物流AIのAIモデル「EIQ_AI」解説：出荷データとフラクタル理論・SDCA回帰の統合

1. 一般的なAIモデルと物流AI「EIQ_AI」の違い（アプローチの独自性）

一般的な機械学習では、過去の大量の実績データを集めてパターンを見つける「帰納的」なアプローチをとります。[cite: 7]

しかし、Tera計算 EIQ_AIは、「一つの出荷データのみを使用する」という独自のアプローチを採用しています。[cite: 7] 理論とルールに基づいて仮想の未来を生成し、それを物流AIのAIモデルに学ばせる「演繹的」なシミュレーションベースの手法（データ拡張）を用いています。[cite: 7]

2. AIモデルデータ作成の手順とフラクタル理論の応用

本システムにおけるAIモデル学習用のデータは、以下の手順と理論に基づいて作成されます。[cite: 7]

• ① フラクタル理論の応用
  「配送センターはフラクタルであり、出荷データもフラクタルである」というフラクタル理論に基づいています。[cite: 7] これは、物流データの規模が拡大・縮小しても、内部の分布構造（自己相似性）は保たれるという考え方です。[cite: 7]
• ② E（発送先）とI（アイテム数）の増減によるデータ拡張
  基準となる1つの出荷データを種（シード）とし、発送先（E）とアイテム数（I）を意図的に増減させることで、約200パターンのAIモデル用データを作成します。[cite: 7]
• ③ モンテカルロ法による揺らぎの付与
  EやIを増減させる際、単純な一律の掛け算ではなく「モンテカルロ法」を使用して指定しています。[cite: 7] これにより、アイテムごとに確率的な揺らぎが生まれ、いびつで不規則なピーク（極端な繁忙期など）への対応力を物流AIに持たせることができます。[cite: 7]

3. データ生成過程で証明された「物流の物理法則」

約半年間のAIモデルデータ作成研究と実計算の検証により、以下の法則性が確認されています。[cite: 7]

• EとIの指定数と実際の出現数の関係：
  モデル作成の実計算段階で増減するE数・I数を指定すると、実際のモデルデータ上のE数・I数はある法則性を持って減少します。[cite: 7] これはランダム割り当てによる「重複」が発生するためです。[cite: 7]
• 物流量（Q）の非線形な乗法法則：
  E数とI数の変動は、物流量に対して「掛け算（面積）」のように働きます。[cite: 7]
  • E数（0.5倍）× I数（0.5倍）＝ 物流量は 0.25倍（4分の一） になる。[cite: 7]
  • E数（2倍）× I数（2倍）＝ 物流量は 4倍 になる。[cite: 7]

4. 物流AI（SDCA回帰）予測におけるバイアスと補正

作成したモデルデータを機械学習（SDCA回帰）させ、予測シミュレーションを行うと、実計算よりも常に約12〜13%ほど低い値が算出されるという現象が発生します。[cite: 7]

解決策：補正係数（1.14）の導入

この物流AI特有のズレを解消するため、システムには以下の対応が組み込まれています。[cite: 7]

• 予測結果に対して、規定値として 1.14（約12.5%のプラス補正） を掛ける実務的な解決策を採用しています。[cite: 7]
• この補正係数は固定せず、ユーザー（学習者）が任意に変更できる仕様としています。[cite: 7]

これにより、学習者は「AIモデルの出した数値を盲信するのではなく、アルゴリズムの癖を理解し、人間の知見で正しく補正をかける必要がある」という、データサイエンスと物流エンジニアリングの本質を操作を通じて学ぶことができます。[cite: 7]