微软重返第一的真正原因

1 篇文章 0 订阅
1 篇文章 0 订阅

Original post here.
https://brunch.co.kr/@soyoungleecgcs/2

微软重返第一的真正原因

我在微软度过了长达15年的时间。在这段时间公司浮动较大,我所属的 4~5个组织都消失了。 不知是幸运还是不幸,我经历了史蒂夫 鲍尔默时期的10年和萨提亚 纳德拉时期的5年。特别是我所属的 global influencer 是属于总公司的团队,因此能够更加直接地体验到这一变化。 众所周知,哈佛名门出身的史蒂夫 鲍尔默领导的微软连续十多年不断坠落。但是毕业于印度无名大学后在美国某所大学留学的印度出身的萨提亚 纳德拉成为董事长后一切都变得不同。 把不断坠落被市场遗忘的微软变成了革新的标志,甚至还重新夺回了市值第1名。 在两位董事长的时代里,我实实在在地学到了为了企业的成功,管理团队拥有沟通、共识、开放性和分享的文化和态度是多么重要。
在这里插入图片描述
从我入职的2004年到2014年,股价一直在30美元左右徘徊。直到萨提亚打开大门为止…
萨提亚上任后一直跟职员强调成长型思维模式(growth mindset)。 成长型思维模式是‘坚信人能不断进步,而不是固定的智力。’ 用这个成长型思维模式创造了全体职员经常学习的文化,因为过于强调,有些微软职员还开玩笑说自己睡觉时也可以读出来。

而且,看人才的观点完全改变了,开始重用具有共识能力的领导。这样的共识不仅有助于提高绩效还要求管理层培养包容性和多样性。 不单是空话还要将管理层个人的努力写在绩效指标上。过去为了取得成果而只顾着向前跑的职员们,现在苦恼着“怎样才能帮助残疾人呢?”,“要想消除性别歧视的话应该怎么做呢?”等。萨蒂亚·杰西德董事长所认为的微软需要的人才不是自以为是的人。而是除了不断学习和成长,还要承认和包容员工的多样性的人。有这样的共识能力并且可以带领员工一起成长才是人才。
在这里插入图片描述
萨蒂亚纳德拉还大幅度改变了制作的流程。 随时对外部反馈做出反应制作产品。而且以这两种变化为基础,主力产品也换了,代替了Window和Office,将云服务(cloud service) Azure作为主力产品。拥有16万多名粉丝的著名IT社区领导者斯科特·古斯里是主导该Azure的IT社区领导者。特别是在担任Azure的初期,他身穿自己喜欢的红衬衫,在全世界社区里转悠,甚至进行了“红色衬衫巡演”,是热爱社区的人。
他将与团队主管在云技术人员聚集的社区中一起出席,以便他们能听到有关产品的反馈并立即反映在产品上。还有自己的推特,线下社区会议,甚至是全世界的MVP向产品负责人发送反馈的邮件名单也会自己管理。像微软这种大型企业负责核心产品的行政人员对每个反馈都如此真诚,他的下属们会怎样呢? 员工经常关注外界环境,并相应地实时进行产品发布。并且还通过多次试错鼓励职员们在内部积累其他企业未能经历的经验。我们努力在外部聆听、了解动向、并且为了变化果断丢弃以前的惯例。与社区一起快速变化和创新是至关重要的诀窍。

有人会说的。难道不是因为云才东山再起的吗。但是以在内部长期观察的我而言,如果没有导入经常学习的文化,不改变对人才的看法的话,就绝对是不可能的事情了。除了windows和office外,看一看之前微软曾做过的新业务, 即互联网和移动业务的状况,就很容易知道。萨提亚纳德拉觉得微软需要的人才并不是认为自己最优秀的人。不仅是不断学习和成长,而且是承认和包容成员的多样性的人。具备这种共识能力引领员工共同成长的人即具有社区领导力的人就是人才。我想写一篇名为《独自成长的时代结束了》的书,用具体的事例说明如何成长为这个新时代的人才。会用亲切的引导帮助所有人从自己的位置上开始。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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