Pragmos: A Process Agentic Modeling System

1. Planteamiento del Problema

El artículo aborda el desafío de automatizar la modelación de la Gestión de Procesos de Negocio (BPM) utilizando Modelos de Lenguaje Grande (LLM). Si bien las herramientas existentes (por ejemplo, ProMoAI, BPMN-Chatbot) intentan generar modelos de proceso directamente a partir de descripciones textuales, adolecen de limitaciones críticas:

• Naturaleza de Caja Negra: La mayoría de las herramientas dependen de representaciones internas opacas (por ejemplo, código Python generado o formalismos como POWL) que son difíciles de comprender, validar o refinar para los analistas humanos.
• Limitaciones de Razonamiento: Los LLM a menudo luchan con dependencias lógicas complejas, lo que conduce a errores en el flujo de control (por ejemplo, bloqueos en espera, bucles incorrectos o concurrencia omitida).
• Falta de Control Iterativo: Los enfoques actuales a menudo tratan la modelación como una tarea de generación de un solo paso, sin apoyar el refinamiento incremental y conversacional requerido para procesos complejos.

Los autores argumentan que la modelación de procesos es inherentemente compleja y requiere un flujo de trabajo abierto e interactivo donde humanos y LLM colaboren, con total transparencia en los pasos intermedios y el razonamiento.

2. Metodología: El Enfoque Pragmos

Pragmos es un sistema prototipo que operacionaliza un enfoque híbrido y agente. En lugar de pedirle a un LLM que genere un modelo BPMN final de una sola vez, Pragmos descompone la tarea en una pipeline estructurada de múltiples pasos. Combina la comprensión del lenguaje natural de los LLM con métodos formales rigurosos de la minería de procesos (específicamente relaciones de comportamiento y descomposición modular).

Flujo de Trabajo Principal

El sistema procesa una descripción textual a través de las siguientes etapas:

A. Pasos Elementales (Descubrimiento Incremental)

1. Descubrimiento de Rutas de Ejecución: Se solicita al LLM que extraiga rutas de ejecución lineales del texto, instruyéndolo explícitamente para evitar reingresar a bucles (tratando los bucles como iteraciones únicas por ahora).
2. Síntesis de Relaciones de Comportamiento:
   • Causalidad y Conflicto: El sistema construye un Grafo de Seguidor Directo (DFG) a partir de las rutas y luego lo transforma en un Grafo de Relaciones de Ordenamiento (ORG). Este grafo define explícitamente:
     • Causalidad ($a < b$): $a$ debe preceder a $b$.
     • Conflicto ($a \# b$): $a$ y $b$ son mutuamente excluyentes.
     • Concurrencia ($a \parallel b$): $a$ y $b$ pueden ocurrir en cualquier orden o en paralelo.
   • Descomposición Modular: El ORG se descompone en un Árbol de Descomposición Modular (MDT) utilizando algoritmos de tiempo lineal. Este árbol identifica bloques estructurales (secuencias, bloques paralelos, elecciones exclusivas).
   • Generación de BPMN: El MDT se recorre para generar un modelo BPMN preliminar (utilizando el Algoritmo 1).
3. Refinamiento de Concurrencia: Un segundo paso del LLM identifica específicamente pares de actividades que pueden ejecutarse concurrentemente, los cuales se inyectan en el ORG para actualizar el MDT y refinar el modelo.
4. Descubrimiento de Bucle: El LLM identifica bloques de actividades que forman bucles. El sistema anota el MDT para convertir módulos específicos en estructuras de bucle (inicialmente como bucles de repetición).

B. Manejo Avanzado (Abstracción y Corrección)

• Abstracción de Bloques: Para bucles complejos que rompen la suposición acíclica del ORG, el sistema utiliza abstracción para modularizar el proceso.
• Resolución de Enredos Estructurales: El sistema aborda "topologías de flujo de control" donde el descubrimiento estándar falla (por ejemplo, causalidad faltante debido a relaciones transitivas o tipos de bucle incorrectos como while vs. repeat).
  • Mecanismo: Realiza una alineación de ejecución simbólica. Compara las rutas de ejecución originales con el MDT del modelo generado.
  • Corrección: Si una ruta omite el cuerpo de un bucle, el sistema convierte un bucle repeat en un bucle while. Si faltan actividades, introduce "actividades invisibles" (nodos fantasma) para resolver conflictos y hacer cumplir la causalidad correcta.

3. Contribuciones Clave

1. Flujo de Trabajo Transparente y Explicable: A diferencia de los generadores de caja negra, Pragmos produce artefactos intermedios intuitivos (rutas de ejecución, ORGs, MDTs) en cada paso. Esto permite a los analistas humanos inspeccionar, cuestionar y refinar el modelo antes de que se genere el BPMN final.
2. Arquitectura Híbrida: Integra exitosamente las capacidades de los LLM (comprensión de texto) con la teoría formal de minería de procesos (relaciones de comportamiento, descomposición modular, síntesis de redes de Petri). Esto asegura que los modelos resultantes sean "sólidos" (lógicamente consistentes) en lugar de simplemente estadísticamente probables.
3. Sistema de Modelado Agente: Pragmos actúa como un agente que gestiona una conversación iterativa con estado, descomponiendo tareas de modelado complejas en subtareas manejables en lugar de intentar una generación monolítica.
4. Manejo de Topologías Complejas: El sistema introduce mecanismos específicos para resolver fallos comunes de los LLM, como distinguir entre bucles cortos y concurrencia, y corregir tipos de bucle (repeat vs. while) mediante alineación simbólica.

4. Resultados y Evaluación

• Conjunto de Datos: El sistema fue evaluado utilizando el conjunto de datos PET, un punto de referencia bien conocido que contiene 45 descripciones de procesos de complejidad variable.
• Rendimiento:
  • Pragmos generó con éxito modelos BPMN sólidos y correctos para la mayoría de los casos.
  • Los modelos generados capturaron la lógica descrita en los documentos con precisión.
• Limitaciones:
  • Longitud del Contexto: El sistema tuvo dificultades con descripciones de procesos extremadamente grandes (por ejemplo, "doc-4.1") donde el número de actividades superaba la ventana de contexto del LLM, incluso con técnicas de abstracción.
  • Tipos de Bucle: Las generaciones iniciales a veces producían bucles repeat donde se requerían bucles while, lo que hacía necesaria la etapa de corrección simbólica descrita en la metodología.

5. Significado

El artículo representa un cambio significativo en la modelación de procesos asistida por IA:

• De la Automatización al Co-Diseño: Se aleja del objetivo de la generación totalmente autónoma hacia un paradigma de humano en el bucle. Al exponer el "por qué" y el "cómo" de la construcción del modelo (mediante artefactos intermedios), empodera a los analistas de negocio para mantener el control.
• Cerrando la Brecha: Demuestra que los LLM pueden utilizarse eficazmente en dominios de ingeniería de alto riesgo si sus salidas están restringidas y validadas por algoritmos formales específicos del dominio.
• Dirección Futura: Los autores identifican la necesidad de estudios empíricos con analistas humanos para validar la usabilidad del flujo de trabajo e investigaciones sobre el manejo de ventanas de contexto más grandes para procesos empresariales complejos.

En resumen, Pragmos ofrece un marco robusto para generar modelos de procesos de negocio fiables combinando la flexibilidad de los LLM con el rigor matemático de la minería de procesos, asegurando que los modelos resultantes no solo sean sintácticamente correctos, sino también semánticamente alineados con la intención humana.