ZD至顶网软件频道消息: 在哪里工作、如何完成工作、何时工作……这些问题正在随着互联网+的蓬勃推进而发生快速变化,企业员工队伍日益全球化,分散在各大中小城市;每个员工都想要随时随地高效工作,无论身处何地。
对于企业IT来说,这种情形改变了传统“办公室”的概念,给IT服务管理(IT Service Management)带来了巨大压力:需要保持24/7小时运作,需要支持全新的分布式数字化企业。
同样,移动技术正在取代传统的桌面体验。Kensington Productivity公司的调查结果显示,至少在一半的时间里,60%以上的专业人员在工作场使用多种设备;90%的被访人员认为,整合设备有望提高生产力。此外,由于90后员工成为劳动力队伍的主力军,他们日益要求在工作场所也有类似消费类IT环境的体验,就像他们在家里使用智能工具和新兴技术那样。
实际上,越来越多的企业正在加快向更类似消费类IT环境的计算环境转型,让员工能够选择他们想要的办公工具和技术。从2016年开始,“工作场所”将不再是某个固定场地。这给企业的IT服务管理提出更高的要求,如果不去更新自己的IT服务台,有力地支持移动办公和新的数字化业务,那无疑将面临黯淡前景。最危险的后果可能是,若企业的IT系统没有帮助一流人才高效工作、获得成功,则很难吸引并留住他们,在今天这个知识时代,人才流失将意味着流失一切。
要拥抱数字化时代,成为数字化企业,需要从以下四个方面去适应和改变,以满足其员工队伍的IT服务管理需求:
1. 移动优先。如今,自幼熟悉信息技术的数字原住民(Digital Native)在员工队伍中占据越来越大的比例。每个新入职员工恐怕记不起没有手机的世界,他们要求工作体验类似他们所习惯的消费类IT体验。
为了尽可能高效地工作,这些移动员工需要可以灵活地使用多个设备随时随地办公,拥有无缝的切换体验。其中包括能够使用移动设备,从任何地方访问IT服务台解决方案。如果方法得当,移动优先的方法还能为IT服务支持团队提供无与伦比的便利性和生产力,同时提高客户满意度。
2. 基于用户角色的方法。IT部门需要基于用户角色去提供IT服务,能够筛选并监管应用程序、设备和内容。基于用户角色的策略将权限授予企业组织的每个人,让每个人可以基于自己的角色,比如“开发人员”或“销售代表”,轻松访问适当的工具和简化的服务交付。这种方法不仅简化了用户体验,还促进了用户的理解和采用,从而提高第一个电话解决率和客户满意度。
3. 让自动化以预期的速度行动。IT自动化始终很重要,但是故障单对服务台来说仍然是个负担。数字化企业需要采用战略性的自动化方法,迅速响应不断变化的业务要求。
比如说,用户自助服务这种形式的自动化可减轻IT员工的工作负担,同时提高员工生产力和满意度。减小人为错误的可能性,优化整个过程的每一步,也大大降低了安全和合规风险。
帮助IT服务管理人员支持数字化业务,让沃达丰之类的公司得以提供自助服务,那样员工可以根据其位置、角色和偏好,获取所需的答案,使用所需的工具。他们需要的信息可通过浏览器或移动应用程序来获取,因而有助于解决问题,减轻IT员工的负担,而不是向长长的队列提交故障单或等待电话接通。此外,由于员工快速轻松地自行解决了问题,就能迅速回去处理工作,服务客户。
4. 众包——询问员工他们想如何办公。如今许多公司采用众包的方式,让员工能够帮助IT部门规划和管理IT环境。如用户可以通过众包,将资产添加到可识别位置的地图上,而IT部门可以确定需要加入什么信息,控制谁可以将什么信息添加到哪些地图上;员工还可以报告故障,为IT部门提供最新资产方面的实时信息流。如果IT部门汇集众包模式提出的问题和解决办法,就可以帮助员工,不用吹灰之力就能找到解决大多数问题的答案。
在数字化时代,企业需要换个思路考虑员工的IT需求。现代数字化员工队伍注重快速、高效、轻松的方法,既要能随时随地工作,又可以访问完成工作、提高工作效率所需要的应用程序和服务。这就需要新的工作方式和方法,而不是仅仅加强办公室的移动性,或者为工作场所添加数字化服务。如果重新考虑企业的数字化能力,公司就能够提高这些方面的标准:员工如何通过采用这些最佳实践,与客户互动、提高运营效率,并且提升总体生产力。
所以,成为数字化企业不是光依赖针对未来的计划,还需要CIO们现在就有所转变。没有得到数字化技术帮助的企业很快会失去竞争力,而企业数字化的前提恰恰又是ITSM团队本身得到企业的战略性支持,以便支持、优化和拓展数字化业务。
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。