Pragmos: A Process Agentic Modeling System

1. Enunciato del Problema

Il documento affronta la sfida di automatizzare la modellazione della Gestione dei Processi Aziendali (BPM) utilizzando Modelli Linguistici di Grandi Dimensioni (LLM). Sebbene gli strumenti esistenti (ad es. ProMoAI, BPMN-Chatbot) tentino di generare modelli di processo direttamente da descrizioni testuali, soffrono di limitazioni critiche:

• Natura di Scatola Nera: La maggior parte degli strumenti si basa su rappresentazioni interne opache (ad es. codice Python generato o formalismi come POWL) che sono difficili per gli analisti umani da comprendere, convalidare o affinare.
• Limitazioni nel Ragionamento: Gli LLM spesso faticano con dipendenze logiche complesse, portando a errori nel flusso di controllo (ad es. deadlock, loop errati o concorrenza mancata).
• Mancanza di Controllo Iterativo: Gli approcci attuali trattano spesso la modellazione come un compito di generazione in un singolo passaggio, non supportando il affinamento incrementale e conversazionale richiesto per processi complessi.

Gli autori sostengono che la modellazione dei processi è intrinsecamente complessa e richiede un flusso di lavoro aperto e interattivo in cui umani e LLM collaborano, con piena trasparenza sui passaggi intermedi e sulla motivazione.

2. Metodologia: L'Approccio Pragmos

Pragmos è un sistema prototipale che opera un approccio ibrido e agenziale. Invece di chiedere a un LLM di generare un modello BPMN finale in un'unica soluzione, Pragmos scompone il compito in una pipeline strutturata a più passaggi. Combina la comprensione del linguaggio naturale degli LLM con metodi formali rigorosi derivati dal data mining dei processi (in particolare relazioni comportamentali e decomposizione modulare).

Flusso di Lavoro Principale

Il sistema elabora una descrizione testuale attraverso le seguenti fasi:

A. Passaggi Elementari (Scoperta Incrementale)

1. Scoperta del Percorso di Esecuzione: L'LLM viene sollecitato a estrarre percorsi di esecuzione lineari dal testo, istruito esplicitamente a evitare di rientrare nei loop (trattando i loop come singole iterazioni per il momento).
2. Sintesi delle Relazioni Comportamentali:
   • Causalità e Conflitto: Il sistema costruisce un Grafo di Successione Diretta (DFG) dai percorsi, quindi lo trasforma in un Grafo delle Relazioni di Ordinamento (ORG). Questo grafo definisce esplicitamente:
     • Causalità ($a < b$): $a$ deve precedere $b$.
     • Conflitto ($a \# b$): $a$ e $b$ sono mutualmente esclusivi.
     • Concorrenza ($a \parallel b$): $a$ e $b$ possono verificarsi in qualsiasi ordine o in parallelo.
   • Decomposizione Modulare: L'ORG viene decomposto in un Albero di Decomposizione Modulare (MDT) utilizzando algoritmi a tempo lineare. Questo albero identifica blocchi strutturali (sequenze, blocchi paralleli, scelte esclusive).
   • Generazione BPMN: L'MDT viene attraversato per generare un modello BPMN preliminare (utilizzando l'Algoritmo 1).
3. Affinamento della Concorrenza: Un secondo passaggio dell'LLM identifica specificamente coppie di attività che possono essere eseguite in concorrenza, le quali vengono poi iniettate nell'ORG per aggiornare l'MDT e affinare il modello.
4. Scoperta dei Loop: L'LLM identifica blocchi di attività che formano loop. Il sistema annota l'MDT per convertire moduli specifici in strutture di loop (inizialmente come loop di ripetizione).

B. Gestione Avanzata (Astrazione e Correzione)

• Astrazione dei Blocchi: Per loop complessi che violano l'assunzione di aciclicità dell'ORG, il sistema utilizza l'astrazione per modularizzare il processo.
• Risoluzione dell'Intreccio Strutturale: Il sistema affronta "topologie di flusso di controllo" in cui la scoperta standard fallisce (ad es. causalità mancata a causa di relazioni transitivie o tipi di loop errati come while rispetto a repeat).
  • Meccanismo: Esegue un allineamento di esecuzione simbolica. Confronta i percorsi di esecuzione originali con l'MDT del modello generato.
  • Correzione: Se un percorso salta il corpo di un loop, il sistema converte un loop repeat in un loop while. Se mancano attività, introduce "attività invisibili" (nodi fantasma) per risolvere conflitti e imporre la causalità corretta.

3. Contributi Chiave

1. Flusso di Lavoro Trasparente e Spiegabile: A differenza dei generatori a scatola nera, Pragmos produce artefatti intermedi intuitivi (percorsi di esecuzione, ORG, MDT) a ogni passaggio. Ciò consente agli analisti umani di ispezionare, interrogare e affinare il modello prima che venga generato il BPMN finale.
2. Architettura Ibrida: Integra con successo le capacità degli LLM (comprensione del testo) con la teoria formale del data mining dei processi (relazioni comportamentali, decomposizione modulare, sintesi di reti di Petri). Ciò garantisce che i modelli risultanti siano "solidi" (logicamente coerenti) piuttosto che semplicemente statisticamente probabili.
3. Sistema di Modellazione Agenziale: Pragmos agisce come un agente che gestisce una conversazione statale e iterativa, scomponendo compiti di modellazione complessi in sottocompiti gestibili invece di tentare una generazione monolitica.
4. Gestione di Topologie Complesse: Il sistema introduce meccanismi specifici per risolvere fallimenti comuni degli LLM, come distinguere tra loop brevi e concorrenza, e correggere i tipi di loop (repeat vs while) tramite allineamento simbolico.

4. Risultati e Valutazione

• Dataset: Il sistema è stato valutato utilizzando il dataset PET, un benchmark noto contenente 45 descrizioni di processi di complessità variabile.
• Prestazioni:
  • Pragmos ha generato con successo modelli BPMN solidi e corretti per la maggior parte dei casi.
  • I modelli generati hanno catturato con precisione la logica descritta nei documenti.
• Limitazioni:
  • Lunghezza del Contesto: Il sistema ha faticato con descrizioni di processi estremamente grandi (ad es. "doc-4.1") dove il numero di attività superava la finestra di contesto dell'LLM, anche con tecniche di astrazione.
  • Tipi di Loop: Le generazioni iniziali hanno talvolta prodotto loop repeat dove erano richiesti loop while, rendendo necessario il passaggio di correzione simbolica descritto nella metodologia.

5. Significato

Il documento rappresenta un cambiamento significativo nella modellazione dei processi assistita dall'IA:

• Dall'Automazione al Co-Progettazione: Si allontana dall'obiettivo della generazione completamente autonoma verso un paradigma human-in-the-loop. Esponendo il "perché" e il "come" della costruzione del modello (tramite artefatti intermedi), permette agli analisti aziendali di mantenere il controllo.
• Colmare il Divario: Dimostra che gli LLM possono essere utilizzati efficacemente in domini ingegneristici ad alto rischio se i loro output sono vincolati e validati da algoritmi formali specifici del dominio.
• Direzione Futura: Gli autori identificano la necessità di studi empirici con analisti umani per validare l'usabilità del flusso di lavoro e ricerche per gestire finestre di contesto più ampie per processi aziendali complessi.

In sintesi, Pragmos offre un framework robusto per generare modelli di processi aziendali affidabili combinando la flessibilità degli LLM con il rigore matematico del data mining dei processi, garantendo che i modelli risultanti non siano solo sintatticamente corretti, ma anche semanticamente allineati all'intento umano.