Model-Semantics-Aware Predictive Process Monitoring
本文介绍了模型语义感知预测性流程监控（MSA-PPM），这是一种通过使用过程语义字典对轨迹进行转换，从而显式地融入行为语义，来弥合事件日志与过程模型之间差距的范式，进而显著提高预测准确性，并为基于深度学习的过程监控提供一个与架构无关的基础。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代世界中，业务是依靠流程运行的：即一系列将任务从开始推进到结束的步骤，无论是审批贷款、运送包裹，还是处理医疗索赔。为了保持这些运营顺畅运行，公司依赖于被称为事件日志（event logs）的数字记录。这些日志就像是详细的日记，记录了发生的每一项行动及其精确的先后顺序。多年来，专家们一直利用这些日记来预测流程中即将发生的下一步。如果一份贷款申请刚刚通过了信用检查，系统可能会预测下一步是文件审核。这一被称为“预测性流程监控”（predictive process monitoring）的领域已变得日益先进，利用强大的计算机程序，通过学习历史数据来预见未来。然而，一个关键问题长期以来一直潜伏在背景之中。数字日记记录的是事情实际发生的顺序，但这个顺序并不总是与业务规则所预设的顺序一致。当两个任务可以同时发生时，日志显示的先后顺序可能仅仅是因为随机的延迟或特定工作人员的排班。对于学习数据的计算机而言，这种随机的序列看起来就像是一条严格的规则，从而创造了一种在业务设计中并不存在的虚假因果关系。
一个研究小组提出了一种解决这种困惑的新方法，将焦点从原始日记转向业务的底层蓝图。他们的工作引入了一种能够在计算机尝试进行预测之前，理解流程真实含义的方法。他们并没有直接将混乱的现实世界事件序列喂给计算机，而是首先通过查看官方的流程模型——即定义业务“应该”如何运作的地图——来清洗数据。他们发现，当两个任务被设计为并行执行时，它们在日志中出现的先后顺序往往只是时机上的偶然。通过识别这些并行关系，研究人员可以剥离掉日志所制造的虚假连接。他们构建了一个特殊的“意义词典”，充当翻译官的角色，将混乱的现实世界日志转化为一个更清晰的版本，以反映业务的真实逻辑。这个经过清洗的版本剔除了那些仅因随机时机而存在的“幻影”规则，只保留了真正重要的依赖关系。
为了测试这种方法是否奏效，研究人员将其应用于一个包含超过678,000个模拟银行交易系统记录事件的海量数据集。他们将这些数据分别输入两种不同类型的先进计算机学习系统：一种是通过随时间记忆序列进行学习，另一种是通过观察全局图景进行学习。在这两种情况下，他们都对比了使用原始混乱日志的结果与使用其新开发的、具备意义感知能力的清洗后日志的结果。差异是清晰且可衡量的。当计算机从清洗后的数据中学习时，其预测下一步的能力显著提升。对于通过记忆序列进行学习的系统，准确率提升了超过五个百分点；对于通过观察全局图景进行学习的系统，准确率也上升了近五个百分点。这些数字看起来可能微不足道，但在大规模数据的世界里，这代表了可靠性的实质性飞跃。更重要的是，这种提升不仅限于提高正确答案出现的频率，该系统在处理稀有正确答案时的表现也更好了，并且在处理常见答案时避免了犯错。
研究人员非常谨慎地确保这些收益来自于数据本身，而非通过增加计算机程序的复杂度。他们在处理混乱日志和清洗后日志时使用了完全相同的计算机模型，仅仅改变了输入内容。这证明了改进完全源于数据准备的方式。研究表明，通过消除由随机时机产生的虚假规则，计算机可以专注于驱动业务的真实关系。团队还对该方法进行了逐步测试，每次增加一个清洗后的意义维度。他们发现，随着对数据修正程度的增加，计算机的表现也随之提升，这表明该方法可以扩展到修复日志中的其他类型困惑，例如循环或选择。这项工作表明，实现更好预测的秘诀可能不在于构建更聪明的计算机，而在于通过理解它们正在观察的流程的真实结构，教它们更清晰地看待世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。