Pragmos: A Process Agentic Modeling System

1. Declaração do Problema

O artigo aborda o desafio de automatizar a modelagem de Gerenciamento de Processos de Negócio (BPM) usando Modelos de Linguagem de Grande Porte (LLMs). Embora ferramentas existentes (por exemplo, ProMoAI, BPMN-Chatbot) tentem gerar modelos de processo diretamente a partir de descrições textuais, elas sofrem de limitações críticas:

• Natureza de Caixa Preta: A maioria das ferramentas depende de representações internas opacas (por exemplo, código Python gerado ou formalismos como POWL) que são difíceis para analistas humanos entenderem, validarem ou refinarem.
• Limitações de Raciocínio: Os LLMs frequentemente lutam com dependências lógicas complexas, levando a erros no fluxo de controle (por exemplo, deadlocks, loops incorretos ou concorrência perdida).
• Falta de Controle Iterativo: Abordagens atuais frequentemente tratam a modelagem como uma tarefa de geração de um único passo, falhando em apoiar o refinamento conversacional e incremental necessário para processos complexos.

Os autores argumentam que a modelagem de processos é inerentemente complexa e requer um fluxo de trabalho interativo e aberto, onde humanos e LLMs colaboram, com total transparência sobre os passos intermediários e a fundamentação.

2. Metodologia: A Abordagem Pragmos

O Pragmos é um sistema protótipo que operacionaliza uma abordagem híbrida e agêntica. Em vez de pedir a um LLM que gere um modelo BPMN final de uma só vez, o Pragmos decompõe a tarefa em um pipeline estruturado de múltiplos passos. Ele combina a compreensão de linguagem natural dos LLMs com métodos formais rigorosos da mineração de processos (especificamente relações comportamentais e decomposição modular).

Fluxo de Trabalho Principal

O sistema processa uma descrição textual através das seguintes etapas:

A. Etapas Elementares (Descoberta Incremental)

1. Descoberta de Caminhos de Execução: O LLM é instruído a extrair caminhos de execução lineares do texto, explicitamente instruído a evitar reentrar em loops (tratando loops como iterações únicas por enquanto).
2. Síntese de Relações Comportamentais:
   • Causalidade e Conflito: O sistema constrói um Grafo de Segue-Diretamente (DFG) a partir dos caminhos e, em seguida, transforma-o em um Grafo de Relações de Ordenação (ORG). Este grafo define explicitamente:
     • Causalidade ($a < b$): $a$ deve preceder $b$.
     • Conflito ($a \# b$): $a$ e $b$ são mutuamente exclusivos.
     • Concorrência ($a \parallel b$): $a$ e $b$ podem ocorrer em qualquer ordem ou em paralelo.
   • Decomposição Modular: O ORG é decomposto em uma Árvore de Decomposição Modular (MDT) usando algoritmos de tempo linear. Esta árvore identifica blocos estruturais (sequências, blocos paralelos, escolhas exclusivas).
   • Geração BPMN: A MDT é percorrida para gerar um modelo BPMN preliminar (usando o Algoritmo 1).
3. Refinamento de Concorrência: Uma segunda passagem do LLM identifica especificamente pares de atividades que podem ser executadas em concorrência, que são então injetados no ORG para atualizar a MDT e refinar o modelo.
4. Descoberta de Loops: O LLM identifica blocos de atividades que formam loops. O sistema anota a MDT para converter módulos específicos em estruturas de loop (inicialmente como loops de repetição).

B. Tratamento Avançado (Abstração e Correção)

• Abstração de Blocos: Para loops complexos que quebram a suposição acíclica do ORG, o sistema usa abstração para modularizar o processo.
• Resolução de Emaranhamento Estrutural: O sistema aborda "topologias de fluxo de controle" onde a descoberta padrão falha (por exemplo, causalidade ausente devido a relações transitivas ou tipos de loop incorretos como while vs. repeat).
  • Mecanismo: Ele realiza um alinhamento de execução simbólica. Compara os caminhos de execução originais com a MDT do modelo gerado.
  • Correção: Se um caminho pula o corpo de um loop, o sistema converte um loop repeat em um loop while. Se atividades estão ausentes, ele introduz "atividades invisíveis" (nodos fantasma) para resolver conflitos e impor causalidade correta.

3. Contribuições Principais

1. Fluxo de Trabalho Transparente e Explicável: Diferente de geradores de caixa preta, o Pragmos produz artefatos intermediários intuitivos (caminhos de execução, ORGs, MDTs) em cada etapa. Isso permite que analistas humanos inspecionem, questionem e refinem o modelo antes que o BPMN final seja gerado.
2. Arquitetura Híbrida: Integra com sucesso capacidades de LLM (compreensão de texto) com teoria formal de mineração de processos (relações comportamentais, decomposição modular, síntese de redes de Petri). Isso garante que os modelos resultantes sejam "saudáveis" (logicamente consistentes) em vez de apenas estatisticamente prováveis.
3. Sistema de Modelagem Agêntico: O Pragmos atua como um agente que gerencia uma conversa iterativa com estado, decompondo tarefas de modelagem complexas em subtarefas gerenciáveis, em vez de tentar uma geração monolítica.
4. Tratamento de Topologias Complexas: O sistema introduz mecanismos específicos para resolver falhas comuns de LLMs, como distinguir entre loops curtos e concorrência, e corrigir tipos de loops (repeat vs. while) via alinhamento simbólico.

4. Resultados e Avaliação

• Conjunto de Dados: O sistema foi avaliado usando o conjunto de dados PET, um benchmark bem conhecido contendo 45 descrições de processos de complexidade variada.
• Desempenho:
  • O Pragmos gerou com sucesso modelos BPMN saudáveis e corretos para a maioria dos casos.
  • Os modelos gerados capturaram a lógica descrita nos documentos com precisão.
• Limitações:
  • Comprimento de Contexto: O sistema lutou com descrições de processos extremamente grandes (por exemplo, "doc-4.1") onde o número de atividades excedia a janela de contexto do LLM, mesmo com técnicas de abstração.
  • Tipos de Loop: Gerações iniciais às vezes produziram loops repeat onde loops while eram necessários, necessitando da etapa de correção simbólica descrita na metodologia.

5. Significado

O artigo representa uma mudança significativa na modelagem de processos assistida por IA:

• Da Automação para o Co-Design: Afasta-se do objetivo de geração totalmente autônoma em direção a um paradigma de humano-no-loop. Ao expor o "porquê" e o "como" da construção do modelo (via artefatos intermediários), capacita analistas de negócios a permanecerem no controle.
• Preenchendo a Lacuna: Demonstra que LLMs podem ser usados efetivamente em domínios de engenharia de alto risco se suas saídas forem restringidas e validadas por algoritmos formais e específicos do domínio.
• Direção Futura: Os autores identificam a necessidade de estudos empíricos com analistas humanos para validar a usabilidade do fluxo de trabalho e pesquisas para lidar com janelas de contexto maiores para processos empresariais complexos.

Em resumo, o Pragmos oferece um framework robusto para gerar modelos de processos de negócios confiáveis, combinando a flexibilidade dos LLMs com o rigor matemático da mineração de processos, garantindo que os modelos resultantes não sejam apenas sintaticamente corretos, mas também semanticamente alinhados com a intenção humana.