開發目的
本軟體為物流學習工具。旨在幫助物流從業者及學生學習如何開發物流 AI 軟體。
Currently, the prototype is being used by two universities, and the final version is planned to be released as free software.
此外，這是我們「Tera計算」軟體編寫的 AI 版本，該軟體教導具體的 EIQ 分析計算方法。
次世代物流分析：EIQ × 機器學習
本專案結合 30 年實務經驗與最新機器學習 (Microsoft.ML)，從出貨數據中瞬時推導未來物流據點的最佳型態。僅需出貨對象數 (E) 與品項數 (I) 的少量資訊，即可自動生成高精度物流模型。
1. 學習與模型建置
利用 SDCA 回歸模型學習出貨數據，生成可預測 160 個以上分析項目的 AI 智能。
詳情：EIQ_AI 模型建立規格說明 → 點選
2. 預測與矩陣顯示
利用生成的模型，瞬時視覺化出貨頻率、重量、容積等 6 種矩陣表。
詳情：軟體作業流程規格說明 → 點選未來發展路線圖
- 庫存與面積計算連動：整合庫存條件至預測矩陣，自動算出所需庫存、進貨量及設備配置面積。
- 與「Tera計算」系列整合：作為系列內的快速評估模組（相當於 Tera計算 0/1），加速據點評價。
- 追求預測精度：透過模型改良，目標將預測誤差控制在 3% 以內。
📌 正式版更新計畫：
正式版將分離「拆零」與「整箱」預測邏輯。增加數量 (Q) 與行數 (R) 參數，實現適用各產業的分形分析。
正式版將分離「拆零」與「整箱」預測邏輯。增加數量 (Q) 與行數 (R) 參數，實現適用各產業的分形分析。
技術解說：Microsoft.ML (ML.NET)
本門戶採用「ML.NET」開源框架，可在 .NET 環境中構建自定義模型。無需依賴 Python 等外部語言，即可在 C# 環境中完成高度物流分析。
1. ML.NET 核心
- 跨平台支援：可在 Windows, Linux, macOS 上運行。
- 高效能：經 .NET 6.0+ 優化，高速處理數據。
2. SDCA 回歸
- 高效演算法：低記憶體佔用且具備高速學習能力。
- 物流應用優勢：從 E、I 等因素精準預測重量與容積。