Maneiras de usar Decision Optimization
Para construir modelos Decision Optimization , é possível criar blocos de notas Python com DOcplex, uma API Python nativa para Decision Optimizationou usar a IU do experimento Decision Optimization que tem mais benefícios e recursos.
Maneiras diferentes de usar Decision Optimization
Dependendo de suas qualificações e conhecimento, é possível usar o Decision Optimizationdas maneiras diferentes a seguir.
- Python blocos de notas
- É possível criar blocos de notas Python com DOcplex, uma API Python nativa para Decision Optimization. Consulte DOcplex.. Você precisa do conhecimento de modelagem da Pesquisa Operacional (OR) para criar variáveis, objetivos e restrições para representar seu problema.
Para obter mais informações sobre ambientes Python suportados, consulte Decision Optimization blocos de notas.
- Decision Optimization UI do experimento
- A IU do experimento facilita o fluxo de trabalho e fornece muitos outros recursos Consulte Decision Optimization vantagens da IU do experimento.
- Modelos Java
- Você pode usar a API REST do tempo de execuçãowatsonx.ai para implantar e executar modelos Java. Para obter mais informações, consulte Decision Optimization Modelos Java
- Implementação em lote
- Para obter mais informações sobre a implantação com o watsonx.ai Runtime, consulte Decision Optimization.
Para obter um guia passo a passo para construir, resolver e implementar um modelo Decision Optimization , usando a interface com o usuário, consulte o Tutorial de iniciação rápida com vídeo.
Decision Optimization Experiente UI vantagens
A tabela a seguir destaca como é possível executar diferentes funções com e sem a Decision Optimization UI do experimento. Jupyter notebooks nessa tabela são notebooks sem o Decision Optimization experiment UI. Como você pode ver, você tem mais vantagens ao usar a Decision Optimization IU de experimento.
| Tarefa | Jupyter notebook (sem a Decision Optimization IU de experimento) | Decision Optimization UI do experimento (4 tipos de modelos) | |||
|---|---|---|---|---|---|
| Python | Modelos OPL | Modelos CPLEX e CPO | Modeling Assistant | ||
| Gerenciar dados | Importar dados de Projetos. |
Importe dados de Projetos e edite dados na Preparação de dados visualização Consulte Preparando dados de entrada.. |
Importe dados de Projetos e edite dados na Preparação de dados visualização Consulte Preparando dados de entrada.. |
Importe dados de Projetos e edite dados na Preparação de dados visualização Consulte Preparando dados de entrada.. Os relacionamentos em seus dados são deduzidos com inteligência. |
|
| Formular e executar modelos de otimização | Crie uma formulação de modelo a partir do zero em um Python notebook. usando a API DOcplex. Com blocos de notas células individuais podem ser executadas interativamente, o que facilita a depuração. |
Crie uma formulação de modelo do zero no Python. Importe e visualize uma formulação de modelo a partir de um notebook ou arquivo. Edite o modelo Python importado diretamente. Exporte seu modelo como um notebook. Com blocos de notas células individuais podem ser executadas interativamente, o que facilita a depuração. |
Crie uma formulação de modelo do zero no OPL. Importe e visualize uma formulação de modelo a partir de um arquivo OPL. Edite o modelo OPL importado diretamente. |
Crie uma formulação de modelo a partir do zero no CPLEX ou CPO. Importe um arquivo de modelo do CPLEX ou CPO (arquivos.lp, .mpse .cpo ). Edite os arquivos .lp, .mpse .cpo Executar modelo e baixar arquivo de solução. |
Crie uma formulação de modelo a partir do zero selecionando a partir das opções propostas expressas em língua natural. Importe e visualize uma formulação de modelo do Assistente de Modelagem a partir de um cenário. Edite o modelo importado diretamente. |
| Criar e comparar vários cenários | Grave o código Python para manipular o gerenciamento de cenário. |
Crie e gerencie cenários para comparar diferentes instâncias de modelo, dados e soluções Consulte Cenários em um experimento do Decision Optimization. |
|||
| Criar e compartilhar relatórios | Crie relatórios em seus blocos de notas usando as ferramentas de visualização de dados Python . |
Crie relatórios rapidamente na Visualização de visualização usando widgets, páginas e um editor JSON Consulte Visualização em um experimento do Decision Optimization. Faça download do seu relatório como um arquivo JSON para compartilhar com sua equipe. |
|||
| Implementar um modelo | Implemente notebooks usando a API REST de tempo de execuçãowatsonx.ai ou o cliente Python. |
Selecione o cenário que você deseja salvar pronto para promoção no espaço de implementação. Consulte Implementando um modelo de Decision Optimization usando a interface com o usuário. Implemente seu modelo prescritivo Decision Optimization e dados comuns associados uma vez e, em seguida, envie solicitações de tarefas para essa implementação com apenas os dados transacionais relacionados. Você pode implantar modelos usando a API REST dowatsonx.ai Runtime ou usando o cliente Python dowatsonx.ai Runtime. Consulte " aPI REST de tempo de execução watsonx.ai e " watsonx.ai Tempo de execução ' Python cliente. |
|||