Quantcast
Channel: 工程師 – TechOrange
Viewing all 585 articles
Browse latest View live

蘋果 Siri 開徵囉,新加坡、中國都有缺,工程師快點磨刀霍霍備履歷!

$
0
0

【我們為什麼挑選這篇文章】可口的職缺,獻給值得更好的你。看完後,請直接打開履歷開始一場 Siri 職場之旅。(責任編輯:徐嘉偵)

 

隨著蘋果公司(Apple)於今年 2 月開賣搭載語音助理 Siri 的智慧音箱 HomePod,最新消息顯示,蘋果官方開出的 Siri 相關職缺數目前已達 161 個、月增 24%,創下歷史新高。

根據數據分析機構 Thinknum 追蹤的徵才資料,標題或內文包含關鍵字 Siri 的蘋果官方職缺數自 2 月中旬以來快速增加。Thinknum 認為,可能與相較競爭對手 Amazon、Google 的類似智慧服務,Siri 顯得屈居下風有關。

在 161 個與 Siri 相關的蘋果職缺中,有 125 個工作地點在蘋果位於美國加州聖克拉拉谷(Santa Clara Valley)新總部, 其他工作地點包括英國劍橋、西雅圖、新加坡、上海、北京、馬德里、慕尼黑、香港、東京等;其中最常見職稱是軟體工程師。

TO 編按:在這裡幫大家整理世界各地的 Siri 職缺開放數及職缺內容,九成職缺都是軟體工程師:

圖片取自:Thinknum
圖片取自:Thinknum

——

(本文經合作夥伴 中央社 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈蘋果 Siri 大舉徵才 開 161 個職缺創新 高〉 首圖來源:Apple

來來來,履歷都給我準備起來

台灣第一電商王徵才啦!工程師、行銷都開缺,挑戰電商極限趁現在
LINE 招募暑期實習生!遊戲、電商、行銷部門開缺,想實戰產業就投這間
【快訊】Google 智慧台灣計畫啟動!釋出 300 個職缺,要將台灣打造成亞洲 AI 戰略基地


熱情招募【財經線資深社群編輯】

3 年以上工作經歷,大學以上學歷,待遇面議

1. 發想題目敏感度夠,文字能力佳、喜愛閱讀、想深入觀察了解全球數位經濟發展趨勢
2. 對財經商管類議題熟稔,並懂得控管流程,具時間與編輯流程管理能力
3. 喜歡與人接觸溝通能力良好
4. 三年以上編輯相關工作經驗,對網路社群策展製作有熱情。
5. 有責任感

來信應徵,請註明職缺 + 您的名字,並寄信到 jobs@fusionmedium.com

我們還有開放更多職缺:https://goo.gl/s3cBDL


LINE 招募區塊鏈研發團隊,台灣人才登上世界舞台的機會到了!

$
0
0

【為什麼我們挑選這篇文章】因為你們值得更大的舞台、更美好的機會!在越來越多企業都在應用區塊鏈的時代裡,送上一個大展前途的好機會給螢幕前的你妳您!(責任編輯:徐嘉偵)

通訊軟體 LINE 日本總部宣布成立 LINE Blockchain Lab 團隊,負責研發基礎區塊鏈(blockchain)技術及服務,目標一年內徵才約 30 人;LINE 台灣今天說,歡迎全球頂尖人才加入。

LINE 台灣接受中央社記者採訪表示,LINE Blockchain Lab 目前尚未跨海徵才,但作為全球協作團隊,LINE 歡迎也期待全球頂尖人才加入。重要原則是 LINE 徵才從不限定國籍,只要符合徵才條件 ,都是 LINE 應把握的人才。

LINE 日本總部在官網發文表示,LINE Blockchain Lab 團隊除使用公開的區塊鏈技術開發去中心化應用程式(Decentralized Application, dApp),也將研究點對點(Peer to Peer, P2P)網路分配系統及加密技術,未來可望運用到現有 LINE 服務,及新成立 LINE 金融公司籌備的虛擬貨幣交易及借貸等金融服務。

LINE Blockchain Lab 正積極招募工程師,目標一年內團隊規模達到約 30 人,負責區塊鏈平台及服務研發工作。

 

——

(本文經合作夥伴 中央社 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈LINE 成立區塊鏈研發團隊 向全球人才招手 〉,首圖來源:wikimedia, CC Licensed。)

更多人才招募特輯

台灣第一電商王徵才啦!工程師、行銷都開缺,挑戰電商極限趁現在
微軟來台廣徵 AI 人才,美國總部主管親自挑選,大家準備好了嗎?
【快訊】Google 智慧台灣計畫啟動!釋出 300 個職缺,要將台灣打造成亞洲 AI 戰略基地

 

 


熱情招募【產業線資深社群編輯】

3 年以上工作經歷,大學以上學歷,待遇面議

1. 發想題目敏感度夠,文字能力佳、喜愛閱讀、想深入觀察了解全球產業的數位轉型發展趨勢
2. 對經濟產業類議題熟稔,並懂得控管流程,具時間與編輯流程管理能力
3. 喜歡與人接觸溝通能力良好
4. 三年以上編輯相關工作經驗,對網路社群策展製作有熱情。
5. 有責任感

來信應徵,請註明職缺 + 您的名字,並寄信到 jobs@fusionmedium.com

我們還有開放更多職缺:https://goo.gl/asWJix

【強了,我的國】台積電工程師攜 28 奈米機密跳槽中國廠,慘遭起訴

$
0
0

【我們為什麼挑選這篇文章】雖說人才的流動實屬正常,水往低處流,人往高處爬,但若是包含洩密的惡意挖角,那就和最初的「挖角」概念不同了。(責任編輯:林子鈞)

台積電查獲離職的吳姓工程師於任職期間,涉嫌竊取 28 奈米製程機密,報請檢調單位偵辦,新竹檢方今天將吳姓工程師依違反營業秘密法與背信罪嫌提起公訴。

檢方調查,吳姓工程師於去年 9 月任職台積電期間,非法重製台積電 28 奈米的重要製程相關文件,計畫於 12 月自台積電離職後,攜出至中國大陸地區無錫華潤上華科技任職,意圖在大陸使用非法重製的台積電營業秘密。

檢方認定,吳姓工程師涉犯營業秘密法,意圖在大陸地區使用未經授權重製、使用及洩漏他人營業秘密罪嫌與背信罪嫌,對吳姓工程師提起公訴。

台積電表示,對於利用不當方法取得技術機密的情事絕不寬容,將嚴厲保護技術機密。

中國狂挖台灣半導體牆角

【台灣科技廠的痛】中國高薪挖角、竊密層出不窮,群創、南亞科都是受害者

中國科技間諜入侵台灣晶圓產業,一杯咖啡偷走 75 億元的關鍵砷化鎵技術

神祕台元科技園區:中資潛伏大本營?鄰近竹科,挖人才、偷技術具地利之便

(本文經合作夥伴 中央社 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈台積電工程師偷 28 奈米資料 洩密陸廠遭起訴 〉。)


人工智慧 x 雲端應用 Solution 是什麼?
10 分鐘填寫 TO 趨勢調查問卷,就送您人工智慧黃金時代必備祕笈:

1. 結果分析報告
2.專家客製化 IT 雲端轉型完整建議

>> 填問卷 Get 祕笈

【工程師福音】在 R 上也可以運行 Python!手把手超詳盡教學

$
0
0

【我們為什麼挑選這篇文章】很久沒有出一些關於工程師的教學工具文了,請慢慢服用,這篇很有用!(責任編輯:林子鈞)

R 還是 Python?

真是個千古難題!

如果你主要從事數據分析、統計建模和可視化,R 大概是你的不二之選。但如果你還想來搞點深度學習,整個自然語言處理,那你可還真得用 Python。

如果你處於交叉領域,很可能就需要兩種語言切換。後果是,寫個 for loop 還出 bug 真的是家常便飯。報警!

面對這種困境的絕不止你一個人!最近的 KDnuggets Analytics 的軟體調查中,Python 和 R 位居數據科學和機器學習軟件的前兩名。

如果你真的想提高你在數據科學領域的能力,這兩種語言你確實都應該學習。

不過現在好消息來了!

RStudio 開發了一個名為 reticulate 的包。通過安裝包,你現在可以在 R 上運行 Python 的安裝包和函數了~

今天就來教教你用這個 reticulate 包。

安裝並載入 reticulate 包

運行下面的命令來安裝這個包、並導入到您的系統中。

# 安裝 reticulate 包
install.packages(“reticulate")
# 載入 reticulate 包
library(reticulate)

檢查您的系統是否安裝過 Python

py_available()

返回值為 TRUE 或 FALSE。如果返回的 是 TRUE,那恭喜你,您的系統已經有 Python 啦。FALSE 的話就得先去裝一下 Python 了。

在 R 中導入一個 python 模塊

您可以使用函數 import()來導入特定的包或模塊。

os <- import(“os”)
os$getcwd()

上面的命令返回工作目錄。

[1]"C:\\Users\\DELL\\Documents"

您可以使用 os 包中的 listdir()函數來查看工作目錄中的所有文件。

os$listdir()

安裝 Python 包

第一步:創建新的工作環境;

conda_create(“r-reticulate”)

第二步:在 conda 環境下安裝“r-reticulate”和“numpy”;

conda_install(“r-reticulate”,“numpy”)

如果“numpy”已經安裝,您不必再次安裝這個包。上面的代碼只是給個例子而已。

第三步:加載包。

numpy <- import(“numpy”)

使用 numpy 數組

首先 建立一個簡單的 numpy 數組

y <- array(1:4, c(2, 2))
x <- numpy$array(y)

[,1] [,2]
[1,]    1    3
[2,]    2    4

將數組進行轉置

numpy$transpose(x)

[,1] [,2]
[1,]    1    2
[2,]    3    4

求特徵根和特徵向量

numpy$linalg$eig(x)

一些數學函數

numpy$sqrt(x)
numpy$exp(x)

交互地使用 Python

您可以在 R 中創建交互式 Python 控制台。您在 Python 中創建的對象可在 R 中使用(反之亦然)。通過使用 repl_python()函數,可以使 Python 和 R 交互。首先,下載以下程序中使用的數據集:

repl_python()
# 加載“panda”數據集
import pandas as pd
# 載入數據集
travel = pd.read_excel(“AIR.xlsx”)
# 顯示數據集的行列數
travel.shape
# 隨機選取數據集中的行數
travel.sample(n = 10)
# 按某一標誌分組
travel.groupby(“Year”).AIR.mean()
# 篩選數據個案
t = travel.loc[(travel.Month >= 6) & (travel.Year >= 1955),:]
# 回到 R
exit

注意:您需要鍵入“exit”來返回到 R 會話

怎樣從 R 中獲取在 python 中創建的對象

你可以在利用 py object 獲取 python 裡的對象。

summary(py$t)

在這種情況下,我會用 R 的 summary()函數並訪問在 python 中創建的數據集 T。此外,您可以使用 ggplot2 軟件包繪製折線圖。

#利用 ggplot2 繪製線圖
library(ggplot2)
ggplot(py$t, aes(AIR, Year)) + geom_line()

怎樣從 Python 中獲取在 R 中創建的對象

您可以使用 r object 來解決這個問題。

先在 R 中創建一個對象:

mydata = head(cars, n=15)

在 Python REPL 中調用之前在 R 中所創建的對象:

repl_python()
import pandas as pd
r.mydata.describe()
pd.isnull(r.mydata.speed)
exit

使用 sklearn 包構建 Logistic 回歸模型

sklearn 軟件包是 python 中最受歡迎的機器學習軟件包之一,它支持各種統計和機器學習的算法。

repl_python()
# 加載包
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
# 加載數據庫
iris = datasets.load_iris()
# 建立 logit 模型
model = LogisticRegression()
model.fit(iris.data, iris.target)
# 進行預測
actual = iris.target
predicted = model.predict(iris.data)
#模型性能對比矩陣
print(metrics.classification_report(actual, predicted))
print(metrics.confusion_matrix(actual, predicted))

其他有用的函數

查看 python 的配置

運行 py_config()命令來查看系統中安裝的 R 的版本。它還能顯示 anaconda 和 numpy 的詳細信息。

py_config()

檢查某個包是否安裝

可以用以下命令來檢查“pandas”是否安裝:

py_module_available(“pandas”)

原文鏈接

程式語言,你用的上的工具包

28 種 Coding 語言簡史:有人真的很不喜歡括號,於是發明了 Python

【附完整程式碼教學】教你一步一步用 Python 打造數據實驗室,輕鬆預測比特幣價格趨勢

【最好學、最流行】從大數據到網頁通通包辦的工具人,好 Python 不學嗎?

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈手把手 | 哇!用 R 也可以跑 Python 了 〉。)


人工智慧 x 雲端應用 Solution 是什麼?
10 分鐘填寫 TO 趨勢調查問卷,就送您人工智慧黃金時代必備祕笈:

1. 結果分析報告
2.專家客製化 IT 雲端轉型完整建議

>> 填問卷 Get 祕笈

【內含面試官建議】Google 人工智慧工程師完整面試題附解析,先拿回家好好練習吧

$
0
0

【我們為什麼挑選這篇文章】面試進 Google 是很多人的主要人生志業之一,到底 Google 的面試是怎麼樣的,網路上有很多版本和傳言,讓我們來給你一版非常完整、內容幽默風趣的面試解析吧。(責任編輯:林子鈞)

作者/量子位 安妮 栗子

本文經 AI 新媒體量子位(公眾號 ID:QbitAI)授權轉載,轉載請聯繫出處

可能每個程式工程師,都想過加入 Google。

然而想要「應試」成功,考驗的不僅僅是開發人員的 Coding 技術,還能側面考驗著參賽者的渠道來源是否廣泛、背景力量是否強大、腦洞回路是否清奇……

不過,夢是要做的,履歷是要投的,說不準面試就來了呢?所以,我們需要為萬一砸到頭頂的面試,做好一萬的準備。

前有萬千過橋的應聘大軍 發回攻略 ,後有民間程式大神發現 隱藏關卡 ……是時候來總結一份 Google 應聘指南了。

P.S. 這份攻略也不僅僅適用於 Google(中途落榜的勵志哥還被亞馬遜挖走了呢~)

Google 的技術面試流程就是各家的標配而已,先遠程後現場。

面試以強度聞名,可能看看問題就想回家了。這些題目全部由 Glassdoor 收集統計。不過,順便看下參考答案也是好的。

1、求導 1/x。

答:-1/x2

用 Python 是這樣。

2、畫出 log (x+10) 曲線。

答:如圖。只要把 logx 的圖像左移 10 格。

用 Python 是這樣。

3、怎樣設計一次客戶滿意度調查?

答:第三題就這麼抽象了。不知從何說起的我決定指引各位,可以在搜索引擎裡查詢一下:「客戶滿意度和客戶忠誠度的計算標準」。

4、一枚硬幣拋 10 次,得到 8 正 2 反。試析拋硬幣是否公平?p 值是多少?

5、接上題。10 枚硬幣,每一枚拋 10 次,結果會如何?為了拋硬幣更公平,應該怎麼改進?

答:小數定律或許可以幫到你。

附一個 參考資料

6、解釋一個非正態分佈,以及如何應用

答:不知道面試者遇到是怎樣的分佈。不過,上個月 MIT 發表了用妖嬈的伽瑪分佈,幫助自動駕駛系統在濃霧裡保持如炬目光的算法。

詳情傳送門: 點這裡

7、為什麼要用特徵選擇?如果兩個預測因子高度相關,係數對邏輯回歸有怎樣的影響?係數的置信區間是多少?

答:需要處理高維數據的時候,很多模型都吃不消。特徵選擇可以讓我們在給數據降維的同時,不損失太多信息。

參考資料傳送門:https://towardsdatascience.com/why-how-and-when-to-apply-feature-selection-e9c69adfabf2

8、K-mean 與高斯混合模型:K-means 算法和 EM 算法的差別在哪裡?

答:CSDN 博主 JpHu 說,K-Means 算法對數據點的聚類進行了“硬分配”,即每個數據點只屬於唯一的聚類;而 GMM 的 EM 解法則基於後驗概率分佈,對數據點進行“軟分配”,即每個單獨的高斯模型對數據聚類都有貢獻,不過貢獻值有大有小。

傳送門

9、使用高斯混合模型時,怎樣判斷它適用與否?(正態分佈)

答:依然,請前往以下頁面。

詳情傳送門

10、聚類時標籤已知,怎樣評估模型的表現?

答: CSDN 博主 howhigh 說,如果有了類別標籤,那麼聚類結果也可以像分類那樣計算準確率和召回率。但是不應該將分類標籤作為聚類結果的評價指標,除非你有相關的先驗知識或某種假設,知道這種分類類內差距更小——

詳情傳送門

11、為什麼不用邏輯回歸,而要用 GBM?

答:GB 是 Gradient Boosting。引用知乎答主 Frankenstein 的話,從決策邊界上看,線性回歸的決策邊界是一條直線,邏輯回歸的決策邊界是一條曲線,GBM 的決策邊界可能是很多條線。

邏輯回歸只能處理回歸問題,而 GBM 還可以用於解決分類或排序問題。

參考答案傳送門

12、每年應聘 Google 的人有多少?

答:兩百萬。大多數人可能都只是順便投一下,看看會不會中獎。

13、你給一個 Google APP 做了些修改。怎樣測試某項指標是否有增長

14、描述數據分析的流程。

15、高斯混合模型(GMM)中,推導方程。

16、怎樣衡量用戶對視頻的喜愛程度?

17、模擬一個二元正態分佈。

18、求一個分佈的方差。

19、怎樣建立中位數的 Estimator?

20、如果回歸模型中的兩個係數估計,分別是統計顯著的,把兩個放在一起測試,會不會同樣顯著?

不只是技術

除了這些深刻的技術問題,Google 歷年的面試中,總有一些直擊靈魂的神秘考題。BI 也統計了一些,例如:

  • 一輛校車可以放進多少個高爾夫球?
  • 擦一遍西雅圖所有的窗戶需要多少錢?
  • 井蓋為什麼是圓的?

再來個長的:

你只有兩個生雞蛋,是可以無比堅固也可以無比脆弱的雞蛋。在一百層的高樓裡,在兩個雞蛋都陣亡之前,怎麼才能知道它們最高能從幾樓摔下來不碎?需要多少步?

雞蛋表示:

很好奇,腦洞考題是怎樣打分的。友情提示:上述幾道題,有些是可以抖機靈的……

如果你想知道答案和更多類似題,可以在量子位公眾號(ID:QbitAI)對話界面,回覆:「神秘題」 三個字。

史上最正統 Google 面試寶典

真題談完了。雖然面試準備是個老生常談的話題,但下面這份寶典無論如何你都要看看。

論「血統」,這份寶典最為正宗,因為它是 Google 招聘官網上專門為「Future Googler」準備的。一起看看招聘方親自對面試者提出了哪些建議——

預測面試題 :面試前,你基本可以預測出 90% 的問題了。「為什麼想申請這份工作」、「你曾經解決過什麼問題」等問題基本在面試中必現,寫 20 個出來先提前準備著有益無害。

計畫 :寫出極可能出現的問題後,針對列出你的清單上的每一個問題,寫下你的答案。這將幫助你加深對這些問題的印象,是面試時能對答如流的利器。

Plan B&C:針對上面這些問題,Google 招聘人員建議你最好能準備 3 個答案。這些備用答案能在第一位面試官不喜歡你的故事時,幫你征服下一位面試官。

解釋 :面試官想要瞭解你的想法,所以在面試過程中需要展示你的思維過程和最後的解決方案。這個環節不僅是在評估你的技術能力,還在評估你解決問題的靈活性。

講故事 :Google 面試官希望以會「講故事」。有一個很有意思的面試小技巧,就是每個問題都應該用一個故事來回答。比如「你怎樣領導……」的問題最好就舉個例子講個故事吧~

探討 :在面試過程中你可能會不自覺進入一些問題「圈套」,這是面試官想深入瞭解當你遇到技術難題中你看重哪些信息,希望看到你如何處理這個問題以及你解決問題的主要方法,這時一定要就你的思維過程進行討論。

改進 :思考如何改進你現在的解決方案,讓面試官知道你在做什麼,為什麼要這樣做。

練習 :最後應聘者要時刻謹記熟能生巧。模擬面試環節,自信說出你的答案,直到你能清晰而簡明地講述每一個故事。

看來,準備 Google 的面試是個時間活~除了技術能力需要過硬以外,單單面試時這 20×3 個問題的準備也得準備不少時間呢。

對了,已經應聘成功的 Google 工程師們還給你提了一些技術類問題的「備考」建議,聽聽老人言,助你面試一臂之力。

對,有隱藏關卡!

應聘 Google 的方法只有內推、校招和發履歷社招這三種?Naive,小看 Google 工程師的腦洞了,據多位大神在博客上透露,Google 的應聘來源還有 秘密渠道

如果 Google 捕捉到你在搜索某個特定的編程術語,可能就會有人邀請你申請這個職位。就有人能解鎖這種隱藏關卡~

小哥 Max Rosett 曾遇到過一個有趣的故事。在用 Google 搜索「Python lambda 函數列表解析」時,搜索界面分裂並向後摺疊,一個方框彈出來寫著「你在使用我們的語言」,還邀請他去挑戰一下。

點擊「挑戰」後,頁面跳轉到一個叫「foo.bar」的頁面,還會出現一道限時挑戰題。連續攻破六道題後,foo.bar 邀請這位挑戰者提交個人信息。後來,就有招聘人員來要履歷了。

這個 foo.bar 的 網址

不過 莫激動 ,沒有得到 Google 的邀請這個網頁還是沒有辦法註冊的~

故事的最後給我們的啟示,可能是多用 Google 搜索……

Google 式「學測」

關於 Google 面試這事,其熱度和難度無異於產業內的「學測」,千軍萬馬過獨木橋的景象又出現了。

這其中有個想進 Google 工作「勵志哥」John Washam 火了,這位小哥大學時修經濟學,韓國當兵退伍後去教授英語,但對於代碼和 Google 的渴望沒有磨滅,他勵志專門騰出八個月的時間全職準備 Google 面試,實現自己的目標!

這是一場「苦行僧」式的修行,小哥曾三週攻讀 1000 頁的 C++ 書,也在 GitHub 上收穫了 21000 多個 star,還做了 1792 張電子卡片方便複習……讀書、寫代碼和聽講座的時間總共 1000 多個小時了。

勵志哥的夏季閱讀書單,只是準備過程中很小一部分

八個月的刻苦準備後,小哥……還是落選了,甚至連電話面試都沒有就被直接拒絕了。

但努力總會有回報,被拒後的小哥目前就職於亞馬遜。

Google 雖好,也不能貪杯哦。

Google,世上最受歡迎企業

一探 Google 新加坡總部!美到都快抑制不住我轉職的衝動了啊啊

和 Google 頂尖工程師一起研究機器學習一整年,這是我的精華筆記

去 Google 工作真的沒那麼難!從醫生成功轉職 Google 工程師的大神親手撰寫攻略

(本文經 量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Google 人工智能面試·真·題(附參考答案+攻略)〉。)

 


人工智慧 x 雲端應用 Solution 是什麼?
10 分鐘填寫 TO 趨勢調查問卷,就送您人工智慧黃金時代必備祕笈:

1. 結果分析報告
2.專家客製化 IT 雲端轉型完整建議

>> 填問卷 Get 祕笈

PTT 鄉民大哉問:工程師該不該為「商業邏輯」負責?

$
0
0

鄉民大哉問的時間又來啦!這次,讓我們一起來了解 鬼島台灣 在台灣的職場中,工程師們會面對的一個問題:

工程師照 PM 要求走,最後出事卻是工程師的錯?

故事的原 PO 是一名工程師,他 自述 最近在公司遇到的一件事情,讓他感到非常疑惑。

事情是這樣的,他在公司接下了一個專案,而與他對口的 PM(專案經理)看似也非常正常,中間 PM 也都很積極的與工程師溝通,一切看似美好。

但直到產品上線之後,才發現原來 其中有許多的設計並不符合商業邏輯 ,導致運作的成果非常慘,為此這位工程師必須不斷的緊急修復,花了一個半月的時間總算是修好,但公司也因此倒賠了幾萬元。

在事後的檢討會議上,主管詢問原 PO 為什麼沒有注意到商業邏輯有誤,原 PO 表示這不是應該是 PM 要注意的事情?況且在溝通過程中一切都是按照 PM 的要求,有問題也都盡力協助排除了,自己也只是按照文件規定執行。

後來主管便語重心長的告知,「現在市場變化很快,有時候 PM 需求沒辦法開的完整」,認為 工程師應該自己要學會商業邏輯,並且主動跨一步出來協助 PM,對職業生涯也有幫助等等。

最令原 PO 心冷的是,過了兩天,部門主管寄信告知他,若是再有一樣的狀況發生,公司就只能選擇將原 PO 解聘,這讓原 PO 非常錯愕,因為認知中,這種事情是 PM 的事情,為何最後是由他「背鍋」扛下了此次事件的錯誤責任?

因此,他詢問,難道現在的工程師真的都該了解商業邏輯嗎?

什麼是商業邏輯

看到這,我覺得我應該先解釋一下,商業邏輯到底是什麼。

舉例而言,今天工程師寫一個可以留言的程式,他只會關注「讓使用者寫入資料,其後記錄下來後並呈現」的功能如何實現。

但是如果套用了商業邏輯,就必須還要考量:留言區域該如何呈現?要如何給使用者輸入?輸入頁面該有哪些資料?留言後的編號該如何編碼?如何寫入 / 讀取留言資料庫?我要如何呼叫資料庫會比較好?該不該增加驗證?……

說白了,商業邏輯要思考的並非只是「如何做出這個功能」,而是「如何呈現這個功能 / 如何實現我設計這個功能的目的」,因此這類事情在規劃時,大多是由 PM 與客戶溝通完成後,再由 PM 與工程師討論,確認執行方式。

鄉民:還不快逃?

回到正題,在本文發表之後,下面引來了大量的鄉民討論,而大多數的鄉民都得出三個結論:

  1. 工程師不要只學寫程式,最好也學習商業邏輯,確實對自己的生涯發展會比較好。
  2. 但是,理論上來說,這確實不是工程師該負責主導的責任,而是 PM 的。
  3. 原 PO 被公司還有 PM 推責任所以背黑鍋了。

因此,綜合上述的結論後,鄉民們給了一個建議:

「還不快逃(離職)?」

各位觀眾,您怎麼看呢?

─ ─

參考資料來源:
批踢踢實業坊:[討論] 工程師到底該不該為商業邏輯負責?

(本文提供合作夥伴轉載,首圖來源:Pixabay,CC Licensed。)

更多的鄉民大哉問

PTT 鄉民熱議:寫程式的台語該怎麼說?
PTT 鄉民來解惑:用「一坨屎」來看懂比特幣的炒作始末
PTT 鄉民大哉問:學了 C++ 迴圈就能自稱工程師?
PTT 鄉民大哉問:SSD 到底要不要磁碟重組


人工智慧 x 雲端應用 Solution 是什麼?
10 分鐘填寫 TO 趨勢調查問卷,就送您人工智慧黃金時代必備祕笈:

1. 結果分析報告
2.專家客製化 IT 雲端轉型完整建議

>> 填問卷 Get 祕笈

給工程師的投資入門手冊:Python、R 哪個才是你最適合用來理財的程式語言?

$
0
0

程式碼 工程師 理財 投資 程式金融教義

【我們為什麼挑選這本書】正煩惱工程師工時與薪水不成正比嗎?想找事業第二春但不知道該何處去?

 酆士昌寫《給工程師的第一本理財書:程式金融交易的 118 個入門關鍵技巧》,裡頭手把手教學,教工程師善用本身的程式能力,設計出股市金融投資程式,並教會工程師基礎的投資理財觀念,無非為一本專屬「工程師」的理財書。(責任編輯:陳伯安)

投資理財是我們常掛在口中的名詞,但「投資」與「理財」仍有一些差別。嚴格說來,「投資」屬於「理財」的一部分,但「理財」的方式並不只有投資,諸如記帳、比價等節流方式,都屬於理財的領域,而非投資的領域。

理財的意思為管理財富,可藉由投資、賺取外快、節省開銷等方式,增進財源並減少花費。就字面意義而言,理財本身的意涵偏向管理,藉由固定的習慣、方法或工具去增進財富;投資則是積極性的行為,藉由變動性與複雜性較高的方法或工具,在市場上利用商品的買賣,去創造正向的收益。

你屬於哪種投資類型呢?

由於每個人的生長背景、教育歷練、家庭經濟條件以及工作環境的不同,對於金錢的使用方式也不相同。投資是具有風險性的行為,必須考量自身的個性與風險承受能力,才能挑選出適合自己的投資商品與方式。

市面上有許多個性分析的分類與測驗,這裡我們簡單的介紹 DISC 測驗

若讀者想分析自己的個性,可至網站進行 測驗

DISC 測驗是一種關於人類行為的測驗,可以藉此了解每個人屬於何種類型。DISC 的意思,分別是指「支配型」(Dominance)、「影響型」(Influence)、「穩健型」(Steadiness)、「分析型」(Compliance),我們將這四類型的人格特質與適合投資的商品分述如下:

支配型(Dominance)

擁有較強的主見與行動力,朝目標邁進,不達目的不罷休、充滿自信意志堅定、有活力,是推動別人行動的人。

投資規劃:

1. 高風險產品。

2. 主觀式交易。

3. 投機性交易,須做好風險控管

影響型(Influence)

樂觀、熱情並具有很強的好奇心,喜歡團隊合作,不喜歡被忽視。

投資規劃:

1. 混合高低風險產品。

2. 主觀式交易或程式交易。

3. 投機性交易,須做好風險控管。

分析型(Compliance)

關注細節、深思熟慮,做事前一定要先想好計劃、理想主義、喜歡獨立行動、擔心錯誤。

投資規劃:

1. 低風險類型商品。

2. 程式交易。

3. 投資組合與套利交易。

穩健型(Steadiness)

性格低調、易相處、輕鬆平和、適應力強、冷靜、很好的隊友。

投資規劃:

1. 無風險類型投資。

2. 主觀式交易或程式交易。

3. 簡易型投資商品。

每一種程式語言都有它的特性,因此要根據需求來選擇適用的程式語言。這是每個量化投資者的第一門功課,程式語言種類五花八門,我們又該如何挑選呢?

Python 適合程式語言新手,R 則適合對投資有基礎了解的工程師

首先,從撰寫程式語言的方便性來說,最好選擇直譯式語言,比編譯式語言少了編譯的過程,這會大幅的降低撰寫程式的時間。接著,若我們能選擇在金融領域已經寫好相關套件的程式語言,也可降低程式開發的時間,甚至可以在短短幾行程式碼內,就達成許多複雜的功能。

在這裡,我們推薦兩種程式語言:R、Python,本書也會依據這兩種語言去進行案例說明。這兩種語言符合以上所說的特性,但是在使用上來說,也有許多相異之處。

就 R 語言來說,有非常友善的繪圖函數。對於金融圖形的繪製,讀者可以在短時間內駕輕就熟,並且在矩陣的應用規劃上,也是相當方便使用,在資料統計、分析的相關應用上是相當成熟的,而 R 語言中也有許多開放的金融套件,對於金融領域的使用者是相當方便的。

而 Python 相較於 R,擁有更快速的運算效率,卻不需要低階語言繁複的程式語法,因此對於許多不熟程式語言的新手,是最適合不過的選擇了。

兩種語言的特性都介紹過了,你可自行選擇適合的語言去學習,只要能善用該程式語言的特性,將會事半功倍。

 

(本文書摘內容出自《給工程師的第一本理財書:程式金融交易的 118 個入門關鍵技巧 》,由 博碩 出版社授權轉載,並同意 TechOrange 編寫導讀與修訂標題,首圖來源:Pxhere, CC Licensed。)

延伸閱讀

8 本理財顧問精選書單,讓你 2018 年離「財富自由」更近一步!
台灣填鴨教育製造太多考試機器,關於長大後的生活孩子一無所知
【投稿】預測股市不再是夢?理財機器人的未來目標可以不是股市,而是股民的心理
【Fintech 解密】人類理財員 VS 機器人理財:勝負關鍵就在「情感」的連結


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

從想法到實現,PHP 年度盛事 LaravelConf Taiwan 2018 日前圓滿落幕

$
0
0

【我們為什麼關注這則新聞】Laravel 道場致力於提供最好的 PHP/Laravel 教育訓練及顧問服務,由 Laravel 傳教士范聖佑於 2014 年成立。除了協助客戶舉辦內部訓練及擔任技術顧問外,也積極投入社群貢獻。

除了舉辦 LaravelConf Taiwan 年度研討會外,每月也舉辦三種實體社群活動,包括以「PHP 也有 Day」為名的技術講座活動、以 Lean Coffee 型式進行的讀書會「Laradiner」及以 Coding Kata 型式進行的實作活動「Laradebut」。歡迎多多關注!(責任編輯:林子鈞)

由 Laravel 道場舉辦的第二屆 LaravelConf Taiwan 2018 技術研討會,在七月八號於張榮發國際會議中心盛大舉辦。現場吸引超過 500 位報名會眾前往參加,是台灣少數以 PHP 框架為主題的大型專業研討會。為滿足聽眾的多元需求,本研討會採單日雙軌議程設計,由業界實戰講者輪番上台,提供台灣觀眾 2018 年夏天最為精彩與獨樹一格的 Laravel 盛事。

今年 LaravelConf Taiwan 2018 的主題為「從想法到實現 (From Idea to Production)」,大會希望透過多元、精緻及豐富的議程及活動,讓聽眾瞭解在這個領域中的神人,是如何透過 Laravel 及其堅實的套件生態圈,逐步實現心中的想法。活動主要推手 Laravel 道場主辦人范聖佑匯集了十一位業界高手,主題面向涵蓋套件開發與應用的所有面向,試圖從多樣的角度切入,啟發聽眾對解決問題思路的想像。

與一般技術研討會不同,除了技術主題外,也為聽眾設計軟議題,談論有關人力市場現況及職涯規劃。另外,大會還安排了套件發表會,讓聽眾也有上台發表套件的機會,搭配在 Github 按星關注的活動進行評選,讓研討會不再只是單向的聆聽,更有雙向的互動。場外另設由贊助廠商 Gandi 及 KKday 提供的攤位,只要完成攤位打卡互動,即可獲得玩夾娃娃機的機會,現場引起會眾大排長龍。

在當日議程結束後,Laravel 道場主辦人范聖佑在閉幕典禮上感性鼓勵大家,藝術家們(Laravel 開發者對自己的稱呼)在探討技術時雖偶有立場堅持與火花,但應更積極地創造價值,用技術來實現一個更好的世界。透過分享他所經歷的三個英雄故事,期許大家專注在最有價值的事情上,努力成為別人的英雄。

最終提到對 2019 活動的期待,范聖佑除向 LaravelConf Taiwan 與會群眾承諾明年的研討會舉辦時間外,演講中更透露出即將帶領台灣社群走入國際的雄心壯志。2019 年 LaravelConf Taiwan 是否會給台灣 PHP 社群更多驚喜?還請各位藝術家們密切注意會後社群動態。

保持著社群的分享精神,LaravelConf Taiwan 2018 的各項資訊將陸續更新至官網。想知道關於更多活動細節嗎?歡迎拜訪下列網站、並加入我們的社群,以即時獲得更多資訊並與我們互動。Laravel 道場與社群伙伴,期待您的參與!

LaravelConf Taiwan 2018 官方網站 (https://laravelconf.tw/)
LaravelConf Taiwan 2018 官方粉絲頁 (https://www.facebook.com/laravelconftw/)
LaravelConf Taiwan 2018 活動相簿 (https://www.flickr.com/photos/laravelconftw/albums)

范聖佑 臉書 (https://www.facebook.com/shengyoufan)
范聖佑 微信 (@shengyoufan)
范聖佑 Email (shengyoufan@laravelconf.tw)
Larvael 道場 (https://www.laravel-dojo.com/)

起飛吧,工程師

給工程師的投資入門手冊:Python、R 哪個才是你最適合用來理財的程式語言?

柯 P 募資網站上線!內藏給工程師的告白,簡直是全台最科技的競選文宣了

【工程師共通壞毛病】用 Python 做數據科學時容易忘記的八個要點,你記得嗎?

(本文訊息由 Laravel  提供,內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供,可寄至:pr@fusionmedium.com,經編輯檯審核並評估合宜性後再行刊登。本文提供合作夥伴轉載。)


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包


不爽 Google AutoML 要收錢,工程師們自己做了一個「免費開源版」對槓 Google

$
0
0

【我們為什麼挑選這篇文章】Google AutoML 推出時引起市場一片譁然,這將是會改變人工智慧產業的新產品。但有別於過去習慣以開源方式來處了這些案例,這次 Google 卻是以付費服務的方式推出,不服氣的工程師決定自己動手做相同產品,完成「不服來辯」的成就。(責任編輯:林子鈞)

讓神經網絡自己設計神經網絡,大降機器學習門檻的 Google AutoML,最近終於開始了 Beta 測試。

不過,很快就有同行紛紛跳出來表示不服。最新的一波來自美國德州農工大學(Texas A&M University)助理教授胡俠和他的兩名博士生:金海峰、Qingquan Song。

下圖從左到右,依次就是這三位:

他們不僅吐槽了 Google AutoML 的問題,還給出了自己的解決方案: Auto-Keras,一個基於 Keras 的 開源 自動機器學習 Python 軟件庫。

胡老師和學生們所列出的 Google AutoML 三大缺陷,簡單來說是這樣的:

第一,還得付錢。
第二,因為在雲上,還得配置 Docker 容器和 Kubernetes。
第三,服務商(Google)保證不了你數據安全和隱私。

機器學習博客 Towards Data Science 上的一篇文章,給了個更加直接的評價:太瘋狂了!以前 Google 和整個 AI 界都更喜歡開源,喜歡和所有人分享知識,現在竟然拿這個東西來賺錢?

於是,這篇文章認定,Google AutoML 會敗於開源,而德州農工的 Auto-Keras,將成為 AutoML 殺手。

Auto-Keras 是一個開源、免費的工具,和 Google 的 AutoML 功能相似,也能為深度學習模型自動搜索架構和超參數,使用的方法是高效神經架構搜索(Efficient Neural Architecture Search,簡稱 ENAS)。

其實,ENAS 方法來源於 Google Brain,是 AutoML 團隊今年 2 月提出的。胡俠和同學們在打造 Auto-Keras 的時候,對 ENAS 做了一些改造。

原來的 ENAS 基於參數共享,而 Auto-Keras 所用的,則是基於網絡態射(network morphism)。

他們為了降低 ENAS 的計算成本,引入神經網絡核和樹結構的採集函數優化算法,用貝葉斯優化來引導神經網絡的網絡態射。這樣可以在改變神經架構的同時保持神經網絡的功能,在搜索期間提高訓練效率。

想嘗試一下?安裝也很簡單:

pip install autokeras

完成。

在眾多深度學習框架中,Keras 是以簡單好上手著稱的,所以,Auto-Keras 的代碼也不難理解,想要在它基礎上做一些個性化設置,可以自己調整參數。

用到最後,還能看到神經架構搜索得出的模型。

最後,附上一些傳送門 ↓

官網
GitHub

論文:

Efficient Neural Architecture Search with Network Morphism
Haifeng Jin, Qingquan Song, Xia Hu

enjoy~

AutoML

【2018 年 Google Next 大會】機器學習神境界,不用寫 Code 就可以辨識圖像

AI 新創服務的末日到了?Google 新 AI 平台,讓不懂技術的人也能玩轉人工智慧

想做機器學習模型卻不知從何著手?介紹三個 Google AI 工具給不同需求的你

(本文經合作夥伴 量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈開源的“谷歌 AutoML 殺手”來了 〉)


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

程式語言手刀必存:Python 的數據類該如何理解?

$
0
0

【我們為什麼挑選這篇文章】Python 是目前世界上的熱門程式語言之一,而本文整理了幾個 Python 數據庫的原理與注意事項,希望這些簡單但實用的小知識可以幫助正在學習 Python 的大家。(責任編輯:林厚勳)

這一篇是 Dataclass 的特徵概述。

Dataclasses 是一些適合於儲存數據對象(data object)的 Python 類。你可能會問,什麼是數據對象?下面是一個並不詳盡的用於定義數據對象的特徵列表:

他們存儲並表示特定的數據類型。例如:一個數字。對於那些熟悉對象關係映射(Object Relational Mapping,簡稱 ORM)的人來說,一個模型實例就是一個數據對象。它表示了一種特定類型的實體。它儲存了用於定義或表示那種實體的屬性。

他們能夠被用於和同類型的其他對象進行比較。例如,一個數字可能大於,小於或等於另一個數字。

當然數據對象還有更多的特徵,但上述內容足以幫助你理解關鍵部分。

為了理解 Dataclases,我們將實現一個簡單的類。它能夠存儲一個數字,並允許我們執行上面提到的各種運算。

首先,我們將使用普通的類,然後我們使用 Dataclasses 來實現相同的結果。

但是在我們開始之前,還是要提一下 Dataclasses 的用法。

Python 3.7 提供了一個裝飾器 dataclass,用以把一個類轉化為 dataclass。

你需要做的就是把類包裹進裝飾器裡:

現在,讓我們進一步瞭解 dataclass 的用法,以及它能為我們改變什麼。

初始化

使用 dataclass

以下是使用了 dataclass 裝飾器之後的變化:

1. 不必定義_init_然後再賦值給 self,裝飾器會注意這一點

2. 我們用一種更可讀的方式定義成員屬性,並帶有類型提示(type hinting)。我們現在立刻就知道 val 的類型是 int。這種方式當然比通常的定義方法可讀性更好。

Python 之道:可讀性很重要

也可以定義默認值:

對象表示是一種對象的字符串表示法,在調試時非常有用。

默認的 Python 對象表示不是非常的有用:

這種表示法不能給我們對象用途的提示,同時將導致可怕的調試經歷。

一種有意義的表示法可以通過在類定義裡,添加一種_repr_方法實現。

dataclass 會自動添加一個_repr_函數,因此我們不必手動實現它了。

數據比較

通常,數據對象會伴隨著相互比較的需要。兩個對象’a’ 和’b’ 之間通常包含以下的運算:

a < b

a > b

a == b

a >= b

a <= b

在 Python 裡,可以通過在類中定義一些方法來實現上述運算。為了保證整篇文章的簡潔性,我將只實現 == 和 < 。

─ ─

(本文經 雷鋒網 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈 理解 Python 數據類(上)  〉。)

其他你或許會想知道的 Python 知識

為什麼 Python 這麼慢?比其他程式語言慢十倍的病根就在「全局解釋器鎖」
美國工程師花一週寫 Python,用一支機械手臂毀了「威利在哪裡?」這個遊戲
《經濟學人》專文探討:「為什麼 Python 是世上最屌的程式語言?」
【工程師共通壞毛病】用 Python 做數據科學時容易忘記的八個要點,你記得嗎?


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

最新程式語言排行榜出爐:Javascript 依然冠軍,但蘋果 Swift 毫不意外開始走下坡

$
0
0

【我們為什麼挑選這篇文章】前陣子大受工程師喜愛的蘋果 Swift 和安卓 Kotlin,近年成長趨勢漸緩。從往年公布的排行榜中可以發現,程式語言剛推出時,在語言學習圈裡因一時熱潮而大發,但過了幾年後成長動力漸緩,顯見大家的學習興趣不如當初。

不過值得一提的是,緊追在 JavaScript 後的 Python,往年排行榜上皆表現優異,不但在一推出時聲名大噪,如今也經過時間考驗,看來 Python 廣受大家喜愛,不是沒有原因。(責任編輯:鄧天心)

蘋果的 Swift 和安卓開發者喜歡的 Kotlin,是近年來增長最快的兩種編程語言。
據分析公司 RedMonk 統計,2014 年誕生的 Swift,躋身熱度榜單 Top 15,是所有語言中用時最短的。最好成績是第 10 名。

而 2016 年發布的 Kotlin,轉年 1 月便從 65 名飛到 50 名,如今已經進入 Top 30。
不過,RedMonk 發現最近幾個月,兩者的排名沒有繼續加速向前,反而出現了回落。

扶搖直上模式:已停用

從 2011 年起,RedMonk 便一直追踪工程師對各種語言的興趣。

熱度榜單是依據 GitHub (表示使用度) 和 Stack Overflow (表示討論度) 來排列的,每年發布兩次。

今年的 6 月榜終於在 8 月姍姍遲來:

1 JavaScript
2 Java
3 Python
4 PHP
5 C#
6 C++
7 CSS
8 Ruby
9 C
9 Objective-C
11 Swift
12 Scala
12 Shell
14 Go
14 R
16 TypeScript
17 PowerShell
18 Perl
19 Haskell
20 Lua
Swift 從 1 月的 10 名下降到 6 月的 11 名;Kotlin 則從 27 名下降到 28 名。

也就是說,這些語言的用戶增長,可能開始放緩了。

雖然,RedMonk 提醒看榜觀眾,一名兩名的波動並不足以說明開始下滑的趨勢。但至少,當初的扶搖直上已經不再。

一個合理解釋是,每一種語言在誕生初期,通常漲勢迅猛,一陣風過之後,便趨於平穩 (上圖只是舉栗,並非基於榜單真實數據) 。

世界是平穩的

事實上,RedMonk 語言榜單,也並沒有出現過非常激烈的變化,且約接近頂端就越平穩。

1 JavaScript
2 Java
3 PHP
4 Python
5 C#
這是穩坐 Top 5 的五種語言,自 2016 年開始就沒有變過。

程式語言考驗區間:十年

WIRED 記者 Klint Finley 寫到,十年為期。面對一種新生的編程語言,工程師需要時間來感受。 10 年過後,大家的決定基本都做好了。

他說,開發者的世界會有激盪,但每次不會超過這個期限。

世界是你們的

新的語言削弱老的語言,即便前輩穩固的地位無法撼動,新的語言還是會改變開發者的世界。

2017 年,得到谷歌鼎力支持的 Kotlin 一躍而起,雖然沒有進入 Top 20,也依然讓大量安卓開發者,轉投了它的懷抱。

未來,大概也是在年輕人的手上吧。

__

(本文經合作夥伴 量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈最新编程语言排行榜出炉:Swift 和 Kotlin 好像开始凉了 〉,圖片來源:YouTube

延伸閱讀

程式語言手刀必存:Python 的數據類該如何理解?

為什麼 Python 這麼慢?比其他程式語言慢十倍的病根就在「全局解釋器鎖」

《經濟學人》專文探討:「為什麼 Python 是世上最屌的程式語言?」


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

【給工程師】想通過軟體面試,你必須知道的八大數據架構

$
0
0

【我們為什麼挑選這篇文章】通過嚴格的履歷面試之後,下一關往往就是軟體工程師的實戰演練,這塊真的就只能靠經驗,但我們整理介紹了面試必備的八大數據結構,祝大家都能找到好工作。(責任編輯:林子鈞)

瑞士計算機科學家 Niklaus Wirth 在 1976 年寫了一本書,名為《算法+數據結構=編程》。

40 多年後,這個等式仍被奉為真理。這就是為什麼在面試過程中,需要考察軟體工程師對數據結構的理解。

幾乎所有的問題都需要面試者對數據結構有深刻的理解。無論你是初入職場的新兵(剛從大學或者軟體培訓班畢業),還是擁有幾十年經驗的職場老鳥。

有些面試題會明確提及某種數據結構,例如,「給定一個二叉樹。」而另一些則隱含在面試題中,例如,「我們希望記錄每個作者相關的書籍數量。」

即便是對於一些非常基礎的工作來說,學習數據結構也是必須的。那麼,就讓我們先從一些基本概念開始入手。

什麼是數據結構?

簡單地說,數據結構是以某種特定的佈局方式存儲數據的容器。這種「佈局方式」決定了數據結構對於某些操作是高效的,而對於其他操作則是低效的。首先我們需要理解各種數據結構,才能在處理實際問題時選取最合適的數據結構。

為什麼我們需要數據結構?

數據是計算機科學當中最關鍵的實體,而數據結構則可以將數據以某種組織形式存儲,因此,數據結構的價值不言而喻。

無論你以何種方式解決何種問題,你都需要處理數據——無論是涉及員工薪水、股票價格、購物清單,還是只是簡單的電話簿問題。

數據需要根據不同的場景,按照特定的格式進行存儲。有很多數據結構能夠滿足以不同格式存儲數據的需求。

常見的數據結構

首先列出一些最常見的數據結構,我們將逐一說明:

  • 數組
  • 隊列
  • 鏈表
  • 字典樹(這是一種高效的樹形結構,但值得單獨說明)
  • 散列表(哈希表)

數組

數組是最簡單、也是使用最廣泛的數據結構。棧、隊列等其他數據結構均由數組演變而來。下圖是一個包含元素(1,2,3 和 4)的簡單數組,數組長度為 4。

1. 台灣電商進軍東南亞,這目前應該是屬於政府新南向五大旗艦計畫中的創新產業交流領域,您是新南向工作小組召集人,您如何看待台灣電商進軍東南亞的發展機會和前瞻性?

2. 目前政府的新南向政策主軸是以軟實力作為趨動箭頭,例如農業、醫療技術的交流合作,但在台灣企業進軍東南亞上政府的政策還稍嫌疲弱,政府能如何協助台灣企業進入東南亞設廠、打開市場破口?

3. 過去台灣慣於將東南亞視為一個整體,但它實際上其實是一個有 3、4 種語言流通的複雜市場,您認為台灣企業和東南亞原生的跨國企業合作,對於台企在東南亞的擴張和發展是有幫助的嗎?會有什麼樣的幫助?

棧的基本操作

  • Push——在頂部插入一個元素
  • Pop——返回並移除棧頂元素
  • isEmpty——如果棧為空,則返回 true
  • Top——返回頂部元素,但並不移除它

面試中關於棧的常見問題

  • 使用棧計算後綴表達式
  • 對棧的元素進行排序
  • 判斷表達式是否括號平衡

隊列

與棧相似,隊列是另一種順序存儲元素的線性數據結構。棧與隊列的最大差別在於棧是 LIFO(後進先出),而隊列是 FIFO,即先進先出。

一個完美的隊列現實例子:售票亭排隊隊伍。如果有新人加入,他需要到隊尾去排隊,而非隊首——排在前面的人會先拿到票,然後離開隊伍。

下圖是包含四個元素(1,2,3 和 4)的隊列,其中在頂部的 1 將被最先移除:

隊列的基本操作

  • Enqueue() —— 在隊列尾部插入元素
  • Dequeue() ——移除隊列頭部的元素
  • isEmpty()——如果隊列為空,則返回 true
  • Top() ——返回隊列的第一個元素

面試中關於隊列的常見問題

  • 使用隊列表示棧
  • 對隊列的前 k 個元素倒序
  • 使用隊列生成從 1 到 n 的二進制數

鏈表

鏈表是另一個重要的線性數據結構,乍一看可能有點像數組,但在內存分配、內部結構以及數據插入和刪除的基本操作方面均有所不同。

鏈表就像一個節點鏈,其中每個節點包含著數據和指向後續節點的指針。 鏈表還包含一個頭指針,它指向鏈表的第一個元素,但當列表為空時,它指向 null 或無具體內容。

鏈表一般用於實現文件系統、哈希表和鄰接表。

這是鏈表內部結構的展示:

鏈表包括以下類型:

  • 單鏈表(單向)
  • 雙向鏈表(雙向)

鏈表的基本操作:

  • InsertAtEnd – 在鏈表的末尾插入指定元素
  • InsertAtHead – 在鏈接列表的開頭/頭部插入指定元素
  • Delete  – 從鏈接列表中刪除指定元素
  • DeleteAtHead – 刪除鏈接列表的第一個元素
  • Search  – 從鏈表中返回指定元素
  • isEmpty – 如果鏈表為空,則返回 true

面試中關於鏈表的常見問題

  • 反轉鏈表
  • 檢測鏈表中的循環
  • 返回鏈表倒數第 N 個節點
  • 刪除鏈表中的重複項

圖是一組以網絡形式相互連接的節點。節點也稱為頂點。 一對節點(x,y)稱為邊(edge),表示頂點 x 連接到頂點 y。邊可以包含權重/成本,顯示從頂點 x 到 y 所需的成本。

Root – 根節點

Parent – 父節點

Child – 子節點

Leaf – 葉子節點

Sibling – 兄弟節點

以下是樹形結構的主要類型:

  • N 元樹
  • 平衡樹
  • 二叉樹
  • 二叉搜索樹
  • AVL 樹
  • 紅黑樹
  • 2-3 樹

其中,二叉樹和二叉搜索樹是最常用的樹。

面試中關於樹結構的常見問題:

  • 求二叉樹的高度
  • 在二叉搜索樹中查找第 k 個最大值
  • 查找與根節點距離 k 的節點
  • 在二叉樹中查找給定節點的祖先節點

字典樹(Trie)

字典樹,也稱為“前綴樹”,是一種特殊的樹狀數據結構,對於解決字符串相關問題非常有效。它能夠提供快速檢索,主要用於搜索字典中的單詞,在搜索引擎中自動提供建議,甚至被用於 IP 的路由。

以下是在字典樹中存儲三個單詞“top”,“so”和“their”的例子:

這些單詞以頂部到底部的方式存儲,其中綠色節點“p”,“s”和“r”分別表示“top”,“thus”和“theirs”的底部。

面試中關於字典樹的常見問題

  • 計算字典樹中的總單詞數
  • 打印存儲在字典樹中的所有單詞
  • 使用字典樹對數組的元素進行排序
  • 使用字典樹從字典中形成單詞
  • 構建 T9 字典(字典樹+ DFS)

哈希表

哈希法(Hashing)是一個用於唯一標識對象並將每個對象存儲在一些預先計算的唯一索引(稱為“鍵(key)”)中的過程。因此,對象以鍵值對的形式存儲,這些鍵值對的集合被稱為“字典”。可以使用鍵搜索每個對象。基於哈希法有很多不同的數據結構,但最常用的數據結構是哈希表。

哈希表通常使用數組實現。

散列數據結構的性能取決於以下三個因素:

  • 哈希函數
  • 哈希表的大小
  • 碰撞處理方法

下圖為如何在數組中映射哈希鍵值對的說明。該數組的索引是通過哈希函數計算的。

面試中關於哈希結構的常見問題:

在數組中查找對稱鍵值對

追蹤遍歷的完整路徑

查找數組是否是另一個數組的子集

檢查給定的數組是否不相交

以上是在軟體工程師面試之前你應該知曉的八大數據結構。

相關報導

給工程師

在矽谷最搶手的工作不是工程師,是台灣最不重視的「產品經理」

不爽 Google AutoML 要收錢,工程師們自己做了一個「免費開源版」對槓 Google

給工程師的投資入門手冊:Python、R 哪個才是你最適合用來理財的程式語言?

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈應對程序員面試,你必須知道的八大數據結構 〉)


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

【給工程師的頂級乾貨】如何為一個回歸問題找出最好的機器學習演算法?

$
0
0

【我們為什麼挑選這篇文章】「沒有一種機器學習模型可以解決所有問題」,這句話說得很實在,但機器學習的需求每次都有所不同,如何去找到合適的算法?這個標準很難拿捏,這篇文章很好的協助大家釐清這個問題。(責任編輯:林子鈞)

本文經知乎專欄   論智  (公眾號 ID :jqr_AI) 授權轉載

當我們要解決任意一種機器學習問題時,都需要選擇合適的演算法。在機器學習中存在一種「沒有免費的午餐」定律,即沒有一款機器學習模型可以解決所有問題。不同的機器學習算法表現取決於數據的大小和結構。所以,除非用傳統的試錯法實驗,否則我們沒有明確的方法證明某種選擇是對的。

但是,每種機器學習算法都有各自的有缺點,這也能讓我們在選擇時有所參考。雖然一種算法不能通用,但每個算法都有一些特徵,能讓人快速選擇並調整參數。接下來,我們大致瀏覽幾種常見的用於回歸問題的機器學習算法,並根據他們的優點和弱點總結出在什麼情況下可以使用。

線性和多項式回歸

首先是簡單的情況,單一變量的線性回歸是用於表示單一輸入自變量和因變量之間的關係的模型。多變量線性回歸更常見,其中模型是表示多個輸入自變量和輸出因變量之間的關係。模型保持線性是因為輸出是輸入變量的線性結合。

第三種行間情況稱為多項式回歸,這裡的模型是特徵向量的非線性結合,即向量是指數變量,sin、cos 等等。這種情況需要考慮數據和輸出之間的關係,回歸模型可以用隨機梯度下降訓練。

優點:

  • 建模速度快,在模型結構不複雜並且數據較少的情況下很有用。
  • 線性回歸易於理解,在商業決策時很有價值。

缺點:

  • 對非線性數據來說,多項式回歸在設計時有難度,因為在這種情況下必須瞭解數據結構和特徵變量之間的關係。
  • 綜上,遇到複雜數據時,這些模型的表現就不理想了。

神經網絡

神經網絡包含了許多互相連接的節點,稱為神經元。輸入的特徵變量經過這些神經元後變成多變量的線性組合,與各個特徵變量相乘的值稱為權重。之後在這一線性結合上應用非線性,使得神經網絡可以對複雜的非線性關係建模。神經網絡可以有多個圖層,一層的輸出會傳遞到下一層。在輸出時,通常不會應用非線性。神經網絡用隨機梯度下降和反向傳播算法訓練。

優點:

  • 由於神經網絡有很多層(所以就有很多參數),同時是非線性的,它們能高效地對複雜的非線性關係進行建模。
  • 通常我們不用擔心神經網絡中的數據,它們在學習任何特徵向量關係時都很靈活。
  • 研究表明,單單增加神經網絡的訓練數據,不論是新數據還是對原始數據進行增強,都會提高網絡性能。

缺點:

  • 由於模型的複雜性,它們不容易被理解。
  • 訓練時可能有難度,同時需要大量計算力、仔細地調參並且設置好學習速率。
  • 它們需要大量數據才能達到較高的性能,與其他機器學習相比,在小數據集上通常表現更優。

回歸樹和隨機森林

首先從基本情況開始,決策樹是一種直觀的模型,決策者需要在每個節點進行選擇,從而穿過整個「樹」。樹形歸納是將一組訓練樣本作為輸入,決定哪些從哪些屬性分割數據,不斷重複這一過程,知道所有訓練樣本都被歸類。在構建樹時,我們的目標是用數據分割創建最純粹的子節點。純粹性是通過信息增益的概念來衡量的。在實際中,這是通過比較熵或區分當前數據集中的單一樣本和所需信息量與當前數據需要進一步區分所需要的信息量。

隨機森林是決策樹的簡單集成,即是輸入向量經過多個決策樹的過程。對於回歸,所有樹的輸出值是平均的;對於分類,最終要用投票策略決定。

優點:

  • 對複雜、高度非線性的關係非常實用。它們通常能達到非常高的表現性能,比多項式回歸更好。
  • 易於使用理解。雖然最後的訓練模型會學會很多複雜的關係,但是訓練過程中的決策邊界易於理解。

缺點:

  • 由於訓練決策樹的本質,它們更易於過度擬合。一個完整的決策樹模型會非常複雜,并包含很多不必要的結構。雖然有時通過“修剪”和與更大的隨機森林結合可以減輕這一狀況。
  • 利用更大的隨機森林,可以達到更好地效果,但同時會拖慢速度,需要更多內存。

結論

這就是三種算法的優缺點總結。希望你覺得有用!

機器學習乾貨

GitHub 機器學習 100 天自學專案,內容強大學了保證一生平安!

4 小時入門機器學習跟 TensorFlow,免費線上課程還手把手教你太佛心!

機器學習大神最常用的 5 個回歸損失函數,你知道幾個?

(本文經原作者 論智(公眾號 ID :jqr_AI) 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈如何為你的回歸問題選擇最合適的機器學習算法?〉)


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

Airbnb 數據團隊主管:把數據科學家的工作分成「三種方向」,才能發揮最大效益!

$
0
0

 

【我們為什麼挑選這篇文章】「數據科學家」聽起來很流行的名詞,究竟可以為公司帶來多大的幫助?本文參考 Airbnb 內部的「數據科學家圖隊」,點破公司任用人才的迷思,組織各路人才發揮互補效用,教你如何打造一個貨真價實的數據科學的團隊,從組織架構、內容到如何運作,不讓公司暈頭撞向,實際解決空有資源沒有人才的窘境。(責任編輯:鄧天心)

「數據科學家」這一職位的說法或許性感,但發展到現在,多種項目(機器學習、統計分析等)已經遠不能囊括一家大規模公司,在數據科學領域需要的人員及其工作內容了。

本文作者 Elena Grewal 是 Airbnb 數據團隊的主管,下面她以在 Airbnb 的工作經驗為例子,自述了為滿足業務需求,公司如何將數據科學的工作重新定義為 分析、推理和算法 三個方向,以及這三個方向是如何發揮作用的。

數據科學家的「其他名字」

Airbnb 一直將數據視為用戶的聲音。起初,我們的團隊叫做「A 團隊」,即分析團隊,因為最早我們雇了一名「分析專家」。

2012 年,我以「數據科學家」受聘。隨後,我們聘請了一名「數據架構師」來處理數據質量問題,「數據分析專家」解決數據訪問和數據工具的缺失。

此後,我們存在額外的機器學習需求,於是我們聘請了「機器學習方向數據科學家」。這些頭銜都是伴隨著團隊需求和競爭發展更新得出。

到 2015 年,我們成立了「數據科學」部門,但我們依舊使用「A 團隊」的名字,因為這個名字聽著有趣,還能傳達我們所珍視的這段歷史。

2017 年中,我成為了數據科學部門的領導者,那時我們已經有約 80 名數據科學家,他們分散在不同的團隊中。他們中的一部分人在構建項目儀表板,一部分人在創建 NLP(自然語言處理)模型,其他人在構建決策建模和設計實驗。呈現一種極具多樣化的景象。

快速增長的新興學科

這種多樣化並非是意料之外的。數據科學相對較新,而且發展迅速。我們從數據中就發現了這點。首先,從內部來看,應聘 Airbnb 數據科學職位的人數在 2015 到 2018 年裡增長了 4 倍之多。

應聘 Airbnb 數據科學職位

此外,根據谷歌趨勢數據顯示數據科學的查詢量在此期間也出現了快速增漲:

從 2012 年開始出現增長,在過去了 6 年已經翻了 4 倍。

不僅因為數據科學是一個新的領域,而且人們對“數據科學”的理解也各有千秋。有時候,他們認為數據科學有時僅僅是機器學習。有時候,它在技術公司被視為商業智能。數據科學還很新,它會不斷演進。

認識多樣化的數據科學技能

我們發現無法預期數據科學能夠發揮什麼樣的作用。

在公司內,多樣化的負面影響會導致組織陷入迷失或混亂狀態,因為合作團隊不知道數據科學家可以幫上什麼,並且數據科學家也不明白自己的角色定位。

那些來自數據科學建模公司的人,不會想著使用數據科學去做簡單的分析。那些來自數據科學分析公司的人會認為,建模是工程師的工作。

我們還面臨另一種挑戰:團隊中做數據分析工作的人員感到自己的工作沒有做機器學習工作的有價值,即便他們的工作對業務起到了關鍵作用。

商業夥伴渴望更多具有實操性的建議幫助他們做決策,並擴展可使用的工具去理解自己的數據。

我們投資了數據教育,成立了非常有名的數據大學,但還是需要專家。我們發現一個原因是當團隊成員承擔了「數據科學」職責的時候,我們仍舊使用「數據分析專員」的頭銜。同時,從我們如何談論「數據科學工作」來看,這會給人一種「分析工作並非同等重要」的印象。

我和同行公司的領導者討論過他們團隊如何處理這類問題——我曾經創建了一個不同組織架構的共享電子表格。聽到過有的公司是從頭開始建立新的分析團隊,有的團隊將機器學習獨立拆分,有的將工具團隊併入數據科學等等。

顯然,不存在一種通用方法,但關鍵是如何有意識、有策略地定義我們是誰,我們如何創造價值。我們深知我們的目標是「任務支持」,例如,做公司最需要的工作。因此,我們的角色不僅兼顧個體化和闡明期望,更需要與公司當前的需求相匹配。

解決方案:數據科學工作的三種風格

我們決定根據這三個方向來重新定義數據科學職位。我們需要正確描述我們要尋找的東西,這樣才能吸引來自相關領域的人才。

分析追踪(Analytics track) 非常適合那些擅長提出問題的數據科學家,他們能夠正確地對數據進行提取、探索,然後用儀錶盤和可視化工具進行自動分析,能夠通過給出合理建議來推動商業決策。

算法追踪(Algorithms track) 則是為機器學習專家準備的,他們熱衷於在產品設計和運營流程中加入數據思維,然後為商業行為創造價值。

推理追踪(Inference track) 則是針對統計學家、經濟學家和社會學家的,他們能夠利用統計學知識來提高決策效率,並正確衡量我們工作造成的影響。

團隊中的每位數據科學家都應至少具備以上提到的一個領域的專業知識,並根據業務需求和自身興趣獲取其他領域的技能。每個步驟都可以進一步專業化,但每個人都有“數據科學家”的頭銜,下面我們給出更加清晰的描述。

讓我們先來看另一門學科,比如工程學。工程學裡面有一個簡便的劃分:「前端」和「後端」,這可以幫助我們來了解一個人的技能或專長。

我知道這並不是一個完美的劃分,但是它的確比單純地描述為做「工程」要更加容易理解。在數據科學中我們還做不到這樣簡單的描述,但是這將是我們的發展方向。

未來展望

我們也對績效評估標准進行了調整,來反映崗位的結構。我們有不同層次的數據科學家和經理。我們通過考察他們在業務上的影響來評價是否成功。

對於技術方面的數據科學家,我們的評價體系包括以下主要方面:

技術層面

分析-定義並監控指標,進行數據的描述性分析,並構建工具來推動決策
算法-為數據產品構建算法,並能夠進行解釋
推理-採用統計學知識來建立因果關係
基礎-每個數據科學家都要為數據質量和代碼質量負責任(對於所有方向都適用)
商業層面(對於所有方向都適用)

所有權-能夠推動項目取得成功,並為其他人創造影響力
影響力-溝通清晰,有團隊精神,能夠建立良好關係
豐富性-通過指導、招聘、創建企業文化和其他多樣性的行動來為團隊建設做出貢獻
我們還可以寫很多的內容,但是最重要的是我們明確地改變了數據科學家的評價體係來闡明對他們的期望。

什麼時候需要專業化

Airbnb 企業比較大,因此需要對這些問題進行區別對待然後細分。如果是一些小公司,還在考慮是否需要組建專家團隊的時候,我的建議是先面向綜合性的問題。

能夠在早期解決一些迫切問題是非常有幫助的,我們不應該一開始就深入到嚴格專業化中。隨著時間的推移,後面自然會進行專業化,但是一開始還是綜合性的團隊比較好,除非你已經提前看到了商機。

直到 2015 年我們都沒有進行專業化團隊的建設,那時候我們部門只有 30 個人。

而且,隨著業務需求的變化,我們還需要隨時改變團隊的角色,提供不同的功能。

收穫利潤

哪怕是在專業程度較高的今天,在不同方向上的數據科學家依然需要從事其他類型的工作,而且我們也鼓勵團隊成員成為全才。

總的來說,我們這樣做之後能夠減少混淆。我已經聽到合作夥伴說「我們需要具有邏輯推理和專業算法知識的人才」。因此語言對於溝通業務需求非常有用。

這有助於我們找出差距。我最近與一位產品經理聯繫,她非常擔心團隊中沒有人能夠提出創新的方法來在挑戰性的領域中進行試驗。

我立即診斷出其中的問題:在那個特定的數據科學團隊中,沒有一位具有專業推理知識。這樣我們就可以通過下一次招聘來精準引進,或鼓勵團隊成員向其他推理專家學習。

我們很高興聽到從事分析工作的團隊成員不再感到疏遠或低級。分析專家知道如果他們再嘗試將機器學習應用於正在處理的業務問題,影響工作的因素將減小。

希望這次分享能夠為你提供一些想法!

如果求職者都用模糊的「數據科學」頭銜來應聘,招聘是非常困難的,因為這可能有多重含義。如果所有的公司都用相似的框架招人,那麼對於整個數據科學界來說,傳遞價值更加便捷了。

__

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Airbnb 数据团队主管:如何将数据科学家的工作一分为三?〉 圖片來源:YouTube。)

延伸閱讀

給工程師的投資入門手冊:Python、R 哪個才是你最適合用來理財的程式語言?

【給工程師的頂級乾貨】如何為一個回歸問題找出最好的機器學習演算法?

【給工程師】想通過軟體面試,你必須知道的八大數據架構


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

工程師心目中的「頂尖產品經理」長這樣:邏輯強、即時反饋、尊重工程師意見

$
0
0

【我們為什麼挑選這篇文章】工程師跟產品經理如何搭配,才能「相親相愛」而非相愛相殺?

本文作者虞衛東,從工程師的角度提出專業的產品經理的特質,點出產品經理為趕火車,忽略許多細節的盲點,幫助工程師跟產品經理這兩類特別的群體,創造 1 加 1 大於 2 的雙贏局面。(責任編輯:鄧天心)

作者:虞衛東 公眾號:yudadanwx

上上週朋友圈被一個工程師和產品經理互噴、互毆,然後被解僱的事情洗版了,至於發生了什麼,其實並不重要,大家哈哈一笑,第二天可能就全忘記了。 我看完後,就在想, 一個產品經理怎麼把工程師激怒了

作為一個老工程師,我是經常慫產品經理的,有的時候都成習慣了,但我也見過很多厲害的產品經理。

今天談一談什麼樣的產品經理是優秀的(至少是我認為的),這篇文章也是心血來潮,帶有很多的個人情緒,說的也不全面,很多都是泛泛而談。 從四方面簡單談一談,如果將來有機會,再做進一步細化闡述。

一、專業性

任何一個崗位都有其專業性,一個產品經理即使溝通能力不佳,協調能力不強,但只要專業能力足夠擅長,也會受到工程師的尊重。 那專業性體現在哪兒呢?

一個需求不管多小,也應該有完整的產品需求文檔(PRD),代表產品經理的嚴謹性,以及對這個需求的深刻理解(即使需求錯誤也是可理解的)。

產品需求文檔形式不一定需要標準的形式(畢竟不是論文),如果需求文檔格式很完整,但空空無物又有什麼用呢?

需求文檔可以有自己的個人風格,只要足夠嚴謹,能讓工程師看懂即可。

a. 具備原型圖設計能力

對於工程師來說,很難有耐心仔細看需求文檔,他們更喜歡「動態」的原型圖;對於產品經理來說,為了理順自己的思路,思考需求的合理性,最好的校驗工具就是畫原型圖。

所以不管從哪個角度來看,產品經理應該學會一種原型圖設計軟件,比如:Axure

原型圖是對產品需求文檔的一個有效補充,從不同維度完善項目需求,極具立體性。

b. 邏輯性

這是非常關鍵的一個能力,產品經理將用戶的需求轉變為產品需求,文檔最重要的就是邏輯正確,經常和一些產品經理開會,發現他們自己都無法將需求理順、也無法說服自己、無法應對質疑,即邏輯性存在很大的問題。

如果一個產品經理存在邏輯性較差的問題,那就要好好修煉內功了, 如果無法洞悉用戶的真正需求,會給公司產品帶來萬劫不復的災難 ,但也從另外一方面體現了產品經理的重要性。

c. UI 審美能力

我發現很多優秀的產品經理都會畫畫,他們也會 UI 設計,即具備很強的審美能力,知道頁面風格的重要性,或者說這些產品經理的聯想、發散能力是極強的,這也是他們專業能力的體現。

而對於工程師來說,這方面可能就是白痴,他們只關心邏輯思考能力,反向說明產品經理是要求非常高的一個崗位。

d. 溝通能力

產品經理在大家看來是一個萬花筒, 溝通能力、協調能力非常重要,為什麼沒有提及?

其實任何一個行業, 任何一個崗位這些能力是必須的,沒有必要強調

這篇文章完全以我的視角解讀優秀產品經理的判斷標準,極具個人色彩,可能存在極大的偏向性。

二、熟知開發流程

產品經理的專業性不可能一步到位,需要慢慢積累才能成長,但對於一個剛入門的產品經理來說,理解項目流程非常重要,否則就像蒼蠅一樣,不知道要幹啥好,到處碰壁,四處吃虧,變成工程師眼中的一個傻子。

a. 了解各個崗位的職責

在網路公司,分工是非常細化的(尤其是開發人員),一個具有一定規模的公司,有系統開發人員、應用開發人員、前端開發人員、客戶端開發人員、數據分析人員、系統運維人員、應用運維人員。

而且這些崗位人員之間的職責還可能交叉, 如果產品經理不了解這些崗位的區別,出現問題或者提需求找不到正確的人,那就非常麻煩了 ,會極大減少積極性,也會讓人疲憊不堪。

所以產品經理平時要多留心,找到解決問題的合適人員。

b. 測試的重要性

大公司有專門的測試崗位,但不代表產品經理能夠忽視它 (很多產品覺得自己怎麼成為測試人員了,這也是他們的吐槽點之一,覺得沒有時間幹自己的專業了)。

此處我要強調冒煙測試(Smoke Testing)的重要性,很多開發人員由於多方面的原因,匆匆忙忙完成某個項目,然後將其部署。 符合預期嗎?

冒煙測試是校驗預期最好的手段,對於產品經理來說,自己進行冒煙測試,也能以用戶的角度體驗產品功能,進一步思考合理性。

所以說產品經理一定要明白測試的重要性,也要熟知測試的流程。

c. 郵件確認機制

很多產品經理和開發人員平時好的就像親兄弟、 親姐妹一樣,項目進度不出問題的時候還好,出現問題的時候就非常尷尬了,產品經理是第一責任人了,也就是說一個項目從構思到上線,甚至到跟踪。

產品經理必須全程關注,盡力確保項目上線,其中郵件確認機制就是非常重要的一個點,在關鍵節點一定要發郵件周知相關人員,一方面是匯報進度,另外一方面也給工程師提一個醒。

對於非功能需求的把握,非功能需求包括性能、擴展性、可用性等技術指標,雖然這些更應該由工程師關心,但產品經理一定要明白此中的道道,它也是產品開發過程中非常重要的一環, 產品經理有必要、有義務提醒工程師

d. JIRA 跟踪機制

產品或功能上線後,產品經理要及時獲取用戶的反饋,包括用戶遇到的問題、建議,可以通過 JIRA 長期跟踪,要協助程序員一起分析問題,這樣才是一個善始善終的優秀產品經理。

TO 編按:

JIRA 中文為「缺陷跟蹤管理系統」,為針對缺陷管理、任務追蹤和專案管理的商業性應用軟體。

三、不要讓工程師討厭你

對於產品經理來說,讓工程師尊敬你非常重要,那麼如何做到呢?

一方面是提升自己的專業能力,另外一方面就是少做龜毛的事情。 尤其工程師的性格非常直接,惹惱他們後果很嚴重,所以某些細節一定要留意,至少對我來說,下面的十個情況要盡量避免。

a. 不要用嘴代替需求

有些產品經理腦子裡冒出個想法,一拍腦門覺得自己就是個天才啊,趕緊讓工程師去開發吧,就吧啦吧啦跑到工程師面前,說你開發這個功能吧,接著又語無倫次的描述了所謂的需求。

可這些需求你論證過嗎? 用戶需要嗎? 流程能跑通嗎? 自己都不一定明白,還期待程序員能夠聽懂?

這是一種非常不負責任的行為,久而久之會讓工程師非常反感,所以一定要切記。

b. 工程師的監工

有些產品經理好像保姆一樣,就怕工程師不主動,怕工期來不及,每天趴在工程師後面,盯著他們開發代碼,好像監工一樣。

這種行為讓工程師特別不自在,他們有自己的工作方式,不寫代碼不代表不在工作,他們大腦在後台飛快的思考著,當然要是一個美女產品經理跟在後面就另當別論了。

另外有些產品經理喜歡陪工程師加班,我覺得這種形式也非常不好,只要把需求提清楚了,沒有必要好像虧欠什麼的,不一定要用陪同這種形式來支持工程師。

c. 2/8 法則不可違

有些產品經理要求特別嚴謹,但工程師也有難處,比如:某個功能暫時確實不好實現,問產品經理能不能變通一下,將需求弄簡單一點。

傻逼的產品經理可能就較真了,說不行,一定要按需求做,此時矛盾就無形中產生了,實際上正確的做法就是問自己: 我核心的功能完成了嗎? 捨棄的功能影響全局嗎?

如果不大,確實可以尊重工程師的意見,將 20% 的核心時間花在重要的事情上,等後續有時間了再完善,這種做法是毫無問題的。

產品經理要有極強的辨識能力,明白一個項目的核心功能是什麼,不要太拘泥小節。

d. 討論變成需求

經常遇到這樣的場景,產品經理出了一個需求文檔,然後大家開會討論,開會過程中產品經理的想法被無情的批判,自己也毫無主見了。

然後大家互相出主意,工程師也很開心,產品經理也很滿意,因為開會討論出了需求,工程師不會龜毛到反駁自己提出的意見吧,在某種程度上這是一種好現象, 實際上我不提倡這種方式

無情的被人反駁,只能證明產品經理思考不成熟,是自己專業能力不強的一種體現。

作為需求方,需要捍衛你的想法,如果輕易被撼動,只能證明自己還要加強學習,說的難聽一點,只要能說服自己,有的時候要堅持自己的想法和需求(和固執是兩碼事)。

e. 你不是開發人員

有些產品經理比工程師還工程師,動不動就幫技術人員想解決方案,說這個應該這麼弄,設計方案會不會有性能問題啊,時時刻刻顯示自己的邏輯能力。

俗話說術業有專攻,我希望產品經理 不要從工程師的角度去思考問題,而是以用戶的角度去思考問題 ,提出需求,實現是工程師的事情。

如果工程師覺得實現有問題和麻煩,必然會找你,如果你能聽懂、且贊同,那麼工程師會覺得你是​​在幫助他,這才是正確的做法。

在我漫長的職業生涯中,我遇到很多懂 Code 的產品經理,他們邏輯能力比我強多了,但從 不喧賓奪主 ,只在我為難的時候提出一些建議,讓我受益匪淺。

反而是一些毛都不懂的產品經理,天天給我秀智商。

f. 需求是否合理

本文開頭說的那個故事,就是需求不合理導致的,產品經理一定要注意這一點,不要站在自己角度出發的,而是站在用戶角度,需求不能想當然,多想想功能是用戶需要的嗎? 千萬不要做無用功,不要亂提需求。

有的時候我總有這種感覺,啥也不做比瞎做至少還能節省人力,不浪費公司資源。

產品經理也不要動不動就說這是上級要的功能,和我無關。

其實應該這麼想問題:上 級可能有一個想法,其中也許 80% 不可取的,而產品經理要做的就是將 20% 可取的部分強化,以此提出一個合理的需求

g. 什麼時候完成

有的時候產品經理剛把需求發給工程師,或者開會剛討論結束,就迫不及待問啥時候能開發完成,上級急著呢。

有的時候還會抱怨這麼小的一個改動就要 2 天? 或者說這個開發很簡單吧?

這是一些非常不專業的做法,軟體開發有其自身的規律,需要設計、架構、打 Code、測試、部署等多個過程,是要求非常高的一個過程。

所以千萬不要一上來就要開發時間,很容易讓人反感。

更好的做法就是 問他們什麼時候能評估出開發工作量(包括分析、設計),然後在郵件中周知,為避免工程師遺忘 ,可以提前詢問一下。

如果和某個工程師熟悉了,了解他的風格,可以採取一些策略來推動項目,切記不要動不動就問什麼時候完成開發。

h. 我只管提需求

這一句話的下半句其實就是「其他我不負責」,在網路企業, 產品經理其實包含項目經理的角色,對於一個高速發展的企業來說,不可能按部就班的工作

而推進器其實就是產品經理,他們需要把握整個項目進度,不要認為僅僅提需求就行了。

程式碼是開發人員開發,推廣也是運營的事情,產品經理本質上就是指哪兒打哪兒,和設計人員溝通、接受運營人員的需求、給銷售人員數據、給工程師提需求、給測試人員寫測試用例、給用戶解答。

i. 找上級

有些產品經理是急性子,一看工程師不配合,或者進度趕不上,就說找技術總監,好像找了就能解決問題,有的時候也有點欺負人的感覺。

可實際上最終配合你的還是這些工程師,這和接下去要講的人治非常類似。

我建議產品經理少拿這個殺手鐧,有的時候它還不一定管用,和工程師應該永遠報以合作的態度,合作不順的時候,可以和工程師交交心,互相交流下想法,這樣才有可能解決問題。

j. 缺乏反饋機制

一個產品功能上線後,如果反響比較好,產品經理當然覺得都是他們的功勞,這也無可厚非,可如果不好呢?

產品經理應該分析問題,思考是否需要優化它,也可以和工程師一些討論,共同想辦法。

但大部分產品經理卻毫不關心,好像根本就沒有這功能一樣,這種做法非常讓工程師寒心。

工程師就會覺得你們也既不不開發程式碼,也不關心項目的結果,長此以往,這樣的產品經理會失去工程師的信任

k. 人治而非法治

任何一個行業,人與人之間的關係是必不可少的,對於工程師和產品經理來說,他們之間的溝通是最多的,也是關係最密切的人,相處融洽才能將工作做好。

關於如何相處是一門藝術,可以看專門的一些數據,我從自己的角度出發,簡單列幾點。

l. 理解工程師

工程師是非常獨特的一類人群,性格可能和常人不一樣,但都非常感性,有的時候也會口無遮攔,甚至熟悉後還和你發脾氣。

但大部分情況下,他們都非常純真,沒有太多的心機。

對於產品經理來說,面對工程師的各種莫名其妙的表現,一笑而過,大度一點,多想想他們的優點,盡力成為朋友,這是將工作做好的先決條件。

當一個產品經理進入新公司後,一定要仔細觀察各個工程師的性格、特點,針對性下藥,有策略的和他們融入在一起

但需要注意的是,不是讓產品經理忍讓他們,這也不是好策略,只是要盡量避免針鋒相對。

m. 認同工程師

工程師不僅僅是開發代碼,他們邏輯性強,思考問題全面,作為產品經理,要善於合作,尊重他們的觀點,多聽聽他們的意見。

千萬不能說「這是需求,趕緊實現吧,其他的不用問」這樣的話。

而是讓工程師發表意見,比如說:「你覺得怎麼樣設計比較好一點」、「幫我看看邏輯是不是正確」, 讓工程師間接成為一個產品經理 ,讓工程師意識到他們的重要性,意識到他們是設計者,而非僅僅是構建者。

當一個項目結束後,要多向他們反饋,反饋包括用戶的反饋,也包括產品經理的自我批評。

當項目結果不是很好的時候,也要及時和工程師反饋,反思失敗的原因,這樣才能讓工程師意識到「這個項目的背景原來這麼複雜啊」。

他們也會從內心接收這一切,如果總是沒有反饋,工程師會說「產品經理又做了一堆垃圾」。

n. 目標一致性

面對一個項目, 真正推動項目的動力不是產品經理的催促,而是讓工程師和產品經理目標達成一致 ,對於核心項目來說,他們一致目標就是「這項工程關係到公司的生死存亡,所以必須加油」。

那一般性的項目呢?

即使不重要,產品經理也要有極大的感染力,讓工程師意識到「我在做一件有價值的事情」,只有雙方目標是一致的,項目才能飛快往前走。

目標一致性來源於工程師對產品經理的感受,如果你足夠職業,足夠專業,是很容易感染工程師的。

o. 有自己的人格魅力

通俗的說,就是讓工程師信服你,人格魅力不僅僅體現在工作上,也包括你平時的言行、你的做事方式、你的性格、你的價值觀,只要其中有一件事情讓工程師從內心深處佩服你,那麼他會極力的配合好你。

公眾號:yudadanwx

 

作者 虞衛東 新書 〈深入淺出 HTTPS: 從原理到實戰〉:
https://www.tenlong.com.tw/products/9787121341786

__

(本文經公眾號 yudadanwx 授權,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈程序员:我心目中的优秀产品经理 〉,圖片來源:YouTube。)

延伸閱讀

在矽谷最搶手的工作不是工程師,是台灣最不重視的「產品經理」

【投稿】為什麼台灣人會以為自己不需要「產品經理」?

從菜鳥到經理,PM 的職涯發展路徑以及「技能樹」該怎麼點?


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包


矽谷 AI 新創和老牌車廠福特的無人車開發之旅:每天都在重新學習如何「互相尊重」

$
0
0

【我們為什麼會挑選這篇文章】福特用 10 億美金(約 300 億新台幣)收購新創公司 Argo AI ,將攜手造車。

Argo AI 由 Google 和 Uber 的兩位頂尖工程師創辦,專注於開發自動駕駛的機器學習系統。

但一個是來自底特律老牌汽車公司、一個是來自矽谷有著前瞻的技術跟想法。帶你來看,在兩個看似水火不容的公司攜手共創之前,怎麼學會互相尊重!(責任編輯:鄧天心)

作者:大壯旅 公眾號: 雷鋒網

人們都說來自底特律和矽谷的工程師是水與火不能相容,但如果硬要把他們撮合在一起呢?

這兩個完全不同的「物種」在一起開發自動駕駛汽車會是什麼樣的場景?

背景不同,思考方式也不同

這確實是個問題,畢竟在現實世界裡,你不能讓人工智慧專家去搞車輛鈑金,也不能讓汽車工程師去尋找電腦系統中的 Bug。

不過,在老牌巨頭福特(Ford)那裡,這樣的跨界合作已經成了工作中的日常,因為福特要與軟體夥伴 Argo AI 合作開發自動駕駛汽車。

而且,留給它們的時間不多了(福特計劃 2021 年部署自動駕駛汽車)。

本週,Argo AI CEO Bryan Salesky 就和福特自動駕駛汽車開發首席項目工程師 Chris Brewer 一同接受了 Automotive News 採訪。

從採訪氛圍來看,雙方的跨界合作還挺順利的,Argo AI 的高科技已經與福特的車輛開發經驗擦出了火花。

在他們看來,雙方要想合作開發一款高利用率的自動駕駛汽車且保證它能盈利,就必須互相尊重。

「雖然聽起來好像 Argo 的產品裝在車上需要特殊方法似的。」

來自矽谷 Argo 的 38 歲工程師 Salesky 說。

不過,這與車廠主管工程師們在噪聲、振動和耐久性上做的 100 個權衡方案也沒什麼不同。

這些工作都是大家的日常。

與某些公司直接將自動駕駛技術「焊死」在現有車輛上不同,Salesky 偏愛「更自然」的方式。

他手下的機器人專家直接參與了福特首款自動駕駛汽車的開發,也就是說,這輛車的每一個螺釘都融入了 Argo 的智慧。

來自福特汽車的 57 歲 Brewer 也見識到了自動駕駛汽車開發中的特殊挑戰。

在這位傳統汽車行業的老兵看來,如何讓福特冗長的傳統車輛開發週期與 Argo 快速迭代的傳感器、計算機和軟體技術步調一致是最大的挑戰。

而想實現這一目標,就要求雙方必須開口交流。

「其實每天因為步調匹配問題進行的討論都相當有趣。」Brewer 說。

「我們還得花點時間解決系統問題」,這時福特就需要想辦法為 Argo 爭取時間。

雙方都認為,兩家公司合作的關鍵在於避免讓工程師們陷入自己不熟悉的領域。

首要合作原則:不踢皮球

「我們先要秉承一個原則,那就是不相互指責和踢皮球。」Brewer 說道。

「就是這層半透膜將福特和 Argo 聯繫了起來,這也是我們將產品推向市場和未來大規模部署的基礎。」

這樣的合作方式也給了 Salesky 前所未有的空間,Argo 得以在車輛設計階段施展自己的才華。

「我會說,『我覺得如果能稍微改一下外形,這個項目的成本就能降低些。

得到同意之後我就能取下一個傳感器,然後換用更具性價比的方案。這樣的溝通非常有效。』」Salesky 說。

與此同時,Brewer 還得考慮類似處理器體積、熱量和功耗的問題,畢竟 Salesky 的 AI 需要算力來驅動。

此外,如何在車內埋線以傳輸天量的數據也是個問題。

這些挑戰也讓自動駕駛項目成了福特內部的超級磁鐵,吸引著公司裡愛挑戰的天才工程師們貢獻才華。Brewer 說。

Salesky 認為,高科技公司和汽車廠商間截然不同的文化可能也會帶來文化衝突。

「在大型科技公司裡,每當要做妥協時,總是要對功能有所偏袒。」他說道。

「那麼,我們能給軟體工程師們提供足夠的運算力嗎?」

「現實是,大家對算力的需求是無止境的,但在做汽車項目時你卻必須認識到,在不斷提升性能的同時,成本、耐久性和可靠性等問題也不能忽視。」Salesky 解釋。

雷鋒網 了解,Salesky 踏上自動駕駛之路還要追溯到 2007 年的 DARPA 自動駕駛挑戰賽,隨後他又加入谷歌自動駕駛項目任技術工程主管。

不過,能與福特進行深入有好的合作,還得靠當年在卡特彼勒的經驗,畢竟給那些笨重的礦用卡車安裝自動駕駛系統可不容易。

「我的職業生涯大部分都貢獻給自動駕駛車輛,無論是輪式還是履帶式。」Salesky 說。

「造車這事我可干不了,所以我需要和大公司合作,而不同公司開發產品也有自己不同的傳統。

在這個適應過程中我學到了一點,那就是雖然與矽谷文化不同,但這些工程師都相當優秀,他們也有一顆想要打造好產品的心。」

對許多人來說,改變自己的偏見並不容易,不過當來自兩個世界的工程師潛心交流後你就會發現,工程方面的共同語言會讓他們很快忘掉那種文化差異。

「只要大家能協調一致,你就會發現辦公室多了很多好工程師,這樣一來怎麼會不發生奇蹟呢?」Salesky 說。

公眾號:雷鋒網 leiphone-sz

__

(本文經公眾號 雷鋒網 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈造车前先学会互相尊重!谈谈福特与 Argo AI 的融合之路 〉。)

延伸閱讀

為什麼蘋果目前不打算自造 Apple Car?背後的決策邏輯其實是「無人車長期戰略」

前 Uber 無人車負責人萊萬創辦「AI 教」,想證明人工智慧也有神性

福特耗資千億台幣成立「無人車」子公司,這把豪賭是在演《王者歸來》嗎?

CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

這些價值上億美元的網站,背後居然都只有一個工程師

$
0
0

【我們為什麼挑選這篇文章】工程師潛力無窮,好好的正業不做跑去做副業,結果發展還很好,以下為你介紹四個工程師,無心插柳卻成功把網站架起來,大家學起來,一起來增加被動收入吧,GOGOGO!(責任編輯:鄧天心)

公眾號:矽星人 guixingren12

你一定用過 Google 吧?有沒有覺得這個頁面極其簡單,彷彿一個工程師就可以做出來?

然而事實並非如此,這個頁面背後有個名叫 Google Web Servers 的服務,有著上百人維護。

不僅如此,有來自上百國家或地區不同宗教和民族的員工和用戶來討論這個網路的門戶應該長什麼樣,遠不是一個工程師能夠勝任的。

但是也請不要忽視一個工程師的力量:因為在網路上,確實有不少高流量、頗為成功的網站,反而從一開始就是一個人在運營的。

今天,我們就來認識幾個。

4chan:網上的「垃圾桶」

4chan 對於當下美國很大一部分年輕(男性)的影響力是有目共睹的。

令很多人感到驚訝的是,這個已經成為網路上最大的垃圾桶網站,最開始其實只是個無辜的二次元論壇而已。

克里斯多福·普爾 (Christopher Poole) 是個漫畫迷,因為對經常上的論壇感到不滿,想要自己做個網站。

2015 年,年僅 15 歲的普爾找來了日本著名二次元論壇 2ch (Futaba Channel 雙葉論壇) 的源代碼,將其翻譯成英文,上線了一個新的網站,命名為 4chan (四葉論壇)。

4chan 不斷發展壯大,在創立後的幾年時間裡增加了許許多多非動漫的版塊,比如電子遊戲、槍支、汽車、體育,甚至是許多成人版……。

這些版塊和內容,也讓 4chan 刺破了二次元和現實世界之間的隔膜,吸引到了更多非宅用戶,但網站總體上還是比較宅的。

從創始直到 2015 年,4chan 的主要運營者就只有普爾一人,但其 Alexa 排名不斷進步,從 2010 年的 700 左右爬升到了今天的全球第 383 名(美國 148 名)。

對於一個總體上比較宅的網站來講,這個排名可以說是相當優秀的成績了。

2015 年,普爾將 4chan 賣給了一開始的模仿對象 2ch 的創始人——西村博之。

克里斯托弗·普爾 (Christopher Poole)

4chan 是一個神奇的存在,因為在這個論壇上,在意識形態和政治光譜上相去甚遠的兩個版塊,居然可以同時存在。

4chan 用戶可以在一個子版裡嚴肅探討 LGBT 在社會中的存在現狀,也可以在另一個子版里大罵別的用戶是 faggot (對同性戀者的侮辱詞彙)。

如果你進錯了版塊,就不要怪別人很黃很暴力了。

一個典型的 4chan 文截圖:

也正因為 4chan 在相當長一段時間裡只有 Moot (普爾在 4chan 上的網名)一個人看管,網站很大程度上要依靠志願版主來輔助維護。

而 Moot 通常不會對這些版主的意識形態加以干涉,造就了一個可以同時存在於陣營九宮格上任何位置的 4chan。

一個最經典的例子就是 4chan 的政治版塊 /pol/。

這是一個在政治光譜上嚴重偏右的版塊,上面堆滿了各種謠言、陰謀論和 Pepe 青蛙梗。

前面提到,4chan 對美國年輕男性的影響很大,主要是因為在這個網站上的用戶畫像就是所謂的「沉默的大多數」,也即那些在過去自由派的語境下無法發聲的,擁有投票權的美國人。

而川普的上任鼓勵了這些人發聲,他甚至公開談論那些在 4chan 裡出現過的陰謀論——一種赤裸裸的狗哨政治行為。

比如在 4chan 裡誕生的 QAnon 運動,也進入了川普的競選集會。

很難想像,4chan 這個最初只有一個人運營的二次元網站,能對美國最高行政長官和美國政治生態產生如此之大的影響。

至今 4chan 都對營利不太有興趣,只靠廣告和捐助賺一點點錢,一些評級網站還是認為,如果全面商業化,4chan 的價值將達到七億美元(約新台幣 210 億元)。

Urban Dictionary:當代生活辭典

同樣作為網路流行文化的產物,Urban Dictionary 比 4chan 正經多了。

字面翻譯為「城市辭典」,Urban Dictionary 的主要功能其實是幫助網友理解那些最新出現的「網路俗語」。

據《紐約時報》,這個網站的用戶平均年齡在 15 歲~24 歲之間。

是的,想要跟上最新流行熱詞和熟知每一個流行詞的縮寫真的很難,即便對於出生在這個時代的年輕人來說也是如此。

一個典型的 Urban Dictionary 頁面,包括詞彙、全稱、釋義、例句以及上傳者。

1999 年,還在加州州立理工大學 (Cal Poly) 一年級讀電腦的亞倫·佩克曼 (Aaron Peckman) 創辦了這個在線辭典網站。

當時他的工作模式是找來流行詞,寫一個很瞎的釋義,然後上傳到網上,博自己和同學一笑。

從學校畢業後,佩克曼加入了 Google,與此同時一直運營著自己的網站。

工作了兩年後,他覺得在 Google 工作還是不如自己做項目好玩,於是辭職開始全職做 Urban Dictionary。

網站不賺不虧,微小的收入主要靠廣告和賣周邊,倒是足夠他營生並繼續維護網站。

亞倫·佩克曼 (Aaron Peckman)

說佩克曼預知了社交網路的流行可說是瞎碰到的,但毋庸置疑的是,在這個社交網路上不斷誕生新的熱詞的時代,他的網站對於人們跟上流行的節奏是至關重要的。

Urban Dictionary 甚至幫助了執法機構辦案。

2003 年,一個英國法院在審理一起涉及說唱歌手侮辱性歌詞的案子時,法官為了理解歌詞「Shizzle my nizzle」的意思 (for sure,當然)不得不場外求助 Urban Dictionary。

2011 年,美國有個人拿了一支磨掉了序列號的槍造訪槍店,結果被沒收。這個蠢貨跑到 Facebook 上威脅店主,宣稱要「murk」他。

店主報案,聯邦特工發現這個俚語有著生命威脅的意思,果斷起訴並將嫌疑人逮捕。

在庭上,特工出示了 Urban Dictionary 上的截圖,促成定罪:

差不多那會兒,由於 Urban Dictionary 經常高調出現在類似的案子中,也獲得了更多人的關注。

2011 年 3 月的網站數據顯示,僅 30 天時間裡就有近 7 萬人提交了 7.6 萬詞條,超過 3,500 人註冊為志願編輯,幫助修正詞條的釋義。

和 Moot 對 4chan 的放任不完全一樣,佩克曼還是希望保護他這麼多年來的心血。

他給網站定下了幾條規矩,確保網站真實準確地還原一些俚語的含義,同時不對特定膚色和宗教人士產生歧視。

今天,Urban Dictionary 仍然是網路上的一個獨特的存在,Alexa 全球排名第 457 (美國 221):

本來有著極強惡搞成分,卻被不少美國聯邦機構用來輔助辦公。比如美國車管局 DMV 允許車主自定義車牌,會引用辭典的釋義拒絕侮辱性詞語。

連 IBM 都曾經動過歪心眼,用 Urban Dictionary 訓練它的沃森人工智能 (IBM Watson)。

種瓜得瓜種豆得豆,訓練出來的 AI 滿口髒話,IBM 員工只好刪除了這一部分的記憶。

與此同時,Urban Dictionary 實現了非常不錯的增長。

由於公司是佩克曼的私有財產,他沒有吸納外部融資,也無需對外透露賬目,不過他曾告訴《紐約時報》網站(收入)的增長非常穩定。他本人現在居住在舊金山。

佩克曼表示,身在矽谷,總會有上市的誘惑,但他權衡之後認為,那樣做的話會讓 Urban Dictionary 失去其獨特之處和吸引力。

不過在評級網站看來,Urban Dictionary 至少值兩億美元(月新台幣 60 億)。

 Instapaper:稍後閱讀,稍後也不會讀

曾經是最優秀的「稍後閱讀」產品之一,Instapaper 的發展幾經波折。

不過在發展最快、最受用戶歡迎那段時間,它一直是其開發者一個人的寶貝。

Instapaper 的最主要功能是保存一個網頁上的全部內容,然後呈現給用戶一個離線的,版式統一併去除掉多餘的視覺效果、廣告和非正文內容的版本。

這個版本只保留有用的內容,而且可選配色、字體和字號,版式護眼,利於閱讀。因為以上這些功能,Instapaper 成為了很多人閱讀資訊的首選。

2008 年,馬克·阿門特 (Marco Arment) 還在 Tumblr 當 CTO,管理這個圖片博客社交產品的整體開發運維工作。

阿門特是個精力充沛的高級工程師,日常工作之餘,他還有自己的小項目:

一個能夠從網頁上保存內容的小插件。

馬克·阿門特和大衛·卡普 (David Karp),Tumblr 的兩位創始人

花了超過 100 小時進行開發之後,Instapaper 終於在 2008 年 1 月上線了正式版,立刻得到了業界大咖約翰·格魯伯 (John Gruber) 和知名媒體 TechCrunch 的好評。

那年夏天,蘋果正式上線了 App Store,Instapaper 也很快發布了對應的 App,上了蘋果推薦頁,並獲選《時代》周刊的 2008 年十大 iPhone App 之一。

2009 年,阿門特推出了 Instapaper 付費版,立刻登上了 App Store 付費應用榜的第二名。

大獲成功的 Instapaper 最終改變了阿門特的職業規劃,他於 2010 年離開了 Tumblr,全職研發 Instapaper,同時自己主持了一個播客 Build and Analyze。

他在 Instapaper 上花費了很大心血,為它逐漸增加新功能,讓它有一個優秀的獨立 App 應該有的樣子,包括賞心悅目的視覺特效。

他還自己開發了一個基於地理圍欄的內容後台自動同步方案,有效地提高了產品的用戶體驗,讓 Instapaper 成為當時逐漸擴大的「稍後閱讀」市場上的標杆產品。

2011 年底,Instapaper 已經擁有超過 200 萬註冊用戶。

由於上線付費版較早,產品也為阿門特帶來了不錯的收入。

截至當時,公司由阿門特一人運營,沒有任何外部融資。

2013 年 4 月,創業機構 Betaworks 從阿門特手裡買走了 Instapaper 的主要股權。

差不多那一個月的時間裡,阿門特創造了作為創業者的紀錄:短短 5 週時間內退出了三家自己創立的公司。

Instapaper (主要股權出售給 Betaworks)

The Magazine (在線雜誌,出售給雜誌當時的主編)

Tumblr (雅虎 330 億台幣接盤)

之後 Instapaper 幾經易手,現在在 Betaworks 的旗下有一個專門的團隊負責運營,也翻新了幾次用戶界面。

2016 年,圖片社交巨頭 Pinterest 收購了 Instapaper 及其團隊,然後宣布將其免費提供給用戶使用。

2018 年夏天,Instapaper 從 Pinterest 剝離,由新成立的 Instant Paper LLC 運營,團隊還是 P 站收購其之前的團隊。

獨立化的消息或許令一部分老用戶感到欣慰,但一個尷尬的事實是:在 Instapaper 之前,許多基於「打造更好閱讀體驗」而出現的產品現在都活得不太好,就連 Google 都關閉了備受歡迎的 Google Reader。

社交網絡的流行,對網友獲取和消化的新聞習慣帶來了極大的改變。

存了稍後閱讀,結果是稍後也忘了讀。

Instapaper、Pocket 這種閱讀產品已經過時。

新一代的閱讀產品都有機器算法驅動的推薦系統,內容也趨向碎片化和「標題黨」(Sensationalism)。

嚴肅閱讀沒有死,只是縮小到了特定的核心讀者群。

而這個群體的萎縮,意味著 Instapaper 們今後的日子不會像過去一樣紅火了。

雖然幾經易手,Instapaper 的估值還是保密的很好。比較合理的估算,在最紅火的那幾年,這家公司至少值上億美元。

Techmeme:科技新聞一網打盡

2005 年,蓋博·里維拉 (Gabe Rivera) 還是個英特爾的工程師。

他仿照 Google News 的新聞聚合模式,上線了一個名叫 Tech.memeorandum 的網站。

一年後,他把網站改名為 Techmeme,意即匯集科技行業所有消息。

嚴格來講,Techmeme 不算「單兵作戰」的網站,因為從 2008 年開始,里維拉就已經聘用編輯來人工審核,和編輯那些通過演算法聚合而來的新聞。

到今天,網站一共聘用過 25 名編輯。

蓋博·里維拉 (Gabe Rivera)

上線了 13 年之後,Techmeme 仍是一個極為簡單的網站。

它在網站首頁上呈現當天最重要的幾條科技新聞,呈現的格式是標題和鏈接、一張頭圖、一段純文本摘要,然後補充其他新聞網站對同一新聞的報導,以方便不同閱讀偏好的讀者(這一點和 Google News 頗為相似)。

當然,如果你更喜歡按照新聞發生的時間先後閱讀,Techmeme 也有有一個純時間流「river」:

除了呈現新聞標題和連結之外,Techmeme 還設有一個媒體和記者榜單,統計一段時期內哪個媒體的記者被 Techmeme 收錄的較多,然後留下該記者的 Twitter 用戶名,方便讀者直接在社交網絡上追蹤新聞。

Techmeme 被譽為矽谷從業者每天必看的網站。

因為它以一種比較優秀的方式聚合了大量不同領域的科技相關新聞,從工程師、市場和營銷人士,到風險投資人和科技公司的股票投資者都能受用。

你還知道哪些科技圈單兵作戰的優秀產品和網站?在留言裡分享給大家吧~

公眾號: 矽星人 guixingren12

__

(本文經公眾號 硅星人 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈這些價值上億美元的網站,背後居然都只有一個程序員 〉,首圖來源:Urban Dictionary。)

延伸閱讀

一畢業就進亞馬遜的 23 歲工程師,工作一年他學到最重要的事是:「軟實力」

【給工程師的頂級乾貨】如何為一個回歸問題找出最好的機器學習演算法?

工程師心目中的「頂尖產品經理」長這樣:邏輯強、即時反饋、尊重工程師意見


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

Github 8 月深度學習項目精選 Top 10,第一名是「開源版」Google AutoML

$
0
0

【我們為什麼挑選這篇文章】這篇的首圖很容易讓大家覺得這篇文章不正經,但其實是切實的精華文,這次精選的第一名我們曾經有專文介紹過,是 AUTO KERAS ,一個由德州農機大學團隊,因為不爽 Google AutoML 所以自己做的開源版,是個很有趣的產品。話不多說,大家慢用。(責任編輯:林子鈞)

大家好!這裡整理了一份過去的一個月機器學習項目的 Top 10,特地為大家搬運過來,看看你 pick 哪一個呢?

這個榜單是從過去一個月的 250 項開源機器學習項目中挑選出來的。作者比較了這段時間內的新的,重大的成果,並根據一系列的因子來衡量它的專業水準。

開源項目對程序員非常有用,希望你也可以從中找出啟發你的那一個!

第十名

GANimation:基於單圖的結構性臉部動畫(Albert Pumarola 等人)[Github 中獲得 344 星]

傳送門

這是一個基於動作單元(AU)的新型 GAN 體系,它展示了一個連續多樣的結構性臉部變化,從而定義面部表情。此方法允許調整每個動作單元的度量,並且可以結合其中的幾個單元。

第九名

Sg2im:基於場景圖的圖像生成(谷歌開源) [Github 中獲得 670 星]

傳送門

場景圖是一個視覺場景的結構表示圖,其中節點表示物體,連線表示物體間的關係。此研究介紹了一個輸入場景圖,輸出圖像的端到端神經網絡模型。

第八名

Stt-benchmark:語音到文字的基準衡量(Picovoice) [Github 中獲得 294 星]

傳送門

Cheetah 是 Picovoice 為物聯網應用設計的語音識別引擎。與其他模型相比,Cheetah 的表現幾乎接近於最好的 DeepSpeech(0.3 vs 0.32 WER)。但是,它有著快 100 倍的速度和少 398 倍的內存。這讓 Cheetah 可以在嵌入小型貨品的平台(例如 Raspberry Pi)運行,並且便利於大型的,需要更多計算與存儲資源的模型。

第七名

Artificial-adversary:生成對抗文本的工具,測試機器學習模型(Airbnb Engineering)[Github 中獲得 155 星]

傳送門

在區分用戶生成的文本時,用戶可以有很多方式修改內容,以免被監測。這包括將字符換為類似的長相的字符。例如 please wire me 10,000 US DOLLARS to bank of scamland(請給我轉 10,000 美元)可能是一條詐騙信息,但是如果寫成 pl3@se.wire me 10000 US DoLars to,BANK of ScamIand,很多鑑別器將失靈。

使用這個擴展庫,你就可以利用這些方法生成文本,並在你自己的機器學習算法上測試。

第六名

Soccerontable: 在你的桌面上觀看足球比賽(Konstantinos Rematas)[Github 中獲得 247 星]

傳送門

請戳之前的報導:在 咖啡桌上看世界盃 !FB 和谷歌剛剛在 CVPR 聯合發佈 AR 看球新方式

第五名

DanceNet:使用 Autoencoder,LSTM 和混合密度網絡的舞蹈生成器(Keras)[Github 中獲得 282 星]

傳送門

第四名

UnsupervisedMT:基於短語與神經非監督機器翻譯(Facebook Research)[Github 中獲得 490 星]

傳送門

如今的機器翻譯系統雖然接近人類的效率,但這和大量的平行語句有關。這篇文章研究了如何在單一語料庫的情形下學習翻譯。作者們提出了一種神經模型和一種基於短語的模型。兩種模型都在初始化參數、模型降噪、平行數據的迭代生成上斟酌。它們的表現大幅超越之前的模型,並且有著更簡單的結構和更少的超參數。

第三名

Vid2vid:視頻到視頻的合成(NVIDIA AI)[Github 中獲得 1797 星]

傳送門

這篇文章提出一個新型的,利用對抗生成結構的視頻到視頻合成方法。Github 包含了 Pytorch 的高分辨率實現。這個模型可以將語義標記圖轉為實際視頻,從描邊圖生成真人講話動作,或者是由姿勢生成人類動作。

第二名

Glow:可逆的 1×1 卷積生成流(OpenAI)[Github 中獲得 1664 星]

傳送門

Glow 是一個可逆的生成模型,它被用來做 1×1 的可逆卷積。它延續了之前的研究(https://arxiv.org/abs/1605.08803),並簡化了其結構。此模型可以生成高分辨率的圖像,發現可操縱數據的特徵。

第一名

Autokeras:自動化機器學習(AutoML)的開源軟件庫(Haifeng Jin)[Github 中獲得 2637 星]

傳送門

Auto-Keras 是一個 AutoML 的開源軟件庫。它由德州農機大學的 DATA Lab 開發。AutoML 的最終目的是將簡易的深度學習工具提供給各個領域中不具有數據科學背景的專家。Auto-Keras 提供了一些函數,以建立可自動尋找結構和超參數的深度學習模型。

TO 相關報導:不爽 Google AutoML 要收錢,工程師們自己做了一個「免費開源版」對槓 Google

給工程師

這些價值上億美元的網站,背後居然都只有一個工程師

工程師挑戰機器學習極限,用 CoreML 成功把 AI 塞進一台 iPhone 裡!

工程師心目中的「頂尖產品經理」長這樣:邏輯強、即時反饋、尊重工程師意見

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Github 八月深度學習項目熱搜 Top 10,你 Pick 哪一個!〉。)


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

只打 code、修 bug 太浪費!條理分明的工程師是推動企業改革的關鍵人物

$
0
0

【我們為什麼挑選這本書】作者 Jeff DeGraff  曾任職過奇異(GE)、可口可樂、Google、賓士等財星五百大企業的顧問,著此書《利用衝突:忘掉你學過的營造團隊合作!歷任 Google、GE 的專家教你,讓彼此沒共識的部屬一同完成大事》,發現企業中混合著四種思維的人才:藝術家、工程師、運動家、哲賢。

而其中打破大家印象的,也就是企業重要的「創新」推手,居然不是有藝術家性格的趨勢專家,而是習慣居於幕後、重視流程、統計數據的工程師。下文從一家華爾街原本落後同業一大截的銀行談起,看工程師如何發揮專業,解決危機,帶領企業轉型。(責任編輯:鄧天心)

他們讓創新發生在幕後

我們往往低估、漠視工程師型人才要求的創新類型,因為他們的提案通常都不刺激。

論及頂尖的創新,我們常會聯想「耀眼」、「出色」等形容詞,那是因為我們在報紙、網路上看到的創新排行榜,簡直像是選美大賽。

登上排行的,大都是爭奇鬥豔的品牌、亮眼的設備、時髦的設計師。

但是如果你仔細的觀察,會發現那些出色亮眼的事物,不見得和需求媒合。

坦白說,最有價值的創新沒有驚天動地的故事,而是和周圍融為一體──它們是不起眼的發明。

這就是 工程師貢獻世界的洞見,亦即,真正的創新是發生在「幕後」

當然, 眾人視為突破性發展的新科技、產品和服務看起來很刺激,但具有意義的新事物,都融入在更大、更複雜的基本流程當中

少了化學、製造、操控流程中的發明,不可能開發得出神奇的特效藥;少了軟體程式的革新,就不會有新的動畫電影;少了科學的發展,就不會有全新的電動車。

屬於工程師性格的人促成這些發明,大都是低調的後臺柱、多在官僚部門工作。

不僅如此,他們可以看出如何串起散落的點,以及改變的機會

請你想像,大型組織的架構有前臺、中臺和後臺。

中臺成員包含執行長、營運長等職位。後臺成員則是在法務、財務、IT、人資等部門工作。

組織內的各部門都是垂直導向,每個人都有部門的頂頭上司。

此外,組織內有少數幾處水平導向的單位是位在後臺,那些部門的員工可以不受限於分部、綜觀事業。

工程師性格者拜此(一切運轉順暢)所賜,可以看到大公司內不同部門之間的聯繫點。

從華爾街看後台部門的重要性

這種後臺思維促使某大銀行在轉型的關鍵時刻,推出極其成功的解決方案。

當初培訓總監發現銀行處於危機,時值 1990 年代蓬勃發展期的尾聲,許多超大型併購案也差不多定案了,各大投資公司都在開拓不同的賺錢管道。

其中,這家歷史悠久的銀行顯得不合時宜──其他銀行都在實驗不同的策略,或藉由併購以擴張版圖,但這家銀行仍維持開業近百年來的傳統結構。

正因其依賴舊有的營運方法,這家銀行在業界算是落伍。

它全球各地的據點都營運順利,但不同分行之間幾乎沒有來往。

這時,培訓總監要求各區財務長,提供意見給公司主要領導者,共同構想公司的未來。

不久後,在工程師性格觀點的協助,以及良性衝突帶來的結論之下,這位培訓總監挖掘出新的營收來源,那是之前公司從未涉足的領域,而且是由法務團隊、其他後臺部門規畫的策略。

這些後臺的工程師團隊,為公司的問題、甚至是全球大企業所面臨的議題,提出一套解決方案。

尤其他們十分 熟悉分行遷移的流程,也能壓低風險,把一個地區的業務移至另一個地區

此外,他們 找出合法節稅的方法,以及為了降低風險,就得採用的境外金融操作

這家銀行重新包裝後臺成員開發出來的策略,將其變成新的業務,賣給其他產業的客戶。

原本銀行的主計長、財務長不了解公司幕後是怎麼運作的,當他們得知後臺原來有這些資源可以運用時,便馬上活用那些策略。後臺開始編著一本商業政策書,並在全球銷售。

這項新計畫為銀行帶來龐大的收益。

購買這套策略服務的企業,不見得都複製這家銀行的成果,但很多客戶確實在落實策略後,收到同等成效(尤其是企業文化環境相似的客戶)。

這項案例所顯示的重點是: 當大家想獲得激進的創新,總是先去找新科技專家,以及趨勢專家(藝術家性格),但你其實應該先向後臺人員請教

真正熟悉商業運作的是這些部門的員工,他們也早其他人一步發現成長的機會。他們擅長尋找絕佳的點子,並在短時間內就能應用。

想要尋找新的人才,不需要捨近求遠; 最優秀的臺柱可能就在貴公司的後臺部門

「工程師性格」的成長方式,很穩

如果你希望能像工程師性格那樣思考,或者學習他觀看世界的角度,你不一定得精通某項技術,或嚴守紀律。

憑藉工程師制定規矩及其循規蹈矩的精神,你也可以學會這種條理分明的創新者,其具備的技能。

如果你遲遲無法招募到工程師型人才,或者你本身欠缺可靠的漸進式成長,請試著依循以下步驟進行。

推出新專案時,最好先從開發原型開始,因為在大量的時間和資源都投入進去之前,得先證明那個概念是可行的。

這時,你應降低開發點子所耗費的時間,以壓低費用和風險。

之後,再去了解這概念在製作、銷售上,什麼可行、什麼不可行。最後調整產品,以便進入全面生產。

開發原型的流程是反覆的,你會開發出第一版、第二版等,不大可能一次到位。許多人推出新專案時常犯一大錯誤:花太多時間制定策略,犧牲了在市場驗證的時間。建議你使用以下步驟,來開發原型:

一、為成果制定標準──我們要做出哪一種原型?

運用四種價值觀的正面衝突,先定義能衡量原型成果的共同標準,像是具體的目標數量、基準、資源……

‧藝術家性格:獨特、前所未見、獨一無二的原型。

‧工程師性格:可預測、隨處可行、統包式的原型。

‧運動員思維:有價值、打敗對手、搶先上市的原型。

‧賢哲思維:符合原則、回應使命、支持社群的原型。

二、將必備特質列為優先重點

從目標市場的觀點列出必須具備的特質。

例如,你想開始賣祖母的義大利麵獨家醬料,你應該先去餐廳測試顧客的接受度,接著思考宣傳、製作和配銷。

第一步走錯了,第二步以後就不可能在你的掌握之中。

針對你考慮的每一項特質提出質疑:

‧這項特質對於原型的成功,真那麼重要?

‧多少潛在顧客覺得這項特質是必要的?

‧這項特質是決定原型成敗的關鍵嗎?

‧市面上有比這一特質更便宜、更快、更好的替代選項嗎?

‧此一特質能為原型帶來多少價值?

三、開發最可行的產品(Minimal Viable Product,簡稱 MVP)

根據那張特質清單,以平價的方式迅速生產原型。

這時,取捨是難免的。

生產原型時,你必須考慮最可行的選項。新資訊和科技的出現,使得原型製作變得容易、迅速且便宜。

製作原型有好幾種方式,從最便宜到最貴的、早期簡單的鉛筆素描到現在的 3D 列印,而你的目標是盡量減少開銷、時間,因為這個階段的目的,只有一個:加速學習,以便在未來不斷的調整版本。

四、找出什麼可行、什麼不可行

請運用四種價值觀的良性衝突,來調整原型。

此外,根據你從原型收集來的真實資訊,建立經驗準則,未來才能節省不必要的環節。如此一來,你就可以從錯誤中學習,進入下一版本時,就不會重蹈覆轍。

五、開發下一版

你得先嘗試好多次、做出好幾個版本,最後才開發出可以擴展的原型。

六、 最後,一旦開發出最可行的原型,整理出最有效率、確實有效的方法,盡可能花最少的時間拓展規模。

這種做法取決於原型的目標。

例如,如果原型的目標在於架設部落格,那麼架好網站、完成最初的網路行銷,就可能足夠了。

但在另一方面,如果祖母的獨家醬料在原型階段大受歡迎,接下來你可能要對食品公司、餐廳行銷產品,或是找銀行、金主、製造商、配銷商協商。

原型是減少風險,迅速掌握各種選項可行與否的方法。

盡可能以最少的時間,降低使用的資源。

這方法使你快速累積失敗,即使最後第一版的原型無法實行,也沒關係,因為你從開發原型、實驗過程得出的資訊,之於未來都是有益的。

結果來得越早,對你就越有利。

請記得,從四種主流價值開發、評估原型,要像爬樓梯一樣逐步邁進。

__

(本文書摘內容出自《利用衝突:忘掉你學過的營造團隊合作!歷任 Google、GE 的專家教你,讓彼此沒共識的部屬一同完成大事》,由 大是文化 出版社 出版,首圖來源:Pexels CC0 Licensed。)

延伸閱讀

工程師心目中的「頂尖產品經理」長這樣:邏輯強、即時反饋、尊重工程師意見

【給工程師】想通過軟體面試,你必須知道的八大數據架構

這些價值上億美元的網站,背後居然都只有一個工程師


CIO 雲端資料管理必殺技

– 全自動化雲端資料庫升級 know how
– 利用機器學習提升資料庫管理效率
– 美國電信商 AT&T IT 管理秘技,優化企業 IT 管理的生產力!
領取 資料庫升級 COMBO 包

中國最大知識問答網站「知乎」驚傳大幅裁員!中國網媒:網路、科技業進入寒冬期

$
0
0

【我們為什麼挑選這篇文章】有意要到中國發展的 IT 人可要再三思量了,中國媒體指出今年網路、科技業似乎進入最難熬的寒冬期,中國最大的知識分享平台「知乎」首先發難,知乎創辦於 2001 年,註冊人數已超過 1 億,日活躍達 2600 萬,近日則傳出裁員消息。第二大手機品牌華為也因資安問題,紛紛被國際列為拒絕往來戶,不想在科技競賽中敗下陣來的中國,仍會大力發展 AI、大數據、圖算識別等,因此頂尖的人才職缺仍然供過於求。(責任編輯:鄧天心)

中國大陸網路知識分享平台「知乎」傳出大幅裁員消息,雖遭知乎否認,但中國網路產業似已進入寒冬。陸媒統計,今年多家網路、科技公司都傳出財務危機。

新浪財經報導,一名在知乎工作一年多的技術員工回憶自己被辭退的經過:「負責人表示沒有辦法,因為調整,每個業務線都要裁員,最後給我的是 N+1 的賠償。」

報導也引述一位知乎在職員工透露,目前有團隊已解散,比如負責外部名人引入和營運工作的團隊,解散員工等待重新調整安排。

還有消息指出,一名知乎員工今年 6 月份到任,目前剛好 6 個月試用期結束沒有正式留用,被告知「公司縮減預算,結構調整」,最終獲賠半個月工資。

知乎宣稱,此舉是年底正常績效評估和人員調整。但一名剛從知乎被裁離職的技術員工則表示「裁員上百人肯定是有的,一個業務線可能就會裁員幾十人,我們業務這塊客戶端、後端技術、運營、產品都有被離職的員工。」

界面新聞網報導,2018 年包括魅族、美圖、拉勾網、騰訊、錘子科技、阿里巴巴、京東、華為、趣店、鬥魚、知乎等網路或科技企業,近來都傳出裁員、解聘消息

今年寒冬不好過,但人才依然搶手

報導引述數據顯示,2018 年第 3 季,中國大陸 IT/網路行業的招聘職位數與去年同期相比減少 51%,但網路和電子商務行業在今年 1 至 10 月職缺依然占據榜首。

這些職缺中, 大數據開發和分析、圖像識別算法工程師、AI 工程師等職缺均呈現大於 70%的供需不均,從業者年薪也逐步攀升;中低端人才的需求則降低,諸如網頁前端開發、軟體測試分別降低 25%和 18%。

__

(本文經合作夥伴 中央社 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈中國網路業入寒冬 傳知乎大幅裁員 〉,首圖來源:知乎。)

延伸閱讀

川普將 15 家中國公司寫入「死亡筆記本」,台灣跟著陪葬!台積電小心中槍

5 年養出 4 個獨角獸!小米的投資團隊都是工程師,因為工程師最懂產品和技術阿

OPPO 為什麼這麼紅?它的成功絕對不只來自「廣告」,那些你不知道的「努力」才是關鍵!

 


用聽的資料管理 MBA 

對手開始佈局數位業務,你打算讓對手在關鍵時刻彎道超車嗎?
三堂數位資料 MBA 演講,即早收聽備戰 2019 年關鍵趨勢!

>>>點我收聽

Viewing all 585 articles
Browse latest View live