我在的互联网医疗公司解散了

公司成立不到5个月,正式入职不到2个月,产品方向经历几次大变动,最终全员解散。为什么?我将在此总结下公司解散的原因以及个人在公司的成长历程。

一、为什么解散?

互联网医疗是块大蛋糕,但不是人人都能分!

产品理念

作为一个开发,我理解的不够透彻,只能说个大概:我们想做的是一个集机构,医生,患者为一体的平台,患者可提交一种在线问诊(图文,语音,视频)方式来生成一个问诊订单,医生根据不同问诊方式来进一步诊断,最后再开药配送之类的流程。

第一版做的比较简单,下面才是我们的互联网医疗的核心。

根据百科上的说明,互联网医疗包括了以互联网为载体和技术手段的健康教育、医疗信息查询、电子健康档案、疾病风险评估、在线疾病咨询、电子处方、远程会诊、及远程治疗和康复等多种形式的健康管家服务。

国家政策

经过2016年“魏则西事件”后,国家对互联网医疗方面的把控更加的严格了。而在美国为首的发达国家互联网医疗已经比较成熟。

2018年7月17日,国家卫生健康委员会和国家中医药管理局组织制定了《互联网诊疗管理办法(试行)》、《互联网医院管理办法(试行)》、《远程医疗服务管理规范(试行)》。

作为一个民营公司,没有任何医疗背景,相关资质,就算产品做的再好,也推不出去,搞不好还会吃牢饭,就以小程序为例子,你要发布一个医疗方面的小程序,你需要各种医疗资质,就算你弄些小伎俩过了审核,后续关于买卖药物方面也还要资质,并且很多药物都需要不同的资质,这个就有点难搞了,这也就是我们公司解散的最大原因

其实我们也有想过做医疗相关的Sass平台,只提供技术支持,什么医疗相关的服务都不提供,但是这个用户体量估计会很小。

二、我在公司的成长历程

我是9月10号左右加入公司的,在这之前我已经谈好了一家做区块链公司的offer,最后我选择了做医疗产品的公司,原因有几个:

  • 相比之下,这家公司老板更有亲和力:虽说资产过亿(游戏公司大股东),但很低调,很善于倾听,我在面试过程中讲述到我的网赚经历时(这可能是我最值得骄傲的事),他面露出足够的兴趣,非常的专注在听,我感觉我受到了重视
  • 医疗行业是未来新兴行业中的一个
  • 薪资略高一点

关于加班

我相信没有人喜欢加班,尤其是那种“起的比鸡早睡的比狗晚”的工作方式。但当你感觉到自己是在做一个有意义的事时,你会全身心的投入进去,只想为这件事添砖加瓦,做些自己力所能及的贡献,而我真的很想做好一个产品,同时在这个过程中获得个人提升和成长,这一点外包公司体会的不那么深刻,毕竟不是自己长期维护的产品。

技术成长

我是一名前端开发,我的主要工作是开发用户界面,做好交互以及和后端同事交流数据接口。我做过全栈,这感觉很nice,但是质量方面还是得提高,俗话说:“专业的事交给专业的人”,我更多的还是想在前端上有所提升,而在这里我完善了我的开发流程:

  • 静态页面编写以及交互实现
  • 接口联调

接口联调其实只占很少一部分时间(在接口没有什么大问题情况下),在之前做外包的时候,我总是把交互实现放在接口联调这一个阶段(因为有些是需要接口的),这导致静态页面编写很快,联调这块很慢,其实我只要在第一阶段mock接口数据就可以完成交互这块,在做接口联调的时候只需要改下字段,逻辑小改动就好了,更重要的是提升了自己后端思维,mock字段,逻辑。

我们老大是阿里出来的大佬,技术能力过硬,凡事都是研究原理,这点精神我值得学习,可能这才是真正对技术的热爱。

在标准开发流程下我学习到了两个新东西:oidc和swagger,我以前都没有接触过。

你们平时使用的第三方登录几乎都要使用oidc这种技术,在大的互联网公司尤为可见:微软,腾讯,阿里等。oidc是做单点登录和身份认证的,举个例子,你登录了谷歌账号,你访问youtube,谷歌旗下的任何网站都不需要重新登录了。

swagger主要是后端用来生成接口文档的,让调试和前端更加方便。我在上面做了些扩展:swagger自动生成接口函数。

在开发项目中,最烦的就是给接口函数命名,加注释,复制url,传参之类的,我扩展了github上面一个开源项目,可以定制化的生成上面的东西,大大节省了时间,也提高了代码质量。

职场处事

印象比较深的是一个先离职的同事,他才刚毕业,为人处事这块应该算优秀了。尽管技术不那么厉害,但是不懂就问,勇于承认自己不足,敢于挑大梁的精神还是值得学习的,更重要的是为沉闷的办公室氛围带来一些欢声笑语。🤣太抬举你了

创业感想

老板是第一次创业(做游戏)就成功的,这种情况并不多见,天时、地利、人和,我想都有吧。别看他这么风光,有车有房有钱,但是创业时背后那种卧薪尝胆的苦,你怎能体会得到?

我们老大作为合伙人,这是他的第三次创业了,最后还是失败,但是他说并不会放弃创业,尽管家庭各方面的压力很大。

我也很想创业,目前的规划是再做几年技术提高到一个水平,足以自己开发一个好的产品后回老家开餐饮店,店里忙的时候做生意,空闲的时候就写代码做产品,弄个youtube频道也是不错的选择。

我目前的境界也就于此,但不止于此。

最后,感谢您阅读这篇文章,文笔不怎么好,还忘谅解,我正在努力提升自己,共勉!

The End

如果你觉得这篇内容对你有启发,我想请你帮我个小忙:

  1. 点个 「在看」,让更多的人也能看到这篇内容
  2. 关注公众号「前端猿梦」,公众号后台回复「js4」领取JavaScript高级程序设计(第4版)pdf电子书
    在这里插入图片描述
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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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 1
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