迷失的项目管理

    忘了从什么时候开始,项目管理这个名词在中国的IT圈子里流行了起来,每个公司都建立了自己的项目管理流程,每个人都以自己名片上的项目经理头衔为荣,无数程序员把成为项目经理当作脱离代码工人行列的最好途径,当然项目管理培训公司和PMP培训也大发其财。

    项目管理看起来确实很有技术含量,一大堆普通人看着就头大的文档:需求规格说明书、概要设计、用户用例等等,工具和术语也很华丽:甘特图、关键路径节点、风险控制、极限开发...唯一的感觉就是这是精英们的专属任务,相信不少有志青年想起来就会激动不已。于是不甘心于30岁退休的技术精英们,一边加班加点认真工作,一边努力学习着项目管理,为有一天当上项目经理而努力。

    终于有一天,机会来到了,各位新进PM踌躇满志的踏上前线,才发现噩梦已经悄然开始:)噩梦来自于国内软件业的现状,每个在国内实际作过项目的PM都能举出一大堆教科书上匪夷所思,但是又每天发生着的案例。比如客户不知道自己的需求,天天做变更啦;销售随便承诺无法提供的功能啦;2个月工期的项目两星期就要上线啦等等,不夸张地说,每一位中国的PM都曾经和各种impossible的mission战斗过。除非你很幸运,能在IBM这类传说级别的IT公司混着,那你就会发现教科书和现实终于可以重合在一起:明确而完善的需求,充足而强力的资源,和蔼和亲的客户等等。但是话又说回来,如果有IBM这么强势的地位和资源,即使随便招个人来做PM,想做砸的可能性也不大呢^o^。抛开PM的种种华丽外壳,其实对国内大部分PM来说,我认为只要能学会沟通、学会保障充足的项目资源就可以是一个称职的PM。

    可是显而易见,中国的PM们并不像国外同行那样,靠着严谨又精确的进度控制保障着项目按计划前进,而是时刻扮演着救火队员的角色,带着项目成员们勇往直前地扑向一个又一个mission impossible,项目越是搞得波澜起伏,惊心动魄,PM就越被认为是人才,这不禁让我想起那个故事:

    有人对华佗说:“你的医术很高明呀,举国闻名”。华佗回答:“我可不是最高明的医生呀,我家三兄弟,我大哥治病,治病于未发病之前,消灾于无知无形之中,虽保一方百姓安宁,只有我家的人才知道;二哥治病于初起,病发之初,轻而易解,拂手而愈,只见名扬乡里;而我等病重而治,开膛破肚,大动干戈,声势显著,所以全国闻名。”

    由此可见,项目越是作得轰轰烈烈,越是代表公司存在问题。德鲁克也说过,最理想的企业,就应该像工厂一样,平静得近乎无聊,因为一切都被管理地顺顺当当。

    让我们回到企业的本质,企业的首要目的是创造利润,项目实施只是保证合同能回款的一个过程,虽说项目实施顺利,可以提高资本周转率,节省公司资源,但这都不是主要的提升利润手段。

    站在开发者的角度,我们的目光应该集中在产品管理而不是项目管理上,只有好的产品才可能为公司创造更多的利润。开发好产品一般有两种途径,一是发现新市场,创造蓝海;二是深入挖掘现有产品,提高现有利润率。第一种方式,利润高,风险也很大,适合有承受能力的软件企业。第二种,则因为成本低,风险小,更容易在中小企业中实施。

    作为产品管理者,需要选择适合企业的开发方式,有效地使用现有资源,不断提升产品质量。产品管理通过提高稳定性,增强性能,降低开发维护成本,缩短部署时间等等方式,能够大幅度降低项目实施风险,提高产品质量和用户评价,并且为企业提供更多的利润。我相信当国内的软件企业都转向产品管理的道路上的时候,就是中国软件真正起步的时候,虽然要克服国内软件企业捞快钱的短视习惯并不是一件容易的事情:)

 
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值