— Как выразился недавно один из моих заказчиков, «матмодели всеядны в хорошем смысле». Они помогают логистам, финансистам, маркетологам, тем, у кого физическое производство, и т. д. Для логистов актуальны моделирование цепи поставок, управление запасами, распределение ресурсов (складские остатки, автомобили), расчет тарифов. Финансисты заинтересованы в прогнозных и скоринговых системах. Примеры из производства — создание расписания работы станков и раскрой материалов. Маркетологи хотят сделать инвестиции более конверсионными, более прибыльными. В общем, множеству бизнесов могут помочь матмодели, нужно обсуждать индивидуально.

— Самый яркий — кейс про алмазы. Есть программы, которые сканируют необработанные алмазы и на выходе дают план, как из него должны быть выпилены бриллианты максимально возможной массы. Эти программы существуют 20 лет и предельно вылизаны, борьба при увеличении массы идет за десятые и сотые процента. А мы создали программу огранки, которая дает дополнительно 2-3 процента массы. При общем рынке бриллиантов в 15 миллиардов долларов это потенциально составляет 300–400 миллионов долларов. Проект был сделан для компании Octonus, разработчика оборудования и программного обеспечения для оценки огранки алмазов. Ядро созданного алгоритма представляло задачу нелинейного программирования.

— Зависит от задачи. В нашем активе линейная и нелинейная оптимизация (программирование), машинное обучение, распределенные вычисления, big data, дискретная и вычислительная геометрия. Например, с помощью машинного обучения мы сейчас разрабатываем для одной компании рекомендательные сети и алгоритм эффективного участия в аукционах, а с использованием методов целочисленного линейного программирования делали маршрутизацию трафика для Huawei и маршрутизацию контейнерных перевозок для ПАО «ТрансКонтейнер».

Самый целевой — когда необходимо построить матмодель и разработать алгоритм и ИТ-решение на ее базе. Я сотрудничаю с разными спецами, так что если проект будет большой, соберу команду. Продукт на выходе будет полноценный: обработка сырых данных, интерфейсы, документация и, конечно, само ядро расчета. Второй частый запрос от бизнеса — апгрейд (иногда ликбез) сотрудников в штате. Я, например, могу приехать с одной/циклом лекций или курировать инженера-математика, как научный руководитель.

— Да, я преподавал и был научным руководителем в Школе анализа данных Яндекса, также работал профессором University of Texas Brownsville (США).

— Да, практически всегда проектная. Сложных алгоритмов в жизни требуется не так много, потребность в них неравномерная. С моими заказчиками мы обычно сотрудничаем в режиме проект+доппроекты по мере развития бизнеса.

— В задачах анализа данных главной проблемой является их сбор и очистка. Это и самая дорогая и непредсказуемая часть проекта, и наиболее важный фактор, который влияет на качество результата.

В линейном программировании важна робастность. Это показатель, насколько решение устойчиво к помехам в исходных данных. Очень многие решения на базе линейного программирования, включая даже коробочные, имеют слабую робастность. В результате их практическая применимость ограничена.

Еще я бы посоветовал смотреть на солвер, на котором сделано решение. Например, есть солвер CPLEX, лицензия которого стоит порядка 100 000$ долларов за машиноместо. Но зачем на него разоряться, если большинство задач линейного программирования может быть решено на свободно распространяемом солвере CBC.

— Да, иногда непонятно, нужны ли твоему бизнесу матмодели вообще. Если есть готовое ТЗ или хотя бы понимание задачи — отлично, но даже если есть просто вопрос, смело пишите мне и я постараюсь максимально помочь. Я люблю математику и буду рад, если она продвинет ваш бизнес.