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.
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.
L' Modeling Assistant vous aide à formuler des modèles en langage naturel, ce qui nécessite peu ou pas de connaissance de OR, et ne vous oblige pas à écrire du code Python . Voir ModèlesModeling Assistant.
Modeling Assistant est uniquement disponible en anglais et n'est pas globalisé.
Modèles OPL
Vous pouvez créer, importer et éditer des modèles OPL. Pour plus d'informations, voir Modèles OPL.
Modèles CPLEX et CP Optimizer (CPO).
Vous pouvez créer, importer et éditer (fichiers.lp et .cpo ), et importer et éditer des fichiers .mps . Vous pouvez ensuite les résoudre et télécharger les fichiers de solution.
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.
Figure 1 : Modélisation et résolution d'expérimentations Decision Optimization
Decision Optimizationavantages de l'interface utilisateur d'expérimentation
Copy link to section
Le tableau suivant explique comment exécuter différentes fonctions avec et sans Decision Optimizationinterface utilisateur d'expérimentation. Dans cette table, les blocs-notes de Jupyter sont blocs-notes sans Decision Optimizationinterface utilisateur d'expérimentation. Comme vous pouvez le constater, vous disposez de plus d'avantages lorsque vous utilisez le Decision Optimizationinterface utilisateur d'expérimentation.
Tableau 1. Decision Optimization avec l'interface utilisateur d'expérimentation
Tâche
Jupyter notebook (sans Decision Optimizationinterface utilisateur de l'expérimentation)
Decision Optimizationinterface 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 donnéesafficher . Voir Préparation des données d'entrée.
Importez des données à partir de projets et éditez des données dans Préparer les donnéesafficher . Voir Préparation des données d'entrée.
Importez des données à partir de projets et éditez des données dans Préparer les donnéesafficher . 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.
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.