Génération de modèles Decision Optimization

IBM® Decision Optimization vous donne accès aux IBMpour la programmation mathématique et la programmation par contraintes. Vous pouvez générer des modèles Decision Optimization avec des blocs-notes ou à l'aide de la puissante interface utilisateur d'expérimentation Decision Optimization . 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 de modélisation intelligent Modeling Assistant. Vous pouvez également résoudre plusieurs scénarios et sauvegarder des modèles à déployer avec le service Watson Machine Learning à partir de l' interface utilisateur de l'expérimentation.

Format des données
Tabulaire: fichiers .csv, .xls, .json . Voir Préparation des données d'entrée dans une expérience d'Decision Optimization

Données provenant de Actifs de données connectés

Pour le déploiement, consultez la section « Formats des fichiers de données d'entrée et de sortie des modèles » sur Decision Optimization

Taille des données
Tous

Voir aussi Déployer des modèles d'Decision Optimization avec Watson Machine Learning.

Accès à Decision Optimization

Pour créer une expérimentationDecision Optimization , procédez comme suit.

  1. Ouvrez votre projet ou créez un projet vide.
  2. Sélectionnez l'onglet Actifs .
  3. Sélectionnez Nouvelle ressource > Résoudre les problèmes d'optimisation dans la section Travailler avec des modèles.
  4. Cliquez sur Nouvel espace de déploiement, entrez un nom et cliquez sur Créer (ou sélectionnez un espace existant).
  5. Entrez un nom pour votre Decision Optimization expérimentation et cliquez sur Créer.

Le Decision Optimization interface utilisateur d'expérimentation s'ouvre pour vous permettre de créer et d'éditer des modèles formulés avec Modeling Assistant, dans Python DOcplexou dans OPL.

Sinon, pour ouvrir et exécuter des carnets de notes d' Decision Optimization (sans l'interface utilisateur de l'expérience d' Decision Optimization ), procédez comme suit.

  1. Sélectionnez l'onglet Actifs .
  2. Sélectionnez Nouvelle ressource > Travailler avec des données et des modèles en Python ou R dans la section Travailler avec des modèles.

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?

Les personnes utilisent fréquemment le terme optimisation pour signifier améliorer quelque chose. 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.

Vous pouvez voir les étapes de la modélisation et de la résolution d'un problème d'entreprise avec Decision Optimization dans le diagramme suivant. Ces étapes sont également détaillées plus loin dans cette section. Optimisation des décisions

Les étapes suivantes décrivent la modélisation et la résolution d'un problème d'entreprise à l'aide de Decision Optimization.
  1. La situation est généralement un problème métier, tel que la planification, la planification, la tarification, l'inventaire ou la gestion des ressources.
  2. Quel que soit le problème, sa résolution commence par le modèle d'optimisation, qui est la formulation mathématique du problème pouvant être interprété et résolu 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. Mais ce sont les données d'entrée qui rendent ces relations concrètes. Un modèle d'optimisation pour la planification de la production, par exemple, peut avoir la même forme que vous produisiez trois produits ou mille. Le modèle d'optimisation plus les données d'entrée crée une instance d'un problème d'optimisation.
  3. Les moteurs d'optimisation (ou solveurs) appliquent des algorithmes mathématiques pour trouver une solution, un ensemble de décisions qui atteint les meilleures valeurs pour les objectifs et respecte les contraintes et les limitations imposées. Le moteur d'optimisation met en œuvre des algorithmes spécialisés qui sont développés et mis au point 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.
  4. La solution qui émerge du solveur détaille les valeurs recommandées pour toutes les décisions représentées dans le modèle. Les valeurs de métrique qui représentent les cibles sont tout aussi importantes. Ces valeurs mesurent la qualité de la solution en termes d'objectifs métier.
  5. 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 qui fournissent une compréhension et un aperçu.

En savoir plus