利用『資料』萃取『知識』，並藉由『知識』形成『決策』的完整決策流程。
研究能量藉產學研究計畫與資訊系統開發，擴散應用於以下之產業實務問題：電子產品製造供應鏈管理、半導體製造管理、品牌商與零售商營運管理、鋼鐵與紡織製程優化、智慧倉儲管理等。
主要研究工具包含：
- 利用統計與機器學習方法萃取資料內含之系統特徵及知識：
製造或商業場域中現存大量缺乏結構的雜亂歷史資料，受限於統計與數據分析方法的效能侷限，過去無法有效萃取其中包含的知識，因此，進行資料處理與知識提取為最佳化決策前的基礎步驟。舉例而言：
A. 製造業案例：排程優化須有完整工時、及良率等資訊，但少量多樣(Low Volume – High Mix)的大量客製化環境及分階段擴充產能的機種設備複雜的製造現場，導致部分機台與產品匹配缺乏歷史工時與良率資料，並造成後續排程決策難以執行。
B. 營收管理案例：營收管理與動態定價決策的主要效益來自於對不同客群與產品採取差異定價，如何由雜亂的銷售與消費者行為資料中取得顧客的偏好並加以量化，已成為提升後續決策品質之關鍵。
針對以上的知識與特徵萃取問題，本研究室藉由對傳統工程專長領域如『統計』或『時間序列分析』之深度理論與實務知識，主要利用『R』及『Python』程式語言，結合現代開源機器學習工具庫如『XGBoost』、『TensorFlow』、及『AutoEncoder』等，開發多種自有之泛用預測及知識萃取引擎，可自動並高效進行消費者行為預測及生產系統特徵萃取。
2. 結合最佳化與人工智慧方法進行穩健之製造與商業決策
A. 製造業應用案例：利用機器學習或統計方法產生之系統特徵，如良率或工時等，估計品質往往不如歷史精確值，且系統內外常有來自設備及供應鏈的不確定因素，如何在數據品質及系統可靠度均不佳的環境中，進行效率提升與品質改善，有賴穩健的隨機動態最佳化演算法開發。
B. 商業應用案例：消費者特徵萃取後之資料，往往反映市場整體特徵與趨勢，但細部決策及個別消費者特性仍具不確定性。如何利用模擬最佳化、隨機動態最佳化方法用於訂價、零售選址等問題，已有成功應用案例。
前述商業或製造應用中，初始的非精確估計將隨系統的導入與資料的累績而逐步清晰，因此智慧決策系統導入初期應著重初始解穩健性，並在系統特徵逐漸清晰後，逐步轉為效率導向之最佳化決策，此為成功應用的關鍵因素。為能充分利用知識萃取成果達成穩健知智慧決策，研究室常用的最佳化工具有『動態規劃(stochastic dynamic programming)』、『強化學習(reinforcement learning)』、與『隨機最佳化(stochastic programming)』等，相關演算方法多以『Python』、『C』等程式語言進行實作。部分專案亦採用『CPLEX』、及『Matlab』等商用最佳化軟體工具進行開發。
