Stel je voor dat je de kapitein bent van een ruimteschip dat door een chaotische nevel navigeert. Je hebt een strikt vliegmanual (de regels) waarin staat: "Vlieg nooit dichter dan 100 mijl bij een rode ster" en "Je moet bijtanken voordat je een zwart gat binnengaat." Maar de computer van je schip houdt ook realtime gegevens bij: de brandstoftank is slechts halfvol en de rode ster is op dit moment eigenlijk een vriendelijk gidslicht. Dit is de wereld van Business Process Management (BPM). Het is de wetenschap van het in kaart brengen van hoe complexe taken — zoals het behandelen van een patiënt, het verzenden van een pakket of het goedkeuren van een lening — zouden moeten verlopen. Lange tijd konden computers alleen rigide, stapsgewijze instructies volgen, zoals een trein op een enkel spoor. Maar de echte wereld is rommelig. Soms moet je een stap overslaan, soms moet je wachten, en soms veranderen de gegevens (zoals het gewicht van een patiënt of het gewicht van een pakket) de regels volledig.

Maak kennis met Framed Autonomy. Zie dit als het geven van een slimme co-piloot aan je ruimteschip. Deze co-piloot kent het vliegmanual en de huidige sensordata. Zijn taak is om te kijken naar waar het schip nu is en de beste manier te vinden om de finishlijn te bereiken zonder tegen een regel op te botsen. De grote vraag die onderzoekers stellen is: Hoe bouwen we een co-piloot die niet alleen het "wat" kan afhandelen (doe dit, dan dat), maar ook het "wanneer" (doe het binnen 2 uur) en het "hoeveel" (als de patiënt meer dan 100 kg weegt, gebruik dan meer medicatie)? Als we dit kunnen oplossen, kunnen bedrijven en ziekenhuizen zichzelf veiliger en efficiënter laten draaien, waarbij ze beslissingen van een fractie van een seconde nemen die iedereen tevreden en compliant houden.

Het Grote Idee van het Papier: De "Wat-als" Tijdreiziger

In dit artikel introduceert een team onderzoekers uit Italië een nieuwe, superintelligente tool die fungeert als een tijdreizende regelcontroleur voor bedrijfsprocessen. Ze noemen het een manier om "autonome procesuitvoering" te ondersteunen met behulp van wat zij Numerieke Planning noemen.

Hier is het probleem dat ze oplossen: Stel je een ziekenhuis voor dat een patiënt behandelt met een gebroken heup. De artsen hebben een checklist (een "procesframe") die zegt:

1. Beoordeel de patiënt.
2. Als de patiënt koorts heeft, doe eerst een röntgenfoto.
3. De operatie moet binnen 36 uur plaatsvinden.
4. Als de patiënt zwaar is (over 100 kg), heeft deze minstens 2 uur vóór de operatie een specifieke dosis anesthesie nodig.

Soms gaat er iets mis. Misschien komt de patiënt binnen met koorts, maar is het röntgenapparaat kapot, of misschien wordt de operatie te laat gepland. Een standaard computer zou gewoon zeggen: "Fout! Regel geschonden!" en stoppen. Maar een menselijke arts zou denken: "Oké, we hebben de 2-uurlijkse window voor anesthesie gemist, maar laten we het nu geven en het plan aanpassen om het risico te minimaleniseren."

De onderzoekers hebben een systeem gebouwd dat precies dit soort denken toepast, maar dan voor computers. Ze hebben een methode ontwikkeld die een gedeeld verhaal (wat er tot nu toe is gebeurd) en een regelboek (de beperkingen) neemt en de perfecte volgende stappen berekent. Cruciaal is dat het systeem de regel respecteert dat het verleden niet veranderd kan worden; het gedeelde verhaal moet exact worden herhaald zoals het is gebeurd.

Hoe het werkt: De magie van het "repareren" van de tijdlijn

De onderzoekers gebruiken een slimme truc met behulp van automaten (die lijken op stroomdiagrammen die getallen en tijd kunnen onthouden) en planning (zoals een schaakmotor die vooruitkijkt).

1. Het "Frame": Ze nemen alle regels — of ze nu gaan over de volgorde van gebeurtenissen, de gegevens (zoals lichaamstemperatuur) of de tijd (zoals deadlines) — en zetten deze om in één enkele, enorme, meerlagige kaart.
2. Het "Reparatie"-mechanisme: Dit is het coolste deel. Wat als de geschiedenis van de patiënt al een regel heeft geschonden? (Misschien werd de operatie 40 uur na de beoordeling gepland, wat de regel van 36 uur schendt). Het systeem geeft niet op, en het verandert het verleden niet. In plaats daarvan introduceert het "reparatie-acties". Denk aan deze als resetknoppen voor de regels zelf.
   • Als een regel wordt geschonden door de gebeurtenissen uit het verleden, kan het systeem zeggen: "Oké, we kunnen het verleden niet veranderen, maar laten we de staat van deze specifieke regel resetten zodat we vanaf dit punt weer fris kunnen beginnen."
   • Het gebruik van een resetknop kost echter "punten" (een straf). Het systeem is geprogrammeerd om een pad te vinden dat het proces voltooit met de laagst mogelijke straf. Het balanceert tussen perfect zijn en praktisch zijn, waarbij het ervoor zorgt dat het verleden onaangetast blijft terwijl de toekomst wordt geoptimaliseerd.

De "Wat-als" Tool

Het papier beschrijft een tool waarmee analisten "Wat-Als"-scenario's kunnen draaien. Je kunt het een verhaal voeden dat al half verteld is (een "prefix trace") en vragen: "Wat is de beste manier om dit verhaal af te maken?"

• Scenario A: De patiënt is gezond. Het systeem suggelt het standaardpad.
• Scenario B: De patiënt is zwaar en de anesthesie was te laat. Het systeem berekent dat de beste zet is om de anesthesie onmiddellijk toe te dienen en de operatie iets uit te stellen, waarbij een kleine "kost" voor de vertraging wordt geaccepteerd om een veel grotere overtreding te vermijden.

Wat ze hebben gevonden (De Resultaten)

De onderzoekers hebben hun tool getest met een reeks verzonnen scenario's (simulaties) om te zien of het complexe situaties kon afhandelen. Ze mengden verschillende soorten regels:

• Sommige regels gingen puur over de volgorde (doe A, dan B).
• Sommige regels gingen over gegevens (als gewicht > 100).
• Sommige regels gingen over tijd (moet binnen 36 uur gebeuren).
• Sommige regels waren een mix van al deze drie.

Ze voerden 336 verschillende tests uit met verschillende combinaties van deze regels en verschillende lengtes van "verhalen" (prefixes).

• Het goede nieuws: Het systeem werkte! Het slaagde erin om de beste manier te vinden om de verhalen af te maken, zelfs wanneer het startpunt rommelig was of regels schond. Het kon complexe, parallelle taken aan (waarbij veel dingen tegelijk gebeuren) en vond nog steeds het optimale pad.
• De snelheid: Het systeem was snel genoeg om bruikbaar te zijn. De tijd die het kostte om te "grounden" (de kaart opzetten) was het langzaamste deel, maar de eigenlijke "zoektocht" naar de oplossing was zeer snel.
• De verrassing: Ze ontdekten dat regels die betrekking hebben op tijd het moeilijkst waren voor de computer om op te lossen. Omdat tijdregels zo flexibel zijn (je kunt een beetje wachten, of heel lang), moest de computer veel meer mogelijkheden controleren dan bij eenvoudige gegevensregels.

Wat ze niet hebben gedaan (En wat nu volgt)

Het is belangrijk om te weten wat dit papier niet heeft gedaan. Ze hebben het nog niet getest op echte patiënten in een echt ziekenhuis; ze hebben alleen simulaties gebruikt met verzonnen gegevens. Ze hebben ook niet geprobeerd de toekomst te voorspellen op basis van patronen uit het verleden (dat is een ander veld genaamd "Predictive Monitoring"). In plaats daarvan richtten ze zich op het voorschrijven van de perfecte toekomst op basis van strikte regels.

De auteurs suggereren dat deze technologie in de toekomst nog slimmer gemaakt kan worden. Ze stellen zich het toevoegen van het volgende voor:

• Resourcebeperkingen: Zoals weten of een specifieke arts of machine daadwerkelijk beschikbaar is.
• Realtime signalen: Direct reageren op zaken als het weer of sensoren van machines.
• Onzekerheid: Omgaan met situaties waarin de uitkomst niet 100% gegarandeerd is (zoals een operatie die complicaties kan hebben).
• Chatbots: Het gebruik van AI-taalmodellen om artsen in gewone mensentaal met het systeem te laten praten, door te vragen: "Wat gebeurt er als we de operatie uitstellen?" en een duidelijk antwoord te krijgen.

Kortom, dit papier bouwt een brug tussen rigide regelboeken en de rommelige realiteit van de echte wereld, waardoor computers de mogelijkheid krijgen om zelfstandig slimme, conforme en efficiënte beslissingen te nemen. Het is also[f een robot te leren niet alleen een recept te volgen, maar een meesterkok te zijn die kan improviseren wanneer de ingrediënten op zijn, zolang het eindresultaat maar goed smaakt.