ERP专家童継龙:ERP从神秘少女变成邻家小妹

    ERP 在中国发展已经有了不少年头,但是,对于大部分企业来说,ERP还是个新生事物,他们仍然把ERP当作一位带着面纱,未出过闺门的少女——只可远观不可亵玩焉。ERP是在是在先进的企业管理思想的基础上,应用信息技术实现对整个企业资源的一体化管理。这么好的一个东西,为什么会面临这种现状呢?

为此记者采访了CSDN专家、现任某服装管理软件公司首席管理顾问童继龙。

“的确,持‘ERP离我们的管理还远着’观点的企业不在少数。”童継龙说。“虽然ERP在中国近两年的发展较之早几年有了长足的进步,但总体来说,还是偏低的。而且我国ERP的普及和接受程度不均衡:大企业与中小企业之间的接受程度不一样;东南沿海地区与中西部地区企业的接受程度又不一样的……与企业所站的高度、规模、所属的行业都密切相关。”

不过庆幸的是在我国ERP正在得到越来越多的认可。以温州为例,早两年前只要是做ERP的就会说:“温州是IT的沙漠”,这是没有IT厂商存活的环境,然而现在温州的企业正越来越多地接受REP。

“而且SOA、SaaS等热门的技术会更好地促进ERP的实施。”童継龙说。有很多人混淆观点,甚至出现“SOA最终会取代ERP”的言论。实际上,SOA是一种架构体系,而ERP则是一种产品体系。童継龙形象地比喻说,“这就像做好菜的方法和一盘好菜的关系。”ERP也正顺应SOA的潮流,提出“开发基于SOA的ERP软件产品”等观念。现在的ERP产品虽然按模块化来实现,但因为企业管理模式的不同,不同客户的需求就使的ERP实施时二次开发的工作量非常大,有的时候就直接影响了一个ERP项目的成败,“如果能够逐步地实现按SOA模式的部署,那么,我相信对于ERP项目的实施成功率将会有非常大的改进。”他说。

然而无论怎样这都离不开开发者的工作。因为ERP虽然说是一套管理理念,但最终还是要依靠软件产品来实现,因此开发者是ERP软件的“父母”。但由于ERP多用于企业级,很多开发者认为自己的开发与企业关系不大,便不再关心。“很多开发者对ERP认识不够,认为在这个行业发展没有前途,实则不然。”童継龙认为,开发者更多的关注ERP,会为自己的拓宽职业生涯带来意想不到的惊喜。“我自己就是从程序员做ERP的开发做起,然后做企业的IT经理,再转到做顾问的;还有如美特斯.邦威的CIO,也是从开发做起,一直做到公司常务副总裁……”

为什么光靠着一个ERP就能做到总经理呢?童継龙认为关键在于做ERP开发让开发者熟悉了公司的业务,而且写到ERP产品上是个拿出再加工的过程,这样的历练自然赋予了开发者更多的收获和机会。

还有朋友认为自己的性格就是适合做技术,并不适合向企业或者业务转型,一个专注于开发的人关注ERP的开发是否会有局限性呢?童継龙持否定答案。“现在这个时代,难得的就是专注,说个例子:有一个同事,毕业之后就在企业做ERP的开发,很多人都觉的他在企业里做开发是没有太多前途的,毕竟企业里天天整的就是这些事情,不怎么能出头。结果05年的时候,他们公司上SAP的项目,他平时是不吭声不吭气的,但SAP的实施与开发,在甲方的项目组里就数他最牛,项目做了一年多下来,就被SAP的其它客户给挖走了,去做SAP的项目顾问去了,年薪在30万以上。我想这也就是专注之下日积月累的成果吧。”

“只要我们做IT的人去花心血来推动管理进步,推动老板的意识更新,加上政府、媒体的支持,ERP从老板、从财务、从营销不同层面向企业渗透,我想ERP这个神秘少女定会变成邻家小妹。”

 原文地址:http://news.csdn.net/n/20071102/110195.html

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 2
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