物流AI模型「EIQ_AI」解析：出貨數據與碎形理論、SDCA迴歸的整合

本頁面解說獨創AI模型「EIQ_AI」從數據生成到預測的機制。介紹不依賴大量過往實績，而是結合單一出貨數據、碎形理論與 SDCA迴歸 以實現高精度預測的物流AI開創性方法。

1. 一般AI模型與物流AI「EIQ_AI」的差異（方法的獨特性）

一般的機器學習採用收集過往大量實績數據並尋找模式的「歸納」方法。

然而，Tera計算 EIQ_AI 則採用了「僅使用一組出貨數據」的獨特方法。這是基於理論與規則生成虛擬未來，並讓物流AI的 AI模型 進行學習的「演繹」模擬型手法（數據擴增）。

本系統中用於 AI模型 學習的數據，係基於以下步驟與理論所建立：

① 碎形理論的應用
基於「配送中心具備碎形特性，出貨數據亦具備碎形特性」的碎形理論。這項觀念認為，即使物流數據的規模擴大或縮小，內部的分佈結構（自相似性）仍會保持不變。
② 透過 E（送達地址）與 I（品項數）增減進行數據擴增
以作為基準的 1 組出貨數據為種子（Seed），刻意增減送達地址（E）與品項數（I），從而建立約 200 種模式的 AI模型 用數據。
③ 透過蒙地卡羅法賦予波動
在增減 E 與 I 時，並非採用單純的一律相乘，而是指定採用「蒙地卡羅法」。藉此使每個品項產生機率性的波動，賦予物流AI因應不規則且偏斜之尖峰（如極端繁忙期等）的能力。

【解說】為何能從「單一出貨數據」建立AI模型？

通常 AI 需要數萬筆過往數據，但由於本系統將「物流現場的物理法則（領域知識）」嵌入為計算規則，因此僅需將 1 組高品質的實績數據進行縮放（擴大/縮小），即可生成針對未知物流量的高精度模擬數據（合成數據）。

經過約半年的 AI模型 數據建立研究與實際計算驗證，已確認以下法則性：

E 與 I 的指定數量與實際出現數量的關係：
在模型建立的實際計算階段指定增減的 E 數與 I 數時，實際模型數據上的 E 數與 I 數會依循某種法則性而減少。這是由於隨機分配所產生的「重複」所致。
物流量（Q）的非線性乘法法則：
E 數與 I 數的波動對物流量產生類似「相乘（面積）」的作用：
- E數（0.5倍）× I數（0.5倍）＝物流量變為 0.25倍（四分之一）。
- E數（2倍）× I數（2倍）＝物流量變為 4倍。

將建立的模型數據進行機器學習（SDCA迴歸）並執行預測模擬時，會發生**算出數值總是比實際計算低約 12〜13%** 的現象。

【解說】為何AI模型（SDCA迴歸）會估算得「偏低」？

物流量（Q）係呈 E × I 這種「相乘曲線」擴大，但採用的 SDCA迴歸 演算法則試圖以「相加直線（線性模型）」進行預測。由於試圖對曲線畫出直線，結構上必然會通過整體下方，因而產生低估的偏差。

為消除此項物流AI特有的落差，系統中已嵌入以下對策：

藉此，學習者能透過操作理解資料科學與物流工程的本質：「不盲目迷信 **AI模型** 產出的數值，而是理解演算法的特性，並透過人類的專業知識進行正確的修正」。