微软成功尝试:员工周休三天、待遇不变,工作效率却提高40%!

640?wx_fmt=gif

“上四休三”,微软成功试行了!
640?wx_fmt=jpeg
近日微软宣布,在今年8月举行的 “工作生活选择挑战(Work-Life Choice Challenge)”活动中,微软日本子公司(Microsoft Japan)率先试行了“上四休三”的新工作制——即 周一至周四上班,周五至周日休息
结果发现,员工的工作效率竟提高了39.9%,员工满意度更是高达92.1%!微软日本总裁兼首席执行官平野拓哉在微软日本网站的一份声明中说:“工作时间短,休息好,还能学到很多东西。我想让员工思考和体验如何在减少20%工作时间的情况下达到同样的效果。”

 

640?wx_fmt=png

微软日本成功试行“上四休三”

 
今年夏天,微软日本公司的员工享受到了令人羡慕的待遇: 每周工作四天,周末休息三天,还能拿到正常的五天工资。作为该计划的一部分,该公司还为员工的家庭度假提供了补贴,最高可达100,000日元,相当于约6400元人民币。不仅如此,实行了“上四休三”的工作之后,还节省电力和办公资源。与此前相比,该公司每月的打印纸减少了58.7%,用电量减少了23.1%。
由于每周的工作时间较短,公司还对会议进行了限制。会议的标准时长从60分钟减少到30分钟,几乎一半的会议都采用了这种方式。与此相关的是,这些会议的标准出席人数限制为5名员工。
由于今年取得了成功,该公司还计划在明年夏天或其他时间再次进行重复。

 

640?wx_fmt=png

越老越多的公司在进行时间和效率上的提升探索

 
尽管5天工作日已在全球的工作文化中根深蒂固,但效率却不如较短的工作周。
在18世纪后期,由于工厂“需要” 24*7全天候运行,因此10-16小时被认为是正常的——直到威尔士激进主义者倡导缩短工作时间,并且提出“八小时工作,八小时娱乐,八小时休息”的口号。如今,每天工作8个小时、每周工作5天,已经变成了很多人的常态。但是,越来越多的公司和科学家正在重新考虑正常工作的时间。去年,一家研究机构在对八个国家的近3000名工人进行的一项研究中就发现,劳动者希望最理想的工作制是一周四天或再少一点。
而微软也不是第一个感受到“上四休三”工作制会带来生产力提高的企业。
据报道,新西兰信托管理公司Perpetual Guardian此前也进行过类似的实验:对240名员工采用了为期两个月的四天工作周制度。结果发现,员工的工作效率提高了20%,压力水平下降了7%,工作与生活平衡度提高了45%。因为这样的工作制对员工和公司都有利,所以这家公司已永久采用“上四休三”工作制。
 
640?wx_fmt=png
你怎么看?

 

微软日本的这一试验已经在广大网民中掀起了热议:有人认为“在星期三之前完成一周的工作是很自然的”、“希望我的老板能读到这篇文章”,也有人表示“在微软工作的都是一流的员工,所以他们才可以在三天之内完成所有工作”、“我认为这不会在所有地方都奏效”......
很多员工可能会对周末休息三天的前景感到振奋,但对全球范围内的企业和工人来说,仍然任重道远。不过,虽然正如一些评论者指出的,这种政策不适用于所有类型的工作,但可以肯定的是——人类一周内只能做这么多工作,超过一定的阈值,工作都不再是工作,而只是时间上的浪费。
那么,如果我们国内的公司也执行4天工作日,你认为怎么样?

【END】

人工智能学习路线+实战训练

https://edu.csdn.net/topic/ai30?utm_source=csdn_bw

640?wx_fmt=jpeg

 热 文 推 荐 

 
 
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
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