SOA与ERP如何融合?大脑结构之于信息系统设计

 

左脑类应用是企业一致性管理的基础

大脑的分工如图一所示,左脑是负责逻辑,数字,书面语言,分析,右脑是负责直觉,综合,图形。如果把企业信息系统做一个类比的话,(参考图二),可以粗略的按应用的特点分成两类,象ERP这类应用系统采用的是左脑的方式,强调准确,逻辑化,量化,是企业管理的基础,没有这些应用,大型企业无法进行正常的生产与运营。这类数字管理的应用,对企业运营来说,如同一个足球队里面后卫线的价值,他们的任务是保证不输球,强调的是一致性与规范。然而,一个企业的发展如同一个球队一样,还需要球队里面拥有有创造力的前锋和中场,因为每个企业都在应对不断变化的外界环境,比如,企业的领导面对客户的新需求,政府的新政策与法规,地方市场的消费习惯变迁,必须不断地对来自各个应用系统的信息进行综合,做出自己判断,才能有别于自己的竞争对手。ERP系统使得企业的人财物流动都得到适度的控制,根据行业经验获得一种优化的管理,但这种应用对于企业竞争力的悖论在于,互相竞争的同类企业都如果都采用了类似的应用系统,解决了共性的管理问题,等于一个只用左脑思维的大脑。而产品创新,设计,品牌,营销等附加价值高应用,往往是需要根据外界的变化不断变更的。这些应用必然需要一个灵活的开发方式,这很象人类右脑的功能。美国管理学界现在有一种观点,在创新型企业,所有左脑类应用都可以外包到印度和中国来降低成本,因为这些应用不构成创新的要素,而企业的核心应该专注于与右脑有关的创新类工作。

 

右脑类应用是应对外界复杂性的工具

图灵被问道,如何判断电脑的智力超过人脑的时候,说了一个简单的标准,“当电脑可以骗人的时候”。人脑之所以可以识别被骗,懂得骗人,都是因为人类的右脑可以超越逻辑,体会到得逻辑以外的复杂世界。因此,从一开始,人脑就是一个应对复杂外界的设计,它拥有一个逻辑思维的左脑,象ERP系统一样可以将物理世界的事件按特定的模式做数学抽象,同时他还拥有一个具备直觉,洞见,综合能力的右脑,人类的所有创新能力都来自于右脑,所谓创新,对于人的右脑来说,就是一种应对外界变化的创造性反应,我们可以把骗人理解为一种思维的创新,因为骗人是在理解规则的基础上,进行了事务逻辑的重新设计。

信息系统应用的复杂性来自人类的适应性.没有企业的管理者会认为上了ERP系统就可以把人财物管理得滴水不漏,因为被管理的人本身具备灵活的右脑,可以想出办法逃避系统的约束。应对复杂的外部环境,尤其是具有智能的人群,除了左脑思维的ERP等应用系统,企业管理者需要一个右脑式的拥有综合感知能力的平台,比如,企业如果要建立一个审计系统,这样的应用系统必然是要从各个不同的系统里抓取数据,因为它需要对很多的因素做综合考量。

左右脑的集成是大脑效率的关键

科学研究发现,当人类的左右脑可以有非常良好的同步时,大脑的整体效能会成倍增加,而联接左右脑的关键是脑梁里面的神经纤维(见图一)。如果我们把大脑的设计作为参考设计,那么理想的信息系统架构设计应该这样,把管理类,相对稳定,强调一致性的应用归为左脑类的应用,把需要个性开发,并不断变更的应用归为右脑类应用。脑梁的神经纤维可以比喻成为企业级集成平台,负责企业的应用整合和企业综合应用。当我们继续分析企业级平台的特点时,就会意识到这应该是一个独立于应用系统的异构系统。这个类似脑梁的功能集成平台,前几年的技术潮流是EAI,现在的潮流是SOA。

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 10
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