A Study on Improving Organizational Structure and Cultural Alignment Based on Iterative Computing in Enterprise Digital Transformation
Notice bibliographique
Résumé
In the context of big data, with the accelerated development of digital technology, enterprises are facing the pressure of digital transformation, and at the same time, big data computing system provides technical support for the digital transformation of enterprises.In this paper, we propose a data analysis system based on iterative computing for the digital transformation of enterprises.In order to avoid the resource consumption caused by unnecessary repeated calculations in iterative computing, this paper proposes optimization based on Spark fault-tolerant mechanism and constructs an enterprise data analysis system based on iterative computing model, which provides technical support for enterprise digital transformation.On this basis, this paper also provides optimization strategies in terms of organizational structure and cultural coordination for enterprise transformation, which provides an effective path for realizing comprehensive digital transformation of enterprises.Through the test of this paper's iterative computing data analysis system, the speed of Spark optimization based on this paper is increased by nearly 2 times, which illustrates the usefulness of this paper's optimization based on Sparl fault-tolerant mechanism.Meanwhile, the cache misses of the data analytics system are in the range of 46% to 60%, which provides better performance performance in terms of cache hits and time overhead.In this paper, we provide practical and feasible transformation paths for enterprise digital transformation from three aspects, including digital technology, enterprise organizational structure and culture, and promote the development of enterprise digital transformation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».