Pragmos: A Process Agentic Modeling System

以下は、論文「Pragmos: A Process Agentic Modeling System」の詳細な技術的サマリーです。

1. 問題定義

本論文は、大規模言語モデル（LLM）を用いたビジネスプロセス管理（BPM）モデリングの自動化という課題に取り組んでいます。既存のツール（ProMoAI、BPMN-Chatbot など）は、テキスト記述から直接プロセスモデルを生成しようと試みていますが、以下の決定的な限界に直面しています。

• ブラックボックス性: ほとんどのツールは、生成された Python コードや POWL などの形式など、人間のアナリストが理解、検証、または洗練させることが困難な不透明な内部表現に依存しています。
• 推論の限界: LLM は複雑な論理的依存関係に苦しみ、制御フロー（デッドロック、誤ったループ、または見逃された並行性など）におけるエラーを引き起こす傾向があります。
• 反復制御の欠如: 現在のアプローチは、モデリングを単一の生成タスクとして扱うことが多く、複雑なプロセスに必要な漸進的かつ対話的な洗練をサポートできていません。

著者らは、プロセスモデリングは本質的に複雑であり、中間ステップと根拠を完全に透明化しつつ、人間と LLM が協働するオープンエンドで対話的なワークフローを必要であると主張しています。

2. 手法：Pragmos アプローチ

Pragmos は、ハイブリッドでエージェント的なアプローチを具現化するプロトタイプシステムです。LLM に BPMN モデルを一度に生成させるのではなく、Pragmos はタスクを構造化された多段階のパイプラインに分解します。これは、LLM の自然言語理解能力と、プロセスマイニング（特に振る舞い関係とモジュール分解）からの厳密な形式手法を組み合わせます。

コアワークフロー

システムは、以下の段階を経てテキスト記述を処理します。

A. 基本ステップ（漸進的発見）

1. 実行経路の発見: LLM にテキストから線形実行経路を抽出させ、ループへの再進入を避けるよう明示的に指示します（現時点ではループを単一の反復として扱います）。
2. 振る舞い関係の合成:
   • 因果関係と競合: システムは経路から「直接後続グラフ（DFG）」を構築し、それを「順序関係グラフ（ORG）」に変換します。このグラフは以下を明示的に定義します。
     • 因果関係 ($a < b$): $a$ は $b$ に先行しなければならない。
     • 競合 ($a \# b$): $a$ と $b$ は相互排他的である。
     • 並行性 ($a \parallel b$): $a$ と $b$ は任意の順序または並列で発生しうる。
   • モジュール分解: ORG は、線形時間アルゴリズムを用いて「モジュール分解木（MDT）」に分解されます。この木は、構造的ブロック（シーケンス、並列ブロック、排他的選択）を識別します。
   • BPMN 生成: MDT を走査して、予備的な BPMN モデルを生成します（アルゴリズム 1 を使用）。
3. 並行性の洗練: 2 回目の LLM 処理により、並行して実行可能なアクティビティのペアを特定し、これらを ORG に注入して MDT を更新し、モデルを洗練させます。
4. ループの発見: LLM はループを形成するアクティビティのブロックを特定します。システムは MDT に注釈を付け、特定のモジュールをループ構造（当初は反復ループ）に変換します。

B. 高度な処理（抽象化と修正）

• ブロック抽象化: ORG の非循環仮定を破る複雑なループに対して、システムは抽象化を用いてプロセスをモジュール化します。
• 構造的絡み合いの解決: 標準的な発見が失敗する「制御フロートポロジー」（推移的関係による因果関係の欠落や、while と repeat のような誤ったループタイプなど）に対処します。
  • メカニズム: システムは「記号的実行」の整合性を取ります。生成されたモデルの MDT と、元の実行経路を比較します。
  • 修正: 経路がループ本体をスキップする場合、システムは repeat ループを while ループに変換します。アクティビティが欠落している場合、競合を解決し正しい因果関係を強制するために「不可視アクティビティ（ゴーストノード）」を導入します。

3. 主要な貢献

1. 透明性のある説明可能なワークフロー: ブラックボックス生成器とは異なり、Pragmos は各ステップで「直感的な中間成果物（実行経路、ORG、MDT）」を生成します。これにより、人間のアナリストは最終 BPMN が生成される前にモデルを検査、質問、洗練することが可能になります。
2. ハイブリッドアーキテクチャ: LLM の能力（テキスト理解）と形式プロセスマイニング理論（振る舞い関係、モジュール分解、ペトリネット合成）を成功裡に統合しています。これにより、生成されるモデルは単に統計的に確からしいだけでなく、「健全（論理的に整合性がある）」であることが保証されます。
3. エージェント型モデリングシステム: Pragmos は、状態を持つ反復的な対話を管理するエージェントとして機能し、単一の巨大な生成を試みるのではなく、複雑なモデリングタスクを管理可能なサブタスクに分解します。
4. 複雑なトポロジーの処理: システムは、短いループと並行性の区別や、記号的整合性によるループタイプ（repeat 対 while）の修正など、一般的な LLM の失敗を解決するための特定のメカニズムを導入しています。

4. 結果と評価

• データセット: システムは、複雑さが異なる 45 のプロセス記述を含むよく知られたベンチマークである「PET データセット」を用いて評価されました。
• パフォーマンス:
  • Pragmos は、大多数のケースで健全かつ正確な BPMN モデルを生成することに成功しました。
  • 生成されたモデルは、文書に記載された論理を正確に捉えていました。
• 限界:
  • コンテキスト長: 抽象化技術を用いても、アクティビティの数が LLM のコンテキストウィンドウを超えた極めて大規模なプロセス記述（例：「doc-4.1」）では、システムは苦戦しました。
  • ループタイプ: 初期生成では、while ループが必要となる場面で repeat ループが生成されることがあり、手法で説明された記号的修正ステップが必要となりました。

5. 意義

本論文は、AI 支援プロセスモデリングにおいて重要な転換点を表しています。

• 自動化から共設計へ: 完全自律的な生成という目標から、人間が関与する（human-in-the-loop）パラダイムへと移行しています。中間成果物を通じてモデル構築の「なぜ」と「どのように」を露呈させることで、ビジネスアナリストが主導権を維持することを可能にします。
• ギャップの埋め合わせ: LLM の出力が形式化されたドメイン固有アルゴリズムによって制約され検証される場合、LLM は高リスクの工学領域で効果的に活用できることを実証しています。
• 将来の方向性: 著者らは、ワークフローの有用性を検証するための人間アナリストを用いた実証研究と、複雑な企業プロセス向けの大規模コンテキストウィンドウの処理に関する研究の必要性を指摘しています。

要約すると、Pragmos は、LLM の柔軟性とプロセスマイニングの数学的厳密さを組み合わせることで、信頼性の高いビジネスプロセスモデルを生成するための堅牢なフレームワークを提供します。これにより、生成されるモデルは構文的に正しいだけでなく、人間の意図と意味論的に整合していることが保証されます。