我进入银行科技部半年,已经丧失跳槽的能力了!

我是一个杭州双非的本科生,2022届毕业之后进了某银行的科技部工作,年包 20w+。

当时想着在银行也算是一份安稳的工作,因此选择了给钱最多的一个,想着自己走上了金融 + 科技的赛道。

在去之前也有想过银行的技术栈大概率很老,业务肯定很复杂,还有很多金融相关的知识需要去学。

但是实际的工作内容还是…在我意料之外了。

来了后发现压根不是技术栈老不老的问题,几乎可以说不存在技术栈这种说法了。

老的系统用的是大型机上的语言,因为相关文档的缺失,要了解业务就需要自己去看以前的像天书一样的代码。

每天的工作更多是和 Excel 打交道,去整理老的业务,整合新的业务。

观察前辈们的工作状态,也基本上是在熟悉自己负责的业务模块然后产出各类业务文档,和业务端沟通并确认业务需求,具体的业务实现则几乎完全交给外包去实现。

每天的工作几乎就是在各类看不懂的金融词汇中度过了,对这块也几乎没有学习的欲望,办公室内的技术氛围就更不用说了

银行招聘的本来就不是工程师,而是保证银行系统正常运作的负责科技职能的行员,而且我被分配到的部门负责的业务相当“核心”,因此这一切其实相当合理。

可怜的是我完全不能适应这样的工作内容,我在工作中完全收获不了成就感,感觉不到自己的价值,可以说每天的工作都是一种煎熬了。

同时对于之前常听说的银行的‘去能力化’也有了更深刻的认识,我目前工作不到半年,但深感如果继续工作下去就要失去跳槽的能力了。

后悔当初毕业时择业过于草率,抱有了一些侥幸的心理。

现在的情况就是想要跳槽去干技术,但是如今已经失去了校招应届生的身份,同时工作时间也不长工作内容也没有技术的积累,加之今年秋招哀鸿遍野,投出去的简历也鲜有面试。Java进阶路线:

随着时间一点一点的流逝,心中的焦虑也越来越大,比如:

  • 如果我想要跳槽,那么我应该尽早跳出去吗?跳槽的去向有哪些好的选择?为此应该做哪些准备?

  • 如果我最终的目标是以进大厂打工,通过社招跳槽积累经验的同时一步一步靠近还是考研提升自己的学历同时以校招的身份应聘,哪种途径更加现实呢?

深知现在就业与考研的不易,真的很烦啊,但又很无法忍受自己现在的工作!

网友留言

我之前去实习的国企,就是这样子,像楼主说的,他们不需要多高的技术,主要保证系统正常运行或者基本功能实现就可以了。

至于代码更是全靠自己硬读,没有什么技术文档。

感受不到太多对技术的需求,自然就更不用提学习技术、获取成就感了。

其实仔细想想,这种情况也很合理,因为这一类企业并不是靠互联网实现主要盈利,比如金融+科技,那其实更重要更有价值的是金融相关。

所以我觉得楼主不必太担心,太焦虑。

我很能理解楼主,我们作为学生,刚步入工作都期望的是自己能变得更好,而这个变得更好在我们IT人身上自然而然就包含了技术更上一层楼。

然而事实上成长是包含很多的,技术占比可能远比我们想象中的低,比如金融知识的丰富何尝不是一种成长呢?

而计算机的背景,再加上金融知识,其实能走的路会更宽,比如券商、基金等等,部分金融公司甚至只招收有金融背景的。

除了这些,其实思考问题的方式等也都是知识,至少在我实习的时候,我能感觉到带我的老师尽管技术没有那么擅长,但每次和她讨论,都收获颇多。

处处留心皆学问吧,只要有向上的心,除了技术,其实还有很多很多可以学习、成长的地方,这些可能比技术更“值钱”更有价值。

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。
评论 2
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