오믈렛 인사이트
더 나은 의사결정을 뒷받침하는 생각.
오믈렛이 운영 지능을 어떻게 연구하고 만들고 생각하는지 살펴봅니다. 분야별 글과 논문을 둘러보고 다음에 읽을 것을 고를 수 있습니다.
연구와 방법
오믈렛 연구 아카이브에서 최적화 방법, 학습과 탐색, 다중 에이전트 시스템에 관한 논문을 살펴봅니다.

PARCO: Parallel AutoRegressive Models for Multi-Agent Combinatorial Optimization
다중 에이전트 조합 최적화에 쓰는 병렬 자기회귀 모델입니다.
개요 보기
LPMARL: Linear Programming-based Task Assignment for Hierarchical Multi-agent Reinforcement Learning
계층적 다중 에이전트 강화학습 안에서 선형계획법으로 작업을 할당합니다.
개요 보기
RRNCO: Towards Real-World Routing with Neural Combinatorial Optimization
현실의 요구사항이 걸린 경로 문제를 신경망 조합 최적화로 풉니다.
개요 보기
Neural Embedded Mixed-Integer Optimization for Location-Routing Problems
입지-경로 문제에서 신경망 모델을 혼합정수 최적화에 내장합니다.
개요 보기
RL4CO: an Extensive Reinforcement Learning for Combinatorial Optimization Benchmark
조합 최적화용 강화학습 벤치마크이자 라이브러리입니다.
개요 보기
Neural Genetic Search in Discrete Spaces
이산 해 공간에서의 신경망 유전 탐색입니다.
개요 보기
CAMP: Collaborative Attention Model with Profiles for Vehicle Routing Problems
경로 문제를 위한 협력 어텐션과 차량 프로필입니다.
개요 보기
Ant Colony Sampling with GFlowNets for Combinatorial Optimization
GFlowNet과 개미 군집 샘플링을 조합 최적화에 적용합니다.
개요 보기
Generative Flows on Synthetic Pathway for Drug Design
신약 설계를 위한 합성 경로 기반 생성 플로우입니다.
개요 보기
Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems
계층적 경로 문제를 푸는 유전 알고리즘 안에서 신경망으로 비용을 예측합니다.
개요 보기
RouteFinder: Towards Foundation Models for Vehicle Routing Problems
여러 문제 설정을 아우르는 차량 경로 문제용 파운데이션 모델입니다.
개요 보기
HiMAP: Learning Heuristics-Informed Policies for Large-Scale Multi-Agent Pathfinding
대규모 다중 에이전트 경로 탐색용 휴리스틱 기반 정책입니다.
개요 보기
Equity-Transformer: Solving NP-hard Min-max Routing Problems as Sequential Generation with Equity Context
min-max 경로 문제를 형평성 맥락에 기반한 순차 생성으로 풉니다.
개요 보기
A Neural Separation Algorithm for the Rounded Capacity Inequalities
차량 경로 문제의 rounded capacity inequality를 신경망으로 분리하는 기법입니다.
개요 보기
옆으로 스크롤하거나 화살표로 탐색합니다. 카드를 선택하면 더 읽을 수 있습니다.
엔지니어링
오믈렛이 만드는 시스템의 내부를 살펴봅니다. TOAST의 경로 최적화 에이전트 아키텍처와, 운영 지능을 실행하는 데 OIP가 맡는 역할을 다룹니다.
OIP: 운영 지능을 실행하는 기반
공통 ID, 권한, 배포, 관측성을 바탕으로 최적화 기능을 비즈니스 애플리케이션에 연결하는 방식을 설명합니다.
기사 읽기
오믈렛의 경로 최적화 AI 에이전트, TOAST
TOAST가 수퍼바이저, 전문 에이전트, 라우팅 엔진을 어떻게 연결하는지와 이준의 및 공동 저자의 구현 노트를 다룹니다.
기사 읽기
옆으로 스크롤하거나 화살표로 탐색합니다. 카드를 선택하면 더 읽을 수 있습니다.
관점
AI와 최적화, 기술 변화가 산업 의사결정에서 어떤 의미인지 다룬 박진규의 에세이와 도식을 읽을 수 있습니다.
소프트웨어를 만드는 것도, 쓰는 것도 에이전트가 된다면…
에이전트 팀, 근거, 사람의 감독, 문제 해결 능력을 탐구합니다.
기사 읽기
Problem solving은 계산을 잘하는 일이 아니다
현실에 충실한 모델과 풀 수 있는 문제 사이에서 절충점을 찾는 공학적 판단을 다룹니다.
기사 읽기
전략과 실행 사이의 빈칸
AI 파일럿을 일상 운영으로 옮길 때 의사결정의 구조가 중요한 이유를 설명합니다.
기사 읽기
최적화의 패러다임 변화: 데이터 기반 학습과 AI의 역할
학습, 추론, 컴퓨팅으로 산업 최적화에서 무엇이 바뀌는지 살펴봅니다.
기사 읽기
OpenAI의 Strawberry와 omelet의 최적화 AI 서비스 OaaSIS
학습 기반 해 생성, 개선 탐색, 피드백이 어떻게 맞물려 최적화 루프가 되는지 설명합니다.
기사 읽기
옆으로 스크롤하거나 화살표로 탐색합니다. 카드를 선택하면 더 읽을 수 있습니다.
오믈렛 이야기
일 뒤에 있는 사람들을 만납니다. 연구와 창업 사이의 회고 팀 모임, 함께 배우는 방식을 담았습니다.
SILAB 10년, Omelet 3년: 연구에서 현장의 지능으로
예측, 제어, 개선, 그리고 실제 문제를 정의하는 일을 다룬 회고입니다.
기사 읽기
오믈렛 두살 생파 현장 스케치
오믈렛의 두 번째 생일에 연 첫 타운홀에서 팀은 현장 경험, 에이전트 아키텍처, 제품 개발 방향을 공유했습니다.
기사 읽기
🎂 오믈렛이 두 살이 됩니다.
오퍼레이션스 리서치와 머신러닝을 현장 경험과 결합해 온 과정을 돌아보는 2주년 회고입니다.
기사 읽기
[교수와 경영자 사이] 기술 변화 속에서 SILAB의 연구 방향
교수와 경영자 사이: AI로 우리가 던지는 질문이 달라지는 가운데 연구 방향을 선택하는 이야기입니다.
기사 읽기
2024년 오믈렛 워크숍
2024년 10월 오믈렛 팀 워크숍의 사진 기록입니다.
기사 읽기[교수와 경영자 사이] 창업의 결심
연구자의 일과 창업가의 일이 서로 어떻게 보완하는지 돌아본 창업자의 회고입니다.
기사 읽기
옆으로 스크롤하거나 화살표로 탐색합니다. 카드를 선택하면 더 읽을 수 있습니다.