IBM® Decision Optimization le proporciona acceso a los motores de soluciones líderes del sector de IBMpara programación matemática y programación de restricciones. Puede crear modelos de Decision Optimization con cuadernos o utilizando la potente Decision Optimization IU de experimento (versión Beta). Aquí puede importar, crear o editar modelos. Para crear o editar sus modelos, puede utilizar Python, OPL, o las expresiones en lenguaje natural que proporciona el inteligente Modeling Assistant (versión Beta). También puede desplegar modelos con watsonx.ai Runtime.
- Formato de los datos
- Tabular: archivos
.csv,.xls,.json. Consulte Preparación de datos de entrada en un experimento de Decision OptimizationDatos de Activos de datos conectados
Para la implantación, véase Formatos de los archivos de datos de entrada y salida del modelo para Decision Optimization
- Tamaño de datos
- Cualquiera
Acceso a Decision Optimization
Para crear un experimentode Decision Optimization , siga estos pasos.
- Abra el proyecto o cree un proyecto vacío.
- Seleccione la pestaña Activos .
- Seleccione Nuevo activo > Resolver problemas de optimización en la sección Trabajar con modelos .
- Si aún no has asociado una instancia del servicio watsonx.ai Runtime a tu proyecto, haz clic en Añadir un servicio Machine Learning. Seleccione un servicio y haga clic en Asociar.
- Pulse Nuevo espacio de despliegue, especifique un nombre y pulse Crear (o seleccione un espacio existente).
- Especifique un Nombre para el experimento de Decision Optimization y pulse Crear.
Se abre la Decision Optimization IU de experimento (versión Beta) donde puede crear y editar modelos formulados con Modeling Assistant, o en Python DOcplex, o en OPL.
De forma alternativa, para abrir y ejecutar Decision Optimization cuadernos (sin la IU de experimento Decision Optimization ), siga estos pasos.
- Seleccione la pestaña Activos .
- Seleccione Nuevo activo > Trabajar con datos y modelos en Python o cuadernos R en la sección Trabajar con modelos .
Para obtener una guía paso a paso para crear, resolver y desplegar un modelo de Decision Optimization , utilizando la interfaz de usuario, consulte la Guía de aprendizaje de inicio rápido con vídeo.
¿Qué es Decision Optimization?
Se utiliza con frecuencia el término optimización como sinónimo de mejorar algo. Aunque la optimización a menudo mejora las cosas, significa mucho más: la optimización significa encontrar la solución más adecuada para una situación definida con precisión. Se trata de una sofisticada tecnología analítica, también denominada Prescriptive Analytics, que puede explorar una amplia gama de posibles escenarios y sugerir la mejor forma de responder a una situación presente o futura.
- La situación es generalmente un problema empresarial como, por ejemplo, de planificación, de programación, de fijación de precios, de inventario o de gestión de recursos.
- Sea cual sea el problema, su resolución empieza con el modelo de optimización, que es la formulación matemática del problema que se puede interpretar y resolver mediante un motor de optimización. El modelo de optimización especifica las relaciones entre los objetivos, las restricciones, los límites y las elecciones implicadas en las decisiones. Pero son los datos de entrada los que concretan estas relaciones. Un modelo de optimización para la planificación de producción, por ejemplo, puede tener el mismo formato tanto si está produciendo tres productos como si está produciendo un millar. El modelo de optimización más los datos de entrada crean una instancia de un problema de optimización.
- Los motores de optimización (o solucionadores) aplican algoritmos matemáticos para encontrar una solución, un conjunto de decisiones que consigue los mejores valores de los objetivos y que respeta las restricciones y los límites impuestos. El motor de optimización implementa algoritmos especializados que se desarrollan y ajustan para resolver de forma eficiente una gran variedad de problemas diferentes. Decision Optimization utiliza los motores IBM CPLEX ® y CP Optimizer que han demostrado ser potentes en la resolución de aplicaciones del mundo real.
- La solución que surge del solucionador detalla los valores recomendados para todas las decisiones representadas en el modelo. Igualmente importantes son los valores de métricas que representan los destinos. Estos valores miden la calidad de la solución en términos de los objetivos empresariales.
- Todo esto se puede poner a disposición de los usuarios empresariales con una aplicación empresarial complementaria. Normalmente, el objetivo y los valores de solución se resumen en vistas tabulares o gráficas que permiten conocerlos y comprenderlos.
Para obtener formación sobre el uso de Decision Optimization en watsonx.ai, consulte Optimización matemática para el entrenamiento de problemas empresariales.