Torna alla versione inglese della documentazione

Modi di utilizzare Decision Optimization

Ultimo aggiornamento: 21 nov 2024

Come utilizzare Decision Optimization

Per creare modelli Decision Optimization , puoi creare notebook Python con DOcplex, un'API Python nativa per Decision Optimizationo utilizzare l' interfaccia utente dell'esperimentoDecision Optimization con ulteriori vantaggi e funzionalità.

Diversi modi di utilizzare Decision Optimization

In base alla propria competenza, è possibile utilizzare Decision Optimization, nei seguenti diversi modi.

Python notebook: Puoi creare i notebook Python con DOcplex, una API Python nativa per Decision Optimization. Vedere DOcplex. È necessaria l'esperienza di modellazione OR (Operational Research) per creare variabili, obiettivi e vincoli per rappresentare il proprio problema.
Per ulteriori informazioni sugli ambienti Python supportati, vedi Decision Optimization notebooks.

Decision Optimization IU esperimento

L' interfaccia utente dell'esperimento facilita il workflow e fornisce molte altre funzioni. Vedi i vantaggi di Decision Optimization experiment UI.

Consente di creare ed eseguire (risolvere) scenari con i seguenti tipi di modello:

modelli Python: È possibile creare questi modelli con DOcplex. Vedere Decision Optimization notebook
Modelli Modeling Assistant: Modeling Assistant ti aiuta a formulare i modelli in linguaggio naturale, che richiede poca o nessuna conoscenza di OR e non ti richiede di scrivere codice Python . Vedere Modeling Assistant modelli.; Questa funzione è disponibile per alcuni tipi di modello. Consultare Selezione di un dominio di decisione in Modeling Assistant.; Modeling Assistant è disponibile solo in inglese e non è globalizzato.
Modelli OPL: È possibile creare, importare e modificare modelli OPL. Per ulteriori informazioni, vedi Modelli OPL.
Modelli CPLEX e CP Optimizer (CPO).: È possibile creare, importare e modificare (file.lp e .cpo ) e importare e modificare file .mps . Potrete quindi risolverli e scaricare i file delle soluzioni.

Per ulteriori informazioni, consultare Esperimenti diDecision Optimization.

modelli Java: È possibile utilizzare l'API REST diwatsonx.ai Runtime per distribuire ed eseguire modelli Java. Per ulteriori informazioni, vedere Modelli JavaDecision Optimization.

Distribuzione batch: Per ulteriori informazioni sulla distribuzione con watsonx.ai Runtime, vedere Decision Optimization.

Per una guida dettagliata per creare, risolvere e distribuire un modello di Decision Optimization , utilizzando l'interfaccia utente, vedi l' Esercitazione di avvio rapido con il video.

Grafico che mostra il flusso di lavoro e diversi modi di utilizzare esperimenti. — Figura 1. Modellazione e risoluzione degli esperimenti Decision Optimization

Decision Optimization vantaggi UI vantaggi

La seguente tabella evidenzia come è possibile eseguire diverse funzioni sia con che senza Decision Optimization IU dell'esperimento. I notebook Jupyter in questa tabella sono notebook senza Decision Optimization interfaccia utente dell'esperimento. Come puoi vedere, hai maggiori vantaggi quando utilizzi l' IU dell'esperimento Decision Optimization .

Tabella 1. Decision Optimization con la UI di sperimentazione
Attività	Jupyter notebook (senza la Decision Optimization IU esperimento)	Decision Optimization IU esperimento (4 tipi di modelli)
Attività		Python	Modelli OPL	Modelli CPLEX e CPO	Modeling Assistant
Gestisci dati	Importa dati da progetti.	Importare i dati dai progetti e modificare i dati in Prepara dati vista . Consultare Preparazione dei dati di input.	Importare i dati dai progetti e modificare i dati in Prepara dati vista . Consultare Preparazione dei dati di input.		Importare i dati dai progetti e modificare i dati in Prepara dati vista . Consultare Preparazione dei dati di input. Le relazioni nei tuoi dati sono intelligentemente dedotte.
Formulare ed eseguire modelli di ottimizzazione	Crea una formulazione del modello da zero in Python notebook. utilizzando l'API DOcplex. Con i notebook le singole celle possono essere eseguite in modo interattivo, il che facilita il debug.	Creare una formulazione modello da scratch in Python. Importare e visualizzare una formulazione modello da un notebook o file. Modificare direttamente il modello Python importato. Esportare il tuo modello come un notebook. Con i notebook le singole celle possono essere eseguite in modo interattivo, il che facilita il debug.	Creare una formulazione modello da scratch in OPL. Importare e visualizzare una formulazione modello da un file OPL. Modificare direttamente il modello OPL importato.	Creare una formulazione modello da zero in CPLEX o CPO. Importare un file di modello CPLEX o CPO (file.lp, .mpse .cpo ). Modificare i file .lp, .mpse .cpo . Eseguire il modello e il file delle soluzioni di download.	Creare una formulazione modello da zero selezionando dalle opzioni proposte espresse in linguaggio naturale. Importare e visualizzare una formulazione del modello Modeling Assistant da uno scenario. Modificare direttamente il modello importato.
Creare e confrontare più scenari	Scrivere il codice Python per gestire la gestione dello scenario.	Creare e gestire scenari per confrontare diverse istanze di modello, dati e soluzioni. Vedere Scenari in un esperimento Decision Optimization.
Crea e condividi report	Crea report nei tuoi notebook utilizzando gli strumenti di visualizzazione dati Python .	Creare rapidamente report nella vista Visualizzazione utilizzando widget, pagine e un editor JSON. Vedere Visualizzazione in un esperimento Decision Optimization. Scarica il tuo report come file JSON da condividere con la tua squadra.
deployment di un modello	Distribuire i notebook utilizzando l'API REST diwatsonx.ai Runtime o il client Python.	Selezionare lo scenario che si desidera salvare pronto per la promozione nello spazio di distribuzione. Vedi Distribuzione di un modello Decision Optimization utilizzando l'interfaccia utente. Distribuire il modello prescrittivo Decision Optimization e i dati comuni associati una sola volta, quindi inoltrare le richieste di lavori a questa distribuzione con solo i dati transazionali correlati. È possibile distribuire i modelli utilizzando il " watsonx.ai API REST di runtime o il " watsonx.ai Runtime 'Python client. Vedere API REST diwatsonx.ai Runtime e client Python diwatsonx.ai Runtime.

Ulteriori informazioni

L'argomento è stato utile?

0/1000