Model-Semantics-Aware Predictive Process Monitoring
تقدم هذه الورقة نموذج المراقبة التنبؤية للعمليات الواعية بدلالات النموذج (MSA-PPM)، وهو نموذج يجسّر الفجوة بين سجلات الأحداث ونماذج العمليات من خلال تحويل المسارات باستخدام قاموس دلالات العمليات لدمج الدلالات السلوكية بشكل صريح، مما يحسن دقة التنبؤ بشكل كبير ويوفر أساساً مستقلاً عن البنية التحتية للمراقبة المستندة إلى التعلم العميق للعمليات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الحديث، تدار الأعمال من خلال العمليات: وهي سلسلة من الخطوات التي تنقل مهمة ما من البداية إلى النهاية، سواء كان ذلك الموافقة على قرض، أو شحن طرد، أو معالجة مطالبة طبية. وللحفاظ على سير هذه العمليات بسلاسة، تعتمد الشركات على سجلات رقمية تسمى "سجلات الأحداث". هذه السجلات تشبه المذكرات التفصيلية التي تسجل كل إجراء تم اتخاذه، بالترتيب الدقيق الذي حدث به. لسنوات، استخدم الخبراء هذه المذكرات للتنبؤ بما سيحدث لاحقاً في عملية ما. فإذا اجتاز طلب قرض للتو فحص الائتمان، قد يتنبأ النظام أن الخطوة التالية هي مراجعة المستندات. لقد أصبح هذا المجال، المعروف باسم "المراقبة التنبؤية للعمليات"، متطوراً بشكل متزايد، مستخدماً برامج حاسوبية قوية تتعلم من التاريخ للتنبؤ بالمستقبل. ومع ذلك، ظلت مشكلة حرجة تلوح في الأفق منذ فترة طويلة. فالمذكرات الرقمية تسجل الترتيب الذي حدثت به الأشياء فعلياً، لكن هذا الترتيب ليس دائماً هو نفسه الترتيب الذي قصدته قواعد العمل. فعندما يمكن لمهمتين أن تحدثا في نفس الوقت، قد يظهر السجل إحداهما قبل الأخرى ببساطة بسبب تأخير عشوائي أو جدول زهيد لموظف معين. وبالنسبة للحاسوب الذي يتعلم من البيانات، يبدو هذا التسلسل العشوائي كأنه قاعدة صارمة، مما يخلق شعوراً زائفاً بالسبب والنتيجة لا وجود له في الواقع في تصميم العمل.
اقترح فريق من الباحثين طريقة جديدة لحل هذا الارتباك، عبر تحويل التركيز من المذكرات الخام إلى المخطط الأساسي للأعمال. يقدم عملهم منهجية تفهم المعنى الحقيقي للعملية قبل أن يحاول الحاسوب إجراء تنبؤ. فبدلاً من تغذية الحاسوب بتسلسل الأحداث الفوضوي في العالم الحقيقي، يقومون أولاً بتنظيف البيانات من خلال النظر إلى نموذج العملية الرسمي — الخريطة التي تحدد كيف يجب أن تعمل الأعمال. لقد حددوا أنه عندما صُممت مهمتان للحدوث بالتوازي، فإن الترتيب الذي تظهر به في السجل غالباً ما يكون مجرد حادث توقيت. ومن خلال التعرف على هذه العلاقات المتوازية، استطاع الباحثون تجريد الروابط الزائفة التي ينشئها السجل. لقد بنوا قاموساً خاصاً للمعاني يعمل كمترجم، يحول سجلات العالم الحقيقي الفوضوية إلى نسخة أنظف تعكس المنطق الحقيقي للأعمال. هذه النسخة المنقحة تزيل القواعد "الشبحية" التي لا توجد إلا بسبب التوقيت العشوائي، تاركة وراءها فقط التبعات الحقيقية التي تهم.
ولاختبار ما إذا كان هذا النهج فعالاً حقاً، طبق الباحثون منهجيتهم على مجموعة بيانات ضخمة تحتوي على أكثر من 678,000 حدث مسجل من نظام معاملات بنكية محاكى. أخذوا هذه البيانات وشغلوها عبر نوعين مختلفين من أنظمة التعلم الحاسوبي المتقدمة: أحدهما يتعلم من خلال تذكر التسلسلات بمرور الوقت، والآخر يتعلم من خلال النظر إلى الصورة الكاملة دفعة واحدة. وفي كلتا الحالتين، قارنوا النتائج باستخدام السجلات الأصلية الفوضوية مقابل النتائج باستخدام سجلاتهم المنقحة والمدركة للمعنى. كان الفرق واضحاً وقابلاً للقياس. فعندما تعلم الحاسوب من البيانات المنقحة، تحسنت قدرته على تخمين الخطوة التالية بشكل ملحوظ. فبالنسبة للنظام الذي يتعلم من خلال تذكر التسلسلات، قفزت الدقة بأكثر من خمس نقاط مئوية. وبالنسبة للنظام الذي ينظر إلى الصورة الكاملة، ارتفعت الدقة بنحو خمس نقاط مئوية. قد تبدو هذه الأرقام صغيرة، لكنها في عالم البيانات واسعة النطاق، تمثل قفزة جوهرية في الموثوقية. والأهم من ذلك، أن التحسينات لم تقتصر فقط على الحصول على الإجابة الصحيحة بشكل متكرر أكثر؛ بل أصبح النظام أيضاً أفضل في إيجاد الإجابات الصحيحة عندما كانت نادرة وتجنب ارتكاب الأخطاء في الإجابات الشائعة.
لقد كان الباحثون حذرين لضمان أن هذه المكاسب جاءت من البيانات نفسها، وليس من جعل البرامج الحاسوبية أكثر تعقيداً. فقد استخدموا نفس النماذج الحاسوبية لكل من السجلات الفوضوية والسجلات النظيفة، ولم يغيروا سوى المدخلات. أثبت هذا أن التحسن جاء بالكامل من الطريقة التي تم بها إعداد البيانات. أظهرت الدراسة أنه من خلال إزالة القواعد الزائفة التي يخلقها التوقيت العشوائي، استطاع الحاسوب التركيز على العلاقات الحقيقية التي تقود العمل. كما اختبر الفريق طريقتهم خطوة بخطوة، بإضافة قطعة واحدة من المعنى المنقح في كل مرة. ووجدوا أنه كلما صححوا البيانات أكثر، زاد أداء الحاسوب، مما يشير إلى أن طريقتهم يمكن توسيعها لإصلاح أنواع أخرى من الارتباك في السجلات، مثل الحلقات أو الاختيارات. يوضح هذا العمل أن السر في الحصول على تنبؤات أفضل قد لا يكمن في بناء حواسيب أذكى، بل في تعليمها رؤية العالم بوضوح أكبر من خلال فهم البنية الحقيقية للعمليات التي تراقبها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.