Decision Optimization Modeling Assistant modèles

Vous pouvez modéliser et résoudre des problèmes Decision Optimization à l'aide de Modeling Assistant (qui vous permet de formuler des modèles en langage naturel). Cette utilisation requiert peu ou pas de connaissances dans le domaine de la recherche opérationnelle et ne nécessite pas la rédaction de code Python. Modeling Assistant est uniquement disponible en anglais et n'est pas globalisé.

Le flux de travaux de base permettant de créer un modèle avec Modeling Assistant et de l'examiner sous différents scénarios est le suivant:

1. Créez un projet.
2. Ajoutez une expérimentation Decision Optimization (un scénario est créé par défaut dans l' interface utilisateur de l'expérimentation).
3. Ajoutez et importez vos données dans le scénario.
4. Créez un modèle de langage naturel dans le scénario, en sélectionnant d'abord votre domaine de décision , puis en utilisant l' Modeling Assistant pour vous guider.
5. Exécutez le modèle pour le résoudre et explorez la solution.
6. Créez des visualisations de la solution et des données.
7. Copiez le scénario et éditez le modèle et/ou les données.
8. Résolvez le nouveau scénario pour constater l'impact de ces modifications.

Ceci est démontré par un exemple de planification et de planification simple.

Voir aussi Génération, exécution et déploiement d'un modèle Decision Optimization pour une vidéo rapide expliquant comment exécuter un exemple de Decision Optimization expérimentation pour créer, résoudre et déployer un modèle à l'aide de Decision Optimization interface utilisateur d'expérimentation.

Pour plus d'informations sur le déploiement, voir Déployer avec watsonx.ai Runtime.