程序员,职场上请远离这种人!

对有些职场人来讲,甩锅就是一种生存手段。

01.从大学打篮球说起
上大学的时候喜欢打篮球,然后我又特别喜欢抢篮板,经常是跳起来的时候没事,落下来的时候偶尔会踩到别人的脚上,于是左脚经常性崴脚,这是背景。
我们班上有一个同学也喜欢打篮球,我俩水平都差不多因此也算能玩在一起,随着旷课打篮球的次数增多,我俩慢慢成了朋友。
但是后来发生了一件事情,让我觉得我们根本不是一路人。
有一次和同班几位同学一起玩 3: 3 ,我俩因为个子高点都是中锋的角色,在抢篮板的过程中我又崴脚了,并且这次我听到了脚踝咯嘣一下的声响。
当时就脚疼欲裂躺在操场上起不来,在我疼得直打滚的时候,听到他在旁边对其他同学说,“我又没有碰到他”!
说实话,出来玩遇到这种事情,肯定都是自己的责任,也没想着怪谁。 但是当你听着这句话的时候,确实有点心寒,正常反应不应该是多关心一下朋友的伤情吗?
果然到了后来,我们虽然打了四年篮球,但仍然交情泛泛。
但相比职场,大学校园的甩锅就不值得一提了。
02.这个问题和我无关
在我做技术管理的时候,我一直都特别特别强调生产问题,当生产出现问题的时候,对一个人的考验是综合的,这里不仅仅是技术,也包含业务熟悉度、责任心等。
并且一旦生产出现什么问题,基本上都是比较严重的问题。
所以一般我对研发的要求是:  不管你在忙什么,有什么紧急的任务,当生产出现问题的时候,请马上停下你手上的工作,立刻解决生产问题。
当然,这里指的是负责相关模块的研发人员。
但作为程序员我们都知道,很多问题刚开始是不能准确定位问题的根源,这可能就会需要研发上下游同事相互配合来解决。
这个时候偶尔会听到:

“这个问题和我无关...”

“肯定不是我的问题...”
凡是说这类话的程序员,后面我基本都不会重点调用,至少不会用在核心岗位。
责任心有时候真的是阻碍职场成长的第一大关,出现问题的时候不应该先甩锅自保,首先应该是想办法解决问题,后面再复盘哪里的疏漏。
复盘也是为了更好的避免问题再次发生,而不是为了处罚而复盘!
并且任何时候生产出现问题,技术负责人都是第一责任人,要背锅也得研发负责人先来。 所以真的不要在职场上轻易甩锅,另外其实你做了什么事,领导同事都知道。
而且,凡是生产出现问题积极解决的程序员,后面基本上都成了公司骨干或者技术管理人员。
03. 相比部门之间的甩锅,程序员都是被玩剩下的
程序员之间的甩锅都是人民内部矛盾,并且程序员之间也就这些甩锅的行为,顶多可以定性为,不积极不主动,被动性解决问题。
但是如果你看到各个部门为了自己的相关利益甩起锅来,那真是甩程序员好几条街,并且程序员玩的都是人家玩剩下的。
各部门为了避免背锅,回复邮件的时候一定是个技术活,特别是公司高管之间的邮件,每个字可能都是推敲之后的结果。
产品经理和程序开发也都是经常要立字据,发邮件抄领导来确认邮件内容的可靠性,不然有可能你做的功能上线的时候,就会出现有人站出来: 这个功能不是我们产品经理提出的,是开发自己做的等等。
另外如果项目延期的时候,上面领导追责时会问,为什么一个简单的需求需要做这么久,就会有人反馈研发做得太慢了,研发这个时候需要拿出证据呀,证明为什么我们做了这么久,需求改了 108 版,有木有? 有邮件就有证据。
随着微信和QQ的不断普及,现在微信和QQ留言也已经成为了甩锅证据的一部分,经常邮件里面大量粘贴微信、QQ聊天截图,职场上的宫心斗不比电视剧里面的差。
现在很多同事在微信说敏感话题的时候,都是边发一句边撤回一句,以避免被有心人保留了截图证据等,这只是正常的同事关系呀,搞得跟特务一样。
经常在公司看到这样一个现象,每次公司出现奖励的时候,各大部门欢天喜地的,研发部门默默不语,通常情况下研发人数最多,奖励最少。
所有公司产品发展不好的问题都可以归结到技术问题,所有公司出现的销量喜人的业绩都和技术关系不大,因为这是你们应该做的。
这背后真正的原因是,作为技术型出身的人,在甩锅(或者邀功)方面确实很难 PK 其它部门,技术人的谦虚矫情反而影响了自身的存在感。
我且腹黑的说一下,很多所谓的领导都喜欢玩权衡之术,喜欢或者引导几个部门斗争,这样可以更好的掌控公司真实运转情况,这是很多国企型老板最会玩的。
好像有点跑题,再说部门之间的甩锅,这真的也是一种能力,技术人真的很难学习。
04.甩锅的产品总监
先声明一下我对产品经理确实没有什么偏见,大部分产品经理也都是背锅的对象,这里的产品总监只是少数特例。
某个公司年薪百万招聘了一个产品总监,号称改革型人才,最主要的是你知道部门内产品经理们的工资多少吗? 一万左右。
这个人才来到公司后,果然是改革型的人才,迅速和各个部门老大打成一片,成为领导中的粘合剂,可以迅速将各个部门串起来。
但最主要的是,他不干事呀,对内压迫部门内员工,对外瞎吹牛逼到处忽悠,本来这事大家也忍了,但是他真是为了甩锅可以不择手段。
某天董事长给安排了一个急活,很着急的那种,董事长三天两头的催着,结果这个产品总监没当回事,觉得按照往常两周后出原型就行。
没想到老板特别惦记这个事情,于是就拉了产品、业务方以及各中心 Boss 开会,业务方开始甩锅,我们已经将准确的需求给产品说了(一句话的需求),产品也无奈,但这锅总得有人背着。
产品的后面不是还有研发吗? 既然业务线的几个爷都惹不起,后面能背锅的就只有研发了呀,于是就说我们需求已经整理出来了,技术这边还没有给时间。
以上是背景,研发当然不知情,于是老总很生气,怎么你们研发总是掉链子? 马上给我把研发总监喊下来,我要听他说说到底怎么回事。
于是产品总监上去叫技术总监,在技术总监进去开会之前,产品总监说老总说咱们项目延迟太多了,我给研发说了好多好话,到时候你进去就说产品已经给需求了,业务方变更需求,所以周期没定。
实际上产品总监连需求都没有搞清楚,就这样技术总监懵逼的走进会议室,大 Boss 上来就问你们这个项目什么时候可以做完给个时间,技术总监当然回答需求都没定给不出时间!
大 Boss 一怒之下问道,给你们 10 天能不能做出来,给个准确信息。
会后大家一了解才知道,这位牛逼的产品总监怎么给研发挖的大坑。 这位产品总监在大 Boss 面前的表现一直是这样:

“没问题”,

“已经安排了”

“这个很简单”
对比一下技术这边:

“这个做不了”

“设计不合理”

“这个我们需要确认一下才能给答复”

你是老板你会喜欢谁,技术人的严谨性和喜欢吹牛逼的产品总监在一起就是个反差,说实话如果你是一个老板,你也喜欢那些对你言听计从的人,但是公司不应该是这样。

05.最后
这篇文章给大家举了三个小例子: 大学同学,不主动的程序员,还有公司部门之间的甩锅大战。 从小到大,一种是不值得托付的朋友,一种是不堪大任的骨干,最后一种是危害公司公平的运转。
比较讽 刺的是,到了现在,甩锅能力已经成为了各大公司高管的一种能力,如果你在这方面的修养不达标,是很容易在公司被打下的。
当正确的做事和做正确的事,变成了两条不同的道路的时候,企业其实已经开始慢慢腐败了,甩锅能力达到巅峰的时候,就是摧毁自己的时候。

楼上我给大家举例的这名产品总监,走的时候部门内部员工欢送,曾经和他亲密接触的朋友们,没有一个给他说几句好话,尽是看尽笑话。

甩锅可以一时的逃避责任,短期内避免利益受损,但长期来看必定会将自己的前程断送掉,谁都不是傻瓜,有能力有担当才是实力的最强见证,才能走得更远更强。
一个人要交朋友、一个团队要发展、一个公司要走向长远,都需要远离甩锅型人才。
你公司有甩锅型人才吗?欢迎给我留言。

记得点击「在看」,然后转给你身边的朋友们。

640?wx_fmt=gif

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,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,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,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
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