Мы создаем Navix — систему навигации для парковки в мегаполисах. Мы решаем задачу Stochastic Orienteering в реальном времени. Наш продукт строит "Вероятностные траектории поиска" (Cruising Paths), которые максимизируют шанс найти парковку за ограниченное время.
Кого мы ищем: Нам не нужен классический ML-специалист для обучения готовых моделей. Нам нужен Инженер-Математик (Quant / OR Scientist), способный с нуля спроектировать математическое ядро системы (функцию полезности) в условиях «Холодного старта», опираясь на физику процесса и поведенческую психологию.
Ваши задачи:
-
Разработка Математического Ядра: Спроектировать аналитическую Функцию Полезности (Vnext) для ранжирования парковок. Внедрить нелинейные штрафы (Regret Minimization) для моделирования стресса водителя.
-
Алгоритмизация (Graph Theory): Реализовать алгоритм построения маршрута (Probabilistic TSP / Orienteering Problem) на дорожном графе.
-
Оптимизация: Написать быстрые эвристики (Greedy Look-Ahead) для пересчета маршрута в реальном времени при получении новых данных.
Требования:
-
Фундаментальная математика: Высшее образование (Мехмат, ВМК, Физтех, Прикладная математика). Понимание методов оптимизации (Operations Research) и стохастических процессов.
-
Алгоритмы: Опыт решения задач маршрутизации (VRP, TSP) и работы с графами.
-
Python (Hard): NumPy, SciPy, NetworkX. Плюсом будет опыт с солверами (OR-Tools, Gurobi).
-
Мышление: Умение строить работающие математические модели без Big Data, на основе логики и экспертных весов.
Обязательно в сопроводительном письме:
Пожалуйста, коротко ответьте на вопрос:
Как математически модифицировать веса ребер в графе дорог, чтобы алгоритм Дейкстры или Aначал избегать левых поворотов, не меняя саму структуру графа?