기술 요약: SCOPE – 프로세스 개입의 순차적 인과 최적화 (Sequential Causal Optimization of Process Interventions)

문제 정의

처방적 프로세스 모니터링(Prescriptive Process Monitoring, PresPM)은 처리 시간이나 비용과 같은 핵심 성과 지표(KPI)를 최적화하기 위해 비즈니스 프로세스 실행 중에 개입을 권고하는 것을 목표로 한다. 기존 방법들은 단일 개입 결정은 효과적으로 처리하지만, 개입이 고립되어 있지 않은 현실적인 환경에서는 실패하는 경우가 많다. 많은 프로세스에는 여러 상호 의존적인 결정 지점이 존재하며, 여기서 이전 개입의 결과는 후속 조치에 따라 달라지고 그 반대의 경우도 마찬가지이다.

현재의 접근 방식은 세 가지 주요 한계점을 가진다:

1. 단일 개입 중심: 많은 방법이 단일 결정 지점만을 최적화하며, 미래 결정의 시퀀스를 무시한다.
2. 고립된 순차적 최적화: 일부 방법은 시퀀스를 다루기는 하지만 각 결정 지점을 독립적으로 최적화하여(예: 즉각적인 보상 극대화), 전체 케이스에 걸쳐 최종 KPI를 극대화하기 위한 액션 간의 정렬에 실패한다.
3. 프로세스 근사에 대한 의존: 순차적 최적화를 시도하는 방법들은 종종 근사된 프로세스(예: 마르코프 결정 과정, MDP)나 증강된 데이터로 학습된 강화 학습(RL)에 의존한다. 이는 "현실과의 간극(reality gap)"을 유발하며, 근사 과정에서의 오설정은 편향되거나 차선인 정책으로 이어진다. 또한, 이러한 방법들은 실제 이벤트 로그에서 발견되는 높은 이질적인 프로세스 접두사(prefix)와 가변적인 제어 흐름을 처리하는 데 어려움을 겪는다.

방법론: SCOPE

저자들은 프로세스 시뮬레이션이나 데이터 증강 없이 관측된 이벤트 로그로부터 직접 정렬된 순차적 개입 정책을 학습하는 프레임워크인 SCOPE(Sequential Causal Optimization of Process Interventions)를 제안한다.

핵심 구성 요소

SCOPE는 가변적인 제어 흐름 하에서의 순차적 의사결정 문제를 해결하기 위해 **인과 학습(Causal Learning)**과 **역방향 귀납법(Backward Induction)**을 통합한다.

1. 역방향 귀납법 프레임워크:

   • 이 방법은 동적 처치 체계(Dynamic Treatment Regimes, DTR) 프레임워크를 비즈니스 프로세스에 맞게 조정한다. 마지막 결정 지점($K$)에서 첫 번째 지점($1$)까지 역방향으로 반복 수행한다.
   • 각 결정 지점 $k$에서, 현재 프로세스 접두사 $\sigma_k$가 주어졌을 때, 이후에 최적의 액션이 취해진다고 가정할 때의 기대 결과인 Q-함수($Q_k$)를 추정한다.
   • 또한, 접두사 $\sigma_k$로부터 달성 가능한 최선의 결과인 가치 함수($V_k$)를 계산한다.
   • 결정적으로, SCOPE는 가치 함수를 위해 **회한 기반 공식화(regret-based formulation)**를 활용한다: $V_k(\sigma_k) = E[V_{k+1}(\sigma_{k+1}) + (Q_k(\sigma_k, a^{opt}_k) - Q_k(\sigma_k, a^{obs}_k) | \sigma_k]$. 이 공식은 프로세스 접두사의 이질적인 특성을 고려할 때 모델 오설정 및 오류 전파에 대한 강건성을 확보하기 위해 선택되었다.

2. 인과 학습기 (Causal Learners):

   • 혼란 요인(confounding factors)이 포함된 관측 데이터로부터 Q-함수를 추정하기 위해, SCOPE는 인과 학습기를 사용한다. 고차원 접두사 공간에서의 불안정성 때문에 역확률 가중치(Inverse Propensity Weighting, IPW) 방식은 피한다.
   • 이 프레임워크는 모델 불가지론적 학습기를 지원하며, 구체적으로 다음을 테스트한다:
     • S-learner: 모든 액션에 대해 결과를 예측하는 단일 모델.
     • T-learner: 각 액션에 대해 별도의 모델을 사용하는 방식.
     • RA-learner: Q-함수를 추정한 후 인과적 효과에 집중하기 위해 의사 결과(pseudo-outcome)를 추정하는 2단계 접근 방식.
   • 이러한 학습기들은 시스템이 역사적으로는 드물게 선택되었지만 KPI를 향상시킬 가능성이 높은 액션을 식별할 수 있게 하여, 무작위 대조 시험 없이도 혼란 요인을 효과적으로 처리하게 한다.

3. 알고리즘 (SCOPE-S):

   • 학습(Training): 알고리즘은 마지막 결정 지점에서 시작한다. 지점 $k$에 도달하는 케이스들에 대해, $Q_k$를 추정하기 위한 인과 모델을 학습시킨다. 그 후 최적의 액션을 계산하고, 회한 기반 공식을 사용하여 이전 결정 지점의 가치 추정치를 업데이트한다. 제어 흐름으로 인해 결정 지점을 건너뛰는 경우, 가치는 역방향으로 전달된다.
   • 추론(Inference): 프로세스는 순방향으로 진행된다. 결정 지점에 도달하면, 알고리즘은 해당 지점에 대해 사전 학습된 모델을 쿼리하여 가장 높은 추정 Q-값을 가진 액션을 선택한다.

주요 기여

1. SCOPE 프레임워크: 인과 학습과 역방향 귀납법을 결합하여 인과적으로 근거가 있고 정렬된 순차적 정책을 학습하는 PresPM 접근 방식을 도입했다. 이는 프로세스 시뮬레이터나 데이터 증강 없이 관측 로그에서 직접 작동한다.
2. 새로운 벤치마크 (SimBPIC17): 실제 BPIC17_W 이벤트 로그를 기반으로 한 준합성(semi-synthetic) 데이터셋을 생성하고 공개했다. 이 벤치마크는 가변적인 결정 지점과 현실적인 혼란 요인을 가진 순차적 PresPM 방법론을 평가할 수 있게 하며, 실제 데이터에 결여된 정답 형태의 반사실(ground-truth counterfactuals) 문제를 해결한다.
3. 경험적 검증: 합성 및 준합성 데이터셋 모두에서 SCOPE가 최신 기술(state-of-the-art) 베이스라인들을 능가함을 입증하는 포괄적인 실험을 수행했다.

실험 결과

저자들은 SCOSE를 세 가지 베이스라인과 비교 평가하였다:

• KMeans-Q (Branchi et al. [5]): 프로세스 근사(MDP)와 강화 학습(RL)을 사용하는 순차적 접근 방식.
• SEP-S (de Leoni et al. [9] 변형): 결정 지점들을 독립적으로 최적화하는 방식.
• Random Policy & Upper Bound.

주요 결과:

• 성능: SCOLE는 다양한 설정(서로 다른 혼란 수준 $\delta$, 훈련 세트 크기, 결정 지점 수 포함)에서 두 베이스라인을 일관되게 능가했다.
• 정렬의 영향: 독립적 최적화 베이스라인(SEP-S) 대비 SCOPE의 우위는 결정 지점의 수가 증가함에 따라 커졌으며, 이는 시퀀스 전반에 걸친 개입을 정렬하는 것의 중요성을 확인시켜 준다.
• 혼란에 대한 강건성: 성능은 일반적으로 혼란이 높을수록 저하되었으나, SCOPE는 강건함을 유지했다. RA-learner와 S-learner가 가장 우수한 성능을 보였으며, T-learner는 높은 혼란 하에서 성능 저하를 보였다.
• 근사 vs 직접 학습: 프로세스 근사 방식(KMeans-Q)은 성능이 낮고 가변적이었으며, 이는 프로세스를 RL용으로 근사하는 것이 독립적인 개입을 사용하는 것보다, 심지어 SCOPE의 인과적 정렬을 사용하는 것보다 덜 효과적일 수 있음을 시사한다.
• 복잡도: 여러 모델을 학습시키는 이론적 복잡성에도 불구하고, SCOLE는 실제로는 KMeans-Q보다 훨씬 빠르게 학습되었으며 독립적 베이스라인과 동일한 추론 복잡도를 가졌다.

의의 및 주장

본 논문은 SCOPE가 RL 기반 순차적 접근 방식에 내재된 "현실과의 간극"을 해결함으로써 PresPM의 중요한 진전을 이루었다고 주장한다. 인과 학습과 역방향 귀납법을 활용함으로써, SCOLE는 잠재적으로 오설정될 수 있는 프로세스 모델을 구축하지 않고도 관측 데이터로부터 최적의 순차적 정책을 도출할 수 있다.

저자들은 SCOPE가 기초 모델의 예측 정확도에 의존하고 케이스 간 간섭이 없다는 가정(SUTVA)을 전제로 하지만, 현실적인 수준의 혼란 하에서도 효과적인 순차적 정책을 성공적으로 식별해낸다는 점을 강조한다. 결론적으로, 결정 지점이 상호 의존적인 프로세스에서 KPI를 최적화하기 위해서는 인과 학습과 역방향 귀납법을 결합하는 것이 필수적이며, 이는 시뮬레이션 집약적인 방법론에 대한 실용적인 대안을 제공한다. 연구의 목적인 순차적 PresPM 연구를 촉진하기 위해 SimBPIC17 벤치마크를 공개한다.