姚波出任中国平安联席CEO,马明哲辞任CEO继续担任董事长

7月1日,中国平安召开第十一届董事会第十五次会议并决议:为配合公司战略转型升级需要、加强“执行官+矩阵”集体决策机制,聘任姚波出任公司联席首席执行官(Co-CEO)。

同时,鉴于当前公司的决策体制、运行机制完备,人才梯队完整成熟,经多年实践证明现行模式行之有效,公司董事会经审慎考虑,同意马明哲个人提出的辞去首席执行官职务的请求。辞任首席执行官后,马明哲继续担任董事长,按《公司章程》规定,在董事会休会期间,代表董事会推动公司贯彻执行股东大会和董事会的各项决策决议,负责公司的战略发展、战略创新、人才培养、文化建设,以及公司的重大事项决策等职责,继续发挥核心领导作用。

三位联席CEO形成更加稳固的集体领导团队

董事会认为,姚波拥有开阔的国际视野、精湛的财务精算专业水平和丰富的经营管理经验,由姚波先生担任公司联席CEO,作为公司整体经营性运营管理、风险管控及协调职能的负责人,是对“执行官+矩阵”集体决策机制的有力补充,有助于进一步增强从战略规划到落地的管控体系。

自2008年出任公司首席财务官以来,姚波全面负责公司战略实施、计划落地、财务企划、资金与流动性风险管控等职责,并领导建立了一套贯穿“战略-计划-追踪-落地”完整的经营管理体系,为集团在多领域、多元化的纵深发展和开拓,确保经营安全稳健发展,发挥了不可或缺的基础保障和支撑作用。

未来,平安三位联席CEO,谢永林、陈心颖、姚波将形成更加稳固的集体领导团队,与其他条线职能执行官一起,协同“金融”及“科技”业务条线,更强有力地推动公司战略升级,实现可持续健康发展。

谢永林,作为公司总经理兼联席首席执行官,其核心职责以分管集团金融业务板块为主,包括主管平安银行业务,以及分管团体客户综合金融业务以及金融板块相关专业公司的发展,协管个人客户综合金融业务。

陈心颖,作为公司联席首席执行官,其核心职责以分管集团科技业务和创新业务板块为主,包括负责金融科技、医疗科技、智慧城市以及相关生态圈的创新与发展,以及分管科技类、创新板块专业公司的发展。

姚波,作为公司联席首席执行官兼首席财务官,主要职责为负责集团的战略规划,业务目标制定、目标追踪和绩效考评,主管集团预算管理委员会、产品委员会、战略发展中心,以及财务、企划、精算、资金等管控等职能。

马明哲将继续发挥核心领导作用

公司自2018年经董事会批准建立联席CEO机制以来,经过两年的过渡与磨合,三位联席CEO与各职能执行官“集体决策、分工负责、矩阵管理”模式与制度化流程运作已经成熟,对“金融+科技”、“金融+生态”转型的推动与促进作用显著增强,为公司未来长期可持续创新发展奠定了坚实的基础。鉴于当前公司的决策体制、运行机制完备,人才梯队完整成熟,经多年实践证明现行模式行之有效,马明哲本人提出,其不再兼任公司首席执行官(CEO)职务。董事会经审慎考虑,尊重马明哲的个人意愿,同意其辞去公司CEO职务的请求。

董事会表示,作为中国平安的创办人、创始人,马明哲带领公司从无到有、从小到大、从大到强,发展成为全球领先的科技型综合金融集团。一直以来,马明哲先生始终牢记为股东负责、为客户负责、为员工负责、为社会负责的企业使命,以无私的奉献精神,勇往直前的开拓精神,带领全体员工锐意进取,艰苦奋斗,创新发展,不仅圆满完成了历届董事会下达的各项战略及经营目标,而且清晰地规划了公司的发展远景及实施路径,塑造了持续创新进取、包容协同、价值导向的企业文化,构建了“执行官+矩阵”的科学的集体决策机制,培养了一大批拥有很强竞争力、执行力的国际化、专业化人才队伍,为公司的长期、健康、稳定发展及百年基业奠定了坚实的基础。董事会对马明哲先生担任首席执行官期间为本公司作出的巨大贡献表示衷心的感谢。

展望未来,中国平安表示,在以马明哲董事长为首、三位联席首席执行官的核心团队的领导下,以及职能条线执行官的协同合作下,公司凭借清晰的发展战略,科学稳固的集体决策及经营体系,坚定实施“金融+科技”、“金融+生态” 战略转型,增强综合竞争力,持续提升应对复杂多变的外部经营环境能力,实现长期可持续稳健发展,创造更大的价值和更辉煌的成就,向百年事业继续坚定迈进。

(美通社,2020年7月1日西安)

消息来源:平安人寿陕西分公司

编辑:小星

来源:美通社

www.prnasia.com / www.prnewswire.com

↓ 识别下方二维码,关注美通社头条公众号 

联系美通社

+86-10-5953 9500

info@prnasia.com

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值