💻 computer science

Schema-Agnostic Process Trace Construction: From Raw Tables to Execution Behavior

Este artículo propone un flujo de trabajo agnóstico al esquema que reconstruye automáticamente trazas de ejecución de procesos de alta fidelidad a partir de tablas relacionales crudas y débilmente conectadas mediante la identificación estadística de atributos clave y temporales, el descubrimiento de conexiones entre tablas y el uso de una Red Convolucional Temporal para modelar el orden de los eventos, eliminando así la necesidad de esquemas predefinidos o plantillas de dominio en sistemas de información dinámicos.

Autores originales: Joel Lim Zhi Quan, Tan Kar Way, Lau Hoong Chuin

Publicado 2026-06-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Joel Lim Zhi Quan, Tan Kar Way, Lau Hoong Chuin

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando reconstruir la historia de un robo a un banco. En un mundo perfecto, la policía te entregaría un diario cronológico impecable donde cada entrada dice exactamente quién hizo qué y cuándo.

Pero en el mundo real, la evidencia está dispersa. Tienes un montón de recibos sueltos, una pila de registros de cámaras de seguridad, algunos apuntes escritos a mano y una hoja de cálculo de llamadas telefónicas. Ninguno de estos documentos se comunica con los demás. Los recibos no tienen nombres, los registros de las cámaras no tienen marcas de tiempo y las notas telefónicas están escritas en un idioma diferente. Además, el banco cambia su sistema de archivo cada semana.

Este es el problema que los autores de este artículo están resolviendo. Ellos lidian con sistemas informáticos modernos (como bancos o grandes empresas) donde los datos son desordenados, están dispersos en muchas tablas diferentes y cambian constantemente. Los métodos tradicionales para analizar estos sistemas fallan porque exigen un mapa perfecto y preorganizado (un "esquema") que simplemente no existe.

Aquí te explicamos cómo funciona su solución, desglosada en pasos sencillos:

El Problema: El "Archivo Desordenado"

En los sistemas informáticos de la vieja escuela, los datos eran como una biblioteca bien organizada. Cada libro tenía una etiqueta clara y sabías exactamente en qué estante pertenecía.
En los sistemas modernos, los datos son como el desván de un acumulador.

Sin Etiquetas: No puedes distinguir fácilmente a qué cliente pertenece cada dato (faltan "claves").
Pistas Dispersas: La historia de una sola transacción está dividida en cinco tablas diferentes.
Líneas de Tiempo Confusas: Una tabla dice "10:00 AM", otra dice "10:05 AM" y una tercera solo dice "Ayer".
Renovación Constante: El desván se está reorganizando mientras intentas limpiarlo.

Debido a esto, construir una línea de tiempo clara de lo que sucedió (llamada "traza de proceso") suele requerir que un experto humano la cosa manualmente, lo cual es lento, costoso y propenso a errores.

La Solución: Un Detective "Agnóstico al Esquema"

Los autores construyeron un flujo de trabajo automatizado que actúa como un detective superinteligente que no necesita un mapa. En lugar de preguntar "¿Dónde está el mapa?", simplemente observa la evidencia misma para descubrir la historia.

Aquí están los cuatro pasos que sigue su "detectctor":

1. Localización de Pistas (Perfilado)

Primero, el sistema escanea cada columna de datos para adivinar qué es.

La Búsqueda de IDs: Busca columnas que parezcan nombres únicos (como un ID de cliente). Verifica: "¿Es este valor único? ¿Está siempre presente? ¿Parece un nombre?".
La Búsqueda de Tiempo: Busca columnas que parezcan fechas. Verifica: "¿Parece esto una marca de tiempo? ¿Es consistente?".
Analogía: Imagina que estás clasificando un montón de piezas de un rompecabezas mezcladas. El detective no necesita la imagen de la caja; simplemente mira la forma de las piezas para adivinar cuáles son el cielo y cuáles son la hierba.

2. Conexión de los Puntos (Descubrimiento de Relaciones)

Dado que no existen líneas oficiales de "unir los puntos" (claves foráneas), el sistema utiliza señales estadísticas.

Compara columnas de diferentes tablas. Si la Tabla A tiene una lista de números y la Tabla B tiene una lista de números que coinciden perfectamente, el sistema asume que están conectadas.
Ignora las reglas "oficiales" y se enfoca en los patrones de datos reales.
Analogía: Si encuentras un recibo en un bolsillo y un estado de cuenta de tarjeta de crédito que coincide en otro, sabes que pertenecen a la misma persona, aunque no estén engrapados.

3. Construcción de la Línea de Tiempo (Secuenciación)

Una vez que el sistema sabe qué tablas están conectadas, reúne todos los eventos de un solo "caso" (como el pedido de un cliente específico).

Ordena estos eventos por tiempo.
Si los tiempos son confusos o faltan, utiliza la lógica para adivinar el orden.
Analogía: El detective toma todas las notas, recibos y registros dispersos de un robo específico y los organiza sobre una mesa para ver la secuencia de eventos.

4. Aprendizaje del Patrón (El "Cerebro" - TCN)

Esta es la parte más avanzada. A veces, las marcas de tiempo son demasiado desordenadas para determinar qué evento ocurrió primero.

El sistema utiliza un tipo especial de IA llamada Red Neuronal Convolucional Temporal (TCN). Piensa en esto como un motor de reconocimiento de patrones.
Observa miles de ejemplos pasados para aprender: "Normalmente, cuando ocurre el Evento A, el Evento B le sigue".
Incluso si el reloj está roto, la IA puede predecir el siguiente paso basándose en el flujo de la historia.
Analogía: Si ves a alguien poniéndose un abrigo, agarrando las llaves y abriendo una puerta, sabes que está a punto de salir, incluso si no viste el momento exacto en que salió. La IA aprende estos "flujos de la historia".

Los Resultados: ¿Qué tan bueno es el detective?

Los autores probaron este sistema con datos falsos (simulando bancos desordenados), estándares de referencia y un conjunto de datos real de la industria.

Precisión: Predijo correctamente el siguiente paso en un proceso el 85% de las veces.
Recuperación: Logró encontrar y reconstruir aproximadamente el 82% del orden correcto de los eventos, incluso cuando los datos eran incompletos o desordenados.
Resiliencia: Cuando los datos sufrieron "deriva" (cambios de nombre, fechas faltantes), el sistema siguió funcionando, mientras que los métodos tradicionales colapsaron.

Por qué esto es importante

El artículo argumenta que debemos dejar de esperar a tener datos perfectos antes de poder analizarlos. En lugar de forzar los datos desordenados del mundo real dentro de una caja rígida y predefinida, debemos dejar que los datos hablen por sí mismos.

Al eliminar la necesidad de un "esquema" perfecto (el mapa), este enfoque permite que las empresas comprendan automáticamente sus propios sistemas, incluso si esos sistemas son desordenados, cambian constantemente o están mal documentados. Convierte un montón caótico de evidencia en una historia clara y legible sin necesidad de que un humano haga todo el trabajo pesado.

Resumen Técnico: Construcción de Trazas de Procesos Agnóstica al Esquema

Declaración del Problema

Los Sistemas de Información (SI) modernos, particularmente en entornos OLTP, se caracterizan por tablas relacionales de evolución rápida y acoplamiento débil. En estos entornos, las suposiciones tradicionales de esquemas estables, claves primarias/foráneas explícitas y registros de eventos curados suelen fallar. Los esquemas derivan, las claves subrogadas se aplican de forma inconsistente o se refactorizan, y las trazas de ejecución se dispersan a través de múltiples tablas con claves dispersas y campos de marca de tiempo ambiguos o múltiples.

Consecuentemente, la reconstrucción de trazas de ejecución de procesos (registros de eventos) para tareas como auditoría, cumplimiento y minería de procesos requiere una intervención manual costosa y frágil que involucra uniones (joins) ad-hoc y reglas de marcas de tiempo. Los enfoques existentes suelen depender de esquemas predefinidos, estructuras de PK/FK fiables o plantillas específicas del dominio, lo que los hace inaplicables en entornos de claves dispersas, heterogéneos y en continuo cambio. El problema central abordado es cómo construir automáticamente secuencias de ejecución de alta fidelidad (casos, eventos y ordenamiento temporal) directamente a partir de datos relacionales brutos sin depender de esquemas predefinidos, claves foráneas fiables o conocimiento del dominio.

Metodología

Los autores proponen un flujo de trabajo de cuatro etapas, agnóstico al esquema, que infiere enlaces entre tablas a partir de señales estadísticas, ensambla campos temporales y aprende patrones de ordenamiento. El flujo de trabajo opera sin requerir la reconstrucción completa del esquema o mapeos ontológicos.

Etapa 1: Perfilado de Columnas de Identificador y Marca de Tiempo

El flujo de trabajo perfila las columnas de cada tabla para estimar su probabilidad de funcionar como identificadores de caso o marcas de tiempo.

Puntuación de Identificador: Se computa una puntuación $spk(c)$ basada en la distinción ( $u$ ), completitud ( $\gamma$ ) y estabilidad de la longitud de la cadena ( $\lambda$ ). Las columnas deben puntuar alto en las tres métricas para ser retenidas como identificadores candidatos.
Puntuación de Marca de Tiempo: Se calcula una puntuación $sdt(c)$ utilizando una suma ponderada de los rangos de percentiles para las métricas de dispersión y variación (completitud, distinción, desviación estándar, rango intercuartílico y entropía).
Salida: Se seleccionan los $k$ mejores identificadores candidatos y las columnas de marca de tiempo para cada tabla.

Etapa 2: Descubrimiento de Relaciones (Enlaces Columna–Columna)

En lugar de depender de claves foráneas declaradas, el flujo de trabajo descubre conexiones entre tablas utilizando similitud estadística sensible al tipo de dato.

Mecanismo de Puntuación: Para cada par de columnas entre tablas $(c_i, c_k)$ $(c_{i}, c_{k})$ , se computa una puntuación de enlace $s(c_i, c_k)$ $s (c_{i}, c_{k})$ como el producto de cuatro factores:
1. Compatibilidad de Tipo (TC): Penaliza los pares con tipos de datos débilmente compatibles.
2. Calidad de la Columna (Q): Penaliza los pares que involucran columnas de baja completitud o baja distinción.
3. Cobertura (U): Asegura que la superposición no sea impulsada por valores marginales poco comunes.
4. Similitud de Valores (R): Mide la alineación real de los valores utilizando Similitud de Jaccard (JS) para datos simbólicos y una mezcla de JS/Kolmogorov-Smirnov (KS) para distribuciones numéricas.
Formación de Enlaces: Los pares que exceden un umbral $\tau_S$ se retienen para formar un multigrafo no dirigido de enlaces candidatos.

Etapa 3: Temporalización y Secuenciación

Utilizando el conjunto de enlaces descubierto, el flujo de trabajo propaga identificadores de caso muestreados a través de las tablas alcanzables para recolectar las filas correspondientes y los candidatos de marca de tiempo.

Ensamblaje de Eventos: Cada par (fila, marca de tiempo) se trata como un evento provisional.
Ordenamiento: Los eventos para un caso específico se ordenan por marca de tiempo. Los empates se resuelven de forma determinista utilizando los nombres de las tablas y los identificadores de fila. Las etiquetas duplicadas adyacentes se colapsan, mientras que las repeticiones no adyacentes se preservan.
Contexto: Los atributos de negocio opcionales (ej. región, producto) se integran en vectores de contexto para condicionar el aprendizaje posterior sin alterar el orden de los eventos.
Salida: Trazas de eventos ricas en procedencia en formato JSON, exportables a XES o elevables a OCEL.

Etapa 4: Aprendizaje de Secuencias (Ordenamiento entre Tablas)

Para abordar casos donde las marcas de tiempo son ambiguas, faltan o son insuficientes para determinar el orden, el flujo de trabajo emplea una Red Convolucional Temporal Causal (TCN).

Objetivo de Aprendizaje: La TCN predice el siguiente evento $e_{t+1}$ dado una ventana de eventos pasados y un vector de contexto opcional.
Extracción de Precedencia: Mediante la agregación de las predicciones de siguiente evento, se forma una matriz de transición. Se añaden aristas dirigidas $i \to j$ cuando la probabilidad de que $j$ siga a $i$ excede significativamente la inversa. Los pares con frecuencias bidireccionales similares se marcan como exhibidores de Variabilidad de Orden Bidireccional (BOV).
Salida: Un grafo de precedencia mínimo que resume las relaciones de flujo, el cual puede ser consumido por herramientas estándar de minería de procesos.

Contribuciones Clave

Flujo de Trabajo Agnóstico al Esquema: Un enfoque novedoso de extremo a extremo que reconstruye trazas de procesos a partir de datos relacionales brutos y con claves dispersas, sin requerir esquemas predefinidos, diagramas ER o plantillas de dominio.
Descubrimiento de Enlaces Estadísticos: Un método para inferir relaciones entre tablas utilizando similitud estadística sensible al tipo (JS/KS) en lugar de depender de claves foráneas explícitas, lo que lo hace robusto ante la deriva del esquema y la ausencia de claves.
Precedencia Aprendida: La aplicación de TCNs para aprender el ordenamiento y las relaciones de flujo entre tablas directamente de las trazas reconstruidas, manejando escenarios donde las marcas de tiempo son insuficientes o conflictivas.
Robustez Operativa: Una vía para generar registros de eventos que permanecen robustos ante la falta de marcas de tiempo, homónimos y claves parciales, permitiendo la construcción automatizada de registros en entornos de SI dinámicos.

Resultados

El flujo de trabajo fue evaluado en benchmarks TPC-H/E, corpora sintéticos (Synth-Light, Synth-Heavy) y un conjunto de datos de la industria real (Industry-1).

Recuperación de Eventos (RQ1): El flujo de trabajo logró una alta recuperación del conjunto de eventos, con una Precisión de Token Independiente de la Posición (PITA) que oscila entre 0.82 (Synth-Heavy) y 1.00 (TPC-H). Predijo correctamente el siguiente evento con un 85% de precisión.
Aprendizaje de Precedencia (RQ2): El enfoque basado en TCN superó a los baselines de n-gramas y LSTM en la predicción de siguiente evento y en métricas de conformidad. Recuperó aproximadamente el 82% de las relaciones de precedencia de la verdad fundamental (F1 score 0.74–0.82) y demostró una capacidad superior para capturar relaciones de flujo entre tablas en comparación con enfoques basados en reglas o centrados en el esquema.
Resiliencia al Cambio (RQ3): Bajo una deriva controlada (renombramiento de atributos y ausencia de marcas de tiempo), el flujo de trabajo completo mantuvo más del 80% de sus métricas de rendimiento de datos limpios, mientras que un baseline determinista cayó por debajo del 50%. Esto demuestra una resistencia significativa a la evolución del esquema y de los datos.
Atribución de Etapas: Los estudios de ablación confirmaron que las Etapas S1–S3 impulsan la calidad de la reconstrucción, mientras que la Etapa S4 (TCN) mejora significamente la fidelidad de las relaciones de precedencia, particularmente en la captura de dependencias de largo alcance y flujos específicos de contexto.

Significancia y Reivindicaciones

El artículo afirma ofrecer una vía generalizable y escalable para la reconstrucción automatizada del comportamiento de ejecución en entornos de SI dinámicos. Desafía la suposición de larga data en la ingeniería de SI de que los registros de eventos fiables presuponen esquemas limpios y claves curadas. Al cambiar de un enfoque de "primero el esquema" a uno de "primero los datos", los autores argumentan que es posible construir registros de alta calidad incluso cuando los esquemas derivan y los sistemas evolucionan.

El trabajo sugiere un nuevo paradigma de ingeniería de SI donde los esquemas operativos pueden evolucionar libremente, mientras que una capa de ingeniería de datos preserva la continuidad para el análisis, la auditoría y el rediseño. Los autores posicionan esto como una solución al cuello de botella de la construcción manual de trazas en sistemas OLTP modernos, débilmente acoplados, permitiendo la minería de procesos y el monitoreo de cumplimiento en entornos que anteriormente se consideraban demasiado ruidosos o no estructurados para tal análisis.