ZDNet至顶网软件频道消息:在今天的移动互联时代,商业竞争中的很多主导力量已经发生了变化,除了企业的品牌和产品,社交时代精明的消费者们也正在成为商业竞争的主导力量。而个人力量的转变也改变了“工人”和“员工”的关系。虽然在很多国家的劳动力市场,失业率仍处在历史高位,然而雇主对于劳动力技能的高要求,使得很多重要职位依然空缺。根据美国劳工统计局的报告显示,来自那些没有找到“合格”雇员的雇主所开放的职位数量从2009年以来增加了200万个。今年的世界经济论坛也发现,“慢性劳动力市场的不平衡”越来越可能成为困扰全球商业的重要因素。
在竞争激烈的环境中,企业高管需要制定适当的战略来吸引并留住他们的高端人才。然而,在今天这样一个24小时全天活跃的互联社交世界里,这并不容易做到。为应对这一挑战,很多HR负责人将日常工作关注的重点由服务交付和降低成本,转移到营造强大的员工体验上来。作为HR现代化的一部分,这一转变需要进行组织机构和企业文化的转型,并利用先进的IT技术对全新的(且一直变化中的)业务实践做出迅速反馈,并提供劳动力市场的最新洞察。
同时,人力资源高管还需要扪心自问,他们是否足够关心他们的“客户”,即企业员工。过去的十年,很多全球大型的企业已经部分采用了全球化和集中化的HR服务交付模式和治理方式。这些努力已经成功帮助企业实现了HR功能的完整性和持续性,并提高了HR的总体经济效益。根据CedarCrestone 2012 – 2013年度人力资源系统调查,当企业全面实施这些项目时,可降低成本并提高交易15-20个百分点;而当管理者和员工首次部署自助服务工具时,这一效果甚至会更加显著。
但是,交易成本仅仅只是一种“入场的筹码”,灵活性和不断加快的创新步伐才是今天企业占据领先位置的最主要原因。
然而,今天的很多首席人才官(CHRO)却表示,他们的员工体验标准并未达到企业为其客户设立的客户体验标准。这个问题会严重影响企业雇佣、培训和留住高端人才的能力。而员工对于雇主的信任感,则是企业推动业务战略和产品创新的重要动力之一。
幸运的是,随着CHRO人力资源管理效率的逐渐提高,他们能够在提升员工体验拥有更多主动性。人力资源管理不是千篇一律的工作,现阶段它需要更多个性化的元素,同时还需要与员工背景、企业环境相关的沟通工具、流程和政策。随着现代消费理念的诞生,人力资源管理迈入了个人定制化的时代,同时人们也衍生出了对定制化职业的期望。现阶段,高效领导力的标准中必须拥有在人才生态系统中创造价值和交付服务的能力。这一生态系统中涵盖了诸多元素,包括全职雇员、兼职雇员、临时雇员、校友网络、承包商、外包商、合作伙伴等等。能够在行业中异军突起的企业在与这些群体沟通并对其进行激励方面,拥有超越其他企业的能力。这种能力更多来自于HR部门,即需要HR部门在员工福利计划、工作地点的灵活性、移动办公授权和社交功能协调方面为员工提供更多选择。
IT技术则在不断帮助HR更为容易地实现这些体验。RBL集团的调查显示,在这项持续20年的研究里,HR有望首次成为新技术的倡导者,而不仅仅是使用者。凭借IT技术,HR高管能够通过以下几种方式来帮助提高员工体验:
HR高管能够充分借助这些技术来与不断变化的员工期望值保持同步,反之,与消费市场糟糕的客户服务质量类似,其对人才管理的负面影响对于企业来说也会带来致命的影响。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。