如今,快速发展的数字经济带来了新的业务需求,而种种复杂需求必须依托于可扩展解决方案才能满足。于是,寻求具备相应技能的新人才就成了各类组织机构的第一要务。
埃里克·列斐伏尔作为红帽Sovos 首席技术官,有着超过 25 年的技术团队领导经验,以下是他的一些经验总结:
身为CIO,经常有同事和求职者问我,招聘的时候我到底更看重什么。我的回答是,“我需要的是能领兵打仗的统帅,而非小规模作战的「带头大哥」。”
我的回答直截了当,但仍然体现出了IT不断变化的核心本质。另外,数字化与全球政策的调整也让我们有了全然不同的职能角色理解方式。没错,我们要做的不再是带领一众兄弟猛冲猛杀、见招拆招,而是建立起一套基于模板、可重复且易于扩展的解决方案。只有这样,才能适应快速变化的商业背景。
我给大家的建议,是聘用那些能够适应规模经济并具备相关技能的候选人。只有可复制、可互换、可推广的解决方案,才能满足我们在商业活动中不同层面的实际需求。
IT领导者还应该关注那些能够在云端开发自动化业务流程的人才,这类业务流程要灵活可变,随着实际需求的扩张和收缩轻松完成切换。只有这样,组织才能获得无缝维护、高性能与更具确定性的运营成本,由此实现对IT预算的有效管理。
业务运营和IT必须步调一致,才能在现代数字经济中取得成功。两相脱节的优先排序和糟糕低效的沟通方式,必然会令业务陷入被动。为了有效执行一切全球战略,业务部门需要IT技术的支持,而IT部门也需要了解业务那边想要什么、该怎么实现。
作为IT领导者,大家必须了解一些基本的商业原理,并确保IT团队的每位成员也都了然于胸。只有这样,技术骨干才能顺利执行任务、推动业务走向成功。
下面来看我个人认为最关键的三大重点:
收入管理:了解业务系统的集成情况以及全球范围内的收入态势。企业的价值和声誉,都将与此怎么样。
所以,数据才是企业最宝贵的资产。而了解和保护数据,也应成为IT部门的最高优先级事务。
能力评估:当前的IT系统在可扩展性、安全性、灾难恢复、连续性等方面成熟度如何?我们的软件开发周期和DevOps流程是怎样设计的?还有哪些差距需要解决?
数据管理:我们是如何管理数据的?哪些人有权访问数据?流程的变化如何影响全球数据的有效性?作为企业内最宝贵的资产,数据必须得到IT部门的重视、理解和保护。
从技术实施层面来看,如今企业似乎有史以来第一次走在了政府的后面。长期以来,我们一直认为政府部门才是相对落后的那一方,不可能为企业制定出可行的条款和时间表。但新的时代已经到来,世界各地开始规划和实施新的标准及规定,执法力度也远超以往任何时候。
政府机构现在更需要实时或近实时数据的加持。于是,企业也学着以集中方式处理自己的数据、系统、业务流程和应用程序。如果无法集中,那么低下的数据管理能力必然会令企业违背各国制定的独特数据监管要求。
但大多数企业确实还缺少这样的能力,于是额外的负担来到了IT部门这边。这要求IT一方快速理解新的法令和法规,并据此开展有效管理。这是个对天赋要求颇高的任务,需要我们投入大量心力。
世界正在迅速变化,企业对于IT力量的依赖性远超任何历史时期,由此形成的内部压力也对CIO们构成了新的挑战。与此同时,世界各国政府都在投资并推动自己的数字化转型计划,于是形成了外部压力。为了应对这种不断变化的动态,IT领导者必须制定出具有前瞻性的战略,并聘请那些能够稳步推进计划、准确落实战略的优秀人才。
所以,企业需要的是统帅、而非“带头大哥”,这就是新时代向我们提出的新要求。
好文章,需要你的鼓励
由贝索斯共同领导的普罗米修斯项目已收购AI初创公司General Agents。该公司开发了名为Ace的AI智能体,可自主执行视频编辑、数据复制等计算机任务。General Agents基于视频语言行为架构开发模型,这与普罗米修斯项目专注制造业AI系统的目标高度契合。收购完成后,普罗米修斯团队已超过100人,预计将推进工业机器人领域的AI应用发展。
斯科尔科技学院联合俄罗斯多家研究机构开发出革命性的多语言AI虚假信息检测技术。该研究构建了覆盖14种语言的大型数据集PsiloQA,通过"诱导AI说谎"的创新方法自动生成训练样本,成本仅为传统人工标注的数十分之一。实验证明多语言训练的检测模型性能显著优于单语言模型,为全球AI可信度监督提供了实用解决方案。
Kagi公司发布Orion浏览器1.0版本,这是一款专为苹果平台设计的全新浏览器。该浏览器主打极速浏览体验和用户隐私保护,完全免费使用并附赠200次Kagi搜索。Orion还提供月费5美元的付费订阅服务,解锁更多高级功能。未来计划包括更深度的自定义选项和性能优化。
NVIDIA研究团队发现,训练机器人最有效的方法竟然是最简单的:直接用普通文字告诉机器人该做什么,而不需要复杂的编码系统。他们开发的VLA-0系统在标准测试中超越了所有复杂方法,平均成功率达94.7%,在真实机器人测试中也比预训练系统高出12.5个百分点。这项发现挑战了"越复杂越好"的传统观念,可能加速智能家用机器人的普及。