ort.edu.uy

이 이메일 도메인이 관측된 논문 2건

arXiv:2609.22475v1cs.AI

목표 기반 변형 범주화

Goal-driven Variant Categorization

프로세스 발견(process discovery)은 드물게 단일의 일관된 프로세스 구조를 산출한다. 분석을 위해 일반적인 단계는 구조적 유사성에 기반하여 프로세스 변형을 클러스터링한 뒤, 그렇게 얻은 그룹에 비즈니스적 의미를 부여하는 것이다. 이러한 분할은 조직의 목표에서 도출된 것이 아니므로, 분석가는 변형을 수동으로 해석하고 비즈니스적으로 의미 있는 범주로 통합해야 한다. 변형의 수와 복잡성이 커질수록 이 판단 집약적 단계는 점점 더 어려워진다. 본 논문에서는 이러한 워크플로를 뒤집는 목표 기반 변형 범주화 접근법을 제안한다. 먼저 범주화 축을 사전에 정의하는 조직의 목표 모델(goal model)을 작성한다. 각 변형은 그 동작을 설명하는 텍스트 서술로 변환되고, 대규모 언어 모델(LLM)이 목표 모델의 맥락에서 이를 해석하여 변형을 가장 적절한 범주에 할당한다. LLM 기반 의미론적 추론은 저수준 프로세스 동작과 분석가가 정의한 비즈니스 목표를 연결한다. 이 접근법을 종단(end-to-end)으로 구현하고, 규모와 행동 다양성에서 실질적으로 다른 세 개의 공개 로그에 대해 평가한다. 목표 모델 가이던스는 무방향 귀납(unguided induction)으로 생성된 분할과 다른 분할을 산출하며, 선언된 대안에 대한 통제된 수정에 반응하지만, 목표 모델을 작성해야 한다는 비용이 따른다.

arXiv:2608.27671v1cs.AI

협업 프로세스의 객체 중심 예측 모니터링을 위한 프레임워크

A Framework for Object-Centric Predictive Monitoring of Collaborative Processes

조직 간 협업 프로세스의 예측 프로세스 모니터링(PPM)은 참여자, 메시지, 로컬 실행, 글로벌 협업 케이스를 포함한 상호 의존적인 여러 엔티티에 대한 추론을 필요로 합니다. 기존 접근법들은 전통적인 이벤트 로그를 협업 속성으로 확장하지만 단일 케이스 관점을 유지하므로 이러한 구조의 상당 부분을 암묵적인 상태로 남겨둡니다. 객체 중심 프로세스 마이닝(OCPM)은 명시적 관계와 다중 케이스 개념을 갖는 일급(first-class) 객체로 이러한 엔티티들을 표현함으로써 대안을 제시합니다. 본 연구는 세 가지 기여를 통해 협업 PPM과 OCPM을 연결합니다. (i) 확장된 협업 이벤트 로그에서 OCEL 2.0으로 직렬화되는 OCED 준수 객체 중심 표현으로의 정형적 의미론적 매핑, (ii) 협업 예측 태스크를 객체 중심 예측 태스크로 재구성, 그리고 (iii) 제안된 매핑을 구현하는 재현 가능한 변환기 및 예측 파이프라인입니다. 우리는 표 형식(tabular), 순차적(sequential), 그래프 네이티브(graph-native) 인코딩에 걸친 다섯 가지 예측 전략을 사용해 재구성된 14개의 태스크를 실행함으로써, 4개의 공개 협업 이벤트 로그와 BPI Challenge 2013 인시던트 관리 로그에서 파생된 5번째 로그에서 이 프레임워크를 평가(evaluation)합니다. 나아가 본 접근법의 이점, 한계 및 타당성 위협 요소를 논의합니다. 해당 표현은 협업 구조를 명시적으로 드러내며 케이스 중심 분류 체계를 벗어나는 객체 관계 기반의 예측 목표를 자연스럽게 명시할 수 있게 하지만, 관계 복잡성의 증가와 객체 중심 툴링에 대한 의존이라는 비용이 수반됩니다.