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
Copy link to section
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.
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.
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.
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.
Figura 1. Modellazione e risoluzione degli esperimenti Decision Optimization
Decision Optimizationvantaggi UI vantaggi
Copy link to section
La seguente tabella evidenzia come è possibile eseguire diverse funzioni sia con che senza Decision OptimizationIU dell'esperimento. I notebook Jupyter in questa tabella sono notebook senza Decision Optimizationinterfaccia utente dell'esperimento. Come puoi vedere, hai maggiori vantaggi quando utilizzi l' IU dell'esperimentoDecision Optimization .
Tabella 1. Decision Optimization con la UI di sperimentazione
Attività
Jupyter notebook (senza la Decision OptimizationIU esperimento)
Decision OptimizationIU esperimento (4 tipi di modelli)
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.