解説：
物流AIに学習させるための「モデルデータ」を作成する際の起点となる、直感的で分かりやすいメインメニュー画面です。
ここから過去の実績データの読み込み、AIへ学習させるための各種パラメータの設定、そして実際の計算・処理画面へとスムーズに遷移することができます。
システム全体を統括するコントロールセンターとしての役割を果たし、初めて物流シミュレーションに触れるユーザーでも迷わず操作できるよう設計されています。
複雑なプログラミング知識は一切不要で、ボタンをクリックしていくだけで高度なAI予測の準備を整えることが可能です。

解説：
機械学習の基礎となる、過去の実務出荷データ（CSVまたはExcel形式）をシステムに直接取り込む画面です。
この画面で読み込まれる生のデータが、将来の物流変動を正確に予測するための「教師データの種（シード）」となります。
データの取り込み時には、システム側で内容をチェックし、AIが処理しやすいクリーンな状態へと自動的に整理する基盤への流し込みを行います。
日々の業務で蓄積されたリアルな実績をインプットすることで、自社の現場特性（DNA）を色濃く反映した、精度の高い物流シミュレーションの実現へと繋がります。

解説：
読み込んだ大量の出荷データをもとに、どの程度の範囲でシミュレーション用モデルデータを生成するか（E/I比率50%〜150%など）と、生成の細かさ（ピッチ）を指定する重要な画面です。
単純に過去の数値を学習するだけでなく、発送先（E）やアイテム数（I）が極端に増減した「仮想の未来シナリオ」を意図的に作り出します。
目的に応じて柔軟な設定を行うことで、一つの出荷実績から数千パターンに及ぶ予測モデルが拡張生成されます。
これにより、物流AIにあらゆる状況（閑散期から異常な繁忙期まで）を網羅的に学習させることが可能になります。

解説：
生の出荷データをそのまま学習させるのではなく、物流AIが現場のパターン（特徴量）を正確に認識できるよう、独自の計算ルールを設定する画面です。
ここでは、パレート分析に基づくABCランク付けのしきい値や、バラ・ケースといった荷姿の区分換算ルールを細かく定義します。
この緻密な前処理を行うことで、単なる数字の羅列だった実績データが、明確な意味を持つ高品質なモデルデータへと変換されます。
現場の物理的な制約や商慣習をシステムに反映させることで、より現実に即した実用的な物流シミュレーションが可能になります。

解説：
前段で設定した仮想シナリオの条件と計算ルールに基づき、システムが実際に機械学習用のモデルデータ（T600テーブル）を自動生成しているバッチ処理画面です。
1レコードあたり165フィールド（バラ・ケース・容積・重量の各ランク別数値など）にも及ぶ膨大な行列計算を高速で実行し、進行状況をリアルタイムのプログレスバーで確認できます。
途中で処理を安全に中断・再開できるレジューム機能も備えており、膨大な出荷データから複雑な物流シミュレーション空間を構築する際の、PCへの負荷や作業時間を効率的に管理・運用できます。

解説：
生成された数千パターンのモデルデータを用いて、実際に物流AI（機械学習エンジン）へ学習を実行させる、本システムの中核となる画面です。
マイクロソフト社の「ML.NET」ライブラリに組み込まれたSDCA回帰アルゴリズムを採用しており、160項目を超える予測出力変数ごとのAIモデルを一括で構築します。
この学習工程を経ることで、AIが出荷データの奥底に潜む「フラクタルな法則性」を完全に獲得します。
これにより、未知のデータが入力された際にも瞬時に高精度な結果を弾き出す「予測の脳」が完成します。

解説：
機械学習の完了後、ユーザーが任意のE（出荷先数）とI（アイテム数）を入力するだけで、AIが瞬時に算出した将来の物流シミュレーション結果を「EIQ_AI表（マトリクス）」として一覧表示する画面です。
拠点拡大やM&A、または災害時などの特殊な状況下で、どのABCランクのエリアにどれだけの作業行数や容積・重量が発生するかを、具体的な予測数値としてひと目で確認できます。
これにより、従来の勘と経験に頼っていたセンター設計や人員配置計画を、データドリブンかつ論理的な意思決定へとシフトさせることができます。

解説：
構築した物流AIモデルが、実際の現場で本当に信頼して使える精度を持っているかを評価するための検証画面です。
元の出荷データに時間と手間をかけて総当たりで算出した「実計算値（正解データ）」と、AIが一瞬で導き出した「予測値」を左右に並べて比較します。
この画面を通じて、機械学習によって生成されたモデルデータが、出荷先数やアイテム数の増減に対してどれほど正確に追従できているか（フラクタル性が保たれているか）を視覚的かつ定量的に確認でき、結果に対する社内の納得感を高めます。

解説：
さらに一歩踏み込んだ精度確認のため、実計算値に対する物流AI予測値の「誤差（バイアス）」の傾向を数値やグラフ等で可視化する画面です。
機械学習（SDCA回帰）のアルゴリズム特性上、非線形な掛け算のカーブに対して線形予測を行うため、どうしても生じてしまう下振れのズレを正しく把握します。
ここで誤差のパーセンテージを特定し、システム上で適切な「補正係数（例：1.14倍など）」を適用することで、机上の空論ではない、現場の設計にそのまま使える極めて実用的な物流シミュレーション数値を導き出すことができます。