Para crear modelos de Decision Optimization , puede crear Python de Python con DOcplex, una API Python nativa para Decision Optimization, o utilizar la interfaz de usuario de experimento de Decision Optimization que tiene más ventajas y características.
Distintas formas de utilizar Decision Optimization
En función de sus habilidades y experiencia, puede utilizar Decision Optimization, de las siguientes maneras.
- • Python cuadernos
- Puede crear Python con DOcplex, una API nativa de Python para Decision Optimization. Consulte DOcplex. Necesita experiencia en modelado de Operational Research (OR) para crear variables, objetivos y restricciones que representen su problema.
Para obtener más información sobre los entornos Python soportados, consulte Decision Optimization cuadernos.
- • Decision Optimization IU de experimento
- La interfaz de usuario de experimento facilita el flujo de trabajo y proporciona muchas otras características. Consulte Ventajas deDecision Optimization IU de experimento.
- • Modelos Java
- Puede utilizar la API REST de tiempo de ejecución dewatsonx.ai para desplegar y ejecutar modelos Java. Para obtener más información, consulte Modelos Java deDecision Optimization.
- • Despliegue por lotes
- Para obtener más información sobre la implementación con watsonx.ai Runtime, consulte Decision Optimization.
Para obtener una guía paso a paso para crear, resolver y desplegar un modelo de Decision Optimization , utilizando la interfaz de usuario, consulte la Guía de aprendizaje de inicio rápido con vídeo.
Decision Optimization ventajas de la interfaz de usuario de experimento
La tabla siguiente resalta cómo puede realizar diferentes funciones con y sin Decision Optimization IU de experimento. Los cuadernos de Jupyter en esta tabla son cuadernos sin Decision Optimization IU de experimento. Como puede ver, tiene más ventajas cuando utiliza Decision Optimization IU de experimento.
| Tarea | Cuaderno de Jupyter (sin la interfaz de usuario de experimento deDecision Optimization ) | Decision Optimization IU de experimento (4 tipos de modelos) | |||
|---|---|---|---|---|---|
| Python | Modelos OPL | Modelos de CPLEX y CPO | Modeling Assistant | ||
| Gestionar datos | Importar datos de proyectos. |
Importe datos de proyectos y edite los datos en Preparar datos vista . Consulte Preparación de datos de entrada. |
Importe datos de proyectos y edite los datos en Preparar datos vista . Consulte Preparación de datos de entrada. |
Importe datos de proyectos y edite los datos en Preparar datos vista . Consulte Preparación de datos de entrada. Las relaciones en los datos se deducen de forma inteligente. |
|
| Formular y ejecutar modelos de optimización | Cree una formulación de modelo desde cero en un Python notebook. utilizando la API DOcplex. Con los cuadernos , las celdas individuales se pueden ejecutar de forma interactiva, lo que facilita la depuración. |
Formule un modelo desde cero en Python. Importar y ver una formulación de modelo desde un cuaderno o archivo. Edite el modelo Python importado directamente. Exporte el modelo como un cuaderno. Con los cuadernos , las celdas individuales se pueden ejecutar de forma interactiva, lo que facilita la depuración. |
Cree una formulación de modelo desde cero en OPL. Importe y vea una formulación de modelo desde un archivo OPL. Edite el modelo OPL importado directamente. |
Cree una formulación de modelo desde cero en CPLEX o CPO. Importar un archivo de modelo CPLEX o CPO (archivos.lp, .mpsy .cpo ). Edite los archivos .lp, .mpsy .cpo . Ejecute el modelo y descargue el archivo de la solución. |
Crear una formulación de modelo a partir de cero seleccionando una de las opciones propuestas expresadas en lenguaje natural. Importe y visualice una formulación de modelo de Modeling Assistant a partir de un escenario. Edite el modelo importado directamente. |
| Crear y comparar varios escenarios | Escribir código Python para manejar la gestión de escenarios. |
Cree y gestione escenarios para comparar diferentes instancias de modelo, datos y soluciones. Consulte Escenarios en un experimento de Decision Optimization. |
|||
| Crear y compartir informes | Cree informes en los cuadernos utilizando las herramientas de visualización de datos de Python . |
Cree rápidamente informes en la vista Visualización utilizando widgets, páginas y un editor JSON. Consulte Vista de visualización en un experimento de Decision Optimization. Descargue el informe como un archivo JSON para compartirlo con su equipo. |
|||
| Desplegar un modelo | Implemente cuadernos mediante la API REST en tiempo de ejecución dewatsonx.ai o el cliente Python. |
Seleccione el escenario que desea guardar listo para la promoción en el espacio de despliegue. Consulte Despliegue de un modelo de Decision Optimization utilizando la interfaz de usuario. Despliegue el modelo prescriptivo de Decision Optimization y los datos comunes asociados una vez y, a continuación, envíe las solicitudes de trabajo a este despliegue sólo con los datos transaccionales relacionados. Puede desplegar modelos utilizando el " watsonx.ai API REST en tiempo de ejecución " o utilizando el " 'watsonx.ai Tiempo de ejecución ' Python cliente. Ver " watsonx.ai API REST en tiempo de ejecución " y " 'watsonx.ai Tiempo de ejecución ' Python cliente. |
|||