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
Copy link to section
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.
El Modeling Assistant le ayuda a formular modelos en lenguaje natural, que requiere poco o ningún conocimiento de OR, y no requiere que escriba código Python . Consulte Modeling Assistant modelos.
El Modeling Assistantsólo está disponible en inglés y no está globalizado.
Modelos OPL
Puede crear, importar y editar modelos de OPL. Para obtener más información, consulte Modelos OPL.
Modelos de CPLEX y CP Optimizer (CPO).
Puede crear, importar y editar (archivos.lp y .cpo ) e importar y editar archivos .mps . Luego puede resolverlos y descargar los archivos de la solución.
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.
Figura 1. Modelado y resolución de experimentos de Decision Optimization
Decision Optimizationventajas de la interfaz de usuario de experimento
Copy link to section
La tabla siguiente resalta cómo puede realizar diferentes funciones con y sin Decision OptimizationIU de experimento. Los cuadernos de Jupyter en esta tabla son cuadernos sin Decision OptimizationIU de experimento. Como puede ver, tiene más ventajas cuando utiliza Decision OptimizationIU de experimento.
Tabla 1. Decision Optimization con la IU de experimento
Tarea
Cuaderno de Jupyter (sin la interfaz de usuario de experimento deDecision Optimization )
Decision OptimizationIU de experimento (4 tipos de modelos)
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.
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.