敬业,功夫在诗外

文/万兴软件副总裁 刘伟

敬业有两层含义。一是个人层面,头悬梁、锥刺股,王国维读书三境界之“为伊消得人憔悴”,都是个人层面的敬业。二是组织层面,即营造一种敬业的组织氛围。一个人原来并不“好好学习”,到了你这里,很自然地就“天天向上”了,这就是组织层面的敬业,“随风潜入夜,润物细无声”。

公司不同的发展阶段,对敬业的要求不同。初创阶段,员工比较少,创始人冲在一线,公司出不起太多钱请精英,选人原则是“敬业第一,能力第二”,待遇甚至达不到行业平均水平,但大家愿意干,在方向正确的前提下,一般就能壮大。发展阶段,队伍扩大了,创始人在后面激励大家干,公司有实力请得起高手,选人原则演变为“能力第一,敬业第二”,但前提是敬业能够上升到组织层面,形成勤奋、努力的组织氛围和土壤,于是即使吸引大批人才加盟也不会冲淡原来的创业文化,继续保持激情和活力。

我们团队一直保持着旺盛的战斗力,勤奋努力的敬业精神常为投资者称道。能做到这些,仅靠高层的榜样作用是不够的,公司层面的敬业问题,还是要从公司层面解决。

价值共享是基础。我们推崇价值共享的分配原则。一方面是共享事业发展的机会,用人机制灵活,大胆启用新人,通过项目工作给予表现机会,赛马不相马,做出成绩,即充分授权给予重用,由此赛出不少“黑马”;另一方面是共享公司发展的物质成果,实施员工持股计划。通过这种价值共享机制,使得大家的“敬业”有了动力基础。

文化建设是根本。我们推行平等参与的“村落文化”,基本做到“我的地盘我做主”。公司的重大决策,特别是涉及员工重大利益的事宜,员工均会参与乃至主导决策。我们的年度战略讨论,就有数十人进行了两天的封闭式讨论,为达成战略共识奠定了共同的前提假设;员工持股计划,由15名核心人员组成员工持股委员会,组织公司大多数员工积极参与,经过数十场次激烈讨论,才形成员工持股名单。

干部队伍是关键。员工是否敬业,一线管理人员营造的微观管理氛围很重要。我们有专门实施干部管理的部门,每年进行一次干部上岗评审,下属评价占40%的比重。这对干部的管理能力提出了很高的要求,要让员工跟着你感到有奔头。如果得不到员工信任,很快就会“被转岗”。公司每年进行盖洛普Q12工作环境测评,根据测评结果,帮助干部改善管理技能。如果说干部上岗评审是结果管理,不能获取大家信任就得下台,那么Q12测评与改善就是过程管理,要有改善计划来持续提升工作环境的员工满意度。

价值共享机制,平等参与的文化,干部良好的管理技能,做好这三点,员工敬业度就是水到渠成。



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