技术型创始人如何实现角色转型?

技术型创始人如何实现角色转型?

来源 | 宽带资本(bjkazb)
原文 | Gusto

技术出身的创始人可能会面临「技术」与「管理」的博弈。时间精力有限,往往顾此失彼,很难两全。在这场博弈中,如何选择才是对的?

本文来自Gusto的联合创始人兼CTO——Edward Kim。

6年前开始创业,三个合伙人中他是唯一的工程师,几乎100%的时间都在写代码。随着工程师队伍日益庞大,他对代码的沉迷反而成了团队的负累。

本期CBC热读探讨的主题——CTO如何成为好的管理者。以下是Edward的经验分享。

在Gusto,我会定期留出office hours*,工程师有问题的话都可以找我交流。我时常遇到的一个问题是:作为公司的CTO和联合创始人,你经历了怎样的角色转变?

office hours,类似“答疑时间”的这样一个概念,即某人固定时间待在office里,保证你在这段时间的时候能找到他,跟他交流。

单打独斗:车库里的……呃不对,衣帽间的程序猿

▲ photo credit: Dribbble by Elena Maykhrych

创业刚起步的时候,我在旧金山,另两位联合创始人在帕罗奥多,他俩住在一块儿。当时,我们正在创建第一个原型,我觉得大家非常有必要住在一起(我们那时都是单身)。非常可惜,房子的卧室都住满了,只剩下主卧里一个非常大的步入式衣帽间。

我和每一位房客谈妥后,以每月300美元的价格租下了衣帽间,借了朋友的充气床垫,收拾好行李就住了进去。

虽然号称首席技术官,但这个头衔其实很傻,公司一共三个人,谈不上是什么首席。软件工程师更符合我的角色。

我一门心思钻在复杂的薪资管理系统里,学习ACH系统*如何运行,每天编码12-14个小时,全程戴着耳机——这一切甚得我心。我的会面时间只限于午餐、晚餐和健身的时候。这个阶段公司的目标是什么?搭建薪酬管理的后端系统,让公司内部先用起来。

ACH是Automatic Clearing House的缩写,是一个批量处理、存储和转发的电子支付系统,在美国支付体系中占据重要地位。

2-10个工程师:同一支队伍,同一个梦想

薪酬管理基础系统完成上线(当时仅在加州可用),种子轮融资结束,随后我们搬到了旧金山的一处阁楼公寓。

我每天敲代码的时间从90%降到了60%。其余时间都用来搜寻、面试和熟悉工程师。CTO这个角色的工作内容一直在变,但花时间招聘优秀的人是我坚持做的事(也许会一直做下去)。现在,我30%到40%的时间都用在招人。

一面是选手,一面是教练

几位工程师加入以后,我从团队中唯一的全职开发变成了开发小团队的一员。我依然花大量的时间编程、审查代码、修复漏洞,但偶尔会把耳机摘下来,向大家解释ACH的运行原理,或者打个电话,询问大家是否需要开代码评审会。

只要能帮工程师们高效工作,我非常愿意做一些力所能及的事——比方说,购买配置一台计算机运行我们的CI 工作流( pipelines)。我的日程表上悄然出现了新的任务,一对一谈话,迭代策划,还有每日站立会议*。工程师向我汇报,但大多数时候,我们并没有层级之分,感觉轻松自在,像是朋友一起在房间里写代码。

每日站立会议,每天早上举行的短期会议。该活动起源于敏捷开发方法,在Scrum开发中很常见。日常站立会议一般用时五到十五分钟,有时候指代站立的早晨点名或每日例会。

正是在这个阶段,媒体宣布了我们改名Gusto的消息(原来叫ZenPayrol),整个技术团队非常紧张,大家通宵盯着服务器日志,不断刷新网页,确保我们的Linode服务器能够逃过这次“突发科技新闻”的影响。

11-50个工程师:抱紧代码不松手

公司紧锣密鼓地获得了大量客户,并且完成了A轮融资,此时的工程师团队已经扩充到10多人。协调所有工程师的工作变得更加困难。除了新增人员,还要考虑早期入职的工程师,打造一支组织化的工程师团队势在必行。几位在Gusto工作近两年的老员工开始问我,补偿框架怎么做,Gusto内部职业晋升怎么规划。说实话,对于这些问题,我没能给出清晰完整的答复。

在这个阶段,尽管我们拥有了更大的团队,仍需源源不断地发运功能点,修复漏洞。我对公司的代码库非常了解,所以一旦发现问题,或者要发运某个功能点,我就迫不及待想开始干活。大多数情况下,我正是这么做的。

纽约之行

2015年,我意识到自己应该远离编程,花更多的时间学习成为一个好的管理者。为了履行承诺,我决定飞往纽约,在酒店房间里待够三天,读一些大家强推的管理类书籍。在去程航班上,我开始编写一个新的薪酬支付功能点——毕竟,一旦到了纽约,我就有整整三天时间专心阅读。朋友,我这么做没毛病吧?但当我降落时,想把功能点完整做完的念头简直克制不住。三天终于结束了,我只读了一小部分书,为管理事业奉献时间的目标就这么惨败了。

一天的时间有限,员工管理(在Gusto,我们称之为“员工赋权”)和个人贡献很难两全。作为一个编程痴迷者,我当然更愿意完成后者,员工管理屈居第二。对我来说,一切和代码有关的事情总是难以抗拒。如果不能有我自己的成果产出,我会深感内疚,这是最重要的原因。

我确实抽空在学员工管理,但我付出的时间不足以把它做到和我的代码质量一样好。我的团队因此有些不稳定,我不愿放弃写代码,这对团队来说可能是个麻烦。

A还是B,你必须选一个

在这个问题上,我认为技术型的联合创始人有两个选择:留在技术这条路,并雇用一名职业管理人员(职称一般是工程副总裁),或者放弃编程,专注于管理。真的不可能同时把两件事都做好。

我决定集中精力发展Gusto的工程师团队,放弃写代码。我桌上的技术类书籍开始被Mindset(C位君:我们有推荐过哦)、High Output Management和The Score Takes Care of Itself取代——这仍然是我现在最喜欢的三本书。

Mindset帮助我为未来的个人旅程做好思维准备,High Output Management让我学到了团队管理背后的具体流程,The Score Takes Care of Itself教我如何突破管理,做一个具有感染力的领导者。

我经历了一段非常艰难的过渡期,在此期间,我不仅要学习和应用管理学知识,还要抵制代码的诱惑,但为了有效地组织工程师团队,这是必要的。

51-100个工程师:接纳一个全新的我

当我们的工程师人数达到50人左右时,出于对直属下级的负责,我会花60%的时间尽力把管理者的角色做到最好,也培训工程师团队的几位主管这样做。其余40%时间我用于招聘。

我对人员管理的职责了解越深,就越乐在其中。改善工程师入职手续,管理绩效,建构多元化和包容性氛围,树立企业文化,调整管理风格,制定流程以平衡技术债务等大项目,这些都值得花时间好好经营。我唯一的编程机会是在我们的半年度黑客马拉松(hackathon)*。

在黑客马拉松上,参与者需要在几十个小时里开发出一款插件,现场休息,做完当场交作品。参与黑客马拉松的,除了热衷钻研技术的软件工程师,还有来自风投公司的团队。

热爱我的新角色

我现在做的事并非都让人愉快。整天参加会议仍然很糟糕,艰难的商业对话永远不会有趣。但是,我开始发自内心地接纳我在公司的新角色。比如,为了将更多薪酬支付产品的代码所有权转移到丹佛,我花了几周时间和人斡旋商讨。一些会议非常漫长难捱,但功夫不负有心人,我们现在拥有了一支快速发展的丹佛工程师团队,我为此感到非常自豪。

我更享受帮助别人解决问题,而不是为我自己操劳。有时候,你只有在一段时间后才能发现这一点,所以用更长远的视角看待事物,回馈你的是一种满足感 。

100-250个工程师

接下来要怎么走?我们的工程师团队将跟随发展节奏进一步扩大,同时还要保持与过去相当的质量水平。这意味着,招聘、培养和留住人才仍是我最重要的职责。我很自豪能为大家营造一个多样化、充满活力的环境,使我们都能以最佳状态投入工作。如果说有什么经验是我从快速发展的创业公司那里学到的,那就是「变化即常态」——万分期待我们的未来。
这里写图片描述

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