重新想象企业软件

重新想象企业软件


现在企业软件公司都在将各个业务裁剪场景做到移动端(不仅仅是过去的OA、审批、报表、消息这老四样),当基于PC设计的ERP使用频率越来越小时,不仅经典B/S、C/S 技术被颠覆,而且经典ERP理论也被颠覆(你不可能把移动APP也做出大系统大体系)。云+端可能是正确的saas普及应用之路,一点点挪到端和云,不是突翻。


APP从AppStore中下载、安装、推送更新。Server端变成了Cloud,先从非关系型数据一点点转移。比如客服录音、培训视频、现场巡检照片、企业发文/审批文档、企业blog知识总结分享/企业微博,慢慢再过渡到ERP日志同步、ERP消息同步、ERP定制化代码同步、ERP基础配置数据同步、ERP主数据同步、ERP数据云备份,进而过渡到ERP数据仓库存储在云端借助云的分布式海量存储与海量并行计算。


我为什么说经典ERP理论也会被颠覆。行为会决定结果,行为还会影响习惯,习惯还会影响思维。就如同移动短信、微博、IM已经让大多人们的思维成为碎片式、交互式、短语式,而无法系统性体系性长久性思考和整理。管理是一项工程、人性艺术、适应环境与变化的实践,管理从来不是先有理论后有实践。一个移动APP你怎么可以把它做成像咱们现在的ERP这么复杂这么体系性紧密关联成铁板一块呢(企业管理岂不是一直在追求整体行军指挥么)?


但站在现在看企业整体资源规划、整合、执行推进落地,好像追求极致的整体已经不适应时代。企业组织也是组织,组织分为家庭组织、企业组织、国家组织。管理大师德鲁克一辈子都在研究广泛的组织管理而非企业组织管理。国家组织在整体一块、资源统筹规划、计划这条路上已经事实证明完蛋,计划经济不就是这样么?难道大型企业还在继续追求这个?


现在世界是平的、众包、企业组件、SOA、阿米巴、公司平台化、风投、工作室全在奔向一个方向,那就是整体粗线条框架下的小团队,小团队是高内聚低耦合的。而移动APP作为组织管理工具也是这个方向,这都是万法归源,暗暗契合一个时代,不是突然莫名出现一个形式就被人广泛接受了。所以把PC ERP挪到云上、挪到移动APP中,这都是把大象装在冰箱里的做法。我们需要在新的环境下、新的人类习惯下重新想象重新设计。


有人说,那手机多小啊,肯定不会替代PC。我说放宽点,把平板、手机、传感器、可穿戴设备都看成移动设备。


咱们企业人划拉划拉,把搞设计研发的和搞其他的分开看(他们可能还大量依赖键盘),一般企业非设计研发的岗位才是占80%的大多数。


咱们把ERP简单粗暴抽象为输入数据、加工数据、输出数据。咱们把ERP的输入数据简单粗暴的抽象为人物、时间、地点、什么事(数量/金额/状态)。


咱们把ERP的输入数据分为基础录入数据、业务过程处理流水记录数据。基础录入数据的简化可以用按岗位流程分段录入维护,业务过程处理流水记录数据简化可以按岗位、流程、用传感器(手机拍照/图形图像识别、二维码条码识别、NFC、指纹、刷卡、LBS、语音转文字/文字转语言等等)来自动记录。


咱们把PC和平板比,PC简单粗暴来说就是:文字快速录入的键盘、大的输出信息屏幕、鼠标精确点击胜过手指触摸屏。这样理解PC会不会消失就容易多了。我想说的是:不能太极端,企业PC不会消失,但企业PC会越用越少。


我曾经也写过一条微博:
1、管理必须为经营增值而服务否则不要干,不要多增加录入和大量报表输出。现存大量管理软件的输入和报表输出,都是管理者为了老板邀功为了所谓体系为了所谓有良好的量化管理的自淫自满足表现,大量输入输出并不产生经营增值


2、正常状态靠软件固化保证、管理者主要管理异常,靠预警通知来触发应用,平时远离软件


这样,其实就没有多少信息要输入要输出了,所以屏幕大了也没多少用。
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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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