IBM智能決策優化系統已經融入IBM Cloud Pak for Data平臺，支持數據科學家通過Python、OPL、CPLEX、CPO、建模助手等方式構建決策模型。

0. 引言

在制造業，如何將有限的人力和設備，在不同的時段分配到不同產品制造上，使得企業的效益最大化？

在航空業，如何實時地調整航空時刻表來調度航班，機組人員，航線設計等，使得收益最大化？

在金融業，如何實現信貸資金優化配置，權衡用戶需求和風險監管要求，使得利益最大化？

在物流業，如何調配物流車輛和選擇物流路徑，才能最低的成本和最快的速度完成貨物的運輸？

作為企業的決策者，該如何來回答這些問題呢？不乏有人會根據初步數據和歷史經驗來“拍腦袋”決策，造成的結果可能是后悔得“將大腿拍腫”。

隨著數字化時代的到來，數據越來越多，運營模式越來越復雜，這給決策者帶來了前所未有的困難。企業只有全面地對決策鏈進行智能化轉型，讓“數據說話”，才能塑造核心競爭力，統籌成本和規模等，實現效益最大化。

IBM智能決策平臺，作為行業的領跑者，通過持續革新，不斷賦能企業全鏈路決策升級，助力企業完成數字化、智能化轉型，加速企業卓越地完成業務KPI指標。IBM智能決策平臺將和中國企業一起攜手共創，優化一切。

1. 從統籌學鼻祖軟件CPLEX說起

CPLEX是一位妥妥的80后，最初版本在1988年就被開發出來，可謂歷史悠久！在1997年，被ILOG公司收購，2009年，納入IBM懷抱， CPLEX在統籌學領域可謂盡人皆知。

CPLEX是業界領先的數學規劃問題求解軟件，以靈活的超高性能優化程序，來解決線性（LP）優化問題、網絡流問題、二次規劃(QP)問題、二次約束規劃(QCP)問題和混合整數規劃(MIP)問題等，適應于多種統籌學決策優化場景。經過多年的技術沉淀，IBM ILOG CPLEX 已經全面發展成為商業的智能決策平臺IBM Decision Optimization系列產品。

2. IBM決策優化系統COS蓬勃發展

IBM ILOG CPLEX Optimization Studio(簡稱COS)為用戶提供了一個非常簡便的建模環境，可供運籌學專家或者數據科學家輕松方便的建模，并測試模型。COS的關鍵組件和構架如下：

（資料來源：IBM CPLEX市場培訓宣傳資料）

2.1 COS的優化引擎

優化引擎猶如決策優化系統的大腦，而COS有兩個強悍的大腦，其中之一就是CPLEX，CPLEX通常用于大規模的戰略問題。CPLEX包含了多種算法，并可基于問題自動檢測出最佳的算法。CPLEX引擎支持并行化，可以運行在共享和分布式內存體系結構中，支持不可行性分析。CPLEX引擎支持解決方案池，用戶可以從解決方案池中選擇最適合他們需求的特定方案。此外，CPLEX支持用戶通過參數集對算法進行微調來達到最理想的效果。CPLEX用戶的自定義行為，運籌專家用戶可以利用自己對問題的深刻理解來創建自己的算法，更有效地解決復雜的問題。

COS的第二個大腦是CPO (Constraint Programming Optimizer)，用不同的算法解決不同類型的問題，比如離散非線性問題等。這也正是COS與其他商業決策優化引擎之間的重要區別，CPO可以解決CPLEX和其他求解器難以解決的復雜調度問題。CPO引擎允許建模者基于預置的調度模型來構建，從而實現輕松而又快速建模。和CPLEX引擎一樣，CPO一般可以自行決定在底層使用哪些算法，支持統籌學專家微調，支持在共享內存架構中并行運行來提高性能。

2.2 COS模型開發工具

COS集成開發環境(IDE)是基于Eclipse的，運籌學專家或數據科學家可以基于此IDE，使用OPL(Optimization Programming Language)建模語言來構建優化模型。通過這個IDE，使用OPL建模會更加容易，因為OPL有很多內置的模塊可供用戶使用，而且格式化的建模便于用戶快速簡單上手，用戶按照預定格式，定義變量、目標、約束等模型結構，同時可選擇性定義一個數據初始化塊和一個后處理塊。OPL并不像編碼語言那么要求嚴格，它更像是一種容易讀懂的高級腳本語言，上手容易。

2.3訪問和部署

COS支持IBM產品的Connectors有 SPSS Modeler Connector和Planning Analytics Connector 等。另外還有一些第三方的軟件，比如Excel、JDBC Connector (連接到數據庫)、Microsoft Solver Foundation、MATLAB等，可以通過這些Connector獲取數據。輸出和部署模型，可通過API，用戶使用C, Java, C++, .NET, Python等語言來創建一個應用程序，來控制對引擎的訪問、輸入和輸出。

3. IBM端到端智能決策平臺DOC

IBM 決策優化中心(Decision Optimization Center，簡稱DOC)是一個決策優化端到端的平臺，支持從模型開發、測試、部署和應用全生命周期過程。

當前DOC以聯合開發的方式，并向著如火如荼的云原生平臺積極靠攏，既支持以Docker Compose方式安裝部署，同時也可以通過Helm等方式安裝到Openshift或者Kubernetes平臺上。其核心是Optimization Server(下文稱為DOC OS)，可以使用戶專注于模型開發和應用上，無需關注IT底層設施的維護，DOC OS可以自動的管理測試環境，模型部署測試，同時提供自動伸縮性和健壯性。其構架圖如下。

（資料來源：IBM CPLEX市場培訓宣傳資料）

DOC OS Master猶如一個管理者，從客戶端接收作業請求和輸入數據，并通過一個消息隊列(RabbitMQ)，合理分配到Worker上執行，并實時地得到Worker的反饋，DOC OS預置了CPLEX和OPL兩種優化器，同時支持用戶自定義Worker，以便靈活使用。每個作業的日志、輸入和輸出都存儲在一個分布式文件存儲的數據庫(MongoDB)中。業務用戶通過Web控制臺來提交作業(可從本地上傳文件和數據)，并在Web控制臺監控作業運行，并查看結果。

4. 決策優化和機器學習相得益彰

機器學習已在各行各業取得了巨大的進展，越來越多的企業借助機器學習來進行數據挖掘、聚類、用戶行為分析等。其實運籌學的歷史比機器學習更悠久，當運籌學的決策優化遇上機器學習，可謂相得益彰，相互成就。

機器學習更多的是“數據驅動”，其重點在于通過歷史數據來訓練模型，然后預測未來。比如某電信營運商可以通過大量歷史用戶的信息來訓練模型，預測流失用戶，但是機器學習不會告訴用戶如何使用營銷和降費等手段，以最佳方案地避免此類用戶的流失。決策優化系統更多的是“認知驅動”，可以結合機器學習的預測，并利用規則限制和目標，給出最佳的行動方案。二者如下圖所示。

IBM Watson是領先的機器學習平臺，目前IBM決策優化系統已和Watson連珠合璧，形成智能決策平臺IBM Decision Optimization for Watson Studio(下文稱DO for Watson Studio)。數據科學家可以基于DO for Watson Studio，借助于AI能力，端到端地快速構建和部署智能化決策優化模型，并通過微服務發布模型服務。因其天然優勢，可以很容易地連接到構建機器學習模型所用的相同數據源。DO for Watson Studio平臺支持用戶可以圖形界面的形式，查看模型的有效性，進而發現一些模型的缺點或者不正確（或者遺漏）的約束條件，或者不合理的目標等。模型驗證通過后，可以直接基于Watson平臺，將模型部署為微服務，供業務用戶使用。

（資料來源: IBM Watson Studio截圖）

5.決策優化和規劃分析雙劍合璧

在規劃分析領域，IBM Planning Analytics(PA)被廣泛使用，它有個曾用名叫“TM1”，業界熟知。PA是基于內存的預算、預測解決方案。和Watson結合，形成IBM Planning Analytics with Watson 平臺。借助此平臺，消除了業務部門孤島，簡化和整合企業內的財務和運營規劃，快速地為財務、銷售、供應鏈等創建更準確的計劃和預測，并實時地做出調整。

然而，規劃和分析很難離開決策，因為雖然PA可以產生動態的規劃分析結果，但不能保證其是最優的，或者是局部最優的，也沒有假設場景可以供用戶測試，而且很多時候，PA的規劃分析并不能納入某些必要的條件約束，這就會對業務結果產生影響，甚至造成不可執行。然而在今天，這已經不是問題了，因為在2021年發布的PA Cloud版本中，已然和IBM決策優化系統的雙劍合璧，共同為客戶提供基于決策優化的預測分析。

6.決策優化和數據經緯魚水情深

數據經緯(Data Fabric)是一種全新的數據處理方法論，猶如汪洋大海，包羅萬象。IBM Cloud Pak for Data平臺是當前數據經緯構架最具代表性的實現，通過數據虛擬化，減少數據實際遷移過程，提高自動化數據處理；通過建立智能數據目錄，以便自動發現、關聯、理解數據，讓數據時刻準備好支持業務需求；通過設定數據安全策略，保證多用戶和多數據源下的數據安全；通過混合云靈活的基礎架構，提供多種數據智能化技術，從而淋漓盡致地發揮AI潛力。

IBM Cloud Pak for Data借助于各種技術手段，讓企業數據變活，更好地服務于業務，在讓數據智能化服務業務的過程中，決策優化則是關鍵的一環，舉足輕重。決策優化就好比數據經緯汪洋大海中的“蛟龍”，蛟龍入海，使得數據經緯“有龍則靈”，盤活整個數據經緯海域。IBM智能決策優化系統已經融入了IBM Cloud Pak for Data平臺中，支持數據科學家通過Python、OPL、CPLEX、CPO、建模助手等方式構建決策模型。

（資料來源: IBM Cloud Pak for Data截圖）

在IBM Cloud Pak for Data平臺中，構建決策模型主要分為三步：

第一步，導入和準備數據。用戶可以從項目導入數據，并檢查和修正數據。

第二步，構建模型。用戶可以使用Python(包括Notebook方式)，OPL、建模助手等方式來構建決策優化模型，并完成模型的調試和驗證，也可以通過從本地上傳文件等方式來導入模型。建模助手可輔助用戶，使用基于數據結構和某些特定的規則和策略(如資源分配、調度等)來規劃決策優化模型。

第三步，探索解決方案。允許用戶預覽解決方案、KPI、優化目標、限制沖突或者建議等。最優解決方案將通過圖形化和表格等形式展示出來，用戶可以查看結果（解決方案和沖突條件等），引擎的統計信息(運行狀態，比如已處理，已停止或者以失敗的作業，方案圖形化信息和模型的統計信息)，和日志信息等。

7.結語

IBM決策優化系統四處開花，發展迅猛，已經被廣泛應用于各行各業，包括航空業、金融業、零售業、物流業、證券業、制造業、保險業、能源領域、電子商務領域等，助力用戶持續降本增效。

正如IBM中國混合云與AI華東及華南大區總經理許偉杰所說：“我們有業界最穩定的企業級工具、為客戶提供優質服務的團隊、優化企業各個環節的行業經驗，以及注重實效的IBM方法論。我們希望和中國企業一起攜手共創，優化一切。在生產領域，IBM利用Cloud Pak for Data攜手伙伴幫助中國頭部的汽車內飾企業實現多產線全局最優的小時級自動排程，提高生產效率，幫助中國頭部的鋰電池制造企業開啟了新一代全局最優生產排程APS之旅，同樣的例子還發生在航空、半導體、化工、醫藥等行業。”

IBM大中華區車庫創新體驗中心負責人魚棟表示：“決策優化是企業數智化轉型中的重中之重，IBM智能決策系統可賦能企業快速實現決策全鏈路轉型。IBM車庫體驗中心團隊可以通過車庫工作坊的形式，和客戶一起梳理決策優化中的痛點，并和客戶攜手共創，定義最小可行性產品(MVP)，助力企業以敏捷靈活的方式開啟智能決策之門。”

IBM智能化決策優化平臺依舊在根據市場的需求變化而持續革新，在未來，將繼續結合Cloud Pak for Data的多種數據處理工具和人工智能技術，更進一步成就客戶，助力企業在混合云和AI時代，走向高光時刻。

審核編輯 ：李倩