varsayılan bir yöntem haline gelmiştir.¹³

RLVR (Doğrulanabilir Ödüllerden Pekiştirmeli Öğrenme) farklı bir yaklaşım benimser: doğruluğun otomatik olarak doğrulanabildiği görevlerde hiçbir insan veya AI hakemine gerek yoktur. Model bir yanıt üretir ve sistem yalnızca doğru olup olmadığını kontrol eder. RLVR, bilgi işlemde yaklaşık $1K tutar, geri bildirim sinyalinde %100 doğruluk elde eder ve aylar yerine günler içinde tamamlanır. Sınırlaması, yalnızca nesnel olarak doğrulanabilir görevlere uygulanabilmesidir; bunlar kullanım durumlarının kabaca %10'unu kapsar.¹¹

Pratikte birçok kuruluş yöntemleri birleştirir: temel yeteneklerde ilk hizalama için RLHF, hızlı iterasyon için RLAIF ve matematik ve kod görevleri için RLVR.

Vaka Çalışması: OpenAI ChatGPT

ChatGPT'deki toksisiteyi azaltmak için OpenAI, müstehcen içerikleri etiketlemek üzere Kenyalı bir dış kaynak firması olan Sama ile ortaklık kurdu. Çalışanlar, şiddet ve istismar dahil grafik metinleri incelemek için saatte $1,32–2 kazandı. Bu RLHF süreci ChatGPT'nin güvenlik filtrelerini eğitti ancak çalışanları psikolojik zarara maruz bıraktı ve Sama'nın sözleşmeyi erken feshetmesine yol açtı.¹⁴ Bu vakada belgelenen iş gücü ve etik kaygılar, düşük ücretli, yüksek zararlı insan etiketleme işine bağımlılığı azaltmak için özel olarak tasarlanmış RLAIF ve Anayasal AI yaklaşımlarının geliştirilmesinde doğrudan bir motivasyon olmuştur.

SSS'ler

Dış kaynaklar

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{Yapay Zeka ve Makine Öğrenimi için En İyi 6 Veri Toplama Yöntemi}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/data-collection-methods}},
  note   = {AIMultiple. Erişim tarihi: 1 Nisan 2026}
}

Değişiklik günlüğü

11 güncelleme

1. 20261 Nis

   RLHF'ye ölçeklenebilir alternatifler olarak RLAIF ve RLVR hakkında bir bölüm eklendi.

2. 202513 May

   Kitle Kaynak Kullanımı bölümünden ASOS & Appen vaka çalışması kaldırıldı.

3. 12 May

   Crowdsourcing, Şirket içi veri toplama, Hazır veri kümeleri, Otomatik veri toplama, Üretken Yapay Zeka ve İnsan geri bildiriminden pekiştirmeli öğrenme (RLHF) bölümlerine vaka çalışmaları eklendi.

4. 202426 Mar

   Yapay zeka veri toplama yöntemleri için SSS eklendi.

5. 202318 Ara

   Giriş, makalenin yapay zeka veri toplama odaklı olduğuna dair bir notla genişletildi.

6. 10 Eki

   Veri toplama yöntemlerine Üretken Yapay Zeka ve İnsan Geri Bildiriminden Pekiştirmeli Öğrenme eklendi.

7. 17 Tem

   Clickworker, veri kitle kaynak kullanımı uzmanı olarak eklendi.

8. 28 Nis

   “Özel kitle kaynak kullanımı” bölümü, iki şekil ve kaynaklarıyla genişletildi.

9. 202227 Ara

   Clickworker için kayıtlı katılımcı sayısını güncelledi.

10. 21 Kas

    “Web kazıma ve tarama” bölümü “Otomatik veri toplama” ile değiştirildi.

11. 15 Ağu

    Veri toplama yöntemlerine "Özel koleksiyon" eklendi.

Referans Linkleri

1.

ResearchGate - Temporarily Unavailable

2.

ResearchGate - Temporarily Unavailable

3.

Tesla: The Data Collection Revolution in Autonomous Driving | by Shreyas Sharma | CISS AL Big Data | Medium

CISS AL Big Data

4.

How to predict structures with AlphaFold - Proteopedia, life in 3D

5.

Alibaba’s ‘city brain’ is improving traffic in Hangzhou | CNN Business

Getty

6.

Web Scraping Legal Compliance Framework: GDPR, CCPA, and Global Regulations (2026) | Use Apify

Use Apify

7.

SerpApi Motion to Dismiss Google Lawsuit: Complete Legal Analysis

8.

How Artificial Intelligence is Shaping Web Scraping Litigation

ZwillGen

9.

Synthetic Data for AI: Benefits, Risks & Model Training

Kings Research

10.

AI training in 2026: anchoring synthetic data in human truth

Invisible Technologies

11.

RLHF vs RLAIF vs RLVR: The Three Ways to Teach AI Models - Floating Bytes

12.

RLAIF Explained: A Scalable Alternative to RLHF for AI Training

Turing

13.

Constitutional AI Explained: The Next Evolution Beyond RLHF for Safe and Scalable LLMs | by @pramodchandrayan | Predict | Medium

Predict

14.

OpenAI Used Kenyan Workers on Less Than $2 Per Hour: Exclusive

Time

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 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 yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sena Sezer

Endüstri Analisti

Takip Et

Sena, AIMultiple bünyesinde endüstri analistidir. Lisans derecesini Boğaziçi Üniversitesi'nden tamamlamıştır.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder