التحسين والتعلم الآلي وتصميم الخوارزميات وتطويرها

نقوم بتطوير نماذج تحليلية للمشكلات التي يوجد فيها عدد كبير جدًا من المتغيرات والقيود والمقايضات التي لا يمكن إدارتها بشكل جيد يدويًا. يغطي عملنا التحسين المكاني وغير المكاني، بما في ذلك تخصيص الموقع واختيار الموقع والتوجيه وتحليل التغطية وتصميم منطقة الضغط وإعداد قوائم الموظفين وتقليل المخزون والتعيين ومشاكل الجدولة.

عندما تتطلب مشكلة ما تحسينًا رسميًا، فإننا نصمم هيكل النموذج، ونحدد الهدف والقيود، ونجهز مسار البيانات، وننفذ سير عمل الحل باستخدام أدوات مثل Pyomo، وPuLP، وCOIN-OR، وGLPK، وGurobi. عندما يكون التعلم الآلي هو الأفضل، فإننا نبني نماذج تدعم التنبؤ أو التصنيف أو تحديد الأولويات أو اكتشاف الأنماط، عادةً باستخدام سير العمل وأطر العمل المستندة إلى Python مثل TensorFlow.

نحن نركز على الحلول التي يمكن تفسيرها وقابلة للاستخدام، وليس فقط مثيرة للاهتمام من الناحية الرياضية. وهذا يعني تجميع المخرجات بطريقة تدعم القرارات الحقيقية، وتوثيق الافتراضات، والاختبار مقابل السيناريوهات التشغيلية، وعند الحاجة، دمج النموذج في لوحات المعلومات، أو واجهات برمجة التطبيقات، أو العمليات المجمعة، أو منتجات الإنتاج.