포지션 상세
오믈렛(Omelet)은 대전에 본사를 둔 AI 스타트업입니다. 오믈렛은 고객의 복잡한 운영 문제를 이해하고, 최적의 의사결정을 생성하는 Operational Intelligence 회사로써, 물류, 의료, 방산 등 다양한 산업에 걸쳐 고객의 의사결정을 돕고 있습니다.
PS(Problem Solver)팀은 물류, 제조, 유통 등 다양한 산업에서 사람의 경험과 직관에 의존하고 있는 의사결정 문제를 발견하고, 이를 Optimization AI가 해결할 수 있는 문제로 구조화하는 팀입니다.
고객의 모호한 요구사항과 실제 운영 데이터를 바탕으로 문제를 정의하고, 최적화 알고리즘을 개발하고, 시뮬레이션을 통해 효과를 검증하며, 검증된 문제와 해결 방법을 다시 활용할 수 있는 형태로 구조화합니다.
즉, 현실의 문제를 Optimization Problem으로 정의하고 해결 가능한 시스템으로 만드는 역할입니다.
-고객 인터뷰, 현장 관찰, 운영 데이터 분석
-Input / Decision / Output 구조 정의
-의사결정 변수, 목적함수, 제약조건 설계
-VRP, MILP, CP, Scheduling, Packing, Inventory Optimization 등으로 정식화
• 최적화 알고리즘 개발
-MILP / CP-SAT 기반 모델 개발
-Heuristic / Metaheuristic 설계
-OR-Tools, Gurobi, CPLEX 및 자체 Solver 활용
-Neural Combinatorial Optimization, Bayesian Optimization, RL 등 ML for OR 적용
-실제 산업 규모에서 사용할 수 있도록 계산시간과 해 품질 개선
• 시뮬레이션 및 성능 검증
-실제 데이터를 기반으로 AS-IS 재현
-Baseline, KPI 및 성공 기준 정의
-TO-BE 시나리오 및 What-if Simulation 설계
-비용, 처리량, 서비스 수준 등 정량적 효과 검증
• 문제와 알고리즘의 자산화
-Input / Output Schema 및 Optimization Specification 정의
-API Interface 설계
-고객별 로직과 일반화 가능한 Optimization Logic 분리
-반복적으로 활용할 수 있는 문제 구조와 알고리즘 모듈 축적
• 고객 커뮤니케이션 및 제품 연결
-고객과 직접 문제 정의 및 Modeling 방향 협의
-중간·결과 보고 및 알고리즘 결과 설명
-검증된 PoC를 Product / Engineering 팀과 협업하여 실제 서비스로 연결
• LP / MIP 등 수리최적화에 대한 기본적인 이해
• MILP, CP, Metaheuristics 등 다양한 최적화 기법의 특성과 Trade-off(연산 시간 및 해의 품질)를 다각도로 비교 분석하여, 도메인 제약에 최적화된 알고리즘을 선별하고 선택 사유를 논리적으로 입증할 수 있는 역량
• 현실의 문제를 변수, 목적함수, 제약조건으로 구조화하고 모델링할 수 있는 역량
• Python 기반 최적화 모델 및 알고리즘 구현 역량
• Baseline과 KPI를 설계하고 결과를 정량적으로 검증할 수 있는 역량
• 모호한 요구사항을 구조화하고 필요한 가설과 검증 방법을 스스로 정의할 수 있는 문제 해결 능력
• 모델링 과정과 결과를 비전문가에게 논리적으로 설명할 수 있는 커뮤니케이션 역량
PS(Problem Solver)팀은 물류, 제조, 유통 등 다양한 산업에서 사람의 경험과 직관에 의존하고 있는 의사결정 문제를 발견하고, 이를 Optimization AI가 해결할 수 있는 문제로 구조화하는 팀입니다.
고객의 모호한 요구사항과 실제 운영 데이터를 바탕으로 문제를 정의하고, 최적화 알고리즘을 개발하고, 시뮬레이션을 통해 효과를 검증하며, 검증된 문제와 해결 방법을 다시 활용할 수 있는 형태로 구조화합니다.
즉, 현실의 문제를 Optimization Problem으로 정의하고 해결 가능한 시스템으로 만드는 역할입니다.
주요업무
• 문제 정의 및 정식화-고객 인터뷰, 현장 관찰, 운영 데이터 분석
-Input / Decision / Output 구조 정의
-의사결정 변수, 목적함수, 제약조건 설계
-VRP, MILP, CP, Scheduling, Packing, Inventory Optimization 등으로 정식화
• 최적화 알고리즘 개발
-MILP / CP-SAT 기반 모델 개발
-Heuristic / Metaheuristic 설계
-OR-Tools, Gurobi, CPLEX 및 자체 Solver 활용
-Neural Combinatorial Optimization, Bayesian Optimization, RL 등 ML for OR 적용
-실제 산업 규모에서 사용할 수 있도록 계산시간과 해 품질 개선
• 시뮬레이션 및 성능 검증
-실제 데이터를 기반으로 AS-IS 재현
-Baseline, KPI 및 성공 기준 정의
-TO-BE 시나리오 및 What-if Simulation 설계
-비용, 처리량, 서비스 수준 등 정량적 효과 검증
• 문제와 알고리즘의 자산화
-Input / Output Schema 및 Optimization Specification 정의
-API Interface 설계
-고객별 로직과 일반화 가능한 Optimization Logic 분리
-반복적으로 활용할 수 있는 문제 구조와 알고리즘 모듈 축적
• 고객 커뮤니케이션 및 제품 연결
-고객과 직접 문제 정의 및 Modeling 방향 협의
-중간·결과 보고 및 알고리즘 결과 설명
-검증된 PoC를 Product / Engineering 팀과 협업하여 실제 서비스로 연결
자격요건
• 산업공학, 컴퓨터과학, 수학, 통계학 또는 관련 분야 석사 이상, 또는 이에 준하는 실무 경험• LP / MIP 등 수리최적화에 대한 기본적인 이해
• MILP, CP, Metaheuristics 등 다양한 최적화 기법의 특성과 Trade-off(연산 시간 및 해의 품질)를 다각도로 비교 분석하여, 도메인 제약에 최적화된 알고리즘을 선별하고 선택 사유를 논리적으로 입증할 수 있는 역량
• 현실의 문제를 변수, 목적함수, 제약조건으로 구조화하고 모델링할 수 있는 역량
• Python 기반 최적화 모델 및 알고리즘 구현 역량
• Baseline과 KPI를 설계하고 결과를 정량적으로 검증할 수 있는 역량
• 모호한 요구사항을 구조화하고 필요한 가설과 검증 방법을 스스로 정의할 수 있는 문제 해결 능력
• 모델링 과정과 결과를 비전문가에게 논리적으로 설명할 수 있는 커뮤니케이션 역량
