Technische Samenvatting: SCOPE – Sequentiële Causale Optimalisatie van Procesinterventies

Probleemstelling

Prescriptive Process Monitoring (PresPM) beoogt interventies aan te bevelen tijdens de uitvoering van bedrijfsprocessen om Key Performance Indicators (KPI's), zoals doorlooptijd of kosten, te optimaliseren. Hoewel bestaande methoden effectief zijn bij beslissingen over een enkele interventie, schieten ze vaak tekort in realistische omgevingen waar interventies niet geïsoleerd zijn. In veel processen bestaan meerdere onderling afhankelijke beslispunten waarbij de uitkomst van een eerdere interventie afhankelijk is van daaropvolgende acties, en vice versa.

Huidige benaderingen lijden onder drie primaire beperkingen:

1. Focus op enkelvoudige interventie: Veel methoden optimaliseren slechts één beslispunt, waarbij de sequentie van toekomstige beslissingen wordt genegeerd.
2. Geïsoleerde sequentiële optimalisatie: Sommige methoden behandelen sequenties, maar optimaliseren elk beslispunt in isolatie (bijv. het maximaliseren van de directe beloning), waardoor ze er niet in slagen acties over de gehele case heen af te stemmen om de uiteindelijke KPI te maximaliseren.
3. Afhankelijkheid van procesbenaderingen: Methoden die wel proberen sequentiële optimalisatie toe te passen, vertrouwen vaak op Reinforcement Learning (RL) getraind op benaderde processen (bijv. Markov Decision Processes) of uitgebreide data. Dit introduceleert een "reality gap", waarbij misspecificaties in de benadering leiden tot vertekende of suboptimale beleidsregels. Bovendien hebben deze methoden vaak moeite met de hoge heterogeniteit van procesprefixes en de variabele control flows die in echte event logs worden aangetroffen.

Methodologie: SCOPE

De auteurs stellen SCOPE (Sequential Causal Optimization of Process Interventions) voor, een framework dat direct afgestemde sequentiële interventiebeleidsregels leert uit observationele event logs zonder dat processimulatie of data-augmentatie vereist is.

Kerncomponenten

SCOPE integreert Causaal Leren met Backward Induction om het probleem van sequentiële besluitvorming onder variabele control flow aan te pakken.

1. Backward Induction Framework:

   • De methode past het Dynamic Treatment Regimes (DTR) framework aan voor bedrijfsprocessen. Het iterereert achterwaarts van het laatste beslispunt ($K$) naar het eerste ($1$).
   • Op elk beslispunt $k$ schat het een Q-functie ($Q_k$) in, die de verwachte uitkomst vertegenwoordigt van het nemen van actie $a_k$ gegeven de huidige procesprefix $\sigma_k$, uitgaande van optimale acties in de toekomst.
   • Het berekent een Value Function ($V_k$), die de best haalbare uitkomst vertegenwoordigt vanaf prefix $\sigma_k$.
   • Cruciaal is dat SCOPE gebruikmaakt van een regret-gebaseerde formulering voor de value function: $V_k(\sigma_k) = E[V_{k+1}(\sigma_{k+1}) + (Q_k(\sigma_k, a^{opt}_k) - Q_k(\sigma_k, a^{obs}_k)) | \sigma_k]$. Deze formulering is gekozen vanwege de robuustheid tegen modelmisspecificatie en foutpropagatie, wat cruciaal is gezien de heterogene aard van procesprefixes.

2. Causale Learners:

   • Om de Q-functies te schatten uit observationele data (die bevat confounders), gebruikt SCOPE causale learners. Het vermijdt Inverse Propensity Weighting (IPW) vanwege instabiliteit in hoog-dimensionale prefix-ruimtes.
   • Het framework ondersteunt model-agnostische learners, specifiek getest op:
     • S-learner: Een enkel model dat uitkomsten voorspelt voor alle acties.
     • T-learner: Afzonderlijke modellen voor elke actie.
     • RA-learner: Een tweestapsbenadering die eerst de Q-functie schat en vervolgens een pseudo-uitkomst om zich te concentreren op causale effecten.
   • Deze learners stellen het systeem in staat om acties te identificeren die historisch zelden zijn gekozen, maar waarschijnlijk de KPI zullen verbeteren, waardoor confounding effectief wordt afgehandeld zonder gerandomiseerde gecontroleerde studies.

3. Algoritme (SCOPE-S):

   • Training: Het algoritme begint bij het laatste beslispunt. Voor cases die punt $k$ bereiken, traint het een causaal model om $Q_k$ te schatten. Vervolgens berekent het de optimale actie en werkt het de waarde-inschatting voor het voorgaande beslispunt bij met behulp van de regret-gebaseerde formulering. Als een case een beslispunt overslaat door de control flow, wordt de waarde achterwaarts doorgegeven.
   • Inference: Het proces beweegt voorwaarts. Bij het bereiken van een beslispunt raadpleegt het algoritme het vooraf getrainde model voor dat specifieke punt om de actie te selecteren met de hoogste geschatte Q-waarde.

Belangrijkste Bijdragen

1. SCOPE Framework: De introductie van een PresPM-benadering die causale learners combineert met backward induction om causaal gefundeerde, afgestemde sequentiële beleidsregels te leren. Het werkt direct op observationele logs, waardoor de noodzaak voor processimulatoren of data-augmentatie vervalt.
2. Nieuwe Benchmark (SimBPIC17): De creatie en publieke release van een semi-synthetische dataset gebaseerd op de echte BPIC17_W event log. Deze benchmark maakt de evaluatie van sequentiële PresPM-methoden met variabele beslispunten en realistische confounding mogelijk, waarmee het gebrek aan grondwaarheid-counterfactuals in echte data wordt geadresseerd.
3. Empirische Validatie: Uitgebreide experimenten die aantonen dat SCOPE de state-of-the-art baselines overtreft op zowel synthetische als semi-synthetische datasets.

Experimentele Resultaten

De auteurs hebben SCOPE geëvalueerd tegen drie baselines:

• KMeans-Q (Branchi et al. [5]): Een sequentiële benadering met procesapproximatie (MDP) en RL.
• SEP-S (de Leoni et al. [9] aangepast): Een benadering die beslispunten onafhankelijk optimaliseert.
• Random Policy & Upper Bound.

Belangrijkste bevindingen:

• Prestaties: SCOPE presteerde consequent beter dan beide baselines in diverse settings, inclus\nuit verschillende confounding niveaus ($\delta$), trainingssetgroottes en het aantal beslispunten.
• Impact van Alignment: Het voordeel van SCOPE ten opzichte van de onafhankelijke optimalisatie-baseline (SEP-S) nam toe naarmate het aantal beslispunten toenam, wat het belang van het afstemmen van interventies over de sequentie bevestigt.
• Robuustheid tegen Confounding: Hoewel de prestaties over het algemeen afnamen bij hogere confounding, bleef SCOPE robuust. De RA-learner en S-learner presteerden het best, terwijl de T-learner degradatie vertoonde onder hoge confounding.
• Approximatie vs. Direct Leren: De procesapproximatie-methode (KMeans-Q) presteerde slecht en variabel, wat suggereert dat het benaderen van het proces voor RL minder effectief kan zijn dan het onafhankelijk behandelen van interventies, laat staan het gebruiken van SCOPE's causale alignment.
• Complexiteit: Ondanks de theoretische complexiteit van het trainen van meerdere modellen, trainde SCOPE in de praktijk aanzienlijk sneller dan KMeans-Q en kwam het overeen met de inferentie-complexiteit van de onafhankelijke baseline.

Betekenis en Claims

De paper claimt dat SCOPE een belangrijke stap voorwaarts is in PresPM door de "reality gap" aan te pakken die inherent is aan RL-gebaseerde sequentiële benaderingen. Door gebruik te maken van causaal leren en backward induction, kan SCOPE optimale sequentiële beleidsregels afleiden uit observationele data zonder constructie van potentieel misgespecificeerde procesmodellen.

De auteurs benadrukken dat hoewel SCOPE afhankelijk is van de voorspellende nauwkeurigheid van onderliggende modellen en ervan uitgaat dat er geen interferentie tussen cases is (SUTVA), het erin slaagt effectieve sequentiële beleidsregels te identificeren onder realistische niveaus van confounding. De paper concludeert dat het combineren van causaal leren met backward induction essentieel is voor het optimaliseren van KPI's in processen met onderling afhankelijke beslispunten, wat een praktisch alternatief biedt voor simulatie-intensieve methoden. De release van de SimBPIC17 benchmark is bedoeld om verder onderzoek in sequentiële PresPM te faciliteren.