Senior инженер машинного обучения по Supply Network Planning

Что за роль

Senior-инженер машинного обучения будет заниматься задачами Supply Network Planning: проектировать компоненты для календарного и производственного планирования, оптимизировать запасы и переводить бизнес-задачи в математические модели. В работе сочетаются Operations Research, дискретная и линейная оптимизация, промышленная разработка на Python и интеграция результатов агентной разработки с ИИ.

Что предстоит делать

• Формализовать задачи планирования как модели линейного и смешанно-целочисленного программирования (LP, MILP).
• Разрабатывать и анализировать модели дискретной оптимизации для практических бизнес-задач.
• Настраивать решатели, включая solver tuning, и оптимизировать математические модели.
• Применять CP, CP-SAT и многокритериальную оптимизацию.
• Проектировать и реализовывать компоненты календарного и производственного планирования, а также оптимизации запасов.
• Профилировать вычисления, управлять памятью и использовать многопоточность и многопроцессность.
• Разрабатывать REST API-приложения, ставить задачи ИИ-агентам, управлять контекстом и проверять интеграцию результатов в кодовую базу.

Что потребуется

• Опыт промышленной разработки на Python на уровне Senior и глубокое знание алгоритмов, структур данных и оценки сложности по Big O.
• Понимание ООП и проектирования сложных вычислительных решений.
• Практический опыт построения моделей дискретной и линейной оптимизации.
• Опыт в Operations Research, системах планирования производства (APS), логистике или Supply Chain Management.
• Навыки разработки юнит- и интеграционных тестов, работы с SQL и PostgreSQL.
• Уверенная работа с Git: ветки, управление изменениями, разрешение конфликтов, Merge Requests и Code Review; опыт агентной разработки с ИИ.
• Будет плюсом знание Pyomo, OR-Tools, PuLP, COIN-OR, решателей Gurobi, CPLEX, SCIP, COPT или GLPK, Unix-подобных систем и принципов CI/CD.

Что важно знать

Задачи требуют сочетать математическую постановку с производительной программной реализацией: важно не только найти модель оптимизации, но и настроить решатель, учесть вычислительные ограничения и встроить результат в рабочий код. В описании обозначены как основные требования, так и инструменты, которые будут преимуществом.