BYOD在各行各业中的话题性可谓是如火如荼,自带智能设备(BYOD)能够在节省企业成本的同时,满足员工个性化的诉求。然而,面对这股热潮的席卷,我们是否认真量化过针对BYOD的管理费用,闹不好的话,一旦推行BYOD,在IT管理上要多花些钱。
当下,“IT消费化”推动了个人设备在企业业务运作中的使用,对于BYOD风潮,企业是应该推动IT消费化?还是默守陈规,维持现状呢?面对BYOD带来的风险与机遇,到底是利大于弊,还是弊大于利?
优势在,信心也在
我们相信,IT消费化的趋势将会成为全球化的趋势,该趋势也势必会涉及到所有的国家及地区。但是,BYOD在中国尚未能发展并普及,这也说明了中国的CIO们对此还有所顾虑。谈到BYOD,我们先谈谈它具有的三个主要优势。
第一,BYOD能够让员工工作起来更加开心与满意。所以说,如果企业推广BYOD的话,将会为企业的客户及员工提供自由选择的权力。
第二,BYOD可以降低企业资产成本。一旦推广BYOD,终端设备的管理及维护工作就完全交给了员工个人。与此同时,由于推广BYOD,势必减少企业对于个人携带设备在维护上的成本支出。
第三,一旦面临自然灾害或者发生不可抗力的自然环境条件时,企业员工可以通过虚拟桌面,使用他们的个人设备在家里办公,而不会影响整个业务的发展。
总的来说,BYOD有三好,首先是企业员工更加满意;其次是减少资产维护成本;最后是在灾难或者是紧急情况发生的时候,不会影响到用户业务的发展。
担忧?不无道理
既然BYOD有这么多好处,为什么中国企业尚未采用并推广呢?要说为什么BYOD尚未被推广的缘由,主要归结于BYOD带来的一些挑战。
首先是如何管理不同设备的准入问题,尤其是员工需要从远程接入到企业数据中心时,准入问题尤为突出。
二是如何将企业数据和个人数据进行合理分离的问题,其中包括一些文件记录、电子邮件记录。
第三,就是管理问题,实际上我们不希望在BYOD模式中管理个人设备,试想一下,如果IT部门不仅要负责企业网络设备,还要管理个人移动设备的话,整个管理成本将会大大增加。
这样一来,投资回报率肯定会有所下降的。所以说,关键问题是如何平衡安全、准入和设备管理。一旦企业推广BYOD,个人设备的合规性及管理性问题将会接踵而至,而且这些设备产生的数据都将归属到IT部门,他们的能力及管理成本将面临挑战。
与此同时,BYOD还存在移动设备带来的挑战。如今,移动设备已经改变了整个应用的架构,也改变了我们制作、开发和测试应用的方式。过去大部分的应用都是针对于局域网来运行的,但是现在随着Wi-Fi、GSM、GPRS、LTE以及3G、4G这些网络的流行,我们必须要重新设计它们。大家都有过类似的经历,我们在移动中进行通话时,接收信号的信号塔从一个转移到另外一个的时候,信号会突然中断。在此移动的过程中,势必会造成信号不稳定的情况。倘若我们要用这些移动设备进行业务交易的话,我们必须克服此类问题,不然偶然的中断,会给企业带来经济上的损失。所以说,企业面临最大的问题就是如何将传统的应用彻底地转变成适合于移动设备的应用。
解决问题 行动!
面对员工的诉求与成本控制的可望,推广BYOD才是当下最与时俱进的做法,CIO们不应该回避。问题肯定会有,我们应该做的就是如何迎接挑战,解决困难。当BYOD带来的"狭路"与企业诉求"相逢"的时候,必定是走在浪潮中的智者胜出,调整企业的IT管理计划,做足针对BYOD的风险控制。让我们一起,拥抱BYOD,将"IT消费化"进行到底!
好文章,需要你的鼓励
OpenAI发布ChatGPT新功能Pulse,可在用户睡眠期间生成个性化报告,提供5-10条简报帮助用户快速了解当日重要信息。该功能旨在让用户像查看社交媒体一样优先使用ChatGPT。Pulse首先向每月200美元的Pro订阅用户开放,未来计划扩展至所有用户。功能支持连接Gmail、日历等应用,可解析邮件、生成日程安排。报告以卡片形式展示,包含AI生成的图像和文本,涵盖新闻摘要、个性化建议等内容。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
AI平台公司Clarifai发布新推理引擎,声称能让AI模型运行速度提升一倍,成本降低40%。该系统采用多种优化技术,从CUDA内核到高级推测解码,能在相同硬件上获得更强推理性能。第三方测试显示其在吞吐量和延迟方面创下行业最佳记录。该产品专门针对推理过程优化,特别适用于需要多步骤响应的智能体和推理模型。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。