Optimisation, apprentissage automatique, conception et développement d'algorithmes

Nous développons des modèles analytiques pour les problèmes où il y a trop de variables, de contraintes et de compromis pour être bien gérés manuellement. Notre travail couvre l’optimisation spatiale et non spatiale, y compris l’attribution de l’emplacement, la sélection du site, l’itinéraire, l’analyse de la couverture, la conception des zones de pression, la liste du personnel, la réduction des stocks, l’affectation et les problèmes de planification.

Lorsqu’un problème nécessite une optimisation formelle, nous concevons la structure du modèle, définissons l’objectif et les contraintes, préparons le pipeline de données et mettons en œuvre le flux de travail de résolution à l’aide d’outils tels que Pyomo, PuLP, COIN-OR, GLPK et Gurobi. Lorsque l’apprentissage automatique est le mieux adapté, nous construisons des modèles qui prennent en charge la prévision, la classification, la priorisation ou la détection de modèles, généralement à l’aide de flux de travail et de frameworks basés sur Python tels que TensorFlow.

Nous nous concentrons sur des solutions explicables et utilisables, et pas seulement intéressantes sur le plan mathématique. Cela signifie conditionner les résultats de manière à prendre en charge les décisions réelles, documenter les hypothèses, tester par rapport à des scénarios opérationnels et, si nécessaire, intégrer le modèle dans des tableaux de bord, des API, des processus par lots ou des produits de production.