---

Видео на тему: NoML

Доклад носит обзорный характер и посвящён введению в классическую теорию расписаний — раздел дискретной оптимизации, изучающий задачи распределения работ по приборам с целью минимизации заданного критерия качества. Разбираются основные классы приборов: одиночный прибор, параллельные приборы различных типов, а также специализированные конфигурации — flow shop, job shop и open shop. Среди рассматриваемых ограничений — моменты готовности работ, отношения предшествования, допустимость прерываний и условие выполнения без ожидания между операциями. В качестве целевых функций обсуждаются максимальное время завершения, максимальное запаздывание, суммарные и взвешенные времена завершения, опоздания и количество опоздавших работ. Рассматривается понятие полиномиальной сводимости задач друг к другу, что позволяет выстроить иерархию сложности по типу приборов, ограничениям и критериям оптимальности. Даётся обзор классических алгоритмов и эвристик: правила упорядочивания по ранним срокам, наименьшему времени выполнения, взвешенному времени выполнения, наибольшему времени выполнения и общая схема списочного планирования.Деградация многолетнемерзлых пород (ММП) в условиях стремительного изменения климата представляет собой критическую угрозу для инфраструктуры и экосистем полярных регионов. Учитывая, что Арктика нагревается значительно быстрее среднеглобальных темпов, традиционные подходы к геокриологическому и климатическому моделированию сталкиваются с фундаментальными ограничениями: чисто физические модели требуют колоссальных вычислительных ресурсов и сложной локальной калибровки, а стандартные методы машинного обучения страдают от недостатка качественных полевых наблюдений (проблема sparse data). В докладе рассматривается смена научно-технологической парадигмы в исследовании Арктики, обусловленная революционным переходом ведущих мировых центров на архитектуры на базе искусственного интеллекта (ИИ) и гибридного моделирования.Мы поговорим о математических задачах, которые возникают при необходимости навести аппаратуру спутника на "мишень", будь то локация на планете или центр масс объекта в космосе. Начнём с классики: задачи на минимум при наличии ограничений, включая, разумеется, и задачи терминального управления. А нужно нам это для того, чтобы раскрутить и потом стабилизировать небольшой спутник, чтобы он мог не терять из поля зрения перемещающийся в космосе объект!Видеозапись семинара NoML (18.02.2026). Методология применения цифровых моделей в построении систем интегрированного планирования (S&OP/IBP), создания цифровых двойников цепей поставок (Supply Chain Digital Twin) и оптимизации затрат и прибыли бизнеса. В докладе разбирается цифровая трансформация: переход от фрагментарных расчетов в Excel к алгоритмическому управлению на базе MILP-моделей (смешанное целочисленное линейное программирование) и имитационных симуляций. Материал основан на реальном опыте внедрения в FMCG и металлургии. Рассматриваются вопросы архитектуры, управления данными (Data Governance) и организационных изменений. Хронология доклада: 00:00 Позиционирование спикера и периметра задачи. Определение цифровой модели как инструмента сквозной оптимизации P&L. Разбор ценности для CEO и CFO: глобальный оптимум вместо локальных KPI, устранение методологических конфликтов TOC/Lean/S&OP, переход от экспертных споров к числовому обоснованию. Критерии применимости: гиперсвязанность, многовариантность, волатильность, распределённая топология. 16:15 Кейс FMCG. Масштаб: 11 производств, 100+ складов, 150 тыс. точек, 500 SKU. Формализация MILP-модели в среде anyLogistix с решателем IBM CPLEX. Структура переменных, ограничения. Экономические эффекты по направлениям: сеть, запасы, транспорт, последняя мия. Декомпозиция, настройка гранулярности, связка NetOpt и симуляции для проверки исполнимости. План проекта, состав команды, управление рисками данных и производительности. 34:15 Методологический блок. Определение digital twin по Gartner. Различие Simulation и NetOpt. NP-сложность и экспоненциальная комбинаторика. Ограничения Excel-моделей. Тренд алгоритмического управления в Amazon, Tesla, Uber. 47:30 Кейс металлургии. 14 заводов, 7 переделов, 60 складов, 250+ логических рёбер. Цель: единый оптимальный план продаж и операций. Арбитраж Make-Sell-Buy, динамическая маршрутизация, налоговая оптимизация. Архитектура: слой нормализации НСИ, API-интеграция, MILP-ядро, постпроцессинг, cost-to-serve. Учет 50 000+ ограничений: BOM, мощности, логистика, ремонты, лимиты. Эффект 5–15% маржи. Этапы PoC, масштабирование, ускорение, внедрение в S&OP. 89:30 Модель зрелости планирования по Gartner. Организация data goverment для моделирования, управление жизненным циклом данных, опыт и риски по данным. 102:40 Программа внедрения. Ресурсная модель, центр компетенций, этапная калибровка, прототипирование и масштабирование. Закрепление модели как ядра S&OP/IBP и постоянного цикла Plan–Fact–Replan. 🔹 Для руководителей бизнеса и консультантов (Strategy, CEO, COO) Важна экономическая отдача, управляемость и стратегия. Границы применимости ручного управления. Диагностика зрелости компании и критерии перехода к цифровым моделям — 4–5, 16, 28. Пример оптимизации логистики и складской сети со снижением затрат на 4–8% в FMCG — 7. Экономические рычаги в промышленности. Глобальный арбитраж и оптимизация производства для роста EBITDA. Переход от локальной эффективности к максимизации прибыли холдинга — 19, 21. Архитектура адаптивного бизнеса и замкнутые контуры автоуправления — 28, 31. 🔹 Для инженеров и ИТ-архитекторов (CTO, Data Science, System Architects) Интересна математика, данные и интеграция. Топология гибридной сети. Матрица переменных и ограничений для IBM CPLEX. Оценка времени расчета NP-трудных задач — 8–9. Архитектура решения в гетерогенной ИТ-среде. Слой нормализации данных при отсутствии единой НСИ — 22. Математическая формализация производственных цепочек. Синхронизация Push/Pull, MILP, линеаризация Big-M — 24. Онтология данных для моделирования. Типизация сущностей — 30. 🔹 Для практиков внедрения и руководителей проектов (PM, S&OP Leads) Важно доведение до эксплуатационного результата. График реализации проекта и состав команды в FTE. Баланс методологов, разработчиков и инженеров данных — 12, 26. Эволюция проекта от пилота к операционализации. Преодоление барьера «последней мили» — 26–27. Программа проектов повышения цифровой зрелости. Дорожная карта и ресурсы — 33. Матрица критических рисков и стратегии минимизации. Управление сопротивлением изменениям — 34. Темы для сотрудничества и продукты: WarehouseOptix — табличный конструктор для генерации и оценки альтернатив конфигураций склада. OmniFlow — автопилот омниканального сбыта на основе оптимальных цен и логистики в e-com и modern trade. Спискер: Кирилл Чижов askaidigitaltwin@gmail.com @kirill_chizhov www.linkedin.com/in/kirill-c-a5330137 #цифровойдвойник #цифровыемодели #цифровизация #SOP #IBP #оптимизацияпроизводства #логистика #SCM #математическоемоделирование #цифроваятрансформация #управлениецепямипоставок #AnyLogistix #MILP #DTSC #DTO #аналитикаданных #планирование #имитационноемоделированиеЦель доклада — дать краткое введение в тему вероятностных графовых моделей и Байесовских сетей. Будут затронуты исторический контекст этих методов, положение сегодня и перспективы развития. Также рассмотрим несколько простых примеров применения и прикладных моделей, которые можно создать на основе Байесовских сетей. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestДоклад посвящён актуальным методам обеспечения безопасности в федеративном обучении. В качестве примеров будут рассмотрены гомоморфное шифрование, дифференциальная приватность и другие решения. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestВ ходе доклада мы пройдем весь путь решения задачи: — декомпозиция предметной области и исключение лишних сущностей; — сбор данных; — выделение правил построения плана; — построение допустимых планов; — тестирование простых и граничных случаев; — выбор наилучшего плана из тысяч построенных допустимых. Каждый шаг демонстрации будет сопровождаться живым примером в созданном нами приложении на платформе Amalgama Platform. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestТрадиционные методы исследования операций давно не обновлялись концептуально, несмотря на рост вычислительных возможностей. Способен ли современный ИИ изменить ситуацию? Разберем на примере, как метод обучения с подкреплением позволяет решать простую оптимизационную задачу. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestВ докладе рассматриваются методы Монте-Карло и квази-Монте-Карло как инструменты численного моделирования. Особое внимание уделяется последовательностям с низким расхождением, понятию дискрепанси, а также их применению в финансовой математике — при оценке опционов и моделировании стохастических процессов. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestМетод ЛП имеет ограничения по скорости и размеру задач. На примере реальных кейсов я расскажу, что ограничения кажущееся и их на самом деле нет. Как Нео вы сможете уворачиваться от пуль и гнуть ложки, и как доктор Стрэндж сможете планировать сразу мультиреальность. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestПродолжаем развивать тему оптимизации оптимизаторов, предыдущий доклад: https://rutube.ru/video/dad0e43ea1cfb440605df2436eeca174/ В этот раз рассмотрим, каким образом тонкая настройка параметров солвера, работа с эвристиками и кастомная реализация алгоритмов позволяют получить ещё большее ускорение производительности относительно того, что даёт MILP-солвер “из коробки”. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestОбзорно обсудим, как оптимизационное моделирование помогает решать важные задачи в складских процессах. Поговорим про разные виды задач, инструменты и в целом про создание IT-продуктов и работу математиков в бигтехе. Выступает: Анна Дубенюк, руководитель группы моделирования и оптимизации складских процессов в Ozon Tech, приглашенный преподаватель ФКН ВШЭ, автор канала @everything_is_eventual --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestПриоритетная очередь являются одной из фундаментальных структур данных. Например, она являются базовым блоком в алгоритмах поиска кратчайшего пути и планировщиках с приоритетами. Чтобы ускорить эти алгоритмы, хочется использовать параллелизацию, а значит хочется иметь многопоточную версию приоритетной очереди. К сожалению, не всё так просто, так как есть явное узкое место — операция extractMin. Теория говорит, что невозможно избавиться от него и одновременно давать чёткие гарантии на операцию. Что же тогда делать? В этом докладе мы рассмотрим идеи, которые позволяют ускорить конкурентную приоритетную очередь. Затем, мы выясним, что очередь с точными гарантиями на самом деле не всегда нужна, и, как следствие, можно ослабить требования. Как итог, мы получим быструю очередь MultiQueue, основную идею которой (choice of 2) можно использовать в других областях, например, машинном обучении. Ключевые слова: многопоточность, структуры данных, приоритетная очередь. Выступает: Виталий Аксенов, доцент ИТМО, руководитель совместной лаборатории ИТМО и ВК по распределённым вычислениям и магистерской программы «Программирование и Искусственный Интеллект». Член программных комитетов SmartData и Sysconf, соорганизатор международной школы SPTDC. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digestМатематическая модель позволяет прогнозировать поведение объектов, зная их параметры и параметры внешней среды. Однако зачастую настоящий интерес представляет обратная задача, т.е. определение параметров системы по наблюдаемому (или желаемому) поведению. Классическими примерами обратных задач являются медицинская визуализация, сейсмическая разведка, дистанционное зондирование. Т.е. задачи, в которых непосредственное измерение параметров объекта чрезвычайно дорого или невозможно. Вместо этого интересующие параметры (например, внутреннее строение тела или места залегания полезных ископаемых) пытаются восстановить по данным косвенных измерений. Другим примером являются задачи конструирования метаматериалов и оптимальное управление, когда нужно определить параметры системы таким образом, чтобы она обладала желаемыми свойствами. Зачастую такие задачи не обладают никакими специальными свойствами, вроде линейности и выпуклости. Кроме того, обратные задачи относятся к классу некорректных: когда нельзя заранее сказать, имеет ли задача единственное физически адекватное решение. Хотя обратные и некорректные задачи активно изучаются классической теорией и методами функционального анализа, все еще не хватает универсальных методов, подходящих для широкого круга задач. Существующие решения как правило носят узкоспециализированный характер. Возникшие всего несколько лет назад методы т.н. scientific ML впервые предлагают универсальные методы решения обратных нелинейных задач, используя глубокое обучение. В докладе будут рассмотрены следующие подходы: — нейронные операторы (DeepONet, FNO), позволяющие обучать обратный нелинейный оператор; — физически информированные нейронные сети (PINN), позволяющие встраивать физические законы в функцию потерь; — нейронные дифференциальные уравнения (NeuralODE), позволяющие синтезировать модели на основе дифференциальных уравнений и нейронных сетей; — автоматическое дифференцирование численных схем, позволяющее строить солверы обратных задач на основе существующих программных реализаций решения прямой задачи. На простых примерах покажем, как ставятся обратные задачи, в чем заключается суть их некорректность. Уровень сложности: средний, глубоких знаний в области дифференциальных уравнений, функционального анализа и математической физики не требуется. Ключевые слова: scientific ML, некорректные задачи, нелинейные операторы, нейронный оператор, нейронное дифференциальное уравнение, автоматическое дифференцирование. --- Вопросы и комментарии — в Telegram-чате сообщества NoML: https://t.me/noml_community Презентация и материалы всех мероприятий — в базе знаний: https://gitflic.ru/project/noml-community/noml-kb Анонсы новых мероприятий и другая полезная информация — в канале сообщества NoML: https://t.me/noml_digest