Vous pouvez générer et exécuter des modèles Decision Optimization pour vous aider à prendre les meilleures décisions pour résoudre des problèmes métier en fonction de vos objectifs. Lisez la rubrique Decision Optimization, puis regardez une vidéo et suivez un tutoriel qui convient aux utilisateurs ayant une certaine connaissance de l'analyse prescriptive, mais qui ne nécessite pas de codage.
- Services requis
- studio watsonx.ai
- watsonx.ai Runtime
Votre flux de travaux de base inclut les tâches suivantes :
- Ouvrez votre projet de bac à sable. Les projets sont l'endroit où vous collaborez avec d'autres personnes sur les données.
- Ajoutez une expérience Decision Optimization au projet. Vous pouvez ajouter des fichiers compressés ou des données à partir d'exemples de fichiers.
- Associer un service d'exécution watsonx.ai au projet.
- Créer un espace de déploiement à associer au service d'exécution watsonx.ai du projet.
- Passez en revue les données, les objectifs du modèle et les contraintes dans l'assistant de modélisation.
- Exécutez un ou plusieurs scénarios pour tester votre modèle et examiner les résultats.
- Déployez votre modèle.
En savoir plus sur Decision Optimization
Decision Optimization peut analyser des données et créer un modèle d'optimisation (avec l'assistant de modélisation) basé sur un problème métier. Tout d'abord, un modèle d'optimisation est dérivé en convertissant un problème métier en une formulation mathématique qui peut être comprise par le moteur d'optimisation. La formulation consiste en des objectifs et des contraintes qui définissent le modèle sur lequel repose la décision finale. Le modèle, avec vos données d'entrée, forme un scénario. Le moteur d'optimisation résout le scénario en appliquant les objectifs et les contraintes pour limiter des millions de possibilités et fournit la meilleure solution. Cette solution satisfait la formulation du modèle ou assouplie certaines contraintes si le modèle est infaisable. Vous pouvez tester des scénarios en utilisant des données différentes, ou en modifiant les objectifs et les contraintes, puis en les ré-exécutant et en visualisant les solutions. Une fois satisfait, vous pouvez déployer votre modèle.
Visionnez une vidéo sur la création d'un modèle Decision Optimization
Regardez cette vidéo pour voir comment exécuter un exemple d'expérience de Decision Optimization pour créer, résoudre et déployer un modèle de Decision Optimization avec le Studio de watsonx.ai et le Runtime de watsonx.ai.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Essayez un tutoriel pour créer un modèle qui utilise Decision Optimization
Dans ce tutoriel, vous exécutez les tâches suivantes :
- Tâche 1: Ouvrir un projet.
- Tâche 2: Créer une expérimentation Decision Optimization dans le projet.
- Tâche 3: Créer un modèle et visualiser un résultat de scénario.
- Tâche 4: Modifier les objectifs et les contraintes du modèle.
- Tâche 5: Déployer le modèle.
- Tâche 6: Tester le modèle.
Ce tutoriel dure environ 30 minutes.
Conseils pour l'exécution de ce tutoriel
Voici quelques conseils pour réussir ce tutoriel.
Utiliser la vidéo image-in-picture
L'image animée suivante montre comment utiliser les fonctions d'image vidéo et de table des matières:
Obtenir de l'aide dans la communauté
Si vous avez besoin d'aide avec ce tutoriel, vous pouvez poser une question ou trouver une réponse dans le forum de discussion de la Communautéwatsonx.
Configurez les fenêtres de votre navigateur
Pour une expérience optimale lors de l'exécution de ce tutoriel, ouvrez Cloud Pak for Data dans une fenêtre de navigateur et laissez cette page de tutoriel ouverte dans une autre fenêtre de navigateur pour basculer facilement entre les deux applications. Envisagez d'organiser les deux fenêtres du navigateur côte à côte pour faciliter le suivi.
Tâche 1: Ouvrir un projet
Vous avez besoin d'un projet pour stocker les données et l'expérimentation AutoAI . Vous pouvez utiliser votre projet de bac à sable ou créer un projet.
Dans le menu de navigation "
, choisissez Projets > Afficher tous les projetsOuvrez votre projet de bac à sable. Si vous souhaitez utiliser un nouveau projet:
Cliquez sur Nouveau projet.
Sélectionnez Créer un projet vide.
Entrez un nom et une description facultative pour le projet.
Choisissez une instance de service object storage existante ou crée en une nouvelle.
Cliquez sur Créer.
Lorsque le projet s'ouvre, cliquez sur l'onglet Gérer et sélectionnez la page Services et intégrations.
Dans l'onglet ServicesIBM , cliquez sur Associer un service.
Sélectionnez votre instance d'exécution watsonx.ai Si vous n'avez pas encore provisionné d'instance de service watsonx.ai Runtime, suivez ces étapes :
Cliquez sur Nouveau service.
Sélectionnez watsonx.ai Runtime.
Cliquez sur Créer.
Sélectionnez la nouvelle instance de service dans la liste.
Cliquez sur Associer un service.
Si nécessaire, cliquez sur Annuler pour revenir à la page Services & Intégrations .
Pour plus d'informations, voir Création d'un projet.
Vérifier votre progression
L'image suivante montre le nouveau projet.
Tâche 2: Créer une expérimentation Decision Optimization
Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 00:20.
A présent, procédez comme suit pour créer l'expérimentation Decision Optimization dans votre projet:
A partir de votre nouveau projet, cliquez sur Nouvel actif > Résoudre les problèmes d'optimisation.
Sélectionnez Fichier local.
Cliquez sur Obtenir des exemples de fichiers pour afficher le référentiel GitHub contenant les exemples de fichiers.
Dans le référentiel DO-Samples , ouvrez le dossier watsonx.ai et Cloud Pak for Data as a Service .
Cliquez sur le fichier
HouseConstructionScheduling.zipcontenant les exemples de fichier de construction de maison.Cliquez sur Télécharger pour sauvegarder le fichier zip sur votre ordinateur.
Revenez à la page Créer une expérimentation Decision Optimization et cliquez sur Parcourir.
Sélectionnez le fichier
HouseConstructionScheduling.zipsur votre ordinateur.Cliquez sur Ouvrir.
Si vous n'avez pas encore de service d'exécution watsonx.ai associé à ce projet, cliquez sur Ajouter un service d'Machine Learning
Passez en revue vos instances de service watsonx.ai Runtime. Vous pouvez utiliser un service existant ou créer une nouvelle instance de service à partir d'ici : cliquez sur New service, sélectionnez watsonx.ai Runtime, et cliquez sur Create.
Sélectionnez votre instance de Runtimewatsonx.ai dans la liste, et cliquez sur Associate.
Si nécessaire, cliquez sur Annuler pour revenir à la page Services & intégrations .
Pour plus d'informations sur les services associés, voir Ajout de services associés.
Choisissez un espace de déploiement à associer à cette expérimentation. Si vous ne disposez pas d'un espace de déploiement existant, créez-vous :
Dans la section Sélectionner un espace de déploiement , cliquez sur Nouvel espace de déploiement.
Dans la zone Nom , entrez
House samplepour indiquer un nom pour l'espace de déploiement.Cliquez sur Créer.
Lorsque l'espace est prêt, cliquez sur Fermer pour revenir à la page Créer une expérimentation Decision Optimization . Votre nouvel espace de déploiement est sélectionné.
Cliquez sur Créer pour ouvrir l'expérimentation Decision Optimization .
Vérifier votre progression
L'image suivante illustre l'expérimentation avec les exemples de fichier.
Tâche 3: Créer un modèle et visualiser un résultat de scénario
Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 01:47.
Procédez comme suit pour générer un modèle et visualiser le résultat à l'aide de l'assistant de modélisation Decision Optimization Modeling Assistant.
Dans la sous-fenêtre de gauche, cliquez sur Créer un modèle pour ouvrir l' Modeling Assistant. Ce modèle a été créé avec l' Modeling Assistant pour que vous puissiez voir que les objectifs et les contraintes sont en langage naturel, mais vous pouvez également formuler votre modèle dans Python, OPL ou importer des modèles CPLEX et CPO.
Cliquez sur Exécuter pour exécuter le scénario pour résoudre le modèle et attendre la fin de l'exécution.
Une fois l'exécution terminée, la vue Explorer la solution s'affiche. Sous l'onglet Résultats , cliquez sur Actifs de la solution pour afficher les valeurs résultantes (meilleures) des variables de décision. Ces tables de solution sont affichées par défaut dans l'ordre alphabétique.
Dans la sous-fenêtre de gauche, sélectionnez Visualisation.
Sous l'onglet Solutions , sélectionnez Gantt pour afficher le scénario avec le planning optimal.
Vérifier votre progression
L'image suivante montre la page Visualisation avec un diagramme de Gantt.
Tâche 4: Modifier les objectifs et les contraintes du modèle
Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 03:01.
A présent, vous souhaitez apporter une modification à votre formulation de modèle afin de prendre en compte un objectif supplémentaire. Pour modifier les objectifs et les contraintes du modèle, procédez comme suit:
Cliquez sur Modèle de génération.
Dans le volet de gauche, cliquez sur le menu de débordement "
à côté du scénario 1 et sélectionnez Dupliquer.Pour le nom, entrez
Scenario 2et cliquez sur Créer.Pour Scénario 2, ajoutez un objectif au modèle afin d'optimiser la qualité du travail en fonction de l'expertise de chaque entrepreneur.
Sous Ajouter au modèle, dans la zone de recherche, entrez
overall qualityet appuyez surEnter.Développez la section Objectif.
Cliquez sur Maximiser la qualité globale du sous-traitant-Affectations d'activités selon le tableau des valeurs d'affectation pour l'ajouter comme objectif. Ce nouvel objectif est maintenant répertorié sous la section Objectifs avec l'objectif Réduction du temps nécessaire à l'exécution de toutes les activités.
Pour l'objectif que vous venez d'ajouter, cliquez sur Table des valeurs d'affectation, puis sélectionnez Expertise. Une liste de paramètres Expertise s'affiche.
Dans cette liste, cliquez sur Définition pour modifier la zone qui définit l'expertise de l'entrepreneur, puis sélectionnez Niveau de compétence.
Cliquez sur Exécuter pour exécuter le scénario pour générer le modèle et attendre la fin de l'exécution.
Revenez à la page Explorer la solution pour afficher les Objectifs et les actifs de la solution.
Dans la sous-fenêtre de gauche, sélectionnez Visualisation.
Sous l'onglet Solutions , sélectionnez Gantt pour afficher le scénario avec le planning optimal.
Cliquez sur Présentation dans le panneau de gauche pour comparer les statistiques entre le scénario 1 et le scénario 2.
Vérifier votre progression
L'image suivante montre la page Visualisation avec le nouveau diagramme de Gantt.
Tâche 5: Déployer le modèle
Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 04:07.
Ensuite, procédez comme suit pour promouvoir le modèle dans un espace de déploiement et créer un déploiement:
Cliquez sur le menu de débordement "
à côté du scénario 1 et sélectionnez Enregistrer pour le déploiement.Dans la zone Nom du modèle , entrez
House Constructionet cliquez sur Suivant.Passez en revue les informations du modèle et cliquez sur Sauvegarder.
Une fois le modèle sauvegardé, une barre de notification s'affiche avec un lien vers le modèle. Cliquez sur Vue dans le projet.
Si vous manquez la notification, cliquez sur le nom du projet dans la trace de navigation.
Cliquez sur l'onglet Actifs dans le projet.
Cliquez sur le modèle Construction de la maison .
Cliquez sur l'icône Promouvoir l'espace de déploiement "
.Pour Espace cible, sélectionnez Exemple de maison (ou votre espace de déploiement) dans la liste.
Cochez l'option Accéder au modèle dans l'espace après l'avoir déployé.
Cliquez sur Promouvoir.
Une fois le modèle promu, le modèle Construction de maison s'affiche dans l'espace de déploiement.
Cliquez sur Nouveau déploiement.
Pour le nom de déploiement, entrez
House deployment.Pour Définition du matériel, sélectionnez 2 UC et 8 Go de RAM dans la liste.
Cliquez sur Créer.
Attendez que le statut du déploiement passe à Déployé.
Vérifier votre progression
L'image suivante montre le déploiement de House.
Tâche 6: Tester un modèle
Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 04:55.
Pour tester le modèle avec un scénario, vous devez télécharger les fichiers de données de votre ordinateur vers l'espace de déploiement. Procédez comme suit pour tester le modèle en créant un travail à l'aide des fichiers CSV inclus avec l'exemple de fichier zip:
Cliquez sur House sample (ou votre espace de déploiement) dans la trace de navigation pour revenir à l'espace de déploiement.
Cliquez sur l'onglet Actifs.
Dans le fichier
HouseConstructionScheduling.zipde votre ordinateur, vous trouverez plusieurs fichiers CSV dans le dossier .containers > Scénario 1.Cliquez sur l'icône "
pour ouvrir le panneau de données.Faites glisser les fichiers
Subcontractor.csv,Activity.csvetExpertise.csvdans la zone Supprimer les fichiers ici ou rechercher les fichiers à télécharger du panneau Données.
Cliquez sur l'onglet Déploiements.
Cliquez sur Déploiement de la maison.
Maintenant, pour soumettre un travail afin d'évaluer le modèle, cliquez sur Nouveau travail.
Pour le nom du travail, entrez
House construction job.Cliquez sur Suivant.
Sélectionnez les valeurs par défaut sur la page Configurer , puis cliquez sur Suivant.
Sélectionnez les valeurs par défaut sur la page Planification, puis cliquez sur Suivant.
Sélectionnez les valeurs par défaut sur la page Notifier, puis cliquez sur Suivant.
Sur la page Choisir les données , dans la section Entrée, sélectionnez les actifs de données correspondants que vous avez précédemment chargés dans votre espace pour chaque ID d'entrée.
Dans la section Sortie, vous devez indiquer le nom de chaque table de solution à créer.
Pour ID de sortie ScheduledActivities.csv, cliquez sur Sélectionnez la source de données > Créer une nouvelle, entrez
ScheduledActivities.csvpour le nom et cliquez sur Confirmer.Pour ID de sortie NotScheduledActivities.csv, cliquez sur Sélectionnez la source de données > Créer une nouvelle, entrez
NotScheduledActivities.csvpour le nom et cliquez sur Confirmer.Pour ID de sortie stats.csv, cliquez sur Sélectionnez la source de données > Créer une nouvelle, entrez
stats.csvpour le nom et cliquez sur Confirmer.Pour ID de sortie kpis.csv, cliquez sur Sélectionnez la source de données > Créer une nouvelle, entrez
kpis.csvpour le nom et cliquez sur Confirmer.Pour ID de sortie solution.json, cliquez sur Sélectionnez la source de données > Créer une nouvelle, entrez
solution.jsonpour le nom et cliquez sur Confirmer.Pour Output ID log.txt, cliquez sur Select data source > Create new, tapez
log.txtpour le nom et cliquez sur Confirm.
Consultez les informations de la page Choisir les données, puis cliquez sur Suivant.
Passez en revue les informations de la page Réviser et créer , puis cliquez sur Créer et exécuter.
Dans la page de modèle Déploiement de maison , cliquez sur le travail que vous avez créé et nommé Travail de construction de maison pour voir son statut.
Une fois l'exécution du travail terminée, cliquez sur House sample (ou sur votre espace de déploiement) pour revenir à l'espace de déploiement.
Dans l' onglet Actifs, vous verrez les fichiers de sortie:
ScheduledActivities.csv
NotScheduledactivities.csv
stats.csv
kpis.csv
solution.json
log.txt
Pour chacun de ces actifs, cliquez sur l'icône Télécharger, puis affichez chacun de ces fichiers.
Vérifier votre progression
L'image suivante montre le travail par lots terminé.
Etapes suivantes
A présent, vous pouvez utiliser ce fichier pour une analyse plus approfondie. Par exemple, vous ou d'autres utilisateurs pouvez effectuer l'une des tâches suivantes :
Ressources supplémentaires
Essayez ces autres méthodes pour créer des modèles:
Déploiement de modèles Decision Optimization avec l'interface utilisateur
Afficher plus de vidéos.
Recherchez des exemples d'ensembles de données, de projets, de modèles, d'invites et de blocs-notes dans le concentrateur de ressources pour acquérir une expérience pratique:
Cahiers de notes que vous pouvez ajouter à votre projet pour commencer à analyser des données et à construire des modèles.
Projets que vous pouvez importer et qui contiennent des carnets de notes, des ensembles de données, des messages-guides et d'autres ressources. Ensembles de données que vous pouvez ajouter à votre projet pour affiner, analyser et construire des modèles.
Invites que vous pouvez utiliser dans le laboratoire d'invite pour inviter un foundation model.
Modèles de fondation que vous pouvez utiliser dans le cadre du laboratoire d'expertise.Contribuer à la communauté de l'Decision Optimization
Rubrique parent: Tutoriels de démarrage rapide