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 Optimizationsperimentazione 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.
Per creare un esperimentoDecision 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 OptimizationUI 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 (senza l' interfaccia utente Decision Optimizationesperimento ), seguire i seguenti passaggi.
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?
Copy link to section
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.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Some tools perform the same tasks but have different features and levels of automation.
Jupyter notebook editor
Prepare data
Visualize data
Build models
Deploy assets
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
AutoAI
Build models
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
SPSS Modeler
Prepare data
Visualize data
Build models
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Decision Optimization
Build models
Visualize data
Deploy assets
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Data Refinery
Prepare data
Visualize data
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Orchestration Pipelines
Prepare data
Build models
Deploy assets
Automate the model lifecycle, including preparing data, training models, and creating deployments.
RStudio
Prepare data
Build models
Deploy assets
Work with R notebooks and scripts in an integrated development environment.
Federated learning
Build models
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deployments
Deploy assets
Monitor models
Deploy and run your data science and AI solutions in a test or production environment.
Catalogs
Catalog data
Governance
Find and share your data and other assets.
Metadata import
Prepare data
Catalog data
Governance
Import asset metadata from a connection into a project or a catalog.
Metadata enrichment
Prepare data
Catalog data
Governance
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Data quality rules
Prepare data
Governance
Measure and monitor the quality of your data.
Masking flow
Prepare data
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Governance
Governance
Create your business vocabulary to enrich assets and rules to protect data.
Data lineage
Governance
Track data movement and usage for transparency and determining data accuracy.
AI factsheet
Governance
Monitor models
Track AI models from request to production.
DataStage flow
Prepare data
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Data virtualization
Prepare data
Create a virtual table to segment or combine data from one or more tables.
OpenScale
Monitor models
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Data replication
Prepare data
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Master data
Prepare data
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
watsonx.ai Studio
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
watsonx.ai Runtime
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
IBM Knowledge Catalog
Discover, profile, catalog, and share trusted data in your organization.
DataStage
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
Data Virtualization
View, access, manipulate, and analyze your data without moving it.
Watson OpenScale
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Data Replication
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Match360 with Watson
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Manta Data Lineage
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Project
Where you work with data.
> Projects > View all projects
Catalog
Where you find and share assets.
> Catalogs > View all catalogs
Space
Where you deploy and run assets that are ready for testing or production.
> Deployments
Categories
Where you manage governance artifacts.
> Governance > Categories
Data virtualization
Where you virtualize data.
> Data > Data virtualization
Master data
Where you consolidate data into a 360 degree view.