枫影(王鸿华):数字化浪潮下的人力资源新航向

枫影老师枫影(王鸿华) 注册讲师 7查看

课程概要

培训时长 : 1天

课程价格 : 扫码添加微信咨询

课程分类 : 人力资源

课程编号 : 35692

面议联系老师

适用对象

HR

课程介绍

【课程背景】 随着科技的飞速发展,数字化已经渗透到各行各业,对企业管理模式、业务流程以及人力资源配置产生了深远的影响。特别是在人力资源管理领域,传统的模式和方法已经难以适应快速变化的市场需求和企业发展。因此,本课程旨在帮助人力资源从业者深入了解数字化背景下的发展趋势和前景,掌握应对策略,提升专业素养,为企业创造更大的价值。

【课程收获】

1. 洞察行业趋势:深入了解人力资源行业在数字化时代的发展趋势和前景

2. 提升决策能力:培养数据驱动的思维方式

3. 拓展职业视野:拓宽职业视野,为未来的职业发展提供更多可能性和机遇

【课程对象】HR

【课程时长】0.5天(3小时)

【课程大纲】

一、开篇:数字化时代,人力资源何去何从?

 1.简述数字化对产业与企业的深刻影响

2.人力资源面临的新挑战与机遇

  二、应对策略:拥抱变革,引领未来

技术融合:

  1. AI、大数据助力人力资源管理升级 
  2. 思维转变:从执行者到战略伙伴的角色重塑
  3. 流程优化:数字化工具提升员工体验与效率 
  4. 数据决策:精准洞察,科学规划人力资源

三、未来趋势:洞察先机,把握方向

  1. 数字化管理:人力资源系统的革新与演进
  2. 员工体验为王:打造吸引力十足的工作环境
  3. 灵活用工新篇章:应对市场变化的弹性策略
  4. AI与HR的完美结合:智能招聘、培训与绩效

四、前景展望:共创人力资源新纪元

  1. 战略地位凸显:人力资源成为企业核心竞争力
  2. 模式创新不断:探索人力资源管理的新边界
  3. 职业新机遇涌现:数据分析、科技专家等热门角色
  4. 行业生态重塑:开放、协同、共享的新格局

五、案例解析

案例一:谷歌的人力资源数据分析

  • 谷歌利用大数据和机器学习算法,分析员工的招聘、绩效、离职等各个环节的数据,以优化招聘流程和提高员工留存率。

 案例二:亚马逊的灵活用工策略

  • 亚马逊的人力资源部门通过数字化技术,如智能排班系统和远程工作平台,有效地管理这些灵活用工,确保在业务高峰期能够迅速调配人力资源,同时在业务低谷期能够降低人力成本。

案例三:领英的人才招聘与品牌建设

  • 领英的人力资源部门利用平台的社交功能和大数据分析技术,为企业提供更精准的人才招聘服务。
  • 领英还鼓励企业在平台上建立公司主页和职业发展页面,展示企业文化和职业发展机会,吸引更多优秀人才。

案例四:腾讯的人力资源数字化转型

  • 腾讯的人力资源部门通过引入人工智能、大数据和云计算等技术,实现了人力资源管理的全面数字化。
  • 腾讯还建立了员工数据中心,实时收集和分析员工绩效、培训、离职等数据,为企业决策提供有力支持。

枫影(王鸿华)老师的其他课程

• 枫影(王鸿华):人力资源数字化及AI应用
【课程背景】 在数字化浪潮的推动下,国有企业的人才发展集团正站在转型升级的十字路口。面对激烈的市场竞争和人才争夺战,如何利用数字化手段优化招聘系统、提高派遣业务效率、实现数据分析和人才精准推送,成为提升企业核心竞争力的关键。本课程将结合实在智能的数字化员工解决方案,为高管层提供一套系统的数字化转型策略和实践指南。 【课程收获】 1. 深入理解数字化转型在人力资源管理中的战略价值。 2. 掌握数字化工具和方法,实现招聘流程的智能化和自动化。 3. 学习如何通过数据分析优化人才管理和业务决策。 4. 借鉴行业案例,获取数字化转型的实战经验和解决方案。 5. 构建符合企业自身特点的数字化转型路径图。 【课程对象】 国有企业人才发展集团的高管、人力资源部门负责人及相关业务团队成员。 【课程时长】1天(6小时) 【课程大纲】 一、数字化转型的宏观视角 1. 数字化转型的定义与趋势 (1)数字化转型的核心概念 (2)人力资源领域的数字化转型趋势分析 2. 国有企业在数字化转型中的优势与挑战 (1)国有企业数字化转型的内外部环境分析 (2)面临的主要挑战与应对策略 二、招聘系统的数字化优化 1. 招聘流程的数字化再造 (1)简历收集与筛选的自动化流程设计 (2)基于RPA技术的面试流程管理 2. AI智能筛选简历技术应用 (1)实在智能的简历筛查及投递自动化案例分析 (2)人才简历读取归档的数字化实践 3. 招聘系统数字化的行业案例分享 (1)平安银行宁波分行招聘系统数字化转型的成功案例 (2)从案例中提炼的策略与启示 三、派遣业务系统的数字化升级 1. 派遣业务流程的数字化转型 (1)基于RPA的派遣员工管理自动化 (2)数字化合同与薪酬管理系统构建 2. 优化派遣业务系统的关键技术要点 (1)流程自动化工具(RPA)在派遣业务中的应用 (2)数据集成与分析在派遣业务中的重要性 3. 派遣业务数字化的行业应用案例 (1)国有企业派遣业务数字化转型的实践案例 (2)案例中的创新点与可借鉴之处 四、数据分析与人才精准推送 1. 数据驱动的人才管理策略 (1)数据收集与分析在人才管理中的作用 (2)基于数据分析的人才决策支持系统 2. 人才精准推送的实现路径 (1)人才画像构建与数据分析技术 (2)基于数据的人才推荐系统的设计与实施 3. 数据分析与人才推送的行业案例分析 (1)国有企业如何通过数据分析实现人才精准推送 (2)案例中的策略与实施效果评估 五、数字化转型战略规划与实施 1. 制定数字化转型战略 (1)数字化转型目标与路径的确定 (2)实施计划与关键里程碑的设定 2. 构建支持数字化的组织文化 (1)数字化思维的培养与推广 (2)跨部门协作与知识共享机制的建立 3. 风险管理与持续改进机制 (1)数字化转型中的风险识别与应对 (2)持续改进与创新机制的构建 六、课程总结与互动讨论 1. 课程要点回顾与知识点梳理 2. 学员问题解答与个性化指导 3. 行动计划制定与实施建议
• 枫影(王鸿华):AI智能体与数字员工
课程背景: 随着人工智能与自动化技术的飞速发展,数字员工已成为推动企业数字化转型的关键力量。本课程旨在深入探讨数字员工的最新技术趋势、应用案例、以及如何与大模型、AI技术有效结合,提升企业的运营效率与智能化水平。针对当前数字员工在实际应用中的局限性,特别是缺乏“思考”能力的问题,我们将深入解析如何利用大模型和AI技术补足这一短板,并探索其在客服、运营、决策支持等领域的前沿应用。 课程对象:数字化转型负责人、自动化工程师、客服部门经理、运营优化专家 课程收获: 深入理解数字员工行业动态及技术前沿。 掌握数字员工与AI、大模型结合的最佳实践。 学习如何设计与实施高效的数字员工应用场景。 了解并掌握提升客户体验和内部运营效率的策略与工具。 建立正确的数字员工风险管理与运维监控体系。 课程时长: 2天(每天6小时) 课程大纲: 模块一:数字员工行业介绍及发展趋势 1.1 数学员工应用案例分析 - 金融行业:自动报表生成与风险评估策略 - 制造业:供应链优化与质量控制自动化实践 - 客服领域:智能客服助手与用户意图识别技术 - 医疗健康:病例录入自动化与初步诊断辅助系统 - 教育行业:个性化学习计划与学生表现分析模型 - 效果评估:KPIs设定与数据分析方法论 1.2 行业发展史与现状 - 技术起源与演进历程 - 当前行业先进技术概览:RPA、AI、大数据集成技术 - 面临的技术挑战及合规性、安全性解决策略 1.3 未来展望与新兴技术 - 市场增长预测:未来几年行业规模与增长率 - 潜在增长领域分析:智能制造、智慧医疗、金融科技趋势 - 新兴技术趋势探讨:大模型应用、低代码开发、量子计算接口等 模块二:IPA与大模型集成及应用实践 2.1 结合方式与案例分享 - API集成技术实现智能决策与自动化操作对接 - 代码自动生成与优化:大模型辅助RPA脚本开发 - 数据处理优化:大模型处理复杂数据,提供结构化信息 2.2 大模型辅助RPA程序开发 - 需求理解自动化:大模型分析业务需求生成开发指南 - 编码辅助:实时代码优化建议,提升代码质量 - 测试自动化:基于大模型的测试用例生成与自动化测试支持 2.3 客服领域大模型应用解决方案 - 意图识别与快速响应策略 - 情绪分析与沟通策略优化 - 自动化回复生成与知识库动态维护 - 工作流自动化:坐席辅助、工单处理与服务内容自动生成 模块三:IPA与AI融合技术及应用场景 3.1 技术与应用概述 - OCR技术在文档处理中的应用案例 - NLP在客户服务中的角色与文本分析方法 - 情感识别技术提升客户体验策略 - 自动化决策支持系统的构建与应用 3.2 AI与机器学习集成策略 - AI算法与RPA流程结合的关键点与实施路径 - 通过机器学习优化自动化流程的策略与案例分析 3.3 RPA+AI趋势与技术要点深化 - 最新技术动态与市场应用案例分享 - 关键技术知识普及:算法选择、模型训练等基础 3.4 无缝集成与内建AI能力 - AI功能嵌入RPA开发的策略与技巧 - 构建内含AI能力软件平台的考虑因素与方法 3.5 数智化转型框架与风控体系 - 数智化转型理念与价值传递 - 实施场景挖掘与项目推进方法 - 风险管理与运维监控体系构建策略 模块四:数字员工可支撑场景与能力展望 4.1 应用场景与需求深度剖析 - 生产、运营、管理中的数字员工应用全景 - 一线员工支持实例与后台自动化提升方案 - 自动化工单处理与业务流程优化实践 4.2 数字员工能力边界与未来潜力 - 当前能力范围与局限性分析 - 未来能力预测与实现时间线 4.3 热线与生产领域创新应用案例 - 热线运营中的数字员工应用原理与实战成果 - 生产领域数字员工创新技术原理与效果展示 模块五:数字员工与智能化工具协同策略 5.1 客服领域人机协同优化 - 理想状态的人机协同模式设计 - 客户体验与员工效率双提升策略 5.2 客户体验提升工具与方法 - 数字员工在常规工作中的应用案例 - 创新工具整合策略,实现客户体验升级 5.3 能力融合与联动成效探索 - 客服中心数字员工与各能力模块融合路径 - 成效评估机制与持续优化策略 模块六:开发与技术挑战应对 6.1 RPA与大型语言模型集成 - AI Agent开发原理与实践步骤 - 开发技巧与最佳实践分享 6.2 无代码RPA敏捷开发与部署 - 无代码平台的优势与应用策略 - 分中心级敏捷开发与部署实施指南 模块七:其他关键议题与技术前沿 7.1 RPA技术拓展实践 - 系统模块集成优秀案例分析 - 模糊意图识别技术探索与应用实例 - 集群部署与技术演进路线图 7.2 客服系统革新与创收策略 - IPA与新一代客服系统的集成与应用 - 数字员工作为利润增长点的策略与实践 7.3 自动化运维与技术融合优化 - 自动化运维与监控解决方案 - RPA与云化技术结合实践与资源池部署策略 - 系统改造与前沿应用场景挖掘指南
• 枫影(王鸿华):AI大模型与AI算力
【课程背景】 工智能技术的迅猛发展,特别是以深度学习为代表的技术革新,AI大模型(如GPT系列、BERT等)成为了 推动自然语言处理、计算机视觉等多个领域进步的关键力量。这些模型通过大规模的数据训练,能够实现 超越传统方法的效果,并且在不断优化中展现出更强大的泛化能力和应用场景。与此同时,算力作为支撑 这些大模型运行的基础资源,其重要性日益凸显。无论是训练还是推理阶段,高性能计算能力都是保证模 型效果与效率的重要因素。 移动通信技术的进步,尤其是5G乃至未来的6G网络部署,为AI应用提供了更加广泛的应用场景和可能性。 在这样的背景下,如何有效地利用大模型和先进算力资源,成为移动研究院等科研机构关注的重点。本次 培训旨在帮助学员深入了解AI大模型的工作原理及其在移动通信领域的潜在应用,并掌握高效利用算力进 行模型训练与优化的方法。 【课程收获】 1.深入理解AI大模型的发展历程、现状及未来趋势 2.掌握大模型的基本概念、架构设计原则及关键技术点; 3.学习算力对大模型性能的影响机制以及如何选择合适的硬件平台。 4.了解AI-LLM在各个行业的应用现状及趋势 【课程对象】 全员 【课程时长】 1-2天(6h/天) 【课程大纲】 Part1 A I发展史 1. 1人工智能概念的提出 1.2人工智能的定义 1.3机器定理证明、跳棋程序等研究成果 2.机器学习: 数据驱动决策 2.1 监督学习、无监督学习 2.2 强化学习 3.深度学习: 神经网络模拟人脑 3.1 机器视觉CV 3.2 自然语言处理NLP 3.3 语音VC   4.第三代生成式AI: 内容与设计 Part2 AI发展要素 1.A I发展三大基础要素: 算法、 数据与算力 1.1算法:AI发展的关键 1.2数据: 大量可以被用来训练的有价值的数据 1.3高性能算力: 支持复杂AI模型构建 2.算法进步 2.1深度学习与强化学习的结合 2.2量子AI的崛起 2.3多模态技术融合 2.4智能化与个性化提升 3.算力加速 3.1 AI大模型推动物理推理算力需求激增 3.2分布式推理算力中心下沉 3.3全球智能算力规模增长 3.4GPU成为AI加速新品通用性解决方案 4.数据 4.1数据治理 4.2在线离线一体化数据库 4.3分布式隐私方面的突破 4.4数据处理与AI一体化 Part3 AI大模型 1.A I大模型的定义与基础 1.1具有庞大参数规模和复杂程度的机器学习模型 1.2基于深度学习和人工神经网络训练 1.3数据为基石,预训练提取高级特征 2.A I大模型的发展历程及趋势 2.1 从萌芽期到AI1.0, AI2.0d 飞跃 2.2 参数规模增长:数百万到千亿级别 2.3 通用化与专业化并行 2.4 表现 2.4.1多模态、跨模态和大尺度模型的发展 2.4.2开源大模型爆发 2.4.3企业级市场应用快速拓展 3.A I大模型的发展驱动要素 3.1 政策对AI大模型发展的驱动因素 3.2 技术对大模型发展的影响 3.2.1 算力资源 3.2.2 算法人才 3.2.3 数据积累 3.2.4 高位数据建模与特征提取问题 3.3 AI大模型市场应用推动AI大模型的发展 3.3.1 2C的发展 3.3.2 2B产业应用 4.A I大模型目前国内外主要代表 4.1国际公司OPENAI、Google等主要模型 4.1.1 GPT:GPT-4和GPT-4o 4.1.2 Claude3模型 4.1.3 PaLM:PaLM-E等多模态 4.1.4 Gopher:DeepMind 4.1.5 Gemini: 原生多模态大模型,跨模态能力突破 4.1.6 LLama2: 开源模型家族,能力大幅提升 4.1.7 Mixtral 8x7B: 引入专家混合技术,开源领域重要力量 4.2百度、阿里巴巴等国内大模型 4.2.1传统互联网企业大模型:文心、通义、豆包、混元 4.2.2 新生代:智谱GLM、月之暗面KIMI、商汤 4.2.3 行业大模型 5.A I大模型基础技术原理 5.1技术背景与核心概念 5.1.1深度学习与神经网络 5.1.2预训练模型的原理 5.1.3参数优化与训练数据选择 5.2核心架构 5.2.1纯Prompt提示词法 5.2.2Agent + Function Calling机制 5.2.3RAG(检索增强生成) 5.2.4Fine-tuning微调技术 5.3模型结构与训练策略 5.3.1Transformer模型架构 5.3.2MoE(专家混合模型) 5.3.3多模态模型 5.3.4分布式并行加速与计算优化 Part4 AI大模型的应用 1.技术与算法应用场景 1.1大模型调用技术: 快速实现成果 1.2自然语言处理(NLP): 语音识别、文本生成 1.3生成式AI: 内容生成、交互生产   2.A I大模型的能力 2.1巨大的参数量和深层网络结构 2.2 强大的泛化能力和多模态理解能力 2.3 涌现能力 2.4 高效的数据处理和计算效率 2.5 降低开发门槛和提高模型精度 2.6 生成式AI的应用 2.7 跨领域的知识和语言理解能力 3.A I大模型的表征应用 3.1息检索与处理 3.1.1自然语言处理 3.1.2图像识别与分析 3.1.3文本分类与理解 3.2 内容生成 3.2.1 文本 3.2.2 图片与视频 3.2.3 语音 3.2.4 代码 3.3 智能聊天机器人 3.4 智能助理agent 4.行业应用 4.1金融领域: 智能风控、智能营销 4.2政务领域: 政策分析、公共服务优化 4.3医疗保健: 病例分析、疾病预测 4.4电商领域: 客户行为分析、个性化推荐 4.5教育领域: 个性化学习、情感分析 4.6制造业: 生产管理、质量控制 4.7农业: 遥感监测、作物病害预测 Part5 AI大模型的商业模式 1.商业化路径 1.1MaaS模式: 大公司提供预训练模型,垂直行业小公司构建和部署 1.2一体化黑箱模型: 简化用户对原理的了解,直接使用成果 1.3B端应用定价: 时间段收费、按调用量收费、包含硬件的一站式解决方案 2.商业策略平台 2.1Vizologi: 生成前瞻性商业计划,市场竞争分析 2.2企业数字化: 生成式AI在不同领域的应用 3.商业模式探索 3.1To B或To C选择: 产品繁荣或消亡的关键 3.2私有化部署方案: 满足数据安全需求,增强信任度   4.商业应用与体验赋能 4.1生成式AI在企业中的应用: 金融服务、政府和公共服务等领域 4.2AI技术在实体经济中的赋能作用 5.商业化进展 5.1行业持续技术突破和早期产品落地 5.2可行的商业模式 Part6 AI大模型的产品设计与部署 1.产品设计阶段 1,1目标定义与需求场景 1.2双故事线策略探索 1.3用户体验与价值驱动 1.4业务逻辑集成 2.技术选型与开发流程 2.1大模型科学选型 2.2开发流程概览 2,4本地离线部署方案 3.部署与优化 3.1部署服务选择 3.2模型训练迭代 3.3数据隐私与成本控制 Part7 AI算力 1.A I算力的概念与作用 1.1定义 1.2算力基础设施 1.2.1AI大模型训练与推理的核心 1.2.2GPU为算力核心组件 1.2.3AI服务器、存储需求增长 1.3对AI大模型的支撑 2.技术与设备 2.1GPU服务器主导 2.2AI芯片多样化 2.3HBM DRAM存储技术 3.应用场景 3.1大模型训练 3.2生成式AI应用   4.对行业的影响和挑战 4.1数字经济和AI+的推动 4.2供需矛盾与资源分配不均 4.3数据中心算力瓶颈 4.4光模块需求放量 5.未来的展望 5.1AI算力国产化 5.2国家级AI算力网络

添加企业微信

1V1服务,高效匹配老师
欢迎各种培训合作扫码联系,我们将竭诚为您服务