최적화 및 데이터 사이언스를 이용하여 비즈니스 의사결정을 가속화하세요.

IBM Decision Optimization으로 최적화 모델을 구축하는 방법

과도한 수의 요인이 포함된 질문에 대해 어려운 결정을 내리려는 경우, IBM Decision Optimization 제품군은 비즈니스 상황에 대한 수학적 모델 구축을 위해 주요 구성요소를 캡처할 수 있도록 지원하며, 더 빠르게 보다 나은 의사 결정을 내릴 수 있는 자신감을 사용자에게 제공합니다.

최적화 모델은 해결하려는 비즈니스 문제점의 주요 특성을 변환하는 것입니다. 모델은 세 가지 요소로 구성되어 있습니다. 이는 각각 목적 함수, 의사결정 변수 및 비즈니스 제한조건입니다.

IBM Decision Optimization 제품군은 최적화 모델의 구축을 지원하는 다중 접근 방식을 지원합니다.

ㅤㅤ ㅤㅤ ㅤㅤ

IBM ILOG® CPLEX® Optimization Studio에서는 사용 가능한 API(Application Programming Interface) 중 하나 또는 최적화 프로그래밍 언어를 사용할 수 있습니다(예: Python, Java™, C, C++ 또는 C# API 등).

IBM Decision Optimization for Watson Studio에서는 Python API 또는 Optimization Modeling Assistant를 사용하여 모델을 구축할 수 있습니다.

최적화 프로그래밍 언어(OPL)

IBM ILOG CPLEX Optimization Studio는 통합 개발 환경에서 최적화 프로그래밍 언어(OPL)를 사용하여 모델을 작성하는 옵션을 제공합니다.
OPL은 최적화 모델의 자연적인 수학적 설명을 제공합니다. 실제로 범용 프로그래밍 언어보다 더 단순하고 보다 짧은 코드를 생성하는 수학적 프로그래밍 모델을 위한 상위 레벨 구문을 제공합니다. 노력을 줄이고 애플리케이션 개발, 업그레이드 및 유지보수의 신뢰성을 개선할 수 있습니다. OPL의 강력한 구문은 수학적 프로그래밍과 제한조건 프로그래밍 모두를 사용하여 문제점을 모델링하고 해결하는 데 필요한 모든 표현식을 지원합니다.
OPL은 제한조건 프로그래밍 모델과 함께 수학적 프로그래밍 모델을 지원합니다. 사용자는 인덱스 세트에 대한 의사결정 변수와 의사결정 표현식을 정의하여 해당 변수와 표현식의 영향을 받은 선택사항을 표현할 수 있습니다. OPL을 사용하면 수학 프로그래밍, 제한조건 프로그래밍 및 제한조건 기반 스케줄링 모델을 개발, 디버그, 테스트 및 튜닝할 수 있습니다. 또 다른 중요한 장점은 인덱스 세트에 대한 제한조건, 합계 및 기타 수학적 연산을 지정하는 기능입니다.

OPL 기능

데이터 조직을 위한 고급 유형

문자열 및 숫자 세트와 범위, 배열을 정의합니다. 세트 연산을 적용하여 복잡한 인덱스 세트를 생성합니다. 선택적 기본 및 외부 키를 사용하여 튜플, 이질적 데이터 요소가 포함된 데이터 구조 및 튜플 세트를 정의합니다. 튜플 슬라이싱(SQL SELECT 오퍼레이션과 유사함)을 사용하여 문제점 크기와 데이터 요구사항을 모두 줄여주는 스파스 모델을 정의합니다.

실수 또는 정수 변수 지원

실수 의사결정 변수를 사용하여 수량이나 양이 포함된 의사결정을 표현합니다. 2진 또는 정수 의사결정 변수를 사용하여 이산 선택 모형이나 불가분 수량을 표현합니다. IBM ILOG CPLEX Optimizer 내에서 복잡한 분기 절단 검색의 혼합 정수 해결기를 활용하여 어려운 개별 최적화 문제를 해결하거나, IBM ILOG CPLEX CP Optimizer를 사용하여 혼합 정수 최적화 알고리즘에 잘 맞지 않는 까다로운 조합 문제점을 해결합니다.

세부 스케줄링 문제점 모델링

OPL의 고유 구문과 데이터 구조를 활용하여 타이밍이 기본 의사결정인 문제점을 정의합니다. 간격 변수를 사용하여 완료할 태스크 또는 활동을 표현합니다. 임시 제한조건(간격의 시작 및 종료 시간 간의 관계)을 지정하여 활동들 간의 우선순위를 표현합니다. 강도 및 누적 함수를 정의하여 시간의 함수로 리소스 사용량을 표현하고 간격들 간의 리소스 제한조건을 지정합니다. 

OPL 및 Python을 사용하여 데이터 관리 간소화

Python 데이터 처리 기능의 파워를 OPL 모델에 적용합니다. doopl API를 활용하여 OPL 모델을 Python에 임베드하고 Python에서 지원하는 데이터 구조를 사용하여 데이터를 보다 쉽게 처리 및 조작할 수 있는 기능의 장점을 활용합니다. 또한 doopl API는 데이터 변경에서 다중 해결이 필요한 최적화 워크플로우를 단순화합니다.

API를 사용하여 모델 구축

IBM Decision Optimization 솔루션은 API(Application Programming Interface)를 사용하여 최적화 모델을 구축할 수 있는 유연성을 제공합니다. IBM ILOG CPLEX Optimization Studio는 C, C++, C#, Java 및 Python 등의 여러 API를 지원합니다. IBM Decision Optimization for Watson Studio를 사용 중이면 Python API를 사용하여 최적화 모델을 작성할 수 있습니다.

제품

IBM ILOG CPLEX Optimization Studio

최적화 모델을 신속하게 개발 및 배치하고, 강력하고 엄격한 의사결정 최적화 알고리즘을 활용하여 사용자가 수행해야 할 최상의 가능한 조치를 식별합니다.

IBM Decision Optimization for Watson Studio

최적화와 머신 러닝 기술을 손쉽게 결합하여 IBM Watson® Studio Local에서 혁신적인 솔루션을 작성합니다.

리소스

OPL 및 Python API를 사용한 최적화 모델링

IBM CPLEX Optimization Studio를 사용하여 최적화 모델을 구축하는 방법을 알아봅니다.

최적화 애플리케이션을 보다 손쉽게 구축하고 배치

CPLEX Optimizer 및 CP Optimizer 엔진을 사용하여 최적화 애플리케이션을 구축하고 배치하기 위한 다수의 인터페이스에 액세스합니다.

부족한 리소스의 스케줄링을 위한 최적화 모델 구축

IBM Watson Studio용 IBM Decision Optimization 내에서 Optimization Modeling Assistant를 사용합니다.

전문가와 상담하기

1:1 상담 예약

IBM 전문가로부터 필요한 답변을 얻을 수 있습니다.