看网友如何展望ERP未来

作者: IT168 木有才  2007-12-11
<script type="text/javascript">init_Nav();</script>



    ERP实施未来展望
    1) 外包式。适合管理水平较低的企业。企业全部外包给ERP提供商,长期合作。
    2) 合作式。适合管理水平较高,管理创新能力较强的企业。企业有自己独特、创新和先进的管理理念,ERP提供商需要适应企业的要求,共同合作开发特有的ERP系统。ERP提供商也可以根据此次合作学习到的经验以及创新科学的管理方法,改进自己原有的ERP通用服务(智慧再次积累凝结)。
    3) 自主开发式。企业已经建立ERP系统,但是随着企业发展,管理方式和理念,工作流程会发生变化,这时需要对原有的系统进行改进,但并不需要全面的革新。这种改进所需技术要求并不高,如果原ERP系统提供有足够的灵活设计改进能力,企业内部也有胜任的的ERP开发人才,就可以用自己内部的人员对其进行不断改进。
智力的凝结

    前文说过,智力的凝结,是一个非常重要的概念,在笔者看来,可以称为ERP的最核心要素,尤其是在信息化的高级阶段。
    1. 对于一个企业,甚至整个社会,什么最重要?人才。
    为什么?有人说重要的不是人,是其他,比如制度(类似于治理一个国家的法制)。
     有人说最重要的是科学和先进的制度、管理、流程、工艺、科技创新等等。那么,这些是怎么来的?是人创造的。又是怎么运作的?是人贯彻执行的。再好的管理、规范制度等,都要人去执行。所以说,没有出色的人才就没法创造和制定科学和先进的制度、管理规范等等,而没有合适的人才去执行,先进科学的管理也就是个摆设,无法发挥作用。更甚一步,有些珍贵的东西,深藏在优秀人才的大脑中的,无法将其物化为可见可读的制度、规范和工艺等,比如领导人的个人魅力,魄力,迅速的应变能力,创新能力,深远的战略眼光,这就是任何成文的规范制度所不能代替的。而制度所能做的,就是保证具有这种才能的人能够坐在合适的岗位上,充分发挥人才的能力和长处。在这种优秀的制度下,无论是领导人,管理人员,还是技术、销售人员都是优秀的,都能充分发挥其优秀的能力,都会变得越来越优秀。所以,总结:人和制度都很重要,制度可以保证正确的用人,但是,归根结底,制度是人所制定和执行的。二者是互动的,但是人处在更主动的位置上。

    跑一下题,可以引申思考一个哲学问题,怎样治理好一个国家,法治?人治?还是德治?治理国家和管理一个企业有多少相似处?治理国家像是在管理一个巨型企业么?西方向发展中国家极力鼓吹的全民公投直选式民主真是万能药么?那么为什么全世界的企业没有一家采用民选投票的方式来选择领导人和决定企业的重大决策呢(政治选举是按人头算票的,即所谓政治上的人人平等。股份制企业股东的投票权是按股份大小算票的,体现的是资本的平等,有时候人的才能也可看为一种资本,但这里不可能存在那种政治意义上的人人平等)?

1 2
©版权所有。未经许可,不得转载。
[责任编辑: 赵恒 
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