为了保持在云计算市场的竞争力并不断提升用户体验，华为云（HUAWEI CLOUD）未来可以考虑以下几点优化建议。这些建议覆盖了技术创新、用户体验、安全性、合规性、以及生态系统建设等方面。 以及部分小反馈问题。 ### 技术创新  1. **多云和混合云支持**：     - 提供更加完善的多云和混合云管理工具，帮助企业无缝管理来自不同供应商的云资源。     - 增强跨云的互操作性和数据迁移能力，使用户能够轻松地在不同云环境之间迁移工作负载和数据。  2. **AI/ML能力深化**：     - 加大对人工智能和机器学习平台的研发投入，增强模型训练和部署的自动化程度。     - 提供更多领域的预训练模型，涵盖自然语言处理、计算机视觉等热门应用场景。  3. **边缘计算扩展**：     - 扩展边缘计算节点的覆盖范围，提高边缘计算服务的性能和可靠性，满足越来越多物联网和实时数据处理的需求。     - 推出针对特定行业的边缘计算解决方案，例如智能制造、智慧城市等。  4. **区块链技术应用**：     - 深入探索区块链技术在供应链管理、金融等领域的应用，推出基于区块链的服务平台，提供可信的多方协作机制。  ### 用户体验  1. **统一的用户界面**：     - 开发统一的控制台界面，实现所有云产品和服务的集中管理，提供一致的用户体验。     - 增加更多自定义视图和仪表板功能，使用户能够根据自身需求定制界面布局。  2. **API易用性**：     - 优化API文档和开发者工具，提供更详细的使用示例和最佳实践，降低开发者的入门门槛。  3. **智能助手和推荐系统**：     - 引入智能助手功能，实时分析用户行为，提供个性化的操作建议和优化方案。     - 通过机器学习算法，根据用户的使用模式和历史数据，推荐最适合的云资源配置。  ### 安全性和合规性  1. **零信任架构**：     - 推广零信任安全架构，通过严格的身份验证和权限控制，确保每一次访问都经过认证和授权。     - 提供全面的安全评估工具，帮助企业识别和修补安全漏洞。  2. **隐私保护和数据主权**：     - 确保云服务符合各国的数据隐私法规，推出数据主权保护方案，允许用户选择数据存储位置。     - 提供先进的数据加密和匿名化技术，保护用户敏感信息。  ### 成本管理  1. **智能成本优化**：     - 开发智能成本优化工具，实时监测用户资源使用情况，提供节省开支的具体建议。     - 提供可视化的成本分析和预测工具，帮助用户更好地规划预算和资源分配。  2. **灵活的计费模式**：     - 推出更多灵活的计费选项，如按需计费、预留实例折扣、包年包月等，满足不同业务场景下的需求。     - 提供细粒度的费用拆分和追踪，帮助企业精确分摊云成本到各业务部门或项目团队。  ### 生态系统建设  1. **合作伙伴计划**：     - 拓展与ISV（独立软件供应商）、SI（系统集成商）和MSP（托管服务提供商）的合作，建立强大的合作伙伴生态系统。     - 提供丰富的合作伙伴激励政策，鼓励合作伙伴开发和推广基于华为云的平台和应用。  2. **开发者社区**：     - 建设和维护一个活跃的开发者社区，举办定期的技术交流活动、黑客马拉松和开发者大赛，吸引全球开发者参与。     - 提供开放的API和SDK，支持更多第三方开发者基于华为云构建创新应用。  ### 全球化布局  1. **全球数据中心布局**：     - 加快全球数据中心布局，特别是在新兴市场和关键区域，提高全球用户的服务可达性和性能。     - 提供多区域高可用性的解决方案，确保业务连续性和数据灾备能力。  2. **本地化服务和支持**：     - 提供符合各国法规和市场需求的本地化服务和解决方案。     - 在主要市场设立本地化客户支持团队，提供7x24小时的技术支持和服务。  上周体验的一个一键部署AI生图应用，非常影响体验，说是体验，还给人计费（尴尬），很多报错，回帖汇报之后，没人给出反馈？不过，对于云服务主机，使用redis 数据库之类的项目部署，还是很顺利，IDE 使用方面还是有待跟国际上通用的IDE接轨，使得设计更加全面，更加友好！希望这些建议能为华为云未来的发展提供一些有价值的参考。 

loss曲线和accuracy曲线是从哪里看啊

 详解从ERP传到MES系统的数据 ​1、物料需求计划 MES系统提供的物料需求计划与传统BOM-MRP方式提供的物料需求计划有本质的不同。首先，满足产能约束、各种生产约束、优化生产调度、提高工作效率的要求。其次：它有详细的以分钟为单位的时间信息。将这些数据提供给ERP，可以大大提高采购和库存模块的管理水平。 采购模块：MES准确的物料需求计划是采购的重要依据。它与采购模块原有的采购交货期、供应商信息、价格管理相关联，使企业获得更准确、更优化的采购计划，这个采购计划将直接减少生产原材料的库存。 库存模块：MES详细的物料需求计划可以直接在ERP模块中生成库存的出入库单据。文件中包含了品种、数量、时间、计划号等详细信息，大大减少了库存模块的工作量，提高了库存计划的准确性，使库存管理更加科学、规范。 ​ 2、采购到货信息 MES系统在进行排产计算的过程中需要提取物料的预计库存数量，才能保证原材料的供应满足生产需求。 MES系统的目标是制定“未来”的计划，所以它需要的是未来的、预计的库存物料数量；而ERP库存模块所提供的是“以前”的和“当前”的物料数量。 为了得到未来库存数量，MES系统需要得到原材料的预计到货数量和时间，这些信息本来需要在MES系统中进行手工录入，但是如果用户已经实施ERP的采购模块，就可以从采购单信息中得到这些数据。 对此，MES已有读取ERP采购单相关信息并导入MES系统的未来库存的功能。这需要ERP软件开放数据库中与采购单相关的数据表。 3、产成品产出计划 MES系统的物料计划同时产生需求计划和产出计划。MES的产成品输出计划与需求计划的特点相同，满足多种约束，精确到分钟。企业可以利用它来制定详细准确的销售计划和运输计划，这对提高这些模块的水平具有重要意义。 ​ 4、销售单信息 MES系统在做排产的时候首先需要“什么时间？生产什么？生产多少？”这样的信息。这些信息一般都保存在ERP系统中的销售订单，或者是主生产计划等模块中。除了在MES系统中手工把这些信息重新录入一遍以外，还可以直接把这些信息从ERP系统取过来，经过加工，就可以直接下达排产，得到具体的生产计划。 5、成本计划、成本分摊数据 MES系统根据单位时间的生产作业计划、材料成本、资源成本自动生成生产成本计划，MES系统还可以根据实际生产执行数据，将成本分摊到各个工序，得出实际发生的成本。这些信息一起传递到财务模块，可以提高财务的成本管理功能。 6、细作业计划（工序计划）与人事工资、设备管理、质量管理 MES生成详细的作业计划或作业计划，进而生成生产资源计划，每道工序都包含丰富的信息，可能涉及到一定的人员和薪酬管理；它也可能与设备、小组和其他资源相联系；它也可能与质量管理有关。有了作业计划，可以改进ERP对这些模块的管理，具体功能和方法也应与实际用户和ERP软件的需求相联系。  MES系统只需要从ERP获取相对简单的基础数据，却为ERP提供了大量的关键信息。这些信息是原来一直缺少的，它可以帮助ERP的采购、销售、成本、设备、质量、领导查询等多个模块在功能上有很大的提高。还有另外一些基础数据，比如工序、工序时间、逻辑关系、生产资源等都是任何ERP中所没有的，都必须在MES系统中重新生成，这是MES系统理论与方式的独特性所决定的。 万界星空科技专注于制造业生产管理MES系统的研发和实施，并且已经成功的帮助很多企业和工厂解决了内部的管理问题，有效的提高了生产效率，并且节省了人力。 ​ 

现代职场所比拼的除了聪明才智、过往经验之外，很多软性技能也尤为重要。 现在已经不是像网络游戏开局拿着一根小木棍打天下的时代了，这将是一场武装到牙齿的较量，对于各类“装备”的驾驭能力有时候甚至可以决定胜负。ChatGPT是提升职场人工作效率的绝佳装备，相关的介绍已经很多，今天我向大家推荐另外一款很实用的开源工具：XL-LightHouse。XL-LightHouse是一款通用型流式数据统计系统，可能有些朋友会觉得这个领域距离自己的工作太遥远，其实不然，不管你的职业是产品经理、前端、后端、算法、数据分析师、运维、运营、UI...，我都认为通用型流式数据统计与你的工作息息相关，通用型流式数据统计将让你成为一个更加强大的个体。商业社会的发展使其越来越像一个复杂且精密的机器，我们已经很难通过主观猜测就可以窥探其内部细节、运转逻辑和未来走势了。这个社会中所有的商业竞争越来像一场数学游戏，而在这个时代数据化运营或许是企业发展壮大唯一可选择的道路。通用型流式大数据统计技术将深刻改变现代企业运营的理念和方式，通用型流式大数据统计是我所认为的唯一一种有可能支撑上百万量级数据指标，而成本仍可以控制在企业可承受范围之内的一项技术。而这项技术将使得各种业务指标的获取成本被大大的降低，这意味着职场人士将可以轻松获得到比以往更为全面、更为细粒度的数据指标。而拥有更敏锐的数据辨识度，驾驭和运用数据能力更强的职场人士将显著的拉开与其他人的差距。企业是一个个员工的集合，而员工驾驭数据的综合水平反应了企业的数据化运营水平。驾驭数据的能力体现在两个方面：1、布局数据的能力布局数据的能力就是将自身工作建立数据指标体系，量化业务目标，将业务目标拆解成一个或多个核心数据指标，并为这些核心数据指标建立关联指标和上下游指标，从而搭建起数据指标体系。 不同职能人员所关注的数据指标可能略有不同：以一个电商平台来说：公司的决策层关注的是平台的交易额、交易量、下单用户数；App上某个功能模块的产品经理可能关注的是所负责模块的pv、uv和转化率；运营人员关注可能是拉新用户量，站内广告点击量、广告收益率；一个开发人员可能关心的是接口的调用量、异常量、耗时情况；一个算法工程师关心的是模型的准确率，上线后的效果收益；一个运维人员可能关心的是线上服务器的运行状况；一个UI设计师可能关心的是不同的广告图片的点击转化；一个数据分析师可能需要依赖各种数据指标来更准确的判断业务的短板、业务的走势、辅助决策层有针对性的制定营销计划；企业中每个员工都应该有自己所关注的数据指标体系，用来辅助自己的工作，而这些数据指标体系共同组成了企业的数据化运营体系。2、运用数据的能力运用数据是一项综合能力，它体现在多个方面：排查问题：数据化运营是让企业业务进入到一种"可控"的状态，帮助决策者在业务运转不正常的时候，能够快速的判断出问题所在。业务洞察：数据化运营是让业务运转的各个环节更加透明，帮助企业更清晰的看到目前的"短板"是在什么地方，辅助产品的优化迭代。明确方向：数据化运营是培养敏锐的嗅觉，让企业可以更加准确的判断出市场的走势、捕捉到其中具有业务价值的信息。科学试错：在试错成本日益高企的今天，数据化运营是帮助企业改变以往靠"拍脑袋"来做决定的方式，打破过往的经验主义，辅助决策者思考，快速验证想法，让企业减少成本更加科学的"试错"。此外，对于职场人来说，运用数据也是快速验证想法、佐证自己的结论、辅助个人思考、制定相关策略、体现个人价值的有效途径。虽然以上观点大家可能都会认同，但真在工作中实施的时候发现其实困难重重，远没有想象中美好。不少朋友可能会吐槽公司基建水平之差以及研发资源的严重短缺。很多数据需求一再被拖延，甚至最后不了了之。我也深知行业目前的一些现状，这些情况别说是一些中小企业，即便是在一些互联网大厂，相同或相似的问题其实也是广泛存在，反复的上演，究其原因在于企业对于数据需求的并行承载能力太差。造成企业对于数据需求的并行承载能力太差的原因对于中小企业和规模较大的企业来说是不同的，我们分开来看： 中小企业一般没有充足的资金用于数据基建平台的开发，他们往往选择投入少量研发人员单独开发这些数据需求或者购买一些第三方产品来实现，而大多第三方产品并非提供自助化的数据获取方式，功能相对有限或者承载的数据量、并发量有限再或者是使用门槛太高、接入成本太高等等原因，所以中小企业对数据需求并行承载能力有限是容易理解的。 而较大规模的企业一般会选择自建数据平台，但从现状来看也并不是非常理想，很多互联网大厂不惜血本、投入重金打造数据化体系，成效却不显著，虽然看似功能强大，但流于表面，关键时候并不抗打。我们总能看到一些大厂朋友吐槽公司的数据基建平台接入成本太高，使用不太方便，有很多数据需求阻塞而难以快速实现，依然普遍存在一再被拖延的情况。而从企业层面来看研发数据基建的资源投入可谓非常巨大，而且后期维护成本也极为可观，如此庞大的投入，收益却并不显著，或者说与预期存在明显的差距，这甚至在一定程度上动摇了大厂对于基建价值的认同感和产生对数据化运营理念的怀疑态度。问题究竟出在了哪里？ 作为一名业内技术人员，我们有必要思考一下这个问题。盲目的神话一个东西和盲目的贬低都是在走极端。当然企业的数据基建范围太大，我们今天只从其中的一小块“数据化运营”入手。为了表述简单起见，本文以下的数据平台都是指数据化运营相关的平台，希望不要引起歧义。我认为互联网大厂的数据平台没有达到预期效果，根源在于以下几点：1、没有抱着打造产品的目的，而是拿着做业务系统那套逻辑去做数据平台；首先，我们想一个问题，大厂该如何衡量自己重金打造的数据平台究竟处于什么水平？我看不少企业技术团队的宣传文章，总喜欢用有多大的数据量、有多少的任务接入，有多少的访问量和接口调用量，可以支撑百亿级千亿级多维查询等等这些因素来衡量数据平台的成功与否。 这种评判标准其实并不客观，更准确来说这更像是一种宣传的噱头，我认为有一个比较公正的办法可以衡量企业的数据平台究竟处于什么水平，我们可以假想一下：所做的数据平台能否拆分成一个或多个产品；能不能拿到市场上去销售，能不能让客户轻易的部署使用，能卖多少钱； 满足内部需要就是在满足某种市场需要，我认为优秀的数据平台能够经受的住市场的检验。这就像汽车一样，一辆汽车是一个产品，而汽车的每个零部件几乎都能是一个独立产品，都有它独立的市场价值。 虽然企业绝大多数的内部系统并不需要用这么严苛的标准来判定，但我觉得数据类系统有它的独特性。如果贵公司的数据平台，可以轻易拆分成多个产品，并能够灵活组织在一起，可以轻松部署到客户的服务器上，并可以让用户为此买单，即可以满足中小企业的需要，也可以满足大型集团公司的需要，那我由衷的钦佩此类技术人员的专业造诣。而反之，很多企业投入数年，耗费巨大资源所开发各种数据平台，或许在市场上一文不值。有些朋友可能会反驳我，认为这种评判标准太高了，毕竟大多数企业打造基建，从一开始就没有想过要拿出去卖钱，而且不同公司的业务逻辑和数据集群的规模又可能截然不同，那凭什么要用这种标准来衡量其价值呢？ 对此我的观点是：数据类平台的研发和业务类系统的研发有着本质的不同， 业务类系统更侧重于稳定性，系统运行满足高峰期的需要，并留有足够buffer即可，系统之间通过接口互通，就算后期重构影响范围也相对有限。 但数据类系统几乎从上线之日起就处于一个不断膨胀的状态，随着使用方的接入，前期设计缺陷会逐渐暴漏出来，而此类系统又会涉及大量的业务方和线上正在运行的任务以及各种已存储在内的庞大量级的业务数据，再加上庞大的集群规模使得后续的维护成本其实是远远高于业务系统的，数据平台对于弹性设计的要求也远高于业务系统。所以，数据平台的架构师如果一开始没有抱着打造可销售产品为目的去做设计，没有坚持较为严苛的标准，后期会很容易触达瓶颈，出现公司耗费庞大人力、物力维系的数据平台，投入和收益不成正比、尾大不掉的尴尬局面。 满足内部需要，就是在满足某种市场需求。以销售为目的做架构设计，是一件极其困难的事情。因为以前只要考虑系统能跑起来且稳定就可以了，但现在你要考虑的多得多。需要深入思考各子系统之间的功能边界如何划分；需要考虑底层架构的设计将影响着页面的交互逻辑，页面的交互逻辑也会影响底层架构的设计；需要考虑服务器运算资源的成本，需要考虑接入成本，因为使用成本的增加，就意味着产品性价比的下降；需要考虑各种扩展性、规范性、考虑每个功能点的交互逻辑是否顺畅... 以销售为目的做架构设计，会发现所追逐的目标不是能实现，而是更好的实现，不是能用，而是好用，才会永恒的追求部署简单、运维成本低廉和使用方便，才能很谨慎的思考哪些功能点是否应该添加，哪些鸡肋的功能点是否应该裁剪掉，而不再追逐功能的花哨。2、技术路线选择错误；企业数据化运营目前发展的困境，我认为阻塞点并不在于能否支撑相关的数据需求，而在于能否快速支撑相关数据需求。对于数据需求的快速支撑能力是衡量企业数据化运营基建水平的重要标准。 我查阅一些互联网大厂相关技术方案，无一例外清一色的使用各种以流式计算框架、离线计算框架、OLAP类引擎为主体的数仓设计方案来支撑数据化运营。我认为这是一种笨拙低效的解决方案，以流式计算、离线计算、OLAP框架为主体的实现方案笨拙的像头狗熊一样，注定只是企业数据化运营技术演进历程中一个微不足道的过渡阶段。重申一下：我这里只是谈数据化运营领域，并不是否定数仓方案，数仓方案在很多其他应用领域是非常有价值的，只是认为以这类数仓方案为主来支撑数据化运营是不可取的。企业对数据的追求是无止境的，而目前业内的相关产品都太过于臃肿和笨拙，这些产品是没有可能支撑企业数据化运营再上升两三个数量级的。 我认为未来企业数据化运营的技术方案应以通用型流式数据统计为主，以其他技术方案为辅，更准确点来说是能用通用型流式统计技术实现的需求，就用通用型流式统计实现，而通用型流式统计实现不了的需求，再用其他技术方案实现。通用型流式数据统计的价值并不是帮你完成所有的数据需求，而是高效的、低成本的帮你完成相当大一部分数据需求，对于不同业务或处于不同的数据化运营阶段的企业来说这个比例并不相同，但我认为数据指标需求越多，通用型流式数据统计服务所能发挥的价值比例也就越大。虽然通用型流式数据统计并不完美，有很多数据需求并不适合使用流式统计来实现，但我依然认为它是唯一一种有可能支撑百万量级数据指标，并且成本仍可控制在企业可承受范围之内的技术，相比其他技术的实施成本都太过于高昂。我认为通用型流式数据统计是企业数据化运营发展到一定阶段后的唯一选择，我希望XL-LightHouse可以帮助企业实现上百万的数据指标，但依然如小鸟般轻灵。建议云服务厂商全面拥抱通用型流式数据统计，我个人也期望与云服务厂商达成合作，共同推进通用型流式统计底层运算引擎的研发事项。我相信在不远的将来，流式统计技术将会被极大范围的应用和推广，凭借通用型流式数据统计，未来云服务厂商的一个计算集群就可以支撑上千万数据指标的并行计算，满足众多企业和用户的同时使用。3、缺乏一种高效的大批量数据指标管理机制我所说的数据指标管理并不是单纯的Web端的页面功能，而是一种相关统计数据的存储和查询机制。这个问题往往被人忽视，很多朋友认为这不就把统计结果存到数据库中，然后用户在页面查询时把数据取出来再显示成图表不就行了。 其实这个问题要比想象中复杂，我认为对于庞大数量级的数据指标管理，数据平台和使用方之间必须遵循一个“约定”，否则很容易触达瓶颈。我们可以看一下业内目前的实现方案，我觉得这些数据平台更多像是一个“壳”，不管是OLAP还是流式计算、离线计算框架的解决方案，往往是提交任务（SQL或者程序）到运算引擎，底层运算引擎计算完毕后将结果返回给数据平台，数据平台再返回给用户，在这个过程中数据平台更像是数据的透传方，有些OLAP的计算方式都不会存储统计结果。这种方案的问题在于数据平台本身对计算逻辑几乎是完全不可掌控的，对于数据平台来说这将限制了它的承载能力，有以下方面的影响：对于计算任务没有办法进行细粒度的控制，只能从资源占用这种很粗粒度层面上来管理计算任务。不太容易提供便捷的可视化展示和接口查询等功能，比如数据平台不知道计算任务的统计周期，就不能直接展示出可视化图表；数据平台不知道计算任务的统计维度，就不能灵活的展示筛选条件。而如果用户需要可视化展示和维度筛选，一般以业内产品的做法是需要用户再进行额外的配置，这增加了系统使用的复杂度，增加了数据指标接入成本。 所以，我认为大批量数据指标的管理维护，数据平台方和使用方之间必须遵循一个“约定”，否则很容易达到瓶颈。我向大家推荐XL-Formula，XL-Formula是一种通用型流式数据统计配置标准，它也是一种更为高效便捷的数据指标管理方式，即便您的数据指标不是基于流式统计得来也可以使用XL-Formula来管理。使用XL-Formula的好处：数据平台对于统计指标的计算逻辑是完全清晰的，可以进行细粒度的管理和控制。很方便的进行统计结果的可视化展示、接口查询、维度筛选等操作。平台所有统计指标的数据均按照相同的规范进行存储，统计结果具有很好的可迁移性，可以很方便的完成统计数据的导入、导出、备份、迁移等操作。 关于XL-LightHouse的使用和XL-Formula可以访问dtstep.com了解更多信息。以上是我认为制约目前企业数据平台对于数据需求快速支撑能力的几点原因。通用型流式数据统计凭借其广阔的应用场景、低廉的使用成本和彪悍的运算性能足以弥补它一切的缺点，这一技术将深远改变企业数据化运营的理念和方式，使得企业数据化运营水平迈入一个全新的阶段。XL-LightHouse以通用型流式大数据统计为切入点，寄希望于通过更加贴合场景、更具有实用价值的技术方案帮助企业降低数据化运营方面的成本。对于职场人来说，我相信灵活的使用XL-LightHouse可以帮助您解决很多棘手的问题，希望XL-Lighthouse成为您职业生涯常伴左右的工具。本文可以随意转载。

应对通用人工智能挑战，发展新质生产力 （中）        最近，李老师做了《应对AI时代挑战，加速企业数字化管理与运营，发展新质生产力》的专题讲座，由于内容较多，分为上中下三篇进行整理。上一篇介绍了人工智能的发展和通用人工智能带来的机遇和挑战（链接），本篇重点如何利用AIGC、RPA机器人流程自动化等新技术，帮助企业开源节流、降本增效，提高自己职场竞争力，供大家参考。                                             02  如何利用数字化技术帮助企业开源节流、降本增效当前经济环境不好，企业面对的首要任务就是开源节流、降本增效，掌握大数据、人工智能、物联网等这些当前最火的新一代数字技术，能帮助企业脱胎换骨，逆天改命。当然做硬科技创新很难，而应用难度就低了很多，企业中高管可以从AIGC工具、RPA机器人流程自动化开始，包括移动OA、商务智能BI、SaaS等在企业的深度应用开始，与企业管理和业务场景进行结合，通过数字技术应用帮助企业降本增效，成为企业最有用的管理者。                                             如何将这些分散的工具组合起来产生叠加效应呢？这里我们就要谈一谈全新的数字化管理模式。众所周知，我们传统企业管理是诞生于大规模工业制造时代的管理模式，主要强调业务上分工与协作，管理上对人的控制与激励，以达成企业的目标。这是科层制组织、流程与绩效等的由来。传统的管理在今天已逐渐失效，我们必须切换到数字化管理模式，所谓数字化管理，李老师的定义是：依托新一代数字技术及应用提升企业日常经营管理，消除企业中的低效环节和资源浪费，提升市场反应速度和运营效率，极大提升企业人效和盈利水平。以前我们强调以人为本，通过对员工的选育用留，来保持企业增长。而现在要将数字技术放在首位，以科技为本，科技是第一生产力，以创新为翼，应用是利润转化器，从而大量引入先进数字技术，培养高效创新力员工，使用数字员工、AI员工，提升企业效益与竞争力。     数字化管理如何出效益？李老师提出上面这个钻石模型，企业应以客户需求为导向，主动导入AI数字化技术，对外提升客户体验，提高市场反应速度；对内培养和激发个体创造力，提供更极致的产品服务和独特价值。进而积累和集成企业数据资产，用数据推动企业变革与业务改造，从而让企业赢得更大客户群量，从容应对未来挑战，进而推动数字化转型成功，让企业更值钱。具体实现来说就是五个战线上分别采取行动：数字化组织：是指企业通过引入SaaS系统和数字化办公，提高沟通效率；通过员工在线、管理在线，将计划、组织、协调、检查、评估、总结、培训等日常工作转线上运作，减少全员总时间浪费；通过AIGC工具和数字技能改变全员工作方式和协作效率，将平均管理幅度扩大10-15人，企业管理与员工比从1：8增加至1：15，组织层级减少2-3层级，通过低代码打造组织数字化创新能力，融合企业场景应用，从而使公司反应更敏捷，总管理成本有效控制或大幅减少。数字化绩效：通过调整目标绩效与激励机制引导全员行为，形成内部变革创新合力；通过重构价值创造、评价与分配规则，引导全员微创新，利用仪表盘、数字看板和AI找到组织薄弱环节和短板，加强分工协同，持续改进。通过数据收集、评估和确认最佳方法，推广高效新方法，从而创造更大的效益。通过利用数字技术推动工作外包与合伙制，最终实现工作线上抢单、内部市场化结算；将组织人效提升至科技企业200万-300万/人。数字化运营：通过RPA工具、低代码或数字研发，开发自动化程序及数字设备（智能制造）实现无人化、自动化运行；通过IT部门或第三方开发，打通企业运营数据链条；通过数据的广泛汇聚、集成优化和价值挖掘，重新优化和创新企业产品研发、生产制造、经营管理、市场服务等业务流程，通过数据驱动实现高效运营，超越对手及客户需求，对标互联网人效350-500万/人努力。数智化决策：通过利用BI系统（PowerBI&Tableau）及云服务，开发产业情报自动收集，提高战略决策和业务可视化分析；通过将内外部核心数据打通，理解客户的客户，提高市场敏捷反应，掌握市场主动权和定价权；通过智能化改造，提高战略预测、经营决策准确率，减少决策损失提高投资回报。通过决策层数字领导力提升，算法积累和决策智能化，推动业务数字化及数字化转型。数字赋能：通过数字技术利用，将成熟的企业经营和管理模式自动化，程序化，形成可对外输出收费、或对外赋能的一套数字化平台及软硬件工具，如数字中台，远程管理、智能设备等；通过管理模式变化，让集团化管理变得更为简单，降低企业裂变和异地扩张的成本和风险，或者减少兼并和收购后整合费用；通过数字技术，向产业生态伙伴赋能，实现联合开发，联合营销等。为什么要五个战线上分别采取行动呢？数字化组织、数字赋能的最终实现，就意味着管理层级减少，人员的大量精简，这意味着大量内部矛盾抵制和故意掣肘。理想的情况是不减人，通过培养员工精通AI和数字技能，从而利用技术推动业务持续倍增，从竞争对手手中抢出市场份额。数字化管理这是应对时代的解决方案，需要有序的变革和规划。趋势明显正在加速，企业更需要未雨绸缪。没有技术基因的传统企业，也可以通过数字化管理——业务数字化——数字化转型三步走，让企业脱胎换骨进程，进化为科技企业。组织数字化底座是从钉钉、飞书、企信等几个主流的免费移动办公平台选型开始，相对企业自研的办公信息化系统，基于云的OA和SaaS更容易接入新的AI和数字技术，保持企业数字化能力和效率的持续提升。目前钉钉等中纷纷接入AI功能，比如，魔法棒生成智能摘要思维导图，闪记同步生成会议纪要等等，都是基于阿里的通义千大模型，这些都能极大的提升个人和组织效率，并将长年积累数据，将来训练企业私有大模型准备。很多企业只用钉钉打卡、沟通和视频会议等简单功能，这就是组织惰性和熵增，而深度组织数字化能消除企业管理的七大浪费。李老师举例，通过管理在线消除等待，通过知识管理减少无序，通过Teambition高效协作等。，时长01:23管理者要鼓励员工学习利用AIGC，让生成式AI成为员工的外脑，也是组织效率提升的重要抓手。人工智能专业难学，但AI工具好学好用，李老师演示如何向AI提问，利用ChatGPT学习和解答工作问题，获取各种资源。鸿飞老师提醒大家，GPT4训练了人类目前积累海量知识，生成文本高质量但味道不对，与企业情境，针对性较差。与之对话，要以想象成一位刚毕业的研究生做助理，知识文化很高，但对行业术语、对企业文化、对任务理解比较小白，要像领导培养新人一样，详细说明背景、角色、要求及详细提示，才能写出有血有肉的报告和文案来。李老师专门演示了田鹏老师如何利用AI生成AI的提示词，完成短视频爆款文案的撰写。，时长01:59提示视频利用提示词技巧，普通人可以利用AI百倍效率的生成文案、图片、短视频及音乐。李老师建议学员对企业的营销推广、品牌宣传、在线客服、移动办公、作业流程、人员培训等业务场景，针对性学习人工智能各种应用。建议管理层拼学习搞创新而不是熬资历，AIGC目前正在免费普及阶段，利用通用人工智能窗口期，是科技平权、普通人逆袭的机会。鸿飞老师介绍国外国内20多种AI工具，并向不方便使用国外AI工具的学员推荐使用AI全家桶，可以在各种适用工作场景帮助员工提效。     数字化绩效是以提升公司平均人效为核心，提升公司人效要开源、节流两手都要抓。首先是业务线索要十倍增长，要利用RPA（机器人流程自动化）获取巨量客户信息，利用AIGC内容+营销为企业大量引流，利用CRM（客户管理系统）有效管理客户转化过程，而不能靠以前传统销售打法。其次，要节流就是而扩大管理幅度，减少组织层级，让公司市场反应速度极致，要保证增长的订单及时满意的得到交付，一定是靠内部数字技术进行运营流程提速。企业开源与节流的每个项目、每个环节、每个步骤获得成功的前提条件，是要将组织规则早早的定在前面，也就是数字化绩效与激励。通过调整目标绩效与激励机制引导全员行为，形成内部变革创新合力；让创新和才华在企业得到及时回报，让新型人才在企业逆境中脱颖而出。数字化绩效作用是让各级管理者和员工专心提效，而不担心公司赏罚不明；时代在变，掌握新方法新工具的员工创造的价值不同，就像前面例子一样，5个掌握AIGC的设计师可以达成60个绘图师的工作量。我们要承认这种差距，通过宽带薪酬体系，鼓励和放大这种价值差距，甚至千金买马，才能让员工废寝忘食、殚精竭虑的钻研新技术新工具应用，才能用不断的微创新推动企业的进化蜕变。数字化绩效是服务于企业经营目标，以数字看板为实时监督工具。李老师又带领学员们拆解了在经济下行的大环境下，如何有效开源，达成公司销售目标达成率的KPI关键绩效指标体系，以及达成策略的落实。营销分析看板示意图在经济下行的环境下，企业现金为王，有效开源意味着需要对客户结构进行大的调整。首先，企业原来好坏客户需要重新定义，量大周期长的客户并不一定是好客户，原来ABCD分类规则需要重新确定，加大现金流的权重，对风险行业规避，并要利用高层和销售拜访，了解客户实际经营情况，利用RPA实时采集客户突发、公开信息和数据，重新进行评分。其次，在客户结构上，可增加信用良好中小客户数量占比，并对原来量大信用差评分低的大客户，打折回款或进行淘汰，以避免应收帐款坏帐损失，在新一年的销售预测上，也应进行保守预测。第三点，是精细化运营争取优质新客户，通过客户群细分、需求识别及设计匹配的运营标准，对客户需要的服务进行量化，对客户不需要服务的节约成本，对客户需要的服务做到极致，并引导客户传播；通过数字化实现差异化服务，通过可视化看板，让销售过程可见，营销策略有效评估，及时调整。主动淘汰客户需要数据证明，而争取好客户更是需要说服的理由，数据就是数字化的证据。当前有很多企业做了十多年，拿不出一个完整的客户可视化分布图，拿不出客户动态分类图，这就让经营者决策缺少数据，很难下定决心，受头部房地产影响的装修企业、建筑企业就是例子。数字化绩效，不是只给目标，更要给方法。降本增效最直接的方法就是找到适合的数字工具与业务场景完美的融合。当然，这个过程并不是一帆风顺的，应用创新也是需要试错的，方法创新也是需要反复检验的。新东西有可能引发混乱和问题。ChatGPT早期不被看好，1.0、2.0、3.0烧了很多钱，但都没有什么水花，直到3.5终于一举成名天下知。我们要对创新要有包容和耐心，很多应用尝试应列入OKR（目标与关键成果法），只引导不考核，只记功不记过。       以数字技术应用为本，调整KPI指标体系，补充OKR激发创新是数字化绩效两个法宝，而应不应该把AI应用和数字工具列入到员工任务绩效中？应不应该对现有员工进行数字技能培训并考试？应不应该把AI和数字技能列入新员工招聘时必备技能？       李老师认为：华为不是以人为本，而以奋斗者为本，对价值创造者的深度理解与激励机制成就了华为。数字经济时代，数字技术被少数顶级人才研发出来，普惠大众，而能识别技术，并将其与企业结合好的，就是公司最急缺的人才，是公司腾飞之翼。对员工的数字技能培养是公司HR重点工作，也是绩效结果的应用主要方向。鸿飞老师认为，应将AI工具、RPA流程机器、OA应用、低代码、可视化报表等列入员工必备技能，就像熟悉电脑操作和office软件一样成为员工的必备技能，并通过看板，让每个员工都能看到各自的改变，才能督促员工离开舒适区，你追我赶地努力学习。    数字化运营是依托RPA进行的业务流程优化和自动化。RPA是机器人流程自动化缩写，这里的机器人主要指软件机器人，就是用电脑软件模拟人的操作，将重复性、标准化的工作流程实现自动化。RPA可以全年7*24工作，提升企业运营效率、节约成本。RPA模拟人工操作，可提高业务处理的准确性、降低人工操作出错的风险。关键是RPA可以为企业获取和积累大量的数据，打通企业内部的数据墙，形成企业的数据湖。李老师介绍我国优秀的PRA厂商来也UiBOT、影刀等，RPA有大量的预制命令，相当于是做好的预制件。只要按业务步骤拖拽组装好，就可以实现流程的自动化运营。这是大多数员工都能掌握的数字技能。李老师现场演示，配置好的RPA如何在30秒钟内抓取招标项目,在30分钟内抓取16,800多个招标企业的项目信息。，时长00:57AIGC与RPA，一文一武，一个擅长写报告做宣传，一个擅长运行流程做事情。企业可以通过RPA工具、低代码或数字研发，开发自动化程序及数字设备（智能制造）实现无人化、自动化运行。如何利用AIGC、RPA等新一代数字技术，结合企业文化，加速企业数字化管理与运营，发展新质生产力，请参看下一篇。

看一下 DLV 的看板界面，是不是跟 Astro Canvas 很像。但是为啥要弄两相似的东西呢？

在连接本地数据库的时候，域名找不到用localhost也无法连接，求助!

请问IAM Token所在用户怎么订阅设备接入服务？？

我使用了visdom可视化我的模型训练，但是无法使用本地浏览器查看远程服务器训练结果，甚至ping不到服务器，这是特性还是我的操作有误，请大佬解答，谢谢

数据可视化大屏的数据不能自动跟新吗？每次都要点跟新查询按钮才会变

最开始在谷歌浏览器编辑数据大屏，创建一个数据转换器如图所示只要修改可编程区的代码，可编程区就会换行，且保存和运行按钮会消失之后怀疑是浏览器问题，更换成火狐浏览器进行开发。创建新的数据转换器如图。比谷歌浏览器时多了红色的未保存字样修改可编程区代码后，不会换行，按钮不会消失，但是点击保存和运行按钮都没有反应。把文档中的示例程序和实例原始数据拷贝进来运行也没有反应以及不管是在哪个浏览器中，问号按键均无法点击

人与自然并生，社会美好，未来常青

刚进去不要着急等运行完。

A river of misty water shines in the clear haze, and people on both sides of the river connect the painted eaves to protect the lotus cluster from a period of light in autumn

一名身穿白色连衣裙的少女正在伸手采花，她动作轻柔，姿态款款，眼眸低垂。