Model-Semantics-Aware Predictive Process Monitoring
यह शोध पत्र मॉडल-सिमेंटिक्स-अवेयर प्रेडिक्टिव प्रोसेस मॉनिटरिंग (MSA-PPM) प्रस्तुत करता है, जो एक ऐसा प्रतिमान (पैराडाइम) है जो व्यवहारिक सिमेंटिक्स को स्पष्ट रूप से शामिल करने के लिए 'प्रोसेस सिमेंटिक्स डिक्शनरी' का उपयोग करके ट्रेसेस (traces) को रूपांतरित करके इवेंट लॉग्स और प्रोसेस मॉडल्स के बीच के अंतर को पाटता है, जिससे भविष्यवाणी की सटीकता में उल्लेखनीय सुधार होता है और डीप लर्निंग-आधारित प्रोसेस मॉनिटरिंग के लिए एक आर्किटेक्चर-स्वतंत्र आधार प्रदान होता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक दुनिया में, व्यवसाय प्रक्रियाओं पर चलते हैं: चरणों का एक क्रम जो किसी कार्य को शुरू से अंत तक ले जाता है, चाहे वह ऋण को मंजूरी देना हो, पैकेज भेजना हो, या मेडिकल क्लेम को प्रोसेस करना हो। इन परिचालनों को सुचारू रूप से चलाने के लिए, कंपनियाँ डिजिटल रिकॉर्ड पर भरोसा करती हैं जिन्हें इवेंट लॉग (event logs) कहा जाता है। ये लॉग विस्तृत डायरियों की तरह हैं जो हर एक की गई कार्रवाई को, बिल्कुल उसी क्रम में रिकॉर्ड करते हैं जिस क्रम में वह हुई थी। वर्षों से, विशेषज्ञों ने भविष्य की भविष्यवाणी करने के लिए इन डायरियों का उपयोग किया है। यदि किसी ऋण आवेदन ने अभी-अभी क्रेडिट चेक पास किया है, तो सिस्टम यह अनुमान लगा सकता है कि अगला कदम दस्तावेज़ समीक्षा (document review) होगा। प्रेडिक्टिव प्रोसेस मॉनिटरिंग (predictive process monitoring) के रूप में ज्ञात यह क्षेत्र तेजी से परिष्कृत हुआ है, जो इतिहास से सीखने वाले शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग करके भविष्य का पूर्वानुमान लगाता है। हालाँकि, एक गंभीर समस्या लंबे समय से पृष्ठभूमि में बनी हुई है। डिजिटल डायरी उस क्रम को रिकॉर्ड करती है जिसमें चीजें वास्तव में हुईं, लेकिन वह क्रम हमेशा वैसा नहीं होता जैसा कि व्यावसायिक नियमों का इरादा था। जब दो कार्य एक ही समय में हो सकते हैं, तो लॉग एक दूसरे से पहले एक को दिखा सकता है, जो केवल एक यादृच्छिक देरी या किसी विशिष्ट कर्मचारी के शेड्यूल के कारण हो सकता है। डेटा से सीखने वाले कंप्यूटर के लिए, यह यादृच्छिक अनुक्रम एक सख्त नियम की तरह दिखता है, जो कारण और प्रभाव का एक ऐसा झूठा आभास पैदा करता है जो वास्तव में मौजूद नहीं है।
शोधकर्ताओं की एक टीम ने इस भ्रम को हल करने के लिए एक नया तरीका प्रस्तावित किया है, जो ध्यान कच्चे डायरी से हटाकर व्यवसाय के अंतर्निहित ब्लूप्रिंट (blueprint) पर केंद्रित करता है। उनका कार्य एक ऐसा तरीका पेश करता है जो कंप्यूटर द्वारा भविष्यवाणी करने का प्रयास करने से पहले प्रक्रिया के वास्तविक अर्थ को समझता है। कंप्यूटर को घटनाओं के अव्यवस्थित, वास्तविक अनुक्रम को खिलाने के बजाय, वे पहले आधिकारिक प्रोसेस मॉडल—उस मानचित्र का उपयोग करके डेटा को साफ करते हैं कि व्यवसाय को कैसे काम करना चाहिए—के माध्यम से डेटा को शुद्ध करते हैं। उन्होंने पहचाना कि जब दो कार्य समानांतर (parallel) चलने के लिए डिज़ाइन किए जाते हैं, तो लॉग में उनके दिखने का क्रम अक्सर समय के एक संयोग मात्र होता है। इन समानांतर संबंधों को पहचानकर, शोधकर्ता उन झूठे कनेक्शनों को हटा सकते हैं जो लॉग बनाता है। उन्होंने अर्थों का एक विशेष शब्दकोश बनाया जो एक अनुवादक के रूप में कार्य करता है, जो अराजक, वास्तविक दुनिया के लॉग को एक स्वच्छ संस्करण में परिवर्तित करता है जो व्यवसाय के वास्तविक तर्क को दर्शाता है। यह सुधरा हुआ संस्करण उन "फैंटम" (phantom) नियमों को हटा देता है जो केवल यादृच्छिक समय के कारण मौजूद होते हैं, और केवल उन वास्तविक निर्भरताओं को छोड़ देता है जो मायने रखती हैं।
यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में काम करता है, शोधकर्ताओं ने इसे एक विशाल डेटासेट पर लागू किया जिसमें एक सिम्युलेटेड बैंक ट्रांजेक्शन सिस्टम से दर्ज ६,७८,००० से अधिक घटनाएं शामिल थीं। उन्होंने इस डेटा को लिया और इसे दो अलग-अलग प्रकार के उन्नत कंप्यूटर लर्निंग सिस्टम के माध्यम से चलाया: एक जो समय के साथ अनुक्रमों को याद रखकर सीखता है, और दूसरा जो एक बार में पूरी तस्वीर को देखकर सीखता है। दोनों मामलों में, उन्होंने मूल, अव्यवस्थित लॉग के परिणामों बनाम उनके नए, अर्थ-जागरूक (meaning-aware) स्वच्छ लॉग के परिणामों की तुलना की। अंतर स्पष्ट और मापने योग्य था। जब कंप्यूटर ने स्वच्छ डेटा से सीखा, तो अगले कदम का अनुमान लगाने की उसकी क्षमता में उल्लेखनीय सुधार हुआ। अनुक्रमों को याद रखने वाले सिस्टम के लिए, सटीकता पांच प्रतिशत अंकों से अधिक बढ़ गई। पूरी तस्वीर को देखने वाले सिस्टम के लिए, सटीकता लगभग पांच प्रतिशत अंक बढ़ गई। ये संख्याएँ छोटी लग सकती हैं, लेकिन बड़े पैमाने के डेटा की दुनिया में, वे विश्वसनीयता की एक बड़ी छलांग का प्रतिनिधित्व करती हैं। इससे भी महत्वपूर्ण बात यह है कि सुधार केवल सही उत्तर देने की आवृत्ति तक सीमित नहीं थे; सिस्टम दुर्लभ होने पर भी सही उत्तर खोजने में बेहतर हो गया और सामान्य उत्तरों पर गलतियाँ करने से बच गया।
शोधकर्ता इस बात को सुनिश्चित करने के लिए सावधान थे कि ये लाभ डेटा से आए हैं, न कि कंप्यूटर प्रोग्रामों को अधिक जटिल बनाने से। उन्होंने दोनों अव्यवस्थित और स्वच्छ लॉग के लिए बिल्कुल एक ही कंप्यूटर मॉडल का उपयोग किया, केवल इनपुट को बदला। इससे यह सिद्ध हुआ कि सुधार पूरी तरह से डेटा को तैयार करने के तरीके से आया। अध्ययन ने दिखाया कि यादृच्छिक समय द्वारा बनाए गए झूठे नियमों को हटाकर, कंप्यूटर उन वास्तविक संबंधों पर ध्यान केंद्रित कर सकता है जो व्यवसाय को संचालित करते हैं। टीम ने अपने तरीके का चरण-दर-चरण परीक्षण भी किया, एक बार में एक सुधरा हुआ अर्थ जोड़ा। उन्होंने पाया कि जितना अधिक उन्होंने डेटा को ठीक किया, कंप्यूटर का प्रदर्शन उतना ही बेहतर हुआ, जिससे पता चलता है कि उनके तरीके को लॉग में अन्य प्रकार के भ्रम, जैसे लूप या विकल्पों को ठीक करने के लिए विस्तारित किया जा सकता है। यह कार्य प्रदर्शित करता है कि बेहतर भविष्यवाणियों का रहस्य स्मार्ट कंप्यूटर बनाने में नहीं है, बल्कि उन्हें दुनिया को अधिक स्पष्टता से देखने के लिए सिखाने में है—उन प्रक्रियाओं की वास्तविक संरचना को समझकर जिन्हें वे देख रहे हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।