解說：
這是建立供物流AI學習之「模型數據」時的起點，為直觀且易懂的主選單畫面。[cite: 9]
從這裡可以順暢地切換至載入過往實績數據、設定供 AI 學習的各項參數，以及實際的計算與處理畫面。[cite: 9]
本畫面扮演統籌整體系統的控制中心角色，設計上讓初次接觸物流模擬的使用者也能毫不迷路地進行操作。[cite: 9]
完全不需要複雜的程式設計知識，只需依序點擊按鈕即可做好高階 AI 預測的準備。[cite: 9]

解說：
這是將作為機器學習基礎的過往實務出貨數據（CSV 或 Excel 格式）直接匯入系統的畫面。[cite: 9]
在此畫面讀入的原始數據，將成為精準預測未來物流波動的「訓練數據種子（Seed）」。[cite: 9]
匯入數據時，系統側會檢查內容，並自動整理為易於 AI 處理的乾淨狀態並寫入基礎中。[cite: 9]
透過輸入日常業務中所累積的真實實績，將能連結至實現深厚反映貴公司現場特性（DNA）的高精度物流模擬。[cite: 9]

解說：
這是以讀入的大量出貨數據為基礎，指定要在何種程度的範圍內生成模擬用模型數據（如 E/I 比例 50%〜150% 等），以及生成之細緻度（間距）的重要畫面。[cite: 9]
不單僅是學習過往的數值，更刻意創造出送達地址（E）或品項數（I）極端增減的「虛擬未來情境」。[cite: 9]
透過依據目的進行彈性設定，可從單一出貨實績擴充生成多達數千種模式的預測模型。[cite: 9]
藉此可讓物流AI面面俱到地學習各種狀況（從淡季到異常的繁忙期）。[cite: 9]

解說：
並非直接讓系統學習原始出貨數據，而是為了讓物流AI能精準辨識現場模式（特徵量）而設定獨自計算規則的畫面。[cite: 9]
在此可詳細定義基於柏拉圖分析的 ABC 等級設定門檻，以及散裝、整箱等包裝型態的區分換算規則。[cite: 9]
透過執行這項縝密的前處理，原本僅是數字排列的實績數據，將會被轉換為具備明確意義的高品質模型數據。[cite: 9]
將現場的物理性限制或商業習慣反映至系統中，將能實現更貼近現實且具實用性的物流模擬。[cite: 9]

解說：
這是依據前段設定的虛擬情境條件與計算規則，由系統自動生成機器學習用模型數據（T600資料表）的批次處理畫面。[cite: 9]
系統會高速執行每筆資料多達 165 個欄位（散裝、整箱、容積、重量之各等級數值等）的龐大矩陣計算，並可透過實時進度條確認執行狀況。[cite: 9]
亦備有能在中途安全中斷並重啟的復原功能，在從龐大出貨數據構建複雜物流模擬空間時，能高效管理與運作 PC 的負荷及作業時間。[cite: 9]

解說：
這是運用生成的數千種模式之模型數據，實際讓物流AI（機器學習引擎）執行學習的系統核心畫面。[cite: 9]
採用了內建於 Microsoft「ML.NET」程式庫中的 SDCA 迴歸演算法，可針對超過 160 個項目的預測輸出變數，整批構建各自的 AI 模型。[cite: 9]
經歷這道學習工程後，AI 將完全掌握潛藏於出貨數據深處的「碎形法則性」。[cite: 9]
藉此，當輸入未知的數據時，也能完成可瞬間得出高精度結果的「預測大腦」。[cite: 9]

解說：
於機器學習完成後，使用者僅需輸入任意的 E（出貨地點數）與 I（品項數），AI 即可將瞬間算出的未來物流模擬結果一覽顯示為「EIQ_AI表（矩陣）」的畫面。[cite: 9]
在據點擴大、M&A 或災害等特殊狀況下，能一目瞭然地確認哪個 ABC 等級的區域會產生多少作業行數、容積與重量等具體預測數值。[cite: 9]
藉此能將過往依賴直覺與經驗的中心設計與人員配置計畫，轉換為數據驅動且具邏輯性的決策。[cite: 9]

解說：
這是用於評估構建出的物流AI模型在實際現場是否真的具備可信賴精度的驗證畫面。[cite: 9]
將對原始出貨數據耗費時間與手續進行總碰撞算出的「實際計算值（正解數據）」，與 AI 瞬間導出的「預測值」左右並排進行比較。[cite: 9]
透過此畫面，能以直觀且定量的方式確認透過機器學習生成的模型數據，對於出貨地點數與品項數的增減能多精準地追隨（是否維持碎形特性），進而提升公司內部對結果的說服力。[cite: 9]

解說：
為了進一步深入確認精度，此畫面將相對於實際計算值之物流AI預測值的「誤差（偏差）」傾向以數值或圖表等方式視覺化。[cite: 9]
由於機器學習（SDCA 迴歸）的演算法特性係針對非線性乘法曲線進行線性預測，因此需正確掌握必然會產生的偏低落差。[cite: 9]
在此特定誤差的百分比後，於系統上套用合適的「修正係數（如 1.14 倍等）」，即可導出非紙上談兵、可直接用於現場設計的極具實用性物流模擬數值。[cite: 9]