IBM® Decision Optimization vous donne accès aux IBMpour la programmation mathématique et la programmation par contraintes. Vous pouvez générer des modèles Decision Optimization avec blocs-notes ou à l'aide de la puissante Decision Optimization interface utilisateur d'expérimentation (version bêta). Vous pouvez y importer, créer ou modifier des modèles. Pour créer ou modifier vos modèles, vous pouvez utiliser Python, OPL, ou les expressions en langage naturel fournies par l'assistant intelligent Modeling Assistant (version Beta). Vous pouvez également déployer des modèles avec watsonx.ai Runtime.
- Format des données
- Tabulaire: fichiers
.csv,.xls,.json. Voir Préparation des données d'entrée dans une expérimentation Decision OptimizationDonnées provenant de Actifs de données connectés
Pour le déploiement, voir Formats des fichiers d'entrée et de sortie du modèle pour Decision Optimization
- Taille des données
- Tous
Accès à Decision Optimization
Pour créer une expérimentationDecision Optimization , procédez comme suit.
- Ouvrez votre projet ou créez un projet vide.
- Sélectionnez l'onglet Actifs .
- Sélectionnez Nouvel actif > Résoudre les problèmes d'optimisation dans la section Utiliser des modèles .
- Si vous n'avez pas encore associé une instance de service watsonx.ai Runtime à votre projet, cliquez sur Add a Machine Learning service. Sélectionnez un service et cliquez sur Associer.
- Cliquez sur Nouvel espace de déploiement, entrez un nom et cliquez sur Créer (ou sélectionnez un espace existant).
- Entrez un nom pour votre Decision Optimization expérimentation et cliquez sur Créer.
La Decision Optimization interface utilisateur d'expérimentation (version bêta) s'ouvre pour vous permettre de créer et d'éditer des modèles qui sont formulés avec Modeling Assistant, dans Python DOcplexou dans OPL.
Sinon, pour ouvrir et exécuter Decision Optimization blocs-notes (sans le Decision Optimization interface utilisateur d'expérimentation), procédez comme suit.
- Sélectionnez l'onglet Actifs .
- Sélectionnez New asset > Work with data and models in Python or R notebooks dans la section Work with models .
Pour obtenir un guide détaillé permettant de générer, de résoudre et de déployer un modèle Decision Optimization à l'aide de l'interface utilisateur, voir le tutoriel de démarrage rapide avec vidéo.
Qu'est-ce qu' Decision Optimization?
Le terme optimisation est souvent utilisé pour évoquer une démarche visant à améliorer les choses. Bien que l'optimisation améliore souvent les choses, elle signifie beaucoup plus: optimisation signifie trouver la solution la plus appropriée pour une situation définie avec précision. Il s'agit d'une technologie d'analyse sophistiquée, également appelée analyse prescriptive, qui peut explorer une vaste gamme de scénarios possibles et suggérer la meilleure façon de répondre à une situation présente ou future.
- En général, la situation est une problématique métier, comme le planning, la planification, la tarification, le stock ou la gestion des ressources.
- Quel que soit le problème au départ, son solutionnement démarre avec le modèle d'optimisation, qui est la formulation mathématique du problème qui peut être interprétée et résolue par un moteur d'optimisation. Le modèle d'optimisation spécifie les relations entre les objectifs, les contraintes, les limitations et les choix qui sont impliqués dans les décisions. Toutefois, ce sont les données d'entrée qui rendent ces relations concrètes. Par exemple, un modèle d'optimisation pour le planning de production peut avoir la même forme, que vous produisiez trois produits ou mille. Le modèle d'optimisation, en conjonction avec les données d'entrée, crée une instance d'un problème d'optimisation.
- Les moteurs d'optimisation (ou solveurs) appliquent des algorithmes mathématiques pour trouver une solution, composée d'un ensemble de décisions, qui atteint les valeurs optimales des objectifs tout en respectant les contraintes et les limitations imposées. Le moteur d'optimisation implémente des algorithmes spécialisés qui sont développés et optimisés pour résoudre efficacement une grande variété de problèmes différents. Decision Optimization utilise les moteurs IBM CPLEX ® et CP Optimizer qui se sont révélés puissants pour la résolution d'applications réelles.
- La solution qui émerge du solveur détaille les valeurs recommandées pour toutes les décisions représentées dans le modèle. Les valeurs de mesure qui représentent les cibles ont la même importance. Elles mesurent la qualité de la solution en termes d'objectifs métier.
- Tout cela peut être mis à la disposition des utilisateurs métier avec une application métier complémentaire. En général, les valeurs d'objectif et de solution sont récapitulées dans des vues tabulaires ou graphiques afin que les utilisateurs puissent les comprendre et en avoir connaissance.
Pour la formation à l'utilisation de Decision Optimization dans watsonx.ai, voir Mathematical Optimization for Business Problems Training.