🤖 AI

Supporting Autonomous Process Execution within a Multi-Perspective Constraint Frame via Numeric Planning

Este artículo introduce un nuevo enfoque de planificación numérica para los Sistemas de Gestión de Procesos de Negocio Aumentados por IA que permite la autonomía enmarcada mediante la recomendación de continuaciones óptimas de procesos a través del análisis de qué pasaría si, asegurando el cumplimiento de restricciones de múltiples perspectivas, incluyendo condiciones de datos y temporales.

Autores originales: Paul Wittlinger, Giacomo Acitelli, Anti Alman, Fabrizio Maria Maggi, Andrea Marrella

Publicado 2026-07-21

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Paul Wittlinger, Giacomo Acitelli, Anti Alman, Fabrizio Maria Maggi, Andrea Marrella

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 el capitán de una nave espacial navegando por una nebulosa caótica. Tienes un manual de vuelo estricto (las reglas) que dice: "Nunca vuele a menos de 100 millas de una estrella roja", y "Debe repostar antes de entrar en un agujero negro". Pero la computadora de tu nave también está rastreando datos en tiempo real: el tanque de combustible está solo a la mitad y la estrella roja es, en realidad, una luz guía amistosa en este momento. Este es el mundo de la Gestión de Procesos de Negocio (BPM). Es la ciencia de mapear cómo deben ocurrir las tareas complejas —como tratar a un paciente, enviar un paquete o aprobar un préstamo—. Durante mucho tiempo, las computadoras solo podían seguir instrucciones rígidas y paso a paso, como un tren en una vía única. Pero el mundo real es desordenado. A veces necesitas saltarte un paso, a veces tienes que esperar, y a veces los datos (como el peso de un paciente o el peso de un paquete) cambian las reglas por completo.

Entra la Autonomía Enmarcada (Framed Autonomy). Piensa en esto como darle a tu nave espacial un copiloto inteligente. Este copiloto conoce el manual de vuelo y los datos de los sensores actuales. Su trabajo es mirar dónde está la nave justo ahora y determinar la mejor manera de llegar a la meta sin chocar contra una regla. La gran pregunta que se hacen los investigadores es: ¿Cómo construimos un copiloto que pueda manejar no solo el "qué" (haz esto, luego aquello) sino también el "cuándo" (hazlo en un plazo de 2 horas) y el "cuánto" (si el paciente pesa más de 100 kg, usa más medicina)? Si podemos resolver esto, las empresas y los hospitales podrían funcionar por sí mismos de manera más segura y eficiente, tomando decisiones en fracciones de segundo que mantengan a todos contentos y en cumplimiento.

La Gran Idea del Artículo: El Viajero en el Tiempo del "Qué pasaría si"

En este artículo, un equipo de investigadores de Italia presenta una nueva herramienta superinteligente que actúa como un verificador de reglas que viaja en el tiempo para los procesos de negocio. Lo llaman una forma de apoyar la "ejecución autónoma de procesos" utilizando lo que denominan Planificación Numérica.

Aquí está el problema que están resolviendo: Imagina un hospital tratando a un paciente con una fractura de cadera. Los médicos tienen una lista de verificación (un "marco de proceso") que dice:

Evaluar al paciente.
Si el paciente tiene fiebre, realizar una radiografía primero.
La cirugía debe realizarse en un plazo de 36 horas.
Si el paciente es pesado (más de 100 kg), necesita una dosis específica de anestesia al menos 2 horas antes de la cirugía.

A veces, las cosas salen mal. Tal vez el paciente llega con fiebre, pero la máquina de rayos X está rota, o tal vez la cirugía se programa demasiado tarde. Una computadora estándar simplemente diría: "¡Error! ¡Regla rota!" y se detendría. Pero un médico humano pensaría: "Bien, perdimos la ventana de 2 horas para la anestesia, pero vamos a administrarla ahora y ajustar el plan para minimizar el riesgo".

Los investigadores construyeron un sistema que hace exactamente este tipo de pensamiento, pero para computadoras. Crearon un método que toma una historia parcial (lo que ha sucedido hasta ahora) y un libro de reglas (las restricciones) y calcula los próximos pasos perfectos. Crucialmente, el sistema respeta la regla de que el pasado no se puede cambiar; la historia parcial debe ser reproducida exactamente como ocurrió.

Cómo Funciona: La Magia de "Reparar" la Línea de Tiempo

Los investigadores utilizan un truco ingenioso que involucra autómatas (que son como diagramas de flujo que pueden recordar números y tiempo) y planificación (como un motor de ajedrez que mira hacia adelante).

El "Marco" (The Frame): Toman todas las reglas —ya sean sobre el orden de los eventos, los datos (como la temperatura corporal) o el tiempo (como los plazos)— y las convierten en un único y gigante mapa multicapa.
El Mecanismo de "Reparación": Esta es la parte más genial. ¿Qué pasa si la historia del paciente ya rompió una regla? (Tal vez la cirugía se programó 40 horas después de la evaluación, violando la regla de las 36 horas). El sistema no se rinde, y no cambia el pasado. En su lugar, introduce "acciones de reparación". Piensa en ellas como botones de reinicio para las propias reglas.
- Si el pasado rompe una regla, el sistema puede decir: "Bien, no podemos cambiar el pasado, pero vamos a reiniciar el estado de esta regla específica para poder empezar de nuevo desde este punto en adelante".
- Sin embargo, usar un botón de reinicio cuesta "puntos" (una penalización). El sistema está programado para encontrar un camino que complete el proceso con la menor penalización posible. Equilibra ser perfecto con ser práctico, asegurando que el pasado permanezca intacto mientras optimiza el futuro.

La Herramienta del "Qué pasaría si"

El artículo describe una herramienta que permite a los analistas ejecutar escenarios de "Qué pasaría si". Puedes introducir una historia que ya está medio contada (un "prefijo de traza") y preguntar: "¿Cuál es la mejor manera de terminar esta historia?".

Escenario A: El paciente está sano. El sistema sugiere el camino estándar.
Escenario B: El paciente es pesado y la anestesia llegó tarde. El sistema calcula que el mejor movimiento es administrar la anestesia inmediatamente y retrasar ligeramente la cirugía, aceptando un pequeño "costo" por el retraso para evitar una violación mucho mayor.

Lo Que Encontraron (Los Resultados)

Los investigadores probaron su herramienta con una serie de escenarios hipotéticos (simulaciones) para ver si podía manejar situaciones complejas. Mezclaron diferentes tipos de reglas:

Algunas reglas eran solo sobre el orden (hacer A, luego B).
Otras eran sobre datos (si el peso > 100).
Otras eran sobre el tiempo (debe ocurrir dentro de 36 horas).
Otras eran una mezcla de las tres.

Realizaron 336 pruebas diferentes utilizando distintas combinaciones de estas reglas y diferentes longitudes de "historias" (prefijos).

La Buena Noticia: ¡El sistema funcionó! Logró encontrar la mejor manera de completar las historias, incluso cuando el punto de partida era desordenado o rompía algunas reglas. Pudo manejar tareas paralelas complejas (donde muchas cosas suceden al mismo tiempo) y aun así encontrar el camino óptimo.
La Velocidad: El sistema fue lo suficientemente rápido como para ser útil. La parte más lenta fue el tiempo que tomó "instanciar" (configurar el mapa), pero la "búsqueda" real de la solución fue muy rápida.
La Sorpresa: Descubrieron que las reglas que involucran el tiempo eran las más difíciles de resolver para la computadora. Debido a que las reglas de tiempo son tan flexibles (puedes esperar un poco, o mucho), la computadora tuvo que verificar muchas más posibilidades que con las reglas de datos simples.

Lo Que No Hicieron (Y Qué Sigue)

Es importante saber lo que este artículo no hizo. No probaron esto con pacientes reales en un hospital real todavía; solo usaron simulaciones con datos ficticios. Tampoco intentaron predecir el futuro basándose en patrones pasados (ese es un campo diferente llamado "Monitoreo Predictivo"). En su lugar, se centraron en prescribir el futuro perfecto basado en reglas estrictas.

Los autores sugieren que, en el futuro, esta tecnología podría hacerse aún más inteligente. Imaginan añadir:

Restricciones de recursos: Como saber si un médico o una máquina específica está realmente disponible.
Señales en tiempo real: Reaccionar a cosas como el clima o los sensores de las máquinas instantáneamente.
Incertidumbre: Manejar situaciones donde el resultado no es 100% garantizado (como una cirugía que podría tener complicaciones).
Chatbots: Usar modelos de lenguaje de IA para permitir que los médicos hablen con el sistema en lenguaje natural, preguntando: "¿Qué pasa si retrasamos la cirugía?", y obteniendo una respuesta clara.

En resumen, este artículo construye un puente entre los libros de reglas rígidos y la desordenada realidad del mundo real, otorgando a las computadoras la capacidad de tomar decisiones inteligentes, conformes a las reglas y eficientes por sí mismas. Es como enseñarle a un robot no solo a seguir una receta, sino a ser un maestro chef que puede improvisar cuando faltan ingredientes, siempre y que el plato final sepa bien.

Resumen Técnico: Soporte para la Ejecución Autónoma de Procesos dentro de un Marco de Restricciones Multiperspectiva mediante Planificación Numérica

1. Definición del Problema

El artículo aborda el desafío de la Autonomía Enmarcada (Framed Autonomy) en los Sistemas de Gestión de Procesos de Negocio Aumentados por IA (ABPMS). La autonomía enmarcada se refiere a la capacidad de un sistema para avanzar autónomamente en la ejecución de una instancia de un Proceso de Negocio (BP) mientras se adhiere estrictamente a un "marco" predefinido de restricciones.

La investigación existente sobre la autonomía enmarcada, como la herramienta FrAIm, se ha centrado principalmente en las restricciones de flujo de control (procedimentales o declarativas) y depende de la transformación de estas en representaciones basadas en autómatas. Sin embargo, estos enfoques carecen de la capacidad de manejar restricciones multiperspectivas, específicamente:

Condiciones conscientes de los datos: Dependencias de los atributos de la carga útil (payload) de los eventos (por ejemplo, peso del paciente, temperatura corporal).
Condiciones temporales: Dependencias basadas en el tiempo (por ejemplo, plazos, tiempos de espera mínimos).

Los procesos del mundo real, particularmente en dominios como la atención médica, requieren la satisfacción simultánea de flujos procedimentales, restricciones de datos y reglas temporales. El problema central es computar continuaciones de proceso óptimas (sufijos) para una ejecución parcial dada (prefijo) que satisfagan un marco de proceso híbrido que contenga modelos procedimentales (redes de Petri) y restricciones declarativas (MP-Declare) con condiciones de datos y de tiempo, minimizando los costos de violación.

2. Metodología

El enfoque propuesto formaliza el problema utilizando Autómatas de Estados Finitos con Guardia de 1 Reloj (1-GFAs) y lo reduce a un problema de Planificación Temporal Numérica.

2.1. Formalización mediante 1-GFAs

Para unificar formalismos de modelado heterogéneos, los autores traducen tanto los componentes procedimentales como los declarativos en un único marco teórico de autómatas:

Modelos Procedimentales: Las redes de Petri se traducen en sus grafos de alcanzabilidad (Autómatas de Estados Finitos Deterministas - DFAs).
Restricciones Declarativas: Las restricciones MP-Declare (que incluyen condiciones de activación/objetivo e intervalos temporales métricos) se compilan en DFAs.
Unificación: Estos se representan como Autómatas de Estados Finitos con Guardia de 1 Reloj (1-GFAs). Un 1-GFA extiende un DFA estándar anotando las transiciones con:
1. Una etiqueta de actividad.
2. Una guardia de datos ( $\phi$ ) evaluada sobre las cargas útiles de los eventos.
3. Una guardia temporal ( $\tau$ ) evaluada sobre una única variable de reloj.
Manejo de Prefijos: La ejecución parcial observada (traza del prefijo) también se codifica como un 1-GFA (Autómata de Prefijo).

2.2. Manejo de Conflictos y Reparación

En escenarios donde una traza de prefijo no puede extenderse para satisfacer todas las restricciones (debido a conflictos de datos o de tiempo), el sistema introduce actividades de reparación:

Acciones de Reinicio (Reset Actions): Actividades especiales reset(A_j) que fuerzan a un autómata específico $A_j$ a volver a su estado inicial.
Asignación de Costos: Las actividades estándar tienen costo cero. Las acciones de reinicio se asignan un costo positivo configurable que representa la penalización por violar una restricción específica.
Objetivo de Optimización: El sistema busca una "traza de reparación" (una secuencia de actividades que incluye reinicios) que, al ser inducida en una traza de ejecución válida, minimice el costo total (suma de los costos de reinicio y los costos de espera de tiempo).

2.3. Reducción a Planificación Numérica

El problema de la autonomía enmarcada multiperspectiva se codifica como un problema de Planificación Numérica:

Espacio de Estados: El estado se define como el producto sincrónico de los estados actuales del autómata de prefijo y todos los autómatas del marco.
Acciones: Cada actividad en el alfabeto aumentado (incluyendo las acciones de reinicio) es una acción de planificación.
Variables Numéricas: El reloj único en los 1-GFAs se modela como una variable numérica continua.
Meta: Alcanzar un estado donde el autómata de prefijo y todos los autómatas del marco estén en estados de aceptación.
Solucionador (Solver): El problema se resuelve utilizando el Planificador de Búsqueda Heurística Numérica Expresiva (ENHSP), que soporta variables numéricas, predicados temporales y optimización de costos.

3. Contribuciones Clave

Extensión de la Autonomía Enmarcada: Este trabajo extiende el alcance de la autonomía enmarcada de solo flujo de control a restricciones multiperspectivas, integrando condiciones conscientes de datos y temporales dentro de un marco unificado.
Formalismo 1-GFA: La introducción de los Autómatas de Estados Finitos con Guardia de 1 Reloj como una representación unificada para redes de Petri y restricciones MP-Declare, permitiendo el manejo de guardias de datos e intervalos temporales métricos.
Reducción a Planificación Numérica: Una reducción novedosa del problema de la autonomía enmarcada a un problema de planificación temporal numérica, aprovechando la capacidad de los planificadores numéricos para optimizar soluciones con respecto a múltiples objetivos (costo de violación y tiempo de ejecución).
Mecanismo de Reparación: Un enfoque basado en principios para el manejo de prefijos infactibles mediante acciones de reinicio con costo, permitiendo al sistema generar "continuaciones óptimas" incluso cuando el cumplimiento estricto es imposible.

4. Evaluación Experimental

Los autores desarrollaron una herramienta basada en Java para transformar los marcos de procesos y las trazas de prefijo en PDDL (Planning Domain Definition Language) para planificadores numéricos.

Configuración:
- Modelos: Cuatro redes de Petri con distintos grados de paralelismo (de 0 a 3 ramas paralelas).
- Restricciones: Especificaciones MP-Declare con 1, 3, 5 o 7 restricciones, cada una probada con condiciones de solo datos, solo tiempo y combinadas.
- Prefijos: Prefijos que satisfacen y violan de diversas longitudes.
- Configuraciones Totales: 336 configuraciones distintas, cada una ejecutada 5 veces.
Resultos:
- Escalabilidad: El enfoque es factible para marcos de procesos de tamaño moderado.
- Instanciación (Grounding) vs. Búsqueda: El tiempo de instanciación (convertir el modelo a PDDL) es el factor dominante y escala con la complejidad estructural del modelo procedimental (paralelismo) y el número de restricciones. El tiempo de búsqueda es insignificante en comparación.
- Tipo de Restricción: Los marcos con solo guardias temporales plantearon el mayor desafío para el tiempo de búsqueda debido a que las condiciones de activación menos restrictivas expanden el espacio de búsqueda.
- Desempeño: El sistema generó con éxito continuaciones óptimas que satisfacían las restricciones multiperspectivas mientras minimizaba los costos de reparación.

5. Significación y Reivindicaciones

El artículo afirma que su enfoque permite la toma de decisiones autónoma y consciente de las restricciones en escenarios donde el cumplimiento de las restricciones multidimensionales es crítico.

Operacionalización: Demuestra que la autonomía enmarcada multiperspectiva, consciente de los datos y del tiempo, puede operacionalizarse eficientemente utilizando Planificación Numérica.
Utilidad Práctica: La técnica soporta el análisis de "¿qué pasaría si?" (what-if analysis), permitiendo a los analistas explorar escenarios hipotéticos y recomendar las próximas acciones óptimas que equilibren el cumplimiento con la eficiencia.
Distinción de Trabajos Relacionados:
- A diferencia del Alineamiento de Trazas (Trace Alignment), que permite modificar el prefijo observado, este enfoque trata el prefijo como inmutable y encuentra un sufijo conforme.
- A diferencia del Monitoreo de Procesos Predictivo (PPM), que ofrece predicciones probabilísticas basadas en datos históricos, este enfoque es prescriptivo, garantizando (o minimizando la violación de) la satisfacción de las restricciones mediante la planificación.

Los autores concluyen que, si bien el enfoque es efectivo para marcos de tamaño moderado, el trabajo futuro debería centrarse en optimizar la fase de instanciación para modelos más grandes, incorporar restricciones de recursos y, potencialmente, integrar la planificación probabilística para manejar la incertidumbre.