解說：
這是用來建立物流AI學習所需「模型資料」的起點畫面，整體設計簡潔且直觀。
從這裡可依序載入歷史出貨數據、設定 AI 訓練參數，並進入後續的計算與處理流程。
本畫面是整個系統的控制中心，讓第一次接觸物流模擬的使用者也能快速掌握操作順序。
使用者只需依序點選對應功能，即可為高階 AI 預測做好準備。

解說：
這是將作為機器學習基礎的歷史出貨數據（CSV 或 Excel 格式）匯入系統的畫面。
於此處匯入的原始數據，將成為精準預測未來物流波動的「訓練資料種子（Seed）」。
系統會檢查匯入內容，並自動整理成適合 AI 處理的乾淨資料格式，提升後續訓練效率。
透過實際業務中累積的真實資料，可以更貼近現場實務，建立更符合公司特性的高精度物流模擬。

解說：
這個畫面用於依據匯入的出貨數據，設定模擬資料生成的範圍與粒度，例如 E/I 比例 50%～150% 等參數。
這不只是學習歷史數值，而是刻意模擬送達地址數（E）或品項數（I）發生極端增減時的「虛擬未來情境」。
透過彈性設定，系統可從單一出貨資料擴充生成數千種模式的預測模型，讓物流AI能學習各種可能情況，從淡季到異常繁忙期皆涵蓋在內。

解說：
這裡不是直接讓系統學習原始出貨數據，而是定義專屬的計算規則，讓物流AI能準確辨識現場模式與關鍵特徵。
使用者可設定基於柏拉圖分析的 ABC 等級門檻，以及散裝、整箱等包裝型態的換算規則。
經過這道前處理後，原本只是數字排列的實績資料，將轉換成具有明確意義的高品質模型資料，更貼近現實營運狀況。

解說：
這個畫面會依照先前設定的情境條件與計算規則，自動生成供機器學習使用的模型資料（T600 資料表）。
系統會高速計算每筆資料中多達 165 個欄位（如散裝、整箱、容積、重量等各等級數值），並以進度條即時顯示執行狀態。
此外，也具備中途中斷與重新啟動的恢復功能，讓在建立複雜物流模擬空間時，仍能有效管理系統負載與執行時間。

解說：
這是實際讓物流AI（機器學習引擎）學習大量生成模型資料的核心畫面。
系統採用 Microsoft ML.NET 內建的 SDCA 迴歸演算法，針對超過 160 個預測輸出變數同時建模，逐步形成各自的 AI 模型。
當學習完成後，AI 將掌握隱藏在出貨數據中的碎形法則，使系統在輸入未知資料時，也能快速產生高精度預測結果。

解說：
在機器學習完成後，使用者只需輸入任意的 E（出貨地點數）與 I（品項數），AI 即會即時算出未來物流模擬結果，並以「EIQ_AI 表（矩陣）」形式呈現在畫面上。
面對據點擴大、併購或災害等特殊情境時，使用者可以一目了然地確認各個 ABC 等級區域會產生多少作業行數、容積與重量等預測值。
這讓過去依賴直覺與經驗的中心設計與人員配置，得以轉化為更具邏輯與數據支持的決策方式。

解說：
這個畫面用於評估所建立的物流AI模型是否在實際現場具備可靠精度。
系統會將原始出貨數據經過實際計算後得到的「實際值（正解數據）」與 AI 即時預測的「預測值」並排展示，便於直接比較。
透過此畫面，使用者可以判斷模型是否能穩定追蹤出貨地點數與品項數的變化，進而確認碎形特性的維持程度與結果的可信度。

解說：
為進一步確認精度，此畫面會將物流AI預測值與實際計算值之間的誤差（偏差）以數值或圖表方式視覺化。
由於機器學習（SDCA 迴歸）的演算法特性，會產生與非線性乘法曲線相關的線性預測偏差，因此系統會特別觀察並校正這類落差。
在適當的修正係數（例如 1.14 倍等）套用後，預測結果可更接近實務現場需求，並形成真正可用於設計與規劃的高實用性物流模擬數值。