Model-Semantics-Aware Predictive Process Monitoring
Dieses Paper stellt das Model-Semantics-Aware Predictive Process Monitoring (MSA-PPM) vor, ein Paradigma, das die Lücke zwischen Ereignisprotokollen und Prozessmodellen schließt, indem es Spuren mithilfe eines Process Semantics Dictionary transformiert, um Verhaltenssemantik explizit einzubeziehen, wodurch die Vorhersagegenauigkeit signifikant verbessert und eine architekturunabhängige Grundlage für das Deep-Learning-basierte Prozessmonitoring geschaffen wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen Welt laufen Unternehmen über Prozesse: eine Abfolge von Schritten, die eine Aufgabe vom Anfang bis zum Ende führen, sei es die Genehmigung eines Kredits, der Versand eines Pakets oder die Bearbeitung eines medizinischen Leistungsanspruchs. Um diese Abläufe reibungslos am Laufen zu halten, verlassen sich Unternehmen auf digitale Datensätze, die als Ereignisprotokolle (Event Logs) bezeichnet werden. Diese Protokolle sind wie detaillierte Tagebücher, die jede einzelne durchgeführte Aktion in der exakten Reihenfolge aufzeichnen, in der sie stattgefunden hat. Seit Jahren nutzen Experten diese Tagebücher, um vorherzusagen, was als Nächstes in einem Prozess passieren wird. Wenn ein Kreditantrag gerade eine Bonitätsprüfung bestanden hat, könnte das System vorhersagen, dass der nächste Schritt eine Dokumentenprüfung ist. Dieses Feld, bekannt als prädiktive Prozessüberwachung (Predictive Process Monitoring), ist zunehmend anspruchsvoller geworden und nutzt leistungsstarke Computerprogramme, die aus der Geschichte lernen, um die Zukunft zu prognostizieren. Doch ein kritisches Problem schwelte lange Zeit im Hintergrund. Das digitale Tagebuch zeichnet die Reihenfolge auf, in der die Dinge tatsächlich passiert sind, aber diese Reihenfolge entspricht nicht immer der Reihenfolge, die die Geschäftsregeln eigentlich vorgesehen haben. Wenn zwei Aufgaben gleichzeitig stattfinden können, kann das Protokoll zeigen, dass eine vor der anderen geschah, einfach aufgrund einer zufälligen Verzögerung oder des spezifischen Zeitplans eines Mitarbeiters. Für einen Computer, der aus den Daten lernt, erscheint diese zufällige Sequenz wie eine strikte Regel, was eine falsche Vorstellung von Ursache und Wirkung erzeugt, die in der eigentlichen Geschäftsgestaltung gar nicht existiert.
Ein Forschungsteam hat einen neuen Weg vorgeschlagen, um diese Verwirrung zu lösen, indem der Fokus vom rohen Tagebuch auf den zugrunde liegenden Bauplan des Unternehmens verlagert wird. Ihre Arbeit führt eine Methode ein, die die wahre Bedeutung des Prozesses versteht, bevor der Computer versucht, eine Vorhersage zu treffen. Anstatt dem Computer die chaotische, reale Sequenz der Ereignisse zuzuführen, bereinigen sie zuerst die Daten, indem sie das offizielle Prozessmodell betrachten – die Landkarte, die definiert, wie das Geschäft arbeiten sollte. Sie identifizierten, dass die Reihenfolge, in der zwei Aufgaben in einem Protokoll erscheinen, wenn sie eigentlich parallel ablaufen sollen, oft nur ein Zufall des Timings ist. Durch das Erkennen dieser parallelen Beziehungen können die Forscher die falschen Verbindungen entfernen, die das Protokoll erzeugt. Sie entwickelten ein spezielles Wörterbuch der Bedeutungen, das als Übersetzer fungiert und die chaotischen, realen Protokolle in eine sauberere Version umwandelt, welche die wahre Logik des Geschäfts widerspiegelt. Diese bereinigte Version entfernt die „Phantom-Regeln“, die nur aufgrund des zufälligen Timings existieren, und lässt nur die echten Abhängigkeiten zurück, die wirklich relevant sind.
Um zu testen, ob dieser Ansatz tatsächlich funktioniert, wandten die Forscher ihn auf einen massiven Datensatz an, der über 678.000 aufgezeichnete Ereignisse aus einem simulierten Banktransaktionssystem enthielt. Sie nahmen diese Daten und ließen sie durch zwei verschiedene Arten fortschrittlicher Lernsysteme laufen: eines, das lernt, indem es Sequenzen über die Zeit hinweg erinnert, und ein anderes, das lernt, indem es das gesamte Bild auf einmal betrachtet. In beiden Fällen verglichen sie die Ergebnisse der Verwendung der ursprünglichen, unordentlichen Protokolle mit den Ergebnissen der Verwendung ihrer neu bereinigten, bedeutungsorientierten Protokolle. Der Unterschied war deutlich und messbar. Als der Computer aus den bereinigten Daten lernte, verbesserte sich seine Fähigkeit, den nächsten Schritt zu erraten, signifikant. Bei dem System, das durch das Erinnern von Sequenzen lernt, sprang die Genauigkeit um mehr als fünf Prozentpunkte nach oben. Für das System, das das gesamte Bild betrachtet, stieg die Genauigkeit um fast fünf Prozentpunkte. Diese Zahlen mögen klein erscheinen, aber in der Welt der groß angelegten Daten repräsentieren sie einen substanziellen Sprung in der Zuverlässigkeit. Wichtiger noch war, dass die Verbesserungen nicht nur darauf beschränkt waren, öfter die richtige Antwort zu finden; das System wurde auch besser darin, die korrekten Antworten zu finden, wenn diese selten vorkamen, und vermied Fehler bei den häufigen Antworten.
Die Forscher achteten sorgfältig darauf, dass diese Gewinne aus den Daten selbst stammten und nicht durch eine Erhöhung der Komplexität der Computerprogramme. Sie verwendeten exakt dieselben Computermodelle für die unordentlichen und die sauberen Protokolle und änderten lediglich den Input. Dies bewies, dass die Verbesserung vollständig auf die Art und Weise der Datenaufbereitung zurückzuführen war. Die Studie zeigte, dass der Computer, indem er die falschen Regeln entfernte, die durch zufälliges Timing entstanden, sich auf die echten Beziehungen konzentrieren konnte, die das Geschäft antreiben. Das Team testete ihre Methode zudem Schritt für Schritt, indem sie jeweils ein Stück der bereinigten Bedeutung hinzufügten. Sie fanden heraus, dass der Computer besser performte, je mehr sie die Daten korrigierten, was darauf hindeutet, dass ihre Methode erweitert werden kann, um andere Arten von Unklarheiten in den Protokollen zu beheben, wie etwa Schleifen oder Entscheidungen. Diese Arbeit zeigt, dass das Geheimnis besserer Vorhersagen vielleicht nicht darin liegt, intelligentere Computer zu bauen, sondern ihnen beizubringen, die Welt klarer zu sehen, indem sie die wahre Struktur der Prozesse verstehen, die sie beobachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.