IT职场人生系列之十九:危险职业(中)

原文地址:http://blog.csdn.net/cheny_com/article/details/7229626

 

这本来是危险职业的下篇,但感觉还有很多危险职业,所以留着以后写。

窄出路职业

泛指所有越走越高但越走越窄,前途无量但是需求量很少的职业,典型的是质量和过程管理工作,以及咨询师。

质量管理/过程管理

这个曾经是我放弃了在即将上市的公司做技术骨干的机会而投身去做的一个工作,结果……

先说说质量和过程管理是管理什么的:首先不是测试,所以手底下一般没有那么多兵;其次也不是做研发/生产的,所以不是一个技术积累型职位;然后也不是和销售/市场等业务相关的职业。其具体工作,一般是负责制定和改进企业的过程,以达到更高的管理水平。

这个本来是很好的一个职业,但是在中国存在以下潜在问题:

a. 如果过程改进是必需的,那么研发总监或部门经理早就会为了部门的业绩驱动起来这个工作了(确切说他们已经做了一些工作了)。所以能留给专职质量或过程管理的人所作的事情,基本上就是培训,认证,评级这些比较虚的工作。

b. 国内企业由于不重视这个职业,所以经常选择一些实际上是新手的人在这个部门工作,真正的技术或管理高手,常常陷于日常业务而难以进入这些部门,使得这个部门只能非常虚地工作,难以有实质性的改进。

c. 偶然有一两个高手进入这个部门,由于多数情况人少钱少,周围又都是刚刚毕业的PPQA围住,基本上难有作为。

但是还是那句话:人是活的,怎么办呢?

1. 在生产线上做改进。

如果你正是一位程序员,项目经理,或产品经理,但认为过程改进才能做好企业,那么请在自己的位置上遵循无我、无住、共振的法则直接做改进,而不要认为一定要到专业的岗位上。

由于离一线很近,无论定位问题还是定位答案,都更容易切中要害。由于利害干系人都在身边,只要大家同意,往往一个方案就可以实施了,比作为质量人员去推进别人实施你的想法要容易得多。

2. 在质量/过程岗位上的改进。

如果不慎……还是到了质量岗位上,有两种选择。

一种是走一线道路,就是与生产团队保持密切的联系,不要做得太“专业”,这样能渗入到团队里边做半个队员,技术上业务上不至于太过于脱节。这样存在回到一线的可能。

二种是走专业道路,这个比较复杂一些,要求本来就有很好的功底(因此很理解一线人员的思维和行为方式),主要工作方式不是研究最好的过程,而是研究如何发动一线人员摸索和改进自己的过程,自己做一个旁观者/润滑剂。

后者是一种专业道路,日后可以选择在多种企业任职,或者做咨询师。尽管出路仍然很窄,但可能做到很高的职位或很好收入的咨询师。

咨询师

咨询师是一个很令人羡慕的职业,但是也是一个很窄的职业。

说了这么多“窄”字,到底多窄算是窄呢?

这 么说吧,中国有400万程序员,2万家软件企业,需要40万个项目经理,至少10万个产品经理;外加大约5~10万个部门经理,5~10万多个各种总监, 但只需要1000个全职质量和过程改进人员(多数企业没有),外加50个CMMI咨询师(其中活跃的10人),50个敏捷咨询师(其中活跃的10人)。

从这个角度上讲,咨询师有点像影星一样,不是一个职业,而是在机缘巧合的时候,就走上的一条道路。

因此尽量不要选择咨询师这条出路。

尤其是IT业的咨询师,由于产业过于年轻,更新换代又过于快速,常常面临因远离一线而技术落伍的困境。

咨询师就说这么多,就不说如何做好下一步了,仁者见仁。

  • 1
    点赞
  • 0
    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 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 改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