Optimierung, maschinelles Lernen sowie Algorithmendesign und -entwicklung

Wir entwickeln analytische Modelle für Probleme, bei denen es zu viele Variablen, Einschränkungen und Kompromisse gibt, als dass sie manuell gut verwaltet werden könnten. Unsere Arbeit umfasst räumliche und nicht-räumliche Optimierung, einschließlich Standortzuweisung, Standortauswahl, Routenführung, Abdeckungsanalyse, Druckzonengestaltung, Personaleinsatzplanung, Bestandsreduzierung, Zuweisung und Planungsprobleme.

Wenn ein Problem eine formale Optimierung erfordert, entwerfen wir die Modellstruktur, definieren das Ziel und die Einschränkungen, bereiten die Datenpipeline vor und implementieren den Lösungsworkflow mithilfe von Tools wie Pyomo, PuLP, COIN-OR, GLPK und Gurobi. Wo maschinelles Lernen besser geeignet ist, erstellen wir Modelle, die Prognosen, Klassifizierung, Priorisierung oder Mustererkennung unterstützen, typischerweise unter Verwendung von Python-basierten Workflows und Frameworks wie TensorFlow.

Wir konzentrieren uns auf Lösungen, die erklärbar und nutzbar sind und nicht nur mathematisch interessant. Das bedeutet, die Ergebnisse so zu verpacken, dass sie echte Entscheidungen unterstützen, Annahmen zu dokumentieren, anhand von Betriebsszenarien zu testen und das Modell bei Bedarf in Dashboards, APIs, Batch-Prozesse oder Produktionsprodukte zu integrieren.