ChatGPT引发职场人焦虑,其实也在让企业反思自己的数字化人才建设。AIGC技术的涌现让我们看到了数字技术在人的能力方面突飞猛进,也对我们个体的知识和能力提升有了更高要求。
人瑞人才创始人兼CEO张建国在接受至顶网采访时表示,数字化人才在企业数字化转型中扮演了重要角色,数字化转型会涉及企业管理、产品、服务的转型,是自上而下的战略行为,而人在其中是起关键作用的。
所以,数字化人才并不只是指研发技术人员,而是包括数字化领军人才、数字化管理人才、数字化专业人才和数字化应用人才。
数字人才缺口很大
数字经济蓬勃发展,我们可以整体分为数字产业化和产业数字化两大类。其中,数字产业化是将数字化技术作为核心要素而驱动商业行为,而产业数字化则是传统产业在进行数字化转型,比如新能源汽车产业、智能制造等。
人瑞人才联合德勤中国推出的《产业数字人才研究与发展报告(2023)》(以下简称《报告》)显示,当前数字化综合人才总体缺口约在 2500 万至 3000 万左右,且缺口仍在持续放大。
张建国说,从人才供给看,数字化人才的缺口非常大。总的市场需求在2500万左右,而市场能够供给的人才数量也就1000万左右,目前市场缺口在1500万左右。
为什么缺口如此大?在张建国看来,这是需求所致。比如现在汽车行业的智能化导致自动驾驶人才需求强烈,而人工智能的发展则带动了嵌入式工程师的需求,相关人才需求爆发式增长,而供给有限,所以人才缺口也就不可避免了。“未来3-5年,这个缺口会持续存在。”
至于具体的行业,新能源汽车、金融行业、智能制造、数字通信、互联网与电子商务等行业的人才需求依然巨大。
优化数字人才供给
人才缺口的出现,其实不只是表现为数量问题,还存在技能结构匹配问题。如何精准匹配和吸引数字人才、加速数字人才的供给与培养是数字经济发展背景下的重大挑战,也是值得企业探讨的关键问题。
张建国表示,学校是数字人才建设的主阵地,但是专业设置难以跟上社会发展。而社会化、市场化的实训机构则可以补充学校的教育。“不只是看从学校中培养多少人,也要看社会中有多少人通过学习来达到产业变革所需要的技能。而这些需要国家在政策、资金等方面进行投入支持技能实训机构,解决劳动力结构问题。”
社会化培训机构可以给个人提供更加便捷的学习环境和条件,形成一个良好的社会学习和人才的生态,更好推动中国经济的发展。
人瑞人才创立以来一直倡导效果导向的服务模式,帮助企业解决用人问题,包括人员招聘、人员管理等,更好地进行人才匹配。
张建国说,人瑞人才正在打造人才生态链,借助建立实训基地与在线培训相结合等方式,帮助企业和个人解决技能提升的问题。“我们对企业要求非常清楚,也知道个人能力结构转换,对解决人才市场紧缺的问题会起到更大的作用。”
“井”型数字人才
“T”型人才是在20世纪20年代初提出来的,指按知识结构区分出来的一种人才类型。 用字母“T”来表示他们的知识结构特点,即在垂直专业领域的知识或硬技能,比如对某一行业、某一流程的专业知识和深度洞察。
从互联网时代到智能时代,产业革命必然会带来人的技能革命性转变,如果无法转变,那只能被淘汰。而与此同时,新的岗位也会产生,比如现在的主播就是直播这一新的业态催生的。
在ChatGPT驱动下,我们看到数字员工这一概念也涌现出来。所谓数字员工其实就是将企业可以流程化、标准化处理的密集型工作比如财务报销、发票审核等工作进行自动化处理,提升工作效率,降低成本。
数字员工作为突破性的劳动力模式已经开始成为大多数企业用工的“新常态”。人机协同将成为企业解决人才问题的重要方式。
“适者生存,这是社会发展的根本,也是个人职业发展的根本。每个人需要具有自我学习的意识,将学习变成一个投资行为,才有助于个人的未来发展。在产业结构变革中,每个人在动态中去寻找自己的生存点。”张建国最后说。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。