Model-Semantics-Aware Predictive Process Monitoring
Dit artikel introduceert Model-Semantics-Aware Predictive Process Monitoring (MSA-PPM), een paradigma dat de kloof tussen event logs en procesmodellen overbrugt door traces te transformeren met behulp van een Process Semantics Dictionary om expliciet gedragssemantiek te incorporeren, waardoor de voorspellingsnauwkeurigheid aanzienlijk wordt verbeterd en een architectuuronafhankelijk fundament wordt geboden voor op deep learning gebaseerde procesmonitoring.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In de moderne wereld draaien bedrijven op processen: een reeks stappen die een taak van begin tot eind leiden, of het nu gaat om het goedkeuren van een lening, het verzenden van een pakket of het verwerken van een medische claim. Om deze operaties soepel te laten verlopen, vertrouwen bedrijven op digitale records die event logs worden genoemd. Deze logs zijn als gedetailleerde dagboeken die elke uitgevoerde actie vastleggen, in de exacte volgorde waarin deze plaatsvond. Jarenlang hebben experts deze dagboeken gebruikt om te voorspellen wat de volgende stap in een proces zal zijn. Als een leningaanvraag zojuist een kredietcontrole heeft doorstaan, kan het systeem voorspellen dat de volgende stap een documentcontrole is. Dit vakgebied, bekend als predictive process monitoring, is steeds geavanceerder geworden door het gebruik van krachtige computerprogramma's die leren van het verleden om de toekomst te voorspellen. Echter, een kritiek probleem spookte al lange tijd op de achtergrond rond. Het digitale dagboek legt de volgorde vast waarin dingen daadwerkelijk gebeurden, maar die volgorde is niet altijd hetzelfde als de volgorde die de bedrijfsregels beoogden. Wanneer twee taken tegelijkertijd kunnen plaatsvinden, kan de log de ene voor de andere tonen, simpelweg vanwege een willekeurige vertraging of het rooster van een specifieke werknemer. Voor een computer die leert van de data, ziet deze willekeurige sequentie eruit als een strikte regel, wat een vals gevoel van oorzaak en gevolg creëert dat in werkelijkheid niet bestaat in het bedrijfsontwerp.
Een team van onderzoekers heeft een nieuwe manier voorgesteld om deze verwarring op te lossen, waarbij de focus wordt verschoven van het ruwe dagboek naar het onderliggende blauwdruk van het bedrijf. Hun werk introduceert een methode die de ware betekenis van het proces begrijpt voordat de computer probeert een voorspelling te doen. In plaats van de computer de rommelige, real-world sequentie van gebeurtenissen te voeren, maken ze de data eerst schoon door te kijken naar het officiële procesmodel — de kaart die definieert hoe het bedrijf zou moeten werken. Ze identificeerden dat wanneer twee taken ontworpen zijn om parallel te lopen, de volgorde waarin ze in de log verschijnen vaak een toeval van timing is. Door deze parallelle relaties te herkennen, kunnen de onderzoekers de valse verbindingen die de log creëert, wegsnijden. Ze bouwden een speciale woordenlijst van betekenissen die fungeert als een vertaler, die de chaotische, real-world logs omzet in een schonere versie die de ware logica van het bedrijf weerspiegelt. Deze opgeschoonde versie verwijdert de "fantoomregels" die alleen bestaan door willekeurige timing, waardoor alleen de genuuine afhankelijkheden overblijven die er werkelijk toe doen.
Om te testen of deze aanpak daadwerkelijk werkt, pasten de onderzoekers het toe op een enorme dataset met meer dan 678.000 geregistreerde gebeurtenissen uit een gesimuleerd banksysteem voor transacties. Ze namen deze data en haalden deze door twee verschillende soorten geavanceerde computerleersystemen: één die leert door sequenties in de loop van de tijd te onthouden, en een andere die leert door naar het hele plaatje in één keer te kijken. In beide gevallen vergeleken ze de resultaten van het gebruik van de originele, rommelige logs met de resultaten van hun nieuw schoongemaakte, betekenisbewuste logs. Het verschil was duidelijk en meetbaar. Wanneer de computer leerde van de schoongemaakte data, verbeterde het vermogen om de volgende stap te raden aanzienlijk. Voor het systeem dat sequenties in de loop van de tijd onthoudt, sprong de nauwkeurigheid met meer dan vijf procentpunt. Voor het systeem dat naar het hele plaatje kijkt, steeg de nauwkeurigheid met bijna vijf procentpunt. Deze cijfers lijken misschien klein, maar in de wereld van grootschalige data vertegenwoordigen ze een substantiële sprong in betrouwbaarheid. Belangrijker nog is dat de verbeteringen niet beperkt waren tot alleen het vaker goed hebben; het systeem werd ook beter in het vinden van de juiste antwoorden wanneer deze zeldzaam waren, en vermeed fouten bij de veelvoorkomende antwoorden.
De onderzoekers waren zorgvuldig om ervoor te zorgen dat deze winsten voortkwamen uit de data zelf, en niet uit het complexer maken van de computerprogramma's. Ze gebruikten exact dezelfde computermodellen voor zowel de rommelige als de schone logs, waarbij ze alleen de input veranderden. Dit bewees dat de verbetering volledig voortkwam uit de manier waarop de data werd voorbereid. De studie toonde aan dat door de valse regels die door willekeurige timing worden gecreëerd te verwijderen, de computer zich kon concentreren op de echte relaties die het bedrijf drijven. Het team testte hun methode ook stap voor stap, waarbij ze telkens één stukje schoongemaakte betekenis toevoegden. Ze ontdekten dat hoe meer ze de data corrigeerden, hoe beter de computer presteerde, wat suggereert dat hun methode kan worden uitgebreid om andere soorten verwarring in de logs op te lossen, zoals loops of keuzes. Dit werk demonstreert dat het geheim van betere voorspellingen misschien niet ligt in het bouwen van slimmere computers, maar in het leren van de wereld helderder zien door het ware structurele proces te begrijpen dat ze observeren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.