🤖 AI

Pragmos: A Process Agentic Modeling System

Dit artikel introduceert Pragmos, een prototypesysteem dat de beperkingen van black-box LLM-oplossingen in het Business Process Management aanpakt door een hybride, interactieve workflow mogelijk te maken waarin mensen en LLM's gezamenlijk correcte en verklaarbare procesmodellen construeren via gestructureerde, iteratieve stappen die worden ondersteund door gespecialiseerde gedragsanalisemiddelen.

Oorspronkelijke auteurs: Pedro-Aarón Hernández-Ávalos, Luciano García-Bañuelos

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Pedro-Aarón Hernández-Ávalos, Luciano García-Bañuelos

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een complex recept probeert uit te leggen aan een zeer slimme, maar ietwat letterlijke, robotchef. Als je alleen zegt: "Maak de lasagne", kan de robot in de war raken over de volgorde van de stappen, of je de uien kunt hakken terwijl de saus pruttelt, of of je de noedels voor of na de kaas moet bakken.

Dit artikel introduceert Pragmos, een nieuw systeem dat is ontworpen om mensen en Kunstmatige Intelligentie (KI) te helpen samenwerken om rommelige, geschreven beschrijvingen van bedrijfsprocessen om te zetten in heldere, visuele stroomdiagrammen (zogenaamde procesmodellen).

Hier is hoe Pragmos werkt, opgesplitst in eenvoudige concepten:

1. Het Probleem: De "Black Box"-Valstrik

Momenteel proberen veel KI-tools een alinea tekst direct om te zetten in een perfect stroomdiagram. De auteurs betogen dat dit is alsof je een zwarte doos plaatst tussen de mens en het resultaat. Je typt een verzoek in, en de machine spitst een diagram eruit. Als het diagram verkeerd is, weet je niet waarom de KI die fout maakte, en kun je het niet eenvoudig corrigeren omdat het "denken" van de KI verborgen zit in complexe code.

De auteurs geloven dat procesmodellering te ingewikkeld is om in één grote sprong te worden gedaan. Het moet een gesprek zijn, stap voor stap.

2. De Oplossing: Een Stap-voor-Stap Detectieverhaal

In plaats van de KI te vragen "Het hele verhaal te schrijven", fungeert Pragmos als een detective die een zaak opdeelt in kleine, hanteerbare aanwijzingen. Het gebruikt de KI (specifiek Large Language Models) om informatie te verzamelen in drie hoofdfasen, waarbij het werk bij elke stap wordt gecontroleerd:

Stap 1: De Paden Vinden (De "Wat Komt Eerst"-Aanwijzing)
De KI leest de tekst en maakt een lijst van de verschillende manieren waarop het proces kan verlopen.
- Analogie: Stel je voor dat de KI een "kies je eigen avontuur"-boek leest en de drie hoofdroutes opschrijft die een personage kan nemen. Het negeert voorlopig lussen en concentreert zich alleen op de rechte lijnen: "Eerst doe je A, dan B, dan C."
- Menselijke Rol: De mens kan naar deze lijst kijken en zeggen: "Wacht, dat klopt niet. Je bent een stap vergeten," of "Die volgorde is verkeerd."
Stap 2: De Parallelle Sporen Vinden (De "Wat Kan Tegelijkertijd Gebeuren"-Aanwijzing)
Zodra de KI de volgorde kent, zoekt het naar dingen die gelijktijdig kunnen gebeuren.
- Analogie: Denk aan een keuken. Je kunt uien niet op hetzelfde exacte moment hakken en bakken, maar je kunt de saus wel laten pruttelen terwijl je de groenten hakt. De KI identificeert deze "parallelle sporen" en markeert ze op de kaart.
- Menselijke Rol: De mens controleert: "Ja, het magazijn en het engineeringteam kunnen tegelijkertijd werken," of "Nee, ze moeten op elkaar wachten."
Stap 3: De Lussen Vinden (De "Doe Het Nog Een Keer"-Aanwijzing)
Tot slot zoekt de KI naar delen van het proces die zich herhalen.
- Analogie: Dit is als een lus in een videospel waarbij je drie vijanden moet verslaan voordat de baas verschijnt. De KI identificeert welke activiteiten deel uitmaken van die herhalende cyclus.
- Menselijke Rol: De mens bevestigt: "Ja, we controleren de onderdelenslijst keer op keer totdat alles klaar is."

3. Het Magische Gereedschap: De "Modulaire Decompositieboom"

Zodra de KI deze aanwijzingen heeft verzameld (paden, parallelle sporen en lussen), gebruikt Pragmos een gespecialiseerd wiskundig hulpmiddel (een methode uit het vakgebied procesmining) om deze stukken samen te voegen als een 3D-puzzel.

De Metafoor: Stel je voor dat je een stapel Lego-blokjes hebt. De KI vertelt je welke blokjes naast elkaar liggen, welke naast elkaar staan en welke een toren vormen. Het wiskundige gereedschap plakt ze vervolgens automatisch samen tot een stabiele, logische structuur die zinvol is.
Waarom dit belangrijk is: Dit zorgt ervoor dat het uiteindelijke stroomdiagram niet alleen een mooi plaatje is; het is wiskundig "sound" (het blijft niet hangen in een deadlock of breekt de regels van de logica).

4. Het "Mens-in-de-Lus"-Voordeel

Het grootste verschil tussen Pragmos en andere tools is transparantie.

Andere Tools: Je vraagt om een model, en de KI geeft je een eindproduct. Als het verkeerd is, moet je raden wat er misging.
Pragmos: Je ziet de "concepten". Je ziet de lijst met paden, de lijst met parallelle taken en de lijst met lussen voordat het definitieve diagram wordt getekend. Als de KI denkt dat twee taken tegelijkertijd gebeuren, maar jij weet van wel, kun je het corrigeren voordat het definitieve model wordt gebouwd.

5. De Resultaten

De auteurs hebben Pragmos getest op een dataset van 45 echte beschrijvingen van bedrijfsprocessen (zoals "hoe een computer te repareren" of "hoe een examen te beoordelen").

Succes: In de meeste gevallen slaagde Pragmos erin om het juiste stroomdiagram te bouwen door zijn stap-voor-stap gesprek te volgen.
Beperking: Wanneer de beschrijvingen extreem lang en complex waren, had het systeem soms moeite omdat het "geheugen" (contextvenster) van de KI te vol raakte om alle details tegelijkertijd vast te houden.

Samenvatting

Pragmos is een systeem dat KI niet behandelt als een toverstaf die direct perfecte antwoorden creëert, maar als een behulpzame assistent die een model steen voor steen bouwt. Het laat menselijke experts de stenen bekijken, de blauwdrukken controleren en fouten onderweg corrigeren, zodat het eindresultaat zowel accuraat als begrijpelijk is.

1. Probleemstelling

Het paper adresseert de uitdaging van het automatiseren van Business Process Management (BPM)-modellering met behulp van Large Language Models (LLM's). Hoewel bestaande hulpmiddelen (zoals ProMoAI en BPMN-Chatbot) proberen procesmodellen direct te genereren uit tekstuele beschrijvingen, kampen ze met kritieke beperkingen:

Black-Box Aard: De meeste hulpmiddelen vertrouwen op ondoorzichtige interne representaties (zoals gegenereerde Python-code of formalismen zoals POWL) die moeilijk te begrijpen, valideren of verfijnen zijn voor menselijke analisten.
Redeneerbeperkingen: LLM's worstelen vaak met complexe logische afhankelijkheden, wat leidt tot fouten in de controleflow (zoals deadlocks, onjuiste lussen of gemiste concurrentie).
Gebrek aan Iteratieve Controle: Huidige benaderingen behandelen modellering vaak als een eenmalige generatietak, waardoor ze de incrementele, conversationele verfijning die nodig is voor complexe processen niet ondersteunen.

De auteurs betogen dat procesmodellering inherent complex is en een open-ended, interactieve workflow vereist waarin mensen en LLM's samenwerken, met volledige transparantie over de tussenstappen en de onderliggende redenering.

2. Methodologie: De Pragmos-benadering

Pragmos is een prototypesysteem dat een hybride, agentische aanpak operationaliseert. In plaats van een LLM te vragen om in één keer een definitief BPMN-model te genereren, decomposeert Pragmos de taak in een gestructureerde, meerstaps-pijplijn. Het combineert het natuurlijke taalbegrip van LLM's met rigoureuze, formele methoden uit procesmining (specifiek gedragsrelaties en modulaire decompositie).

Kernworkflow

Het systeem verwerkt een tekstuele beschrijving via de volgende fasen:

A. Elementaire Stappen (Incrementele Ontdekking)

Ontdekking van Uitvoeringspaden: De LLM wordt geprompt om lineaire uitvoeringspaden uit de tekst te extraheren, met de expliciete instructie om niet opnieuw in lussen te stappen (lussen worden voorlopig behandeld als enkele iteraties).
Synthese van Gedragsrelaties:
- Causaliteit & Conflict: Het systeem construeert een Directly-Follows Graph (DFG) uit de paden en transformeert deze vervolgens naar een Ordering Relations Graph (ORG). Deze graaf definieert expliciet:
  - Causaliteit ( $a < b$ ): $a$ moet voorafgaan aan $b$ .
  - Conflict ( $a \# b$ ): $a$ en $b$ zijn wederzijds uitsluitend.
  - Concurrentie ( $a \parallel b$ ): $a$ en $b$ kunnen in elke volgorde of parallel voorkomen.
- Modulaire Decompositie: De ORG wordt met behulp van lineaire tijdsalgoritmes gedecomposeerd tot een Modular Decomposition Tree (MDT). Deze boom identificeert structurele blokken (sequenties, parallelle blokken, exclusieve keuzes).
- BPMN-Generatie: De MDT wordt doorgelopen om een voorlopig BPMN-model te genereren (met behulp van Algoritme 1).
Verfijning van Concurrentie: Een tweede LLM-doorgang identificeert specifiek paren activiteiten die gelijktijdig kunnen worden uitgevoerd. Deze worden vervolgens in de ORG geïnjecteerd om de MDT bij te werken en het model te verfijnen.
Ontdekking van Lussen: De LLM identificeert blokken activiteiten die lussen vormen. Het systeem annoteert de MDT om specifieke modules om te zetten in lusstructuren (initieel als repeat-loops).

B. Geavanceerde Behandeling (Abstractie & Correctie)

Blokabstractie: Voor complexe lussen die de cyclische aanname van de ORG doorbreken, gebruikt het systeem abstractie om het proces te modulariseren.
Oplossing van Structurele Verstrengeling: Het systeem adresseert "controleflow-topologieën" waar standaardontdekking faalt (bijvoorbeeld ontbrekende causaliteit door transitieve relaties of onjuiste lussoorten zoals while versus repeat).
- Mechanisme: Het voert een symbolische uitvoering uit voor afstemming. Het vergelijkt de oorspronkelijke uitvoeringspaden met de gegenereerde MDT van het model.
- Correctie: Als een pad de lusinhoud overslaat, converteert het systeem een repeat-lus naar een while-lus. Als activiteiten ontbreken, introduceert het "onzichtbare activiteiten" (ghost nodes) om conflicten op te lossen en correcte causaliteit af te dwingen.

3. Belangrijkste Bijdragen

Transparante, Verklaarbare Workflow: In tegenstelling tot black-box-generatoren produceert Pragmos intuïtieve tussenartefacten (uitvoeringspaden, ORG's, MDT's) bij elke stap. Dit stelt menselijke analisten in staat het model te inspecteren, te bevragen en te verfijnen voordat het definitieve BPMN wordt gegenereerd.
Hybride Architectuur: Het integreert succesvol LLM-capaciteiten (tekstbegrip) met formele procesminingtheorie (gedragsrelaties, modulaire decompositie, Petri-net-synthese). Dit zorgt ervoor dat de resulterende modellen "sound" (logisch consistent) zijn in plaats van slechts statistisch waarschijnlijk.
Agentisch Modelleringssysteem: Pragmos fungeert als een agent die een stateful, iteratief gesprek beheert, complexe modelleringstaken opbreekt in beheersbare subtaken in plaats van te proberen een monolithische generatie te realiseren.
Omgaan met Complexe Topologieën: Het systeem introduceert specifieke mechanismen om veelvoorkomende LLM-fouten op te lossen, zoals het onderscheid maken tussen korte lussen en concurrentie, en het corrigeren van lussoorten (repeat versus while) via symbolische afstemming.

4. Resultaten en Evaluatie

Dataset: Het systeem is geëvalueerd met behulp van de PET-dataset, een bekende benchmark met 45 procesbeschrijvingen van variërende complexiteit.
Prestaties:
- Pragmos slaagde erin sound en correcte BPMN-modellen te genereren voor het merendeel van de gevallen.
- De gegenereerde modellen vingen de logica die in de documenten werd beschreven nauwkeurig op.
Beperkingen:
- Contextlengte: Het systeem had moeite met extreem grote procesbeschrijvingen (bijvoorbeeld "doc-4.1") waarbij het aantal activiteiten de contextvenster van de LLM overschreed, zelfs met abstractietechnieken.
- Lussoorten: Initiële generaties produceerden soms repeat-lussen waar while-lussen vereist waren, wat de noodzaak van de in de methodologie beschreven symbolische correctiestap benadrukte.

5. Betekenis

Het paper vertegenwoordigt een significante verschuiving in AI-ondersteunde procesmodellering:

Van Automatisering naar Co-Design: Het beweegt weg van het doel van volledig autonome generatie naar een human-in-the-loop-paradigma. Door het "waarom" en "hoe" van de modelconstructie bloot te leggen (via tussenartefacten), geeft het businessanalisten de macht om de controle te behouden.
Overbrugging van de Kloof: Het demonstreert dat LLM's effectief kunnen worden ingezet in hoog-risico engineeringdomeinen, mits hun outputs worden beperkt en gevalideerd door formele, domeinspecifieke algoritmen.
Toekomstige Richting: De auteurs identificeren de behoefte aan empirische studies met menselijke analisten om de bruikbaarheid van de workflow te valideren, en onderzoek naar het hanteren van grotere contextvensters voor complexe enterprise-processen.

Kortom, Pragmos biedt een robuust raamwerk voor het genereren van betrouwbare bedrijfsprocessmodellen door de flexibiliteit van LLM's te combineren met de wiskundige strengheid van procesmining, zodat de resulterende modellen niet alleen syntactisch correct zijn, maar ook semantisch afgestemd op de menselijke intentie.