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。
目前試用版已由兩所大學使用，正式版計畫作為免費軟體公開。
此外，這是我們「Tera計算」軟體的 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 → 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： 低記憶体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。