Sorumlu Yapay Zeka: 4 İlke ve En İyi Uygulamalar

%65 liderlerin yapay zeka ile ilgili riskleri etkili bir şekilde yönetmeye hazır olmadıklarını hissediyor. ¹  Sorumluluk, güvenilirlik ve etik uygulamaları göz önünde bulundurarak yapay zeka uygulamaları geliştirmek ve ölçeklendirmek, herkes için çalışan yapay zeka oluşturmak için gereklidir.

Sorumlu yapay zeka (RAI) tasarımı için dört ilkeyi keşfedin ve bunlara ulaşmak için en iyi uygulamaları önerin:

Adım adım Sorumlu Yapay Zeka Kılavuzu

1. Yapay zeka sistemlerini insan kullanıcılara ve onların deneyimlerine odaklanarak dağıtın. Daha iyi bir kullanıcı etkileşimi için tasarımın etik ilkeleri ve toplumsal değerleri içerdiğinden emin olun.
2. Geri bildirim ve hata oranları da dahil olmak üzere çeşitli metrikleri izlemek için sorumlu bir yapay zeka panosu kullanın, sistem etkinliğini ve risk yönetimini sağlayın.
3. Eğitim verilerini ve temel verileri doğruluk ve temsil edilebilirlik açısından dikkatlice inceleyin. Veri etiğini geliştirmek ve yapay zeka politikanızın adalet denetimlerini zorunlu kılmasını sağlamak için önyargıları ve adil olmayan sonuçları ele alın.
4. Makine öğrenimi modellerinin sınırlamalarını anlayın ve bunları açıkça belirtin. Korelasyonlara aşırı güvenmekten kaçının ve üretken yapay zeka yeteneklerinin kapsamını tanıyın.
5. Yapay zeka iş akışlarında birim ve entegrasyon testleri de dahil olmak üzere sıkı testler uygulayın. Sürekli izleme, etik hususları sürece dahil ederek sistem güvenilirliği ve doğruluğu için gereklidir.
6. Dağıtım sonrası sistem performansını sürekli olarak izleyin, güncellemeleri yasal uyumluluk için EU YZ Act'e göre değerlendirin ve gizlilik ve güvenlik ilkelerine uyum sağlayın. İzleme uygulamalarınızı gizlilik, şeffaflık ve güvenliği vurgulayan yapay zeka politika standartlarıyla uyumlu hale getirin. Kötü amaçlı saldırılara karşı direnç ve yaygın benimsemeyi sağlarken hem acil hem de uzun vadeli sorunları ele alın.

1. Adalet

Yapay zeka araçları, işe alım, borç verme ve tıbbi teşhis gibi çeşitli karar alma süreçlerinde giderek daha fazla kullanılmaktadır. Bu karar alma sistemlerine getirilen önyargılar, halk üzerinde geniş kapsamlı etkilere sahip olabilir ve farklı insan gruplarına karşı ayrımcılığa katkıda bulunabilir.

Gerçek hayattan örnekler

İşte gerçek dünya uygulamalarında yapay zeka önyargısına dair üç örnek:

• Kredi algoritmalarında cinsiyetçilik: 2019 yılında, Apple kredi kartı algoritmasının cinsiyete dayalı farklı kredi limitleri sunarak kadınlara karşı ayrımcılık yaptığına dair (kurucu ortak Steve Wozniak dahil) birçok iddia vardı.
• Yapay zeka tabanlı işe alımda ırkçılık ve engelli ayrımcılığı: Harvard Business School ve Accenture tarafından yapılan yeni bir rapora göre, ABD'de 27 milyon çalışan, otomatik ve yapay zeka tabanlı işe alım sistemleri nedeniyle eleniyor ve iş bulamıyor. ²  Bu “gizli işçiler” göçmenleri, mültecileri ve fiziksel engelli olanları içermektedir.
• Yüz tanımada ırkçılık: Araştırmacılar,³ Amazon veya Microsoft gibi bazı ticari yüz tanıma teknolojilerinin koyu tenli kadınlarda düşük doğruluk gösterirken açık tenli erkeklerde daha yüksek doğruluk sağladığını buldu (Şekil 1).

Bu önyargılı kararlar, proje tasarımından veya gerçek dünya önyargılarını yansıtan veri setlerinden kaynaklanabilir. Herkes için sağlam ve kapsayıcı yapay zeka sistemleri oluşturmak için bu önyargıları ortadan kaldırmak kritiktir.

Adaleti sağlamak için en iyi uygulamalar

• Veri setinin, popülasyonun adil bir temsili olup olmadığını inceleyin.
• Modelin farklı gruplar arasında eşit derecede iyi performans gösterip göstermediğini belirlemek için veri setindeki alt popülasyonları analiz edin.
• Adaleti göz önünde bulundurarak modeller tasarlayın ve sosyal bilimciler ve diğer konu uzmanlarıyla görüşün.
• Makine öğrenimi modelini dağıtımdan sonra sürekli olarak izleyin. Modeller kayar, bu nedenle zamanla sisteme önyargılar girebilir.
• Ölçülebilir hesap verebilirlik için yapay zeka politikanıza adalet benchmark'larını entegre edin.

Yapay zeka önyargısı ve nasıl düzeltileceği hakkında kapsamlı bir makalemiz var. İncelemekten ücretsiz çekinmeyin. Ayrıca yapay zeka etiği makalemizi de okuyabilirsiniz.

2. Gizlilik

Yapay zeka sistemleri genellikle büyük veri setleri kullanır ve bu veri setleri bireyler hakkında hassas bilgiler içerebilir. Bu, yapay zeka çözümlerini veri ihlallerine ve hassas bilgileri ele geçirmek isteyen kötü niyetli tarafların saldırılarına karşı savunmasız hale getirir:

• Identity Theft Resource Center'a göre, 2021'de 1862 veri ihlali yaşandı ve bu, 2017'deki önceki tüm zamanların en yüksek seviyesine göre %23 daha yüksektir.⁴

Veri ihlalleri işletmelere finansal kayıpların yanı sıra itibar zararı da verir ve hassas bilgileri ifşa olan bireyleri riske atar.

Gerçek hayattan örnek

2024'ün başlarında, İtalya'nın veri koruma otoritesi, yapay zeka ile ilgili gizlilik ihlalleri nedeniyle cezalandırılan ilk İtalyan belediyesi olan Trento şehrine €50.000 para cezası verdi. Trento, kameralar, mikrofonlar ve sosyal medya izleme içeren AB fonlu gözetim projelerinde yapay zeka araçları kullanmış ancak kişisel verileri uygun şekilde anonimleştirememiş ve bilgileri üçüncü taraflarla yasadışı olarak paylaşmıştır.

Denetim makamı, GDPR kapsamında şeffaflık ve orantılılık ihlallerini gerekçe göstererek toplanan tüm verilerin silinmesini emretti. Bu dava, 2023'teki geçici ChatGPT yasağı ve 2024 sonunda OpenAI'ye verilen para cezası gibi eylemlerin ardından İtalya'nın yapay zeka ile ilgili gizlilik kurallarını giderek daha fazla uyguladığını yansıtıyor.⁵

Gizliliği sağlamak için en iyi uygulamalar 

• Verileri hassasiyetine göre değerlendirin ve sınıflandırın, hassas verileri izleyin.
• Kuruluş içinde bir veri erişim ve kullanım politikası geliştirin. En az ayrıcalık ilkesini uygulayın

3. Güvenlik ve emniyet

Bir yapay zeka sisteminin güvenliği, saldırganların sisteme müdahale etmesini ve amaçlanan davranışını değiştirmesini önlemek için kritiktir. Yapay zekanın toplumun özellikle kritik alanlarında artan kullanımı, kamu güvenliği üzerinde önemli etkileri olabilecek güvenlik açıklarını ortaya çıkarabilir.

Sistem tasarımı sırasında güçlü güvenlik ilkeleri uygulamak bu güvenlik açıklarını en aza indirmeye yardımcı olur. Ayrıca, sağlam bir yapay zeka politikası tehdit modelleme, sızma testi ve kırmızı ekip çalışması gerektirir.

Aşağıdaki örnekleri göz önünde bulundurun:

• Araştırmacılar, yola küçük etiketler yerleştirerek sürücüsüz bir aracın karşı şeritte gitmesini sağlayabildiklerini göstermişlerdir.

Bu çekişmeli saldırılar şunları içerebilir:

• Veri zehirleme: eğitim veri setlerine yanıltıcı veriler ekleyerek.
• Model zehirleme: modellere erişerek ve onları manipüle ederek.

diğerlerinin yanı sıra yapay zeka modelinin istenmeyen şekillerde davranmasına neden olmak. Yapay zeka teknolojisi geliştikçe, saldırganlar yeni yöntemler bulacak ve yapay zeka sistemlerini savunmak için yeni yollar geliştirilecektir.

Gerçek hayattan örnek

İspanya, EU YZ Act ile uyumlu olarak, deepfake'ler gibi tüm yapay zeka tarafından üretilen içeriklerin açıkça etiketlenmesini gerektiren bir yasa tasarısını onayladı; bu, şeffaflığı güçlendirmeyi ve savunmasız grupları korumayı amaçlıyor. Yasa ayrıca yapay zeka aracılığıyla bilinçaltı manipülasyonu yasaklıyor ve ihlaller için ağır cezalar öngörüyor. Yasa şunları gerektiriyor:

• Etiketleme: Tüm yapay zeka tarafından üretilen içerikler (örneğin, resimler, videolar, metinler) açıkça bu şekilde işaretlenmelidir.
• Deepfake düzenlemesi: Sentetik medya yapay kökenini açıklamak zorundadır.
• Manipülasyon yasağı: Yapay zeka sistemleri, kullanıcıları, özellikle küçükleri veya savunmasız bireyleri istismar etmek için bilinçaltı teknikleri kullanamaz.

İhlal edildiğinde, model sağlayıcılarının €35 milyona kadar veya küresel cironun %7'si kadar ödeme yapması bekleniyor. AESIA adlı yeni bir ulusal ajans uyumluluğu izleyecek ve uygulayacak.

Bu yasa, kullanıcıların sentetik içerikle ne zaman etkileşimde olduklarını bilmelerini sağlayarak ve zararlı manipülasyonu engelleyerek sorumlu yapay zekanın şeffaflık ve güvenlik ilkelerini pekiştiriyor.⁶

Güvenliği sağlamak için en iyi uygulamalar

• Bir düşmanın sisteme saldırmak için bir teşviki olup olmayacağını ve böyle bir saldırının potansiyel sonuçlarını değerlendirin.
• Kuruluşunuzda, güvenlik açıklarını belirlemek ve azaltmak için sistemleri test edecek bir düşman gibi davranacak bir kırmızı ekip oluşturun.
• Yapay zeka saldırıları ve yapay zeka güvenliğindeki yeni gelişmeleri takip edin. Bu devam eden bir araştırma alanıdır, bu nedenle gelişmelere ayak uydurmak önemlidir.

4. Şeffaflık

Yapay zeka sistemlerinin şeffaflığı, yorumlanabilirliği veya açıklanabilirliği, işletmelerin sektör standartlarına veya hükümet düzenlemelerine uyması gereken sağlık hizmetleri ve sigorta gibi bazı sektörlerde bir zorunluluktur. Bununla birlikte, yapay zeka modellerinin neden belirli çıktılar ürettiğini yorumlayabilmek, tüm işletmelerin ve kullanıcıların yapay zeka sistemlerini anlayabilmesi ve güvenebilmesi için önemlidir.

Şeffaf bir yapay zeka sistemi işletmelere şu konularda yardımcı olabilir:

• İş açısından kritik kararları açıklamak ve savunmak,
• “Eğer” senaryoları yapmak,
• Modellerin amaçlandığı gibi çalıştığından emin olmak,
• İstenmeyen sonuçlar durumunda hesap verebilirliği sağlamak.

Gerçek hayattan örnek

ABD merkezli bir yüz tanıma şirketi olan Clearview YZ, kolluk kuvvetleri ve özel müşteriler için bireyleri tanımlamak amacıyla internetten toplanan 30 milyardan fazla görüntüden oluşan bir veritabanı oluşturdu. GDPR kapsamında gizlilik ve şeffaflık ilkelerini ihlal ettiği için Hollanda Veri Koruma Otoritesi tarafından €30.5 milyon para cezasına çarptırıldı:

• Rıza yok: Kullanıcıların bilgisi veya izni olmadan biyometrik veriler (yüz özellikleri) toplandı.
• Şeffaflık eksikliği: Bireylere, görüntülerinin kullanıldığı veya nasıl işlendiği bildirilmedi.
• Hassas veriler: Veritabanı reşit olmayanların görüntülerini içeriyordu.
• Uyumsuzluk: AB'de yerel bir temsilci veya yasal veri dayanağı olmaksızın faaliyet gösterdi.⁷

Kullanım alanları

Açıklanabilir yapay zeka, aşağıdakiler gibi çeşitli sektörlerde karar alma süreçlerine şeffaflık ve güven oluşturmaya yardımcı olabilir: 

• Sağlık hizmetleri: doktorların yapay zekanın hastalık teşhislerinin ve tedavi önerilerinin arkasındaki mantığı anlamalarına yardımcı olarak. 
• Finans: dolandırıcılık tespiti ve yatırım tavsiyelerinde paydaşlar arasında güveni artıran şeffaflık sağlayarak. 
• Otomotiv: otonom araçlardaki karar alma süreçlerini netleştirmeye yardımcı olarak güvenliği ve güvenilirliği artırarak. 
• Pazarlama ve Satış: müşteri segmentasyonu, satış tahmini ve reklam hedeflemesi için yapay zeka odaklı içgörüler sunarak, stratejik kararları destekleyen şeffaflık sağlar. 
• Siber güvenlik: yapay zekanın tehdit tespitinin arkasındaki mantığı açıklayarak siber güvenlik yönetimini iyileştirir. 

Şeffaflığı sağlamak için en iyi uygulamalar

• Modelin istenen performansı için gerekli olan küçük bir girdi seti kullanın. Bu, değişkenler arasındaki korelasyonun veya nedenselliğin nereden geldiğini doğru bir şekilde belirlemeyi kolaylaştırabilir.
• Açıklanması zor modeller (kara kutu modeller) yerine açıklanabilir yapay zeka yöntemlerine öncelik verin.
• Alan uzmanları ve paydaşlarla gerekli yorumlanabilirlik düzeyini tartışın.

Yeni sütun: Green YZ

Green YZ, yapay zeka sistemlerinin çevresel etkisini azaltmaya odaklanır. Yapay zeka modellerini eğitmek ve çalıştırmak, yüksek enerji tüketimine yol açan önemli hesaplama gücü gerektirir. Bu, hem maliyetleri hem de karbon emisyonlarını artırabilir.

Yapay zeka kullanımı arttıkça, enerji verimliliği daha önemli hale geliyor. İşletmeler, performansı korurken kaynak kullanımını azaltmak için modellerin nasıl oluşturulduğunu, eğitildiğini ve dağıtıldığını optimize etmeye başlıyor.

Green YZ yaklaşımı işletmelere şu konularda yardımcı olabilir:

• Enerji tüketimini ve operasyonel maliyetleri azaltmak,
• Yapay zeka iş yüklerinin karbon ayak izini düşürmek,
• Model eğitimi ve inference verimliliğini artırmak,
• Yapay zeka girişimlerini sürdürülebilirlik hedefleriyle uyumlu hale getirmek.

Gerçek hayattan örnek

Google DeepMind, Google veri merkezlerindeki soğutma sistemlerini optimize etmek için makine öğrenimini uyguladı. Sistem, soğutmayı otomatik olarak ayarlamak için sıcaklık, güç kullanımı ve ekipman performansı gibi verileri analiz ediyor.

Bu şunlarla sonuçlandı:

• Soğutma enerji kullanımında %40'a kadar azalma,
• Veri merkezlerinde genel enerji tüketiminde yaklaşık %15 azalma.

Bu örnek, Green YZ'ın büyük ölçekli ortamlarda ölçülebilir sonuçlar verdiğini gösteriyor.⁸

Kullanım alanları

Green YZ aşağıdakiler de dahil olmak üzere çeşitli alanlarda uygulanabilir:

• Veri merkezi optimizasyonu: Yapay zeka sistemleri, enerji israfını azaltmak için soğutma ve güç kullanımını ayarlar.
• Verimli model tasarımı: Daha küçük modeller ve sıkıştırma teknikleri hesaplama gereksinimlerini azaltır.
• İş yükü zamanlaması: İşler, enerji talebinin düşük olduğu veya yenilenebilir enerjinin mevcut olduğu zamanlarda çalıştırılır.
• Bulut optimizasyonu: Yapay zeka, aşırı tedarikten kaçınmak için kaynakların dinamik olarak tahsis edilmesine yardımcı olur.
• Edge YZ: Verilerin kaynağa daha yakın işlenmesi veri aktarımını ve enerji kullanımını azaltır.

Green YZ'ı sağlamak için en iyi uygulamalar

• Gereksiz yere büyük modeller yerine verimli model mimarileri kullanın.
• Yinelemeleri azaltarak ve daha kaliteli veriler kullanarak eğitimi optimize edin.
• Yapay zeka iş yüklerinin enerji tüketimini izleyin.
• Yenilenebilir enerji kullanan bulut bölgelerini veya sağlayıcılarını tercih edin.
• Mümkün olduğunda sıfırdan eğitmek yerine önceden eğitilmiş modelleri yeniden kullanın.

Olgunluk notu

Karbon duyarlı iş yükü zamanlaması gibi bazı Green YZ uygulamaları hala gelişmektedir ve henüz yaygın olarak standartlaştırılmamıştır. Bununla birlikte, mevcut uygulamalar önemli verimlilik kazanımlarının elde edilebileceğini göstermektedir.

Sorumlu yapay zeka araçları

Sorumlu yapay zeka yazılımı pazar ortamı, aşağıdakiler gibi sorumlu yapay zeka çerçeveleri sunan çeşitli araçları içerir:

• Yapay zeka yönetişim araçları
• Yapay zeka guardrail'leri
• MLOps araçları
• LLMOps araçları
• Açık kaynaklı sorumlu yapay zeka kütüphaneleri

Veri bilimi danışmanları ve yapay zeka danışmanları hakkında daha fazlası için yapay zeka hizmetleri listelerimize göz atmaktan ücretsiz çekinmeyin.

Bu araçların etik değerlerle uyumlu olmasını sağlamak için kuruluşlar, güvenlik, adalet, şeffaflık ve hesap verebilirliği kapsayan yapay zeka politikalarına uygun araçları benimsemelidir.

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

Bir yapay zeka aracının sorumlu olup olmadığı nasıl belirlenir?

İş kullanıcıları, örneğin bir İK ekibi, başvuru profillerini incelemek için LLM tabanlı bir algoritma kullanarak, CV'leri deneyim ve eğitime göre filtreleyerek işe alımı hızlandırabilir. Ancak, araç adalet ilkelerini ihlal ederse, belirli gruplara karşı ayrımcılık yapabilir. Bu önyargının farkında olmayan kullanıcılar, cinsiyet veya ırka dayalı olarak adayları reddedebilir ve bu da kuruluş için etik ve itibar sorunlarına yol açabilir.

Bu tür sorunları önlemek için şirketler, sorumlu yapay zeka ilkeleriyle uyumlu araçları benimsemelidir. Etik yapay zeka kullanımını sağlamak için benchmark'ları değerlendirebilir, kullanıcı yorumlarını inceleyebilir ve gerçek hayattan örnekleri veya vaka çalışmalarını inceleyebilirler. Aşağıdaki tablo, bazı önde gelen LLM'ler için benchmark sonuçlarını göstermektedir:

Sistemler, hem genel olarak hem de her bir tehlike için 5 puanlık bir ölçek kullanılarak değerlendirilir: Zayıf (1), Orta (2), İyi (3), Çok İyi (4) ve Mükemmel (5). Derecelendirmeler, değerlendirme standartlarını karşılamayan yanıtların yüzdesine göre belirlenir.⁹

Sorumlu yapay zekadaki son gelişmeler

Misalignment early-warning sistemi

OpenAI tarafından, daha güvenli ve daha sorumlu yapay zeka sistemlerine doğru umut verici bir adım olarak misalignment early-warning adı verilen yeni bir teknik tanıtıldı. Bu yöntem, bir yapay zeka modeli zararlı çıktılar üretmeden önce iç uyarı işaretlerini tespit etmeye odaklanır.¹⁰

Misalignment early-working sistemi nasıl çalışır?

Güvensiz davranışlarla ilişkili olan “toksik kişilik” gibi belirli iç özellikleri tanımlayarak çalışır. Geliştiriciler, eğitim veya dağıtım sırasında bu özelliklerin aktivasyon seviyelerini izleyerek, bir model yanlış hizalanmış davranışa doğru kaymaya başladığında erken uyarılar alabilirler.

Bu tür uyarı sinyalleri göründüğünde, müdahaleler şu şekilde uygulanabilir:

• Doğrudan zararlı aktivasyonu sönümleyerek
• Modelin iç yönünü güvensiz kalıplardan uzaklaştıran bir teknik olan aktivasyon yönlendirmesi uygulayarak.

Bu yaklaşım, yalnızca harici çıktıları izlemeye güvenmek yerine proaktif risk azaltmaya olanak tanır.

Sorumlu yapay zeka için misalignment early-working

Bu gelişme, sorumlu yapay zekanın temel ilkelerini destekler: 

• Şeffaflık: iç model davranışını yorumlanabilir hale getirerek
• Güvenlik: erken müdahaleyi mümkün kılarak
• Hesap verebilirlik: insan gözetimi için net sinyaller sunarak.

Model geliştirme sürecine gerçek zamanlı izleme ve kontrol mekanizmaları yerleştirmeye yönelik artan bir eğilimi yansıtır. Daha geniş güvenlik Ar-Ge çabalarının bir parçası olarak bu teknik, eğitim sırasında yanlış hizalamayı yakalama ve düzeltme yeteneğini ilerleterek uluslararası yapay zeka yönetişim çerçeveleri ve tasarımda güvenlik standartlarıyla uyumludur.

YZ Safety Summit

YZ Safety Summit, gelişmiş “Frontier YZ” sistemlerinin güvenliği, riskleri ve düzenlenmesine odaklanan önde gelen uluslararası bir konferanstır. İlk etkinlik Kasım 2023'te İngiltere'nin Bletchley Park kentinde düzenlenmiş ve küresel yapay zeka güvenliği çabalarını koordine etmek için hükümetleri, yapay zeka şirketlerini, sivil toplumu ve 28 ülkeden uzmanları bir araya getirmiştir.

Önemli Sonuçlar

• Bletchley Deklarasyonu: Katılımcı ülkeler, paylaşılan güvenlik ilkelerine dayalı güvenli, insan merkezli, güvenilir ve sorumlu yapay zeka geliştirmeyi taahhüt etti.
• Uluslararası İşbirliği: Kötüye kullanım, toplumsal bozulma ve gelişmiş yapay zeka üzerindeki kontrolün kaybı gibi riskleri azaltmak için acil işbirliğinin önemi vurgulandı.
• Şeffaflık ve Düzenleme: Yapay zeka ilerlemelerine ayak uydurmak için şeffaflık, sıkı güvenlik testleri ve uyarlanabilir düzenleyici çerçeveler çağrısında bulunuldu.

Amaç ve Vizyon

Zirve, çok paydaşlı işbirliğini ve etik yönetişimi teşvik ederek sorumlu yapay zeka gelişimini destekler. Yapay zekanın zararı en aza indirirken topluma fayda sağlamasını hedefler, insan güvenliğini, etik ve kapsayıcılığı ön planda tutan yapay zeka sistemlerini tasarlama, dağıtma ve yönetme konusundaki küresel sorumluluğun altını çizer.

Bu araştırmayı kaynak gösterin

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

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{Sorumlu Yapay Zeka: 4 İlke ve En İyi Uygulamalar}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/responsible-ai}},
  note   = {AIMultiple. Erişim tarihi: 19 Mart 2026}
}

Referans Linkleri

1.

Global Risk Study | Accenture

Accenture

2.

Hidden Workers: Untapped Talent | Managing the Future of Work

3.

Gender shades: Intersectional accuracy disparities in commercial gender classification

4.

ITRC 2021 Data Breach Report Saw Record Number of Compromises

Identity Theft Resource Center

5.

reuters.com

Reuters

6.

reuters.com

Reuters

7.

Clearview AI fined €30.5M in the Netherlands over its facial recognition database - SiliconANGLE

8.

AI Cuts Google Data Center Cooling Costs 40% (DeepMind)

9.

https://ailuminate.mlcommons.org/benchmarks/general_purpose_ai_chat/1.0-en_us-official-ensemble

10.

Toward understanding and preventing misalignment generalization | OpenAI

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analisttir. AIMultiple, her ay Fortune 500'ün %60'ı dahil olmak üzere (similarWeb'e göre) yüz binlerce işletmeyi bilgilendirmektedir.

Cem'in çalışmaları Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır.

Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımlamıştır.

CEO'ya rapor verirken bir telekomünikasyon şirketinin teknoloji stratejisini ve satın alımını yönetmiştir. Ayrıca, 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alınmıştır.

Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Hazal Şimşek

Endüstri Analisti

Takip Et

Hazal, AIMultiple'da endüstri analisti olup süreç madenciliği ve BT otomasyonuna odaklanmaktadır.

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