IBM® Decision Optimization consente di accedere ai motori di soluzione all'avanguardia di IBMper la programmazione matematica e la programmazione dei vincoli. È possibile costruire modelli Decision Optimization sia con notebook che utilizzando il potente Decision Optimization sperimentazione UI (versione Beta). Qui è possibile importare, creare o modificare i modelli. Per creare o modificare i vostri modelli, potete usare Python, OPL o le espressioni in linguaggio naturale fornite dall'intelligente Modeling Assistant (versione Beta). È inoltre possibile distribuire i modelli con watsonx.ai Runtime.
- Servizi richiesti
- studiowatsonx.ai
runtimewatsonx.ai
- Formato dati
- Tabellare:
.csv,.xls,.jsonfile. Consultare Preparazione dei dati di input in un esperimento Decision OptimizationDati da Asset data warehouse
Per la distribuzione, vedere Formati dei file di dati di input e output del modello per Decision Optimization
- Dimensione dati
- Qualsiasi
Accesso Decision Optimization
Per creare un esperimento Decision Optimization , attenersi alla seguente procedura.
- Aprire il progetto o creare un progetto vuoto.
- Selezionare la scheda Asset .
- Selezionare Nuova risorsa > Risolvi problemi di ottimizzazione nel Lavora con i modelli sezione.
- Se non si è già associata un'istanza del servizio watsonx.ai Runtime al progetto, fare clic su Aggiungi un servizio di Machine Learning. Selezionare un servizio e fare clic su Associa.
- Fare clic su Nuovo spazio di distribuzione, immettere un nome e fare clic su Crea (o selezionare uno spazio esistente).
- Immettere un Nome per l'esperimento Decision Optimization e fare clic su Crea.
Si apre Decision Optimization UI esperimento (versione Beta) in cui è possibile creare e modificare i modelli formulati con Modeling Assistant, in Python DOcplexo in OPL.
In alternativa, per aprire ed eseguire Decision Optimization notebooks (senza Decision Optimization experiment UI), attenersi alla seguente procedura.
- Selezionare la scheda Asset .
- Selezionare Nuova risorsa > Lavora con dati e modelli inPython o R nel Lavora con i modelli sezione.
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.
Cosa è Decision Optimization?
La gente usa spesso il termine ottimizzazione per indicare rendere migliore qualcosa Sebbene l'ottimizzazione spesso renda le cose migliori, significa molto di più: ottimizzazione significa trovare la soluzione più appropriata per una situazione definita con precisione. Si tratta di una tecnologia di analytics sofisticata, chiamata anche Prescriptive Analytics, che può esplorare una vasta gamma di possibili scenari e suggerire il modo migliore per rispondere a una situazione presente o futura.
- La situazione è generalmente un problema aziendale, come la pianificazione, la pianificazione, la determinazione dei prezzi, l'inventario o la gestione delle risorse.
- Qualunque sia il problema, la sua risoluzione inizia con un modello di ottimizzazione, ossia la formulazione matematica del problema che può essere interpretata e risolta da un motore di ottimizzazione. Il modello di ottimizzazione specifica le relazioni tra gli obiettivi, i vincoli, le limitazioni e le scelte che sono coinvolte nelle decisioni. Ma sono i dati di input che rendono questi rapporti concreti. Un modello di ottimizzazione per la pianificazione della produzione, ad esempio, può avere la stessa forma se si sta producendo tre prodotti o mille. Il modello di ottimizzazione più i dati di input crea un'istanza di un problema di ottimizzazione.
- Motori di ottimizzazione (o solette) applicano algoritmi matematici per trovare una soluzione, una serie di decisioni che raggiunga i migliori valori per gli obiettivi e rispetti i vincoli e le limitazioni imposte. Il motore di ottimizzazione implementa algoritmi specializzati che vengono sviluppati e ottimizzati per risolvere in modo efficiente una grande varietà di problemi diversi. Decision Optimization utilizza i motori IBM CPLEX ® e CP Optimizer che si sono dimostrati potenti nella risoluzione di applicazioni reali.
- La soluzione che emerge dal risolutore indica i valori consigliati per tutte le decisioni rappresentate nel modello. Altrettanto importanti sono i valori di metrica che rappresentano le destinazioni. Questi valori misurano la qualità della soluzione in termini di obiettivi di business.
- Tutto ciò può essere reso disponibile agli utenti aziendali con un'applicazione aziendale complementare. Di solito, i valori oggettivi e di soluzione sono riepilogati in viste tabellari o grafiche che forniscono comprensione e intuizione.
Per la formazione sull'utilizzo di Decision Optimization in Cloud Pak for Data as a Service, vedi Mathematical Optimization for Business Problems Training.