对阿里技术线Job model的理解

简介: 事先声明写的是自己的比较关注的或感受较深的点,并不全面,供参考。 技术广度&深度 理解掌握主流的架构设计,并且能设计复杂的架构、框架等有广度才能避免重复造轮子,才能做出有生命力的设计。如果你不了解趋势,更好的功能组件,设计的方案很可能就是容易过时,没有生命力的。

事先声明写的是自己的比较关注的或感受较深的点,并不全面,也不官方,供参考。

技术广度&深度

  1. 理解掌握主流的架构设计,并且能设计复杂的架构、框架等
    有广度才能避免重复造轮子,才能做出有生命力的设计。如果你不了解趋势,更好的功能组件,设计的方案很可能就是容易过时,没有生命力的。

业务理解

  1. 理解业务目标和价值,帮助业务落地
  2. 关注业务指标,发现问题,帮助业务推进

项目管理

  1. 有长链路,复杂或因资源紧张等困难的项目的管理经验

影响力

  1. 输出的东西(比如技术文章,总结分享)对别人有帮助
  2. 持续拿到好的业务结果,做正确的事,让人信服

以上主要是 P7 的能力要求,项目管理其实不是那么必要,影响力也不会被太考察,但是随着层级的升高影响力会越来越重要。需要业务思维,知道业务是怎么想的,以业务价值为依归

P8 以上会特别强调创新。什么是创新?为什么会公司会强调创新?
总有思维定式觉得要搞出别人没搞过、见过的东西才叫创新。瞎搞也能搞出别人没见过的东西,这个定义指导不了创新。俞军对创新的定义是

用任何新要素审视现有生产方式和生活方式,如果能应用并创造新的用户价值,那就是创新

创新=新价值 by 新要素

P6, P7 也可以也会有创新,在项目中引入新组件解决xx问题,提升了xx等。只是这些创新的价值可能不算大,P8 的创新 = 大的新价值。大的新价值往往需要引入新要素,因为对旧要素的修补、完善很难折腾出大的价值。

也回答了公司为什么对 P8 要强调创新,因为这等于是要求创造大的价值。所以还是以价值为依归的。

目录
相关文章
|
2月前
|
存储 SQL 分布式计算
大数据-127 - Flink State 04篇 状态原理和原理剖析:状态存储 Part2
大数据-127 - Flink State 04篇 状态原理和原理剖析:状态存储 Part2
21 0
|
2月前
|
存储 消息中间件 大数据
大数据-126 - Flink State 03篇 状态原理和原理剖析:状态存储 Part1
大数据-126 - Flink State 03篇 状态原理和原理剖析:状态存储 Part1
70 0
|
6月前
|
机器学习/深度学习 人工智能 NoSQL
人工智能平台PAI产品使用合集之save_summary_steps这个配置项我设置了值为50,为什么还是1000个step才记录一次summaries
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
|
弹性计算 Cloud Native JavaScript
云原生游戏开服时间模拟工具 - fake-time-injector
当游戏服完成云原生化改造,进行模拟时间设置的时候,就会遇到一些问题。因为默认情况下Pod的时间是继承ECS的时间设置的。如果直接修改ECS的时间,会影响该节点所有的Pod,这对于测试环境而言是不可接受的,需要不影响其他节点的Pod时间修改方式。fake-time-injector是阿里云与莉莉丝游戏通过CloudNativeGame社区一起开源的用于云原生场景下修改模拟时间的组件,协助游戏运维人员简单快速完成开服模拟时间测试。
590 0
|
存储 SQL 监控
Sentry 监控 - Snuba 数据中台架构(Data Model 简介)
Sentry 监控 - Snuba 数据中台架构(Data Model 简介)
254 0
Sentry 监控 - Snuba 数据中台架构(Data Model 简介)
|
存储 数据可视化 关系型数据库
AWS Data Pipeline调研
AWS Data Pipeline是AWS提供的一项用于在不同计算和存储服务之间大规模传输、转换和处理数据的Web服务。利用AWS Data Pipeline,用户在不用关心计算存储网络等资源的情况下轻松创建出高可用的复杂数据处理任务,可以定期地读取并处理用户存储在AWS上的数据,最终高效地将计算结果传输到如 Amazon S3、Amazon RDS、Amazon DynamoDB 和 Amazon EMR等各种AWS服务中。
378 0
|
机器学习/深度学习 存储 人工智能
Paper:《Pre-Trained Models: Past, Present and Future大规模预训练模型的发展历史、最新现状和未来发展三个方向》翻译与解读
Paper:《Pre-Trained Models: Past, Present and Future大规模预训练模型的发展历史、最新现状和未来发展三个方向》翻译与解读
Paper:《Pre-Trained Models: Past, Present and Future大规模预训练模型的发展历史、最新现状和未来发展三个方向》翻译与解读
|
SQL 消息中间件 监控
DataScience&ML:金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略
DataScience&ML:金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略
下一篇
DataWorks