研发效能双周报 11月 vol. 1 | 英国议会呼吁立法规范 AI 在员工效率管理中的应用

小逸-学习中 2021-11-16 21:52:49

1. 英国工作发展APPG建议立法,规范算法在员工管理中的应用

英国工作发展跨党派议会小组(APPG)本周发表报告称,滥用的算法监控、自动考核可能会导致员工管理过度细化,给员工身心健康造成不良影响

随着远程/混合办公模式和零工经济的普及,许多企业采用了监控技术来确保员工在上班期间没有摸鱼。这些技术包括后台计算空闲时间、摄像头识别员工是否在电脑前、追踪键盘敲击频率和网页浏览历史、记录邮件、工作消息及通话记录等。ExpressVPN此前的调查表明,高达78%受访企业采用监控软件来记录员工的线上活动。

对于这类监控,根据ExpressVPN的数据,59%受访员工表示感到压力与焦虑,43%感到信任受到侵犯。除了员工隐私及健康的顾虑以外,监控算法目前还可能存在系统性偏误,甚至种族、性别偏见。

该APPG呼吁设立“算法可靠性条例”,以补充当前法律制度对AI应用的管控不足,规范AI与算法在工作场景中的应用,坚持以人为本。具体建议包括员工参与算法设计及使用听证、雇主提前评估算法可能带来的影响、设计行业性规范引导雇主在管理中合理使用AI与算法等。

 

延伸阅读:一个引起争议的案例

今年8月,俄罗斯一家名为 Xsolla 的游戏支付公司宣布裁掉 150 名员工,理由是算法判定这些员工的工作效率低下、不敬业。据介绍,自疫情后远程办公以来,Xsolla 的员工将工作全部转到线上,给算法标记提供了便利。该公司本次裁员涉及公司三分之一左右的员工,其利用 AI 算法来判定一个人是否有足够生产力来继续就业的做法也受到了业内抨击。

尽管新技术创造了新的生产力增长点,在涉及到管理时,依然要把人当作人,而非“去人格化”的资源,警惕技术的滥用

 

2. 研究显示 51% 开发者因技术债离职

开发者工具 Stepsize 近期开展的一项调研中,51%受访开发者称,已离职或考虑离职的原因是技术债堆积带来挫败感,使创新难以开展;82%开发者认为不佳的代码规范和软件工程实践影响了自己的工作满意度

在项目前期,研发团队常常在效率与质量中舍弃后者,以保障功能准时上线;在中后期,如果没能在质量方面有足够投入,技术债的数量与影响范围不断累积,维护成本将持续升高——团队成员流失及高昂的招聘费用也是成本之一

研究方建议研发团队在实践规范方面加大投入,并在必要时运用业务导向的指标量化技术债所带来的负面影响,以争取公司其他团队的支持。

 

延伸阅读:开发者平均花 20% 时间解决技术债

IBM 系统科学研究院研究显示,相比在设计、开发、测试阶段中发现并解决问题,产品发布后解决问题的成本将数倍上升

 

仅 1% 用户会主动报告他们遇到的 bug,导致产品缺陷的暴露往往是滞后的,而在此之前,也许已经有很多用户因为不佳的体验而离开。

除了用户体验之外,开发者体验也因技术债堆积而恶化——开发者花在寻找问题原因、解决缺陷的平均时长约为工作总时长的 20%。如果技术债持续堆积,意味着创新难以开展,技术团队、业务团队与用户的满意度降低,企业不止要消耗资源在解决眼前的问题,也浪费大量机会成本。

 

3. 行业活动:Leacode CTO 领导力峰会

本届 Leacode CTO 领导力峰会由 51CTO 与腾讯云 TVP 联合主办,将于 11 月 28 日在北京举行。本届峰会将就科技创新大环境下的数字化转型、网络安全、开源、技术管理体系创新、产品创新等话题进行深入探讨。

届时,思码逸 CEO 任晶磊将与客户 Dell EMC 的高级首席工程师姚凌云一道,分享研发数字化转型的行业先进实践。

...全文
1366 1 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
  • 打赏
  • 举报
回复

感谢优质内容,将收录到CSDN官方的社区周刊。往期参考 https://bbs.csdn.net/topics/603335113

内容概要:本文介绍了一个基于MATLAB实现的RL-Transformer模型,将强化学习控制器(RL)与Transformer编码器相结合,用于多变量时间序列预测。项目通过构建完整的数据预处理、模型设计、训练与验证流程,利用Transformer的自注意力机制捕捉变量间的长距离依赖关系,并引入强化学习实现模型参数的动态调整,提升预测精度与鲁棒性。模型架构包含四个核心模块:数据预处理、Transformer编码器、强化学习控制器和预测输出模块,支持并行计算与自适应优化,有效应对复杂时序数据的非线性依赖、误差积累和环境变化等挑战。文还提供了关键模块的MATLAB代码示例,包括多头注意力、前馈网络、层归一化及策略网络实现。; 适合人群:具备一定深度学习与强化学习基础,熟悉MATLAB编程环境,从事时间序列预测、智能控制、工业数据分析等相关领域的研究人员与工程师;适合高校研究生及企业研发人员; 使用场景及目标:①应用于金融、能源、交通、智能制造等领域的多变量时序预测任务;②实现模型自适应调节,提升长期预测稳定性;③探索深度强化学习与Transformer在时序建模的融合方法; 阅读建议:建议结合MATLAB深度学习与强化学习工具箱进行代码复现,重点关注状态设计、奖励函数构建与模型联合训练策略,建议配合完整项目代码与GUI界面深入理解系统实现细节。

62

社区成员

发帖
与我相关
我的任务
社区描述
专注软件研发效能和软件工程领域,干货资讯与实践经验分享
软件工程经验分享 企业社区
社区管理员
  • 思码逸研发效能
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧