助力服务业,人力资源SaaS供应商乐才科技获1.25亿元战略投资 ...

1月2日消息,服务业劳动力及人力资源SaaS软件供应商乐才科技获1.25亿人民币战略投资,由微海咨询独家投资。

乐才创始人兼CEO金财表示,本轮融资将会助力乐才平台全面布局服务业人力资源生态,为客户提供更好的综合劳动力及人力资源管理解决方案,全面升级劳动力及人力资源管理平台的产品和技术研发,完善客户成功体系以及市场开拓等。

乐才成立于2015年,以服务业排班为切入点,以智能化的排班和精细化考勤为核心,打造了排班与智能排班、自动考勤、出勤管控、假期缺勤、灵活用工、劳资管理及人事管理、薪酬福利等业务一体化的劳动力及人力资源SaaS软件平台,主要是以餐饮、酒店、零售连锁为主,解决劳动力成本居高不下、用工效率低下、劳资风险高的核心痛点。

2018年,乐才在原有的劳动力管理系统的基础上新增灵活用工系统“用工宝”、劳动力智能分析系统、首个计件工资系统,同时在2018年8月收购了服务业培训学习平台——沃才。

截止至2018年12月,乐才已为唐宫、比格比萨、小南国、旺顺阁、七欣天、黄记煌、莆田、赤坂亭、嘉和一品、望湘园、金鼎轩、绿茶、炳胜集团、外婆味道等超400家知名服务连锁企业提供完善的排班及劳动力管理。其中,餐饮酒店百强企业近30%,用户活跃度达85%。

乐才产品及服务团队80%来自于餐饮、酒店、零售资深的HR和运营中高层管理人员,创始人金财拥有多年服务连锁业CIO及CHO经验,公司核心高管都来自于百胜集团、首旅酒店集团、腾讯、阿里等,整个团队对行业有着深刻的理解。

乐才在北、上、广、深拥有4个分子公司,同时在全国各地有近20余家渠道及合作伙伴,业务及服务覆盖近30几个重点城市,2019年将扩大实施及服务人员团队,团队将达220余人,技术服务人员将达85%,上海、北京两地的研发中心人员将超过100人。

乐才创始人金财表示:“随着餐饮、酒店、零售等服务连锁业的用工荒逐年愈演愈烈,以及社保的政策改变,服务业人工成本已经不堪重负,但作为中国经济的核心构成,服务行业用工模式必须在结构上彻底改变。”

在未来产品及服务布局上,乐才将会逐渐形成以一个超级软件产品带动一个服务平台再联动多种服务的人力资源生态服务矩阵,真正全面的为服务业企业赋能,相关产品也将在2019年陆续推出。

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
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