메가 슬롯는 터키의 주요 운영 연구 및 산업 공학 컨퍼런스 중 하나인 앙카라에서 열리는 YAEM 2025에 참가했습니다. 우리 팀은 강연을 발표하고, 패널 토론에 참여하고, 학계와 업계 전반의 연구원, 학생, 전문가를 만나기 위해 현장에 있었습니다.
우리는 Merve Demirci의 "메가 슬롯 엔진 SaaS: 대규모 최적화 문제를 위한 클라우드 기반 솔루션"과 Hamdi Burak Usul의 "GAMSPy에 훈련된 신경망 삽입"이라는 두 가지 기술 프레젠테이션을 기고했습니다. 또한 우리는 45분짜리 전문가 패널을 제공했습니다. 이 세션은 학계 및 업계 참가자 모두의 큰 관심을 끌었으며 Python 통합, 실제 애플리케이션 및 차세대 최적화 도구에 대한 활발한 대화로 이어졌습니다.
저희 부스는 활기 넘치는 만남의 장소가 되었으며 학생, 교수 및 업계 대표자들의 관심을 끌었습니다.
방문자들은 무료 교육용 라이센스, 학생 프로젝트 기회, GAMSPy가 Python과 메가 슬롯 간의 격차를 해소하는 방법에 대해 배우고 싶어했습니다. 특히 산학협력에서 Engine의 잠재력과 기술적 지식이 없는 폭넓은 대상에게 최적화 모델을 제공하는 MIRO의 능력에 대한 관심이 컸습니다.
우리는 앙카라에서 이루어진 연결에 대해 매우 기쁘게 생각하며 터키에서의 입지와 협력이 심화되기를 기대합니다.
GAMSPy에 훈련된 신경망 삽입
작가 Hamdi Burak Usul
GAMSPy는 Python의 유연성과 메가 슬롯의 모델링 성능을 결합한 강력한 수학적 최적화 패키지입니다. GAMSPy는 기계 학습(ML)과 수학적 모델링을 결합하는 분야에서 이전에는 어려웠던 애플리케이션을 가능하게 합니다. 이러한 ML 애플리케이션을 지원하기 위해 우리 작업에서는 행렬 곱셈, 전치, 노름 계산과 같은 필수 ML 작업을 GAMSPy에 도입합니다. 이러한 기반을 바탕으로 선형(밀도) 레이어, 컨볼루션 레이어 및 활성화 함수(ReLU, tanh 등)와 같은 일반적인 신경망 구성을 모델링하는 간단한 방법인 GAMSPy "공식"을 소개합니다. 구성을 공식화하는 좋은 방법이 많을 때 우리는 그 중 많은 방법을 구현하고 사용자가 사용 사례에 따라 결정할 수 있도록 합니다. 신경망 구성 외에도 회귀 트리 등과 같은 고전적인 ML 구성에 대한 공식도 소개합니다. 이 강연에서는 GAMSPy를 사용하여 독일 교통 표지 인식 벤치마크(GTSRB)에 대한 적대적 이미지를 생성함으로써 이러한 개선 사항을 보여줍니다. 우리가 GTSRB를 선택한 이유는 MNIST를 위해 훈련된 신경망과 같은 다른 많은 장난감 예제 신경망보다 훨씬 더 큰 신경망이 필요하기 때문입니다.
메가 슬롯 엔진 SaaS: 대규모 최적화 문제를 위한 클라우드 기반 솔루션
작성: Merve Demirci
메가 슬롯 엔진 SaaS는 사용자가 현재 Amazon Web Services(AWS)에서 제공하는 확장 가능하고 유연한 인프라에서 메가 슬롯 작업을 실행할 수 있는 클라우드 기반 서비스입니다. 2022년 초에 출시된 이후 수평적 자동 확장, 인스턴스 크기 조정, 유지 관리 불필요, 단순화된 라이선스 처리 등의 기능을 활용하는 다양한 고객을 유치했습니다. 메가 슬롯 엔진 SaaS는 특히 많은 양의 컴퓨팅 성능이 필요한 워크로드에 적합하며 다양한 시나리오에 적용할 수 있습니다. 이 프레젠테이션에서는 다양한 기후 변화 시나리오에 대응하여 대규모 에너지 시스템 모델의 몬테카를로 시뮬레이션을 실행하기 위해 메가 슬롯 엔진 SaaS를 사용하는 대규모 국제 컨설턴트 기관의 사례 연구를 보여줍니다. 메가 슬롯 엔진 API를 활용하여 작업을 제출하고 모니터링하는 방법, 각 작업에 적합한 인스턴스 유형을 선택하는 방법, 엔진 SaaS에서 사용자 정의 비메가 슬롯 코드를 사용하는 방법에 대해 설명합니다. 또한 이러한 유형의 애플리케이션에 메가 슬롯 엔진 SaaS를 사용할 때의 과제와 이점에 대해 논의하고 향후 서비스 개발에 대한 몇 가지 통찰력을 제공합니다.