Не плодить миллионы переменных: как декомпозиция спасает оптимизацию в ритейле

Василий Гуров из ML Research Lab MAGNIT Tech рассказывает, как решали две промышленные задачи оптимизации в крупном ритейле: планирование смен сотрудников магазинов и сглаживание нагрузки на распределительные центры. Прямая time-indexed постановка раздувала модель до сотен тысяч и миллионов бинарных переменных, давала нестабильные рекомендации и не влезала в SLA.

Ключевой идеей стало изменение единицы решения: вместо выбора на уровне временных слотов инженеры стали заранее генерировать валидные кандидаты — допустимые смены для сотрудников и допустимые переносы потоков для РЦ. Затем решалась задача выбора из этих кандидатов, что радикально упростило модель и повысило стабильность.