Verwendung von Decision Optimization | IBM Cloud Pak for Data as a Service

Zurück zur englischen Version der Dokumentation

Verwendungsmöglichkeiten von Decision Optimization

Letzte Aktualisierung: 21. Nov. 2024

Verwendung von Decision Optimization

Zum Erstellen von Decision Optimization -Modellen können Sie Python -Notebooks mit DOcplex, einer nativen Python -API für Decision Optimization, erstellen oder die Decision Optimization -Experimentbenutzerschnittstelle verwenden, die mehr Vorteile und Funktionen bietet.

Verschiedene Möglichkeiten zur Verwendung von Decision Optimization

Abhängig von Ihren Kenntnissen und Ihrem Fachwissen können Sie Decision Optimizationauf die folgenden Arten verwenden.

Python Notebooks: Sie können Python Notebooks mit DOcplex, einer nativen Python API für Decision Optimization, erstellen. Siehe DOcplex. Sie benötigen Fachwissen für die Modellierung von Betriebsforschung (OR), um Variablen, Ziele und Einschränkungen zur Darstellung Ihres Problems zu erstellen.
Weitere Informationen zu unterstützten Python -Umgebungen finden Sie in Decision Optimization Notebooks.

Decision Optimization Benutzerschnittstelle für Experimente

Die Benutzerschnittstelle für Experimente vereinfacht den Workflow und bietet viele weitere Funktionen. Siehe Decision Optimization Experiment UI Vorteile.

Es unterstützt Sie beim Erstellen und Ausführen (Lösen) von Szenarios mit den folgenden Modelltypen:

Python-Modelle: Sie können diese Modelle mit DOcplexerstellen. Siehe Decision Optimization Notebooks
Modeling Assistant -Modelle: Der Modeling Assistant unterstützt Sie bei der Formulierung von Modellen in natürlicher Sprache, die nur wenig oder gar keine Kenntnisse von OR erfordert und nicht das Schreiben von Python -Code erfordert. Siehe Modeling Assistant -Modelle.; Diese Funktion ist für bestimmte Modelltypen verfügbar. Siehe Entscheidungsdomäne in Modeling Assistant.; Modeling Assistant ist nur in Englisch verfügbar und nicht globalisiert.
OPL-Modelle: Sie können OPL-Modelle erstellen, importieren und bearbeiten. Weitere Informationen finden Sie unter OPL-Modelle.
CPLEX- und CPO-Modelle (CPO).: Sie können .mps -Dateien erstellen, importieren und bearbeiten (.lp -und .cpo -Dateien) sowie importieren und bearbeiten. Anschließend können Sie sie auflösen und die Lösungsdateien herunterladen.

Weitere Informationen finden Sie unter Decision Optimization -Experimente.

Java-Modelle: Sie können die watsonx.ai Runtime REST API verwenden, um Java-Modelle bereitzustellen und auszuführen. Weitere Informationen finden Sie unter Decision Optimization Java-Modelle.

Batchbereitstellung: Weitere Informationen zum Einsatz mit watsonx.ai Runtime finden Sie unter Decision Optimization.

Eine schrittweise Anleitung zum Erstellen, Lösen und Bereitstellen eines Decision Optimization -Modells über die Benutzerschnittstelle finden Sie im Lernprogramm für den Schnelleinstieg mit Video.

Diagramm mit Workflow und verschiedenen Möglichkeiten zur Verwendung von Experimenten. — Abb. 1. Decision Optimization -Experimente modellieren und lösen

Vorteile vonDecision Optimization Experiment UI

Die folgende Tabelle zeigt, wie Sie verschiedene Funktionen sowohl mit als auch ohne Decision Optimization Benutzerschnittstelle für Experimenteausführen können. Jupyter Notebooks in dieser Tabelle sind Notebooks ohne die Decision Optimization Experiment UI. Wie Sie sehen können, haben Sie mehr Vorteile, wenn Sie die Decision Optimization Experiment UI verwenden.

Tabelle 1. Decision Optimization mit der Benutzerschnittstelle von Experiment
Task	Jupyter Notizbuch (ohne das Decision Optimization Experiment UI)	Decision Optimization Benutzerschnittstelle für Experimente (4 Modelltypen)
Task		Python	OPL-Modelle	CPLEX-und CPO-Modelle	Modeling Assistant
Daten verwalten	Daten aus Projekten importieren.	Daten aus Projekten importieren und Daten in Daten vorbereiten Ansicht bearbeiten. Siehe Eingabedaten vorbereiten.	Daten aus Projekten importieren und Daten in Daten vorbereiten Ansicht bearbeiten. Siehe Eingabedaten vorbereiten.		Daten aus Projekten importieren und Daten in Daten vorbereiten Ansicht bearbeiten. Siehe Eingabedaten vorbereiten. Beziehungen in den Daten werden auf intelligente Weise abgeleitet.
Optimierungsmodelle formulieren und ausführen	Erstellen Sie eine völlig neue Modellformulierung in einem Python notebook. Verwendung der DOcplex-API Mit Notebooks können einzelne Zellen interaktiv ausgeführt werden, was das Debugging vereinfacht.	Modellformulierung völlig neu in Python erstellen. Modellformulierung aus einem Notebook oder einer Datei importieren und anzeigen. Importiertes Python-Modell direkt bearbeiten. Exportieren Sie Ihr Modell als Notebook. Mit Notebooks können einzelne Zellen interaktiv ausgeführt werden, was das Debugging vereinfacht.	Modellformulierung völlig neu in OPL erstellen. Modellformulierung aus einer OPL-Datei importieren und anzeigen. Importiertes OPL-Modell direkt bearbeiten.	Erstellen Sie eine Modellformulierung von Grund auf in CPLEX oder CPO. Importieren Sie eine CPLEX-oder CPO-Modelldatei (Dateien.lp, .mpsund .cpo ). Bearbeiten Sie die Dateien .lp, .mpsund .cpo . Modell ausführen und Lösungsdatei herunterladen.	Modellformulierung völlig neu durch Auswahl der in natürlicher Sprache vorgeschlagenen Optionen erstellen. Modeling Assistant-Modellformulierung aus einem Szenario importieren und anzeigen. Importiertes Modell direkt bearbeiten.
Mehrere Szenarios erstellen und vergleichen	Python-Code zur Handhabung des Szenariomanagements schreiben.	Erstellen und verwalten Sie Szenarios, um verschiedene Instanzen von Modellen, Daten und Lösungen zu vergleichen. Siehe Szenarios in einem Decision Optimization -Experiment.
Berichte erstellen und gemeinsam nutzen	Erstellen Sie Berichte in Ihren Notebooks mithilfe von Python -Datenvisualisierungstools.	Schnelle Erstellung von Berichten in der Visualisierungsansicht mithilfe von Widgets, Seiten und einem JSON-Editor. Siehe Visualisierungsansicht in einem Decision Optimization -Experiment. Bericht als JSON-Datei herunterladen, um sie mit dem Team gemeinsam zu nutzen.
Modell bereitstellen	Stellen Sie Notebooks über die watsonx.ai Runtime REST API oder den Python bereit.	Wählen Sie das Szenario aus, das Sie für die Hochstufung in den Bereitstellungsbereich speichern möchten. Siehe Modell von Decision Optimization über die Benutzerschnittstelle bereitstellen. Stellen Sie Ihr präskriptives Decision Optimization -Modell und zugehörige allgemeine Daten einmal bereit und übergeben Sie dann Jobanforderungen nur mit den zugehörigen Transaktionsdaten an diese Bereitstellung. Sie können Modelle über die watsonx.ai Runtime REST API oder über den watsonx.ai Runtime Python Client bereitstellen. Siehe watsonx.ai Runtime REST API und watsonx.ai Runtime Python Client.