过去一年,全球经受了一场挑战乃至洗礼,IT领导者们开始深切意识到自己还有许多改进空间,非常态的工作环境下需要领导者具备创新意识、忧患意识、风险观念等,建立新的工作习惯以适应瞬息万变的新时代。为此,本文收集了来自IT领导者及专家社区的重要意见,探讨IT领导者在疫情后时代应该培养起哪些工作习惯。
第一,调整重心。红帽公司北美公共部门首席技术专家David Egts表示,不要让紧急情况影响到团队的重心。战术行动当然很重要,但过分强调细节会导致错失战略方向。而保持这种专注能力,最重要的方法之一是制定出明确的目标与核心结果,也就是OKR,设置年度目标与季度目标,并通过核心结果确定实现目标所需要的具体工作。“在这里,我向大家推荐两本书,《衡量重要事项(Measure What Matters )》与《绝对聚焦(Radical Focus)》。”David Egts说。
第二,强调同理心。在这个特殊时期,IT领导者确实还有很多的自我改进空间。养成提升自身情商的习惯,将进一步提升领导能力。The Gorilla Glue公司IT基础设施服务总监Cedric Wells建议IT负责人应该时刻进行自省,找到更好的方法以应对管理范围内所出现的种种情绪。在管理其他人员时,IT负责人首先需要判断自己是否具备同理心,理解对方因无法自由行动而引发的焦虑感。面对更为灵活的事务规划与更加分散的员工队伍,良好的同理心将成为领导者顺利推进工作的必要前提。例如,在困难时期下给团队营造一种自己仍然受到关注、受到支持的氛围;在危机之下,领导者绝不能指望远程遥控团队成员;只有将感性因素与理性判断结合起来,才能引领团队走出困境。
第三,冥想训练。在面对混乱与冲击时,保持禅定般的平静不仅是一种良好素养,在某种程度上甚至堪称超能力。冥想是种好习惯,更是培养这种「超能力」的前提。Ray Dalio等顶尖商业领袖以及Yuval Harari等畅销作家,都将自己的成功归结于冥想的帮助。Gramener公司联合创始人兼首席决策科学家Ganes Kesari称,冥想很简单,大家不需要皈依宗教、也不需要耗费很长时间。只需要买一本相关书籍,每天花上五分钟,也可以集中注意力、降低压力水平、更好地控制自己的情绪。
第四,贯彻敏捷原则。IT领导者应该携手团队先制定出明确的优先级目标,特别是明确战略、转型以及创新计划层面的优先级次序。为此,IT领导者应设定清晰的期望,并授权团队以全面将敏捷原则融入项目冲刺与产品发布周期。StarCIO 公司总裁、Driving Digital 》作者Isaac Sacolick强调,领导者还应制定出相关指南,帮助大家以统一的方式进行交流与技术协作,同时把以往大家熟悉的面对面交流、决策会议以及头脑风暴等环节导流至线上。目前,不少企业都面临着疫情威胁下的业务中断,这就要求领导者建立起具备可行性的策略。“策略的可行度越高,企业应对变化条件的灵活性就越强、姿态越从容。”他对此表示。
第五,提高沟通技能。随着远程办公成为新的常态,高效沟通就成了IT领导者必须解决的一大问题。如果无法有效沟通,业务体系中将出现大量灰色区域,各方只能凭借假设进行处理,十分容易产生信息不对称的问题。因此,必须明确要求、确定判断项目成功的核心指标。这不仅是一种手段,也应该成为一种理念。向团队提出有针对性的问题,确保每位参与者都正确理解项目的核心诉求。
Improving公司首席顾问Mark Runyon发现,疫情之下,很多人开始享受更和谐的家庭生活。但也正因为如此,孩子们开始在家里上网课、家长们则在起居室里工作,这让以往朝九晚五的明确时间表变得愈发难熬。领导者们应该表现出同理心,通过引导让员工回归工作正轨,这种关注与关心将在企业中产生持久的积极影响。
第六,提供丰富的技术培训。面对新冠疫情,以往大家所熟知的员工派遣以及内部培训开始失去可行性。DevOps Institute首席研究总监Eveline Oehrlich呼吁应该让员工自主设定成长路线,同时为他们提供丰富的技能提升选项,引导团队成员自主设定学习计划与技能发展目标。有了这样的主动性与积极性,IT领导者才能提供针对性帮助,而后加强合作、保证以最佳方式支持技能培养。
但是,如果企业的现有预算无法承受大规模培训计划,不妨发挥一点创造力。某些员工可能愿意减薪以资助自己的教育或认证考试计划。此外,员工还可以组织岗位轮换、内部陪练、参与线上会议或者组织内部培训日等。将员工提升技能水平的诉求与领导者的相应投入结合起来,这将为整个企业培养出更出色的领导者与更杰出的团队成员。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。