透過物流AI「EIQ_AI」，將歷史出貨數據轉化為可預測未來物流變化的數據模型，實現次世代物流模擬與容量規劃。
物流AI「EIQ_AI」是一套結合歷史出貨數據、EIQ分析與機器學習的突破性物流模擬系統。系統能從單一出貨數據建立基準數據模型，並以 E 數（出貨客戶數）與 I 數（品項數）為核心變數，對 100–200 個模型範例進行機器學習，高精度預測 164 項分級變數（包含筆數、散裝數、箱數、棧板數、體積、重量等），並自動生成 EIQ 矩陣圖表。
我們將透過免費軟體（Tera計算 EIQ_AI）的操作畫面，為您說明這項創新的數據模型建構方式，以及物流中心物流模擬與容量預測的實務流程。
如果您是第一次了解本系統，建議按照以下順序瀏覽頁面，以利順暢理解物流模擬的運作機制：
※已下載免費軟體的使用者，請一併確認 資料夾使用說明。
EIQ_AI 軟體是一款旨在幫助物流實務人員與學生實踐學習「結合物流AI的數據模型建構手法」以及「物流中心物流模擬」的教育與教學支援工具。試用版已先行導入於兩所大學的課程與研究中，未來預計作為完全免費的軟體向大眾公開。
此外，本系統為本研究所提出的物流分析工具「Tera計算」系列的 AI 擴充版本，將具體的 EIQ分析 計算流程以及所需面積與人力算出的過程進行視覺化與自動化。
已故的鈴木震先生曾提出：「物流中心具有碎形（Fractal）特性。」這意味著出貨數據同樣具備碎形特質。
正如桑葉無論大小都保持相同的形狀（自相似性）一樣，出貨數據即使物流量有所增減，其各個構成要素的比例依然保持一致。
總結來說，即使出貨數據的物流量因 E 數與 I 數改變而發生變動，EIQ分析所產生的 EIQ 矩陣表構成比例仍會維持不變。
本系統充分利用此特性，透過改變數據模型的 E 數與 I 數進行實際計算，並將集計結果導入物流AI進行機器學習，從而實現極高精度的預測。
融合 30 年物流顧問經驗與最新機器學習演算法（Microsoft.ML），能從實際出貨數據中瞬間導出最佳物流設計的數據模型。僅需配送點件數（E）與品項數（I）這兩個最小限度的關鍵要素，即可自動生成涵蓋筆數、散裝數、箱數、棧板數、體積、重量等詳細分級變數的物流模擬容量預測模型。
載入任意出貨數據，執行 SDCA 回歸模型的機器學習。生成可預測 164 項分級變數容量的「物流AI大腦」數據模型。
利用生成的數據模型，瞬間輸出出貨頻率、重量、體積等 6 種不同特性的預測矩陣，視覺化評估並進行物流中心產能的物流模擬。
為致力於現場改善、物流中心設計的實務人員，以及研究物流AI與機器學習數據模型的學生，我們公開了可利用現有出貨數據進行實用容量預測的物流模擬免費軟體（Tera計算 EIQ_AI）。
本門戶網站採用可在 .NET 開發環境中建構與整合獨家機器學習數據模型的「ML.NET」。無需依賴 Python 等外部語言，僅憑 C# 環境即可實現高度精準的物流AI容量預測。