上午还在改bug,下午就被离职!年底大裁员寒潮来袭……

临到年末,很多人都在计算着还有多少天就可以放假了,想着自己年终奖可以拿到多少,但是最近却频频传出裁员的消息。

一、上午还在改Bug,下午就离职

有位程序员说“上午还在改Bug,下午就接到了消息,我被离职了”

“年终拿不到3倍奖金不说,可能在春节前连改bug的机会也没了”

“10年的青春仿佛喂了狗……再见”

8 月,美团、拉勾爆出裁员信息;10 月, 阿里、京东等企业不同程度“缩招”。上个月,富士康又被爆出裁掉 34 万人。

上午还在改bug,下午就被离职!年底大裁员寒潮来袭……

 

让人为之震惊的数字,危机来得措不及手。

“还没反应过来怎么回事,就被通知明天不用来上班了。”一位被裁的 42 岁互联网高管说到。

这个时代真是残酷得让人有点害怕,前一秒还是年薪几十万的高管,后一秒就变成上有老下有小的无业游民。

但高管至少手握资源,有资本去寻求更好的工作,但对于不懂研发,不会技术的千千万万流水线工人来讲,想再找一份好工作就难了。

一位作家评论说道:未来几年,裁员情况只会越演越烈,这个时代不再有所谓的稳定工作,每个人都要做好被裁的准备。

话很扎心,却又很实在,就业寒冬正在悄悄来临。

二、其实裁员潮不仅仅在国内,在这场裁员潮中,无论是国外老牌公司福特,还是全球最大私企,都未能幸免。12月11日,全球最大私营企业之一、丹麦拥有117年历史的清洁巨头ISS集团预计将裁员10万人,约占其全球员工总数的1/5。

前几个月 Verizon 传出裁员 44000 人的消息。裁减波及总员工的 30% 以上,主要针对“长期员工”,即那些为公司效力了多年的中年人。

事件引发广泛讨论,有网友说,“对于那些有娃有房贷的中年人你可以往死里骂,因为他们不敢轻易离职”,这句扎心调侃的背后,是中年人为保一份工作如履薄冰,但现在看来,似乎并没有什么用。

上午还在改bug,下午就被离职!年底大裁员寒潮来袭……

 

为什么主力裁减群体每次都是瞄准中年人?

贵。入职多年,待遇比最初翻了几番。裁你一个等于裁几个新员工,还只用得罪你一人,为什么不裁?

惰。老员工与公司,多少有点儿像七年之痒的夫妻。激情早褪去了,体力耐力爆发力也跟不上了,嫌弃你不是正常?

油。混迹多年,各种流程门儿清,既能优雅推卸责任又能钻制度空子,资深老油条谁还想留着你过年?

怂。闹翻了,中年人有家有口,兴许还指望着赔偿金,大概率是不敢怎样的,但一人吃饱全家不饿的小牛犊可就不好说了。

三、对于被辞,我们内心或多或少的会有一些抱怨。如果你以为兢兢业业的写代码,在公司每天熬到深夜才下班,就可以在你自以为平平稳稳的道路上长长远远,那你就错了。企业一旦要裁员,首先考虑的是保留“拥有不可替代价值的员工”,而不仅是一个只能勤勤恳恳工作的员工。

这个世界上根本没有稳定的工作,只有稳定的能力。

最近,有消息称,人工智能(AI)行业发展火爆,导致这个领域的毕业生就业前景看好。企业纷纷抢人,甚至没出校门就已经被“预定”了。

据领英发布的《全球AI领域人才报告》显示,截至2017年一季度,基于领英平台的全球AI(人工智能)领域技术人才数量超过190万,其中美国相关人才总数超过85万,高居榜首,而中国的相关人才总数只超过5万人,位居全球第七。李开复去年曾公开透露,“在硅谷,做深度学习的人工智能博士生,现在一毕业就能拿到年薪200万到300万美元的录用通知,三大公司(谷歌、脸书和微软)都在用不合理的价钱挖人。”

AI大战已经打响,相关人才不足的问题也越来越突出。第十九届中国国际高新技术成果交易会人才与智力交流会在深圳举办,其中,人工智能相关专业应届生的岗位年薪高达30-50万。某企业副总裁介绍说,研究生以上学历的应届生年薪在30万到50万,工作3-5年后,年薪可达80万以上。

谷歌中国、微软、腾讯等知名互联网企业,给校招生开出的年薪平均也在30万以上。其中,谷歌中国的人工智能岗位年薪最高,达56万人民币。微软的算法工程师以51万紧随其后。第三名是谷歌的算法工程师,年薪50万。

商业一直都是冰冷的,非生即死,没有老板有义务做慈善。而作为员工,更应该用更高维度的视野和自我认知为企业创造不可替代的价值。

我们无法去面对这个世界的世事变迁,所以只能做的就是让自己一直保持着强大的竞争力。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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