思杰Citrix首席人力资源官Donna Kimmel
很多人认为远程工作和网课不会持续太长时间。但纵观全球形势,员工们发现他们不可能再像以前那样回到工作岗位了,孩子们的学习方式也变了。这让他们有点不知所措。
除了管理好自己的工作,很多员工现在必须找地方抽时间去监督孩子们在线学习,而孩子们有时是在家学习、有时是在校学习,或者兼而有之,员工们不得不去适应这些情况。对此,公司管理人员应该为他们提供必要的支持。
疫情来袭时,公司纷纷迅速采取行动,为员工提供技术手段,使他们能够在家里继续安全可靠地工作。现在,公司还需要提供资源来帮助他们应对随之而来的挑战,比如支持新的教育模式。
这正是管理人员的职责所在。站在员工的第一线,他们必须挺身而出,想办法既能让公司业务维持运转,客户满意,也能让员工保持身心健康。他们需要比以往任何时候都更富有同理心,处事更灵活,更善于沟通和更人性化。
这不是一项容易的任务,也不是大多数管理人员都能欣然接受的。在当前充满不确定性和挑战的时期,这对于成功至关重要,只需采取一些简单有效的举措就能做到。
以人为本
和有孩子的员工们谈谈心,问问家里情况怎么样。不论是面对面学习、远程学习还是采取混合方式学习,很多家长都不得不做出艰难的选择,这让他们非常焦虑。让他们知道管理人员能为他们提供资源,从员工援助计划到儿童保育经济支持,都可以帮助他们从容应对。
灵活变通
生活里总会有突发状况,而且经常是在工作时间。在管理上,应该变通一些,要信任员工。让他们知道,离开几个小时去监督孩子的网课,或者等到网课下线或者其他家庭成员可以接手时才能工作——这些都是没问题的。他们会感谢公司的理解,对公司的支持一定会有回报的。
调整心态
很多管理人员认为,只有看着员工工作,他们才会有效率。这得改改了。现代员工想要自由、灵活的选择工作时间、地点和方式。忙于工作的家长和在家学习的孩子们都有这方面的要求。研究表明,当满足他们的这些要求时,他们也会同样努力工作。据OnePoll代表思杰公司进行的一项研究,在6个国家接受调查的1万名员工中,超过一半的受访者表示,他们在家工作的时间与在办公室工作的时间相同甚至更长。
帮他们做做家庭作业
不要让压力大、时间紧的员工自己去寻找能帮助他们的信息。公司也许已经有了一个简洁的网站,员工们可以去查看休假政策、程序和福利。但是,除了工作、做家务,甚至照顾年迈的亲属之外,还得教孩子的家长们可能没有时间去访问网站,因此,他们可能会错过公司针对他们提供的各种帮助,例如:
作为公司的管理人员,需要自己首先弄清楚公司的政策,然后通过电子邮件、Slack和其他社交渠道告知员工,也可以当面告诉他们,这样他们就可以方便地利用这些政策。
设定明确的目标和期望
新冠病毒迫使我们重新思考工作方式。而我们也需要重新审视衡量成功的方式。这非常简单。看重结果,而不是时间。预先设定明确的目标和期望,并与员工一起为实现这些目标创造合适的环境。利用数字工作空间等技术来组织和指导工作,实现工作自动化,去掉那些低价值的任务,以便员工们能够专注于他们工作中战略性、有意义的方面,同时还能教教孩子数学作业,给孩子做做饭。精简会议。如果有些会议没有明确的议程,也没有相关方去推动,那就取消这些会议。尽量少发电子邮件。在全部回复之前,先问问自己是否真的需要这样做,考虑采用其他形式更丰富的沟通方式,例如Teams和Slack。
远程工作是新常态。但对大多数员工来说,还需要适应这种状态。当面对虚拟学习带来的挑战,并帮助员工们进行调整时,没有蓝图,也没有通用的计划。管理人员应做好功课,了解部门员工各自面临的问题,协调资源帮助他们解决这些问题。这样,既为员工的成功赋能,又促进了业务的发展。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。