Modes d'utilisation d' Decision Optimization
Pour générer des modèles Decision Optimization , vous pouvez créer des blocs-notes Python avec DOcplex, une API Python native pour Decision Optimization, ou utiliser l' interface utilisateur d'expérimentationDecision Optimization qui offre davantage d'avantages et de fonctionnalités.
Différentes façons d'utiliser Decision Optimization
En fonction de vos compétences et de votre expertise, vous pouvez utiliser Decision Optimizationde différentes manières.
- Python notebooks
- Vous pouvez créer des Python avec DOcplex, une API Python native pour Decision Optimization. Voir DOcplex. Vous avez besoin d'une expertise en modélisation OR (Operational Research) pour créer des variables, des objectifs et des contraintes afin de représenter votre problème.
Pour plus d'informations sur les environnements Python pris en charge, voir Decision Optimization notebooks.
- Decision Optimization interface utilisateur de l'expérimentation
- L' interface utilisateur de l'expérimentation facilite le flux de travaux et fournit de nombreuses autres fonctions. Voir Avantages de Decision Optimization interface utilisateur d'expérimentation.
- Modèles Java
- Vous pouvez utiliser l'API REST de watsonx.ai Runtime pour déployer et exécuter des modèles Java. Pour plus d'informations, voir Modèles JavaDecision Optimization.
- Déploiement par lots
- Pour plus d'informations sur le déploiement avec watsonx.ai Runtime, voir Decision Optimization
Pour obtenir un guide détaillé permettant de générer, de résoudre et de déployer un modèle Decision Optimization à l'aide de l'interface utilisateur, voir le tutoriel de démarrage rapide avec vidéo.
Decision Optimization avantages de l'interface utilisateur d'expérimentation
Le tableau suivant explique comment exécuter différentes fonctions avec et sans Decision Optimization interface utilisateur d'expérimentation. Dans cette table, les blocs-notes de Jupyter sont blocs-notes sans Decision Optimization interface utilisateur d'expérimentation. Comme vous pouvez le constater, vous disposez de plus d'avantages lorsque vous utilisez le Decision Optimization interface utilisateur d'expérimentation.
| Tâche | Jupyter notebook (sans Decision Optimization interface utilisateur de l'expérimentation) | Decision Optimization interface utilisateur de l'expérimentation (4 types de modèles) | |||
|---|---|---|---|---|---|
| Python | Modèles OPL | Modèles CPLEX et CPO | Modeling Assistant | ||
| Gérer les données | Importer des données à partir de projets. |
Importez des données à partir de projets et éditez des données dans Préparer les données afficher . Voir Préparation des données d'entrée. |
Importez des données à partir de projets et éditez des données dans Préparer les données afficher . Voir Préparation des données d'entrée. |
Importez des données à partir de projets et éditez des données dans Préparer les données afficher . Voir Préparation des données d'entrée. Les relations dans vos données sont déduites intelligemment. |
|
| Formuler et exécuter des modèles d'optimisation | Créez une formulation de modèle à partir de zéro dans un Python notebook. à l'aide de l'API DOcplex. Avec les blocs-notes , les cellules individuelles peuvent être exécutées de manière interactive, ce qui facilite le débogage. |
Créer une élaboration de modèle à partir de zéro en Python. Importez et affichez une formulation de modèle à partir d'un bloc-notes ou d'un fichier. Editer directement le modèle Python importé. Exportez votre modèle en tant que bloc-notes. Avec les blocs-notes , les cellules individuelles peuvent être exécutées de manière interactive, ce qui facilite le débogage. |
Créer une élaboration de modèle à partir de zéro en OPL. Importer et afficher une élaboration de modèle depuis un fichier OPL. Editer directement le modèle OPL importé. |
Créez une élaboration de modèle à partir de zéro dans CPLEX ou CPO. Importez un fichier modèle CPLEX ou CPO (fichiers.lp, .mpset .cpo ). Editez les fichiers .lp, .mpset .cpo . Exécutez le modèle et téléchargez le fichier de solution. |
Créer une élaboration de modèle à partir de zéro en sélectionnant une option parmi celles proposées en langage naturel. Importer et afficher une élaboration de modèle de l'assistant de modélisation à partir d'un scénario. Editer directement le modèle importé. |
| Créer et comparer plusieurs scénarios | Ecrire du code Python pour traiter la gestion des scénarios. |
Créez et gérez des scénarios pour comparer différentes instances de modèle, de données et de solutions. Voir Scénarios dans une expérimentation Decision Optimization. |
|||
| créer et partager des rapports | Créez des rapports dans vos blocs-notes à l'aide des outils de visualisation de données Python . |
Créez rapidement des rapports dans la vue Visualisation à l'aide de widgets, de pages et d'un éditeur JSON. Voir Visualization view in a Decision Optimization experiment. Télécharger votre rapport en tant que fichier JSON afin de le partager avec votre équipe. |
|||
| déployer un modèle | Déployer les notebooks en utilisant l'API REST de watsonx.ai Runtime ou le client Python. |
Sélectionnez le scénario que vous souhaitez sauvegarder prêt pour la promotion dans l'espace de déploiement. Voir Déploiement d'un modèle Decision Optimization à l'aide de l'interface utilisateur. Déployez votre modèle prescriptif Decision Optimization et les données communes associées une seule fois, puis soumettez les demandes de travail à ce déploiement avec uniquement les données transactionnelles associées. Vous pouvez déployer des modèles en utilisant l'API REST dewatsonx.ai Runtime ou en utilisant le client Python dewatsonx.ai Runtime. Voir watsonx watsonx.ai Runtime REST API et watsonx.ai Runtime Python client. |
|||