Volver a la versión inglesa de la documentaciónGeneración de múltiples Decision Optimization escenarios
Cuaderno de Decision Optimization que genera varios escenarios
En este ejemplo muestra la facilidad con la que puede probar el modelo generando escenarios adicionales basados en datos aleatorios. Estas pruebas permiten evaluar si el modelo es suficientemente sólido para tener un rendimiento eficaz en un entorno con datos variables.
Última actualización: 05 dic 2024
Esta guía de aprendizaje le muestra cómo generar varios escenarios a partir de un notebook utilizando datos aleatorizados. La generación de varios escenarios permite probar un modelo exponiéndolo a un amplio rango de datos.
Antes de empezar
- Requisitos
- Para editar y ejecutar modelos de Decision Optimization , debe tener los siguientes requisitos previos:
- Roles Admin o Editor
- Debe tener los roles Admin o Editor en el proyecto. Los visores de proyectos compartidos sólo pueden ver experimentos, pero no pueden modificarlos ni ejecutarlos
- servicio watsonx.ai Tiempo de ejecución
- Debe tener un servicio watsonx.ai Runtime asociado a su proyecto. Puede añadir uno al crear un Decision Optimization experimento.
- Espacio de despliegue
- Debe tener un espacio de despliegue que esté asociado con el experimentode Decision Optimization . Puede elegir un espacio de despliegue al crear un experimentode Decision Optimization .
Acerca de esta tarea
Los archivos utilizados en este ejemplo se encuentran en el proyecto DO-samples . El modelo en cuestión es StaffPlanning y el cuaderno es CopyAndSolveScenarios.
Procedimiento
Para crear y resolver un escenario utilizando un ejemplo:
- Descargue y extraiga todos los DO-samples en la máquina. También puede descargar sólo el archivo StaffPlanning.zip de la subcarpeta Model_Builder para el producto y la versión, pero en este caso no lo extraiga.
- Abra el proyecto o cree un proyecto vacío.
- Seleccione la pestaña Activos .
- Seleccionar Nuevo activo > Resolver problemas de optimización en el Trabajar con modelos sección.
- Pulse Archivo local en la ventana Crear un experimento de Decision Optimization que se abre.
- Examine para elegir el archivo StaffPlanning.zip en la carpeta Model_Builder . Seleccione la subcarpeta de producto y versión relevante.
- Si aún no ha asociado un servicio watsonx.ai Runtime a su proyecto, primero debe seleccionar Añadir un servicio Machine Learning automático para seleccionar o crear uno antes de elegir un espacio de despliegue para su experimento.
- Pulse Crear.Se crea un modelo de Decision Optimization con el mismo nombre que el ejemplo.
- Al trabajar en el Escenario 1 del modelo
StaffPlanning, puede ver que la solución contiene tablas para identificar qué recursos trabajan qué días para satisfacer la demanda esperada.Si no se muestra ninguna solución, o para volver a ejecutar el modelo, pulse Generar modelo en la barra lateral, y, a continuación, pulse Ejecutar para resolver el modelo.
Utilización de un generador aleatorio para crear nuevos escenarios
Procedimiento
Para crear nuevos escenarios utilizando datos aleatorizados utilizando una muestra:
- Seleccione la pestaña Activos .
- Seleccionar Nuevo recurso > Trabajar con datos y modelos enPython o R en el Trabajar con modelos sección.
- Seleccione el separador Archivo local en la ventana nueva que se abre.
- Pulse Arrastre y suelte los archivos aquí o cargue y examine para elegir el cuaderno CopyAndSolveScenarios de la carpeta jupyter . Seleccione la subcarpeta de producto y versión relevante.
- Pulse Crear cuaderno.El cuaderno se abre en el proyecto.
- En el separador Valores del proyecto, localice la sección Señales de acceso y pulse Nueva señal +. Especifique un nombre de señal, seleccione Editor como rol de acceso y pulse Crear.
- Vuelva al cuaderno desde el separador Activos del proyecto y pulse el icono de lápiz para editarlo. En el menú Más
, seleccione Insertar señal de proyecto. Esto añade la señal de autorización en una celda oculta. - En el menú de navegación de inicio principal, seleccione Administración > Acceso (IAM) > Claves de API. Cree y copie la clave de API.
- Vuelva al cuaderno
CopyAndSolveScenariosy localice la celda que contieneclient=Client(pc=pc,apikey="API_key"y sustituyaAPI_keypor su propia clave de API de IBM Cloud que acaba de copiar. - Localice la celda que contiene
decision = client.get_experiment(name="StaffPlanning").Esta celda indica al cuaderno que copieScenario 1del modeloStaffPlanningy lo utilice para generar escenarios adicionales basados en datos aleatorizados. Si ha utilizado otro nombre para el modelo, sustituyaStaffplanningpor el nombre que ha elegido. - Ejecute el cuaderno utilizando Celda>Ejecutar todo.El cuaderno utiliza el módulo Python random para generar datos para cinco escenarios adicionales en el modelo denominado StaffPlanning. Los nuevos escenarios se denominan Copy 01 ... Copy 05. El número de casos de ejemplo a generar se especifica en la celda 9,
N_SCENARIOS = 5. - Abra el modelo
StaffPlanningpara comparar las soluciones de los distintos escenarios. Pulse el icono Escenarios para abrir el panel Escenario y moverse rápidamente entre escenarios. También puede ver todos los escenarios de un vistazo en la Visión general. - Pulse Visualización en el panel de navegación para comparar los distintos escenarios en la pestaña Escenario múltiple .El diagrama Demanda traza la demanda de los distintos periodos en los escenarios generados aleatoriamente. El gráfico ICR traza el coste total a través de los escenarios generados aleatoriamente. El gráfico Mis ICR proporciona un mapa de calor de los costes de los distintos escenarios, junto con la combinación de recursos temporales y fijos para cada uno.