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.
프로세스 마이닝에서 LPM(Local Process Model) 탐색 알고리즘이 수천 개의 유사한 모델을 생성하는 모델 폭발·반복 문제를 해결하기 위해, 기존 프로세스 모델 유사도 측정 또는 이벤트 로그의 데이터 속성 기반 컨텍스트 비교를 활용해 LPM을 그룹화하고 각 그룹에서 대표 모델을 선택하는 프레임워크를 제안한다. 실험 결과, 상위 점수 LPM 샘플 대비 그룹 대표 모델 샘플이 반복성은 낮추고 이벤트 커버리지는 높이는 것으로 나타났다.
객체 중심 이벤트 로그(OCEL)에서 다음 활동 예측 시 발생하는 다중 객체 바인딩 손실, 이벤트-객체 역할 비대칭, 시간 정보 누락 문제를 해결하기 위해, EHHN은 이벤트-객체 하이퍼엣지와 이중 스트림 아키텍처(미시 공간 스트림 + 거시 진화 스트림)로 구성된 이종 하이퍼그래프 네트워크를 제안한다. 4개의 공개 OCEL 벤치마크에서 9개의 베이스라인 대비 정확도와 매크로 F1-score 모두 최고 성능을 달성하였으며, 최대 8.1 및 12.4 퍼센트포인트 향상과 함께 피크 GPU 메모리를 최대 24배 절감하였다.
조직들이 비즈니스 프로세스 자동화를 위해 생성형 AI 에이전트를 점점 더 많이 배포함에 따라, 거버넌스 딜레마에 직면한다. 이러한 에이전트는 운영 유연성을 높일 수 있지만, 비결정적 특성으로 인해 비즈니스 프로세스 관리(Business Process Management)가 추구하는 통제와 표준화를 저해한다. 본 논문은 에이전트 행동 마이닝(Agent Behavior Mining)을 도입하여 이 보이지 않는 자율성 위험(invisible autonomy risk)을 다룬다. 이는 프로세스 마이닝(process mining) 기법을 적용해 생성형 AI 에이전트의 의사결정을 관찰 가능하고 추적 가능하게 만드는 거버넌스 역량이다. 우리는 (1) 추론 추적(reasoning traces), 도구 사용, 토큰 비용 등 세분화된 에이전트 활동을 표준화된 프로세스 로그로 변환하는 이벤트 데이터 모델을 통해 생성형 AI 에이전트 행동에 대한 이해를 개선하고, (2) 다중 에이전트 order-to-cash 구현에서 데이터 모델을 구체화하여, 프로세스 관리자가 에이전트 로그를 활용해 정책 이탈을 탐지하고 운영 변동성을 정량화하는 방법을 보여주며, (3) 18명의 업계 실무자를 대상으로 한 탐색적 연구에서 해당 접근법의 체감 실용적 유용성을 평가한다. 결과에 따르면, 실무자들은 행동 투명성을 신뢰의 전제 조건으로 보고, 에이전트 추론을 검토할 수 있는 능력을 차세대 AI 기반 비즈니스 프로세스의 중요한 거버넌스 요건으로 간주한다.
비즈니스 프로세스 관리 및 프로세스 마이닝과 같은 분야는 기록된 이벤트 데이터를 바탕으로 프로세스에 대한 인사이트를 발견하여 조직을 지원합니다. 그러나 프로세스 분석의 걸림돌 중 하나는 데이터의 멀티모달성입니다. 예를 들어, 비디오 형식의 데이터는 이벤트로 직접 해석할 수 없습니다. 기존 접근 방식은 활동 라벨 사전을 입력으로 요구하거나, 프레임 단위 라벨링에 대한 설명을 제공할 수 없거나, 구형의 컴퓨터 비전 기술에 의존합니다. 본 연구에서는 SnapLog를 제안합니다. SnapLog는 이미지 임베딩을 사용해 프레임을 특징(feature) 벡터로 변환하고 프레임 단위 유사도 행렬을 통해 시간적 분할을 수행하여 비디오에서 이벤트 데이터를 추출하는 방식입니다. 이어 일반화된 퓨샷(few-shot) 분류(classification)를 사용해 비디오 세그먼트에 라벨을 부여하여, 이벤트로 해석 가능한 라벨이 지정되고 타임스탬프가 포함된 프레임 하위 시퀀스를 산출합니다. 기존 프로세스 마이닝 기법을 사용하여 결과 데이터를 분석할 수 있습니다. 우리는 제안하는 방식이 비디오 속 프로세스를 정확하게 반영하는 로그를 생성함을 입증했습니다.
구조적 제약이 있는 이벤트 시퀀스 생성은 생성된 경로가 전이 가능성, 시간적 순서, 종료, 속성 일관성을 유지해야 하므로 여전히 도전적인 과제이다. 예측적 프로세스 모니터링(PPM)에서 이 과제는 전체 이벤트 시퀀스 생성으로 나타나는 반면, 기존 연구는 주로 다음 활동, 남은 시간, 결과, 속성 예측과 같은 구성 요소 과제를 다룬다. 본 논문은 이 통합 PPM 과제를 위해 Graph Grounded Cross Attention 트랜스포머 신경망(GGATN)을 제안한다. GGATN은 글로벌 프로세스 그래프를 구조화된 활동 메모리로 사용하고, 트랜스포머 자기 어텐션(self attention)을 통해 시퀀스 위치의 맥락을 파악하며, 그래프 그라운딩 크로스 어텐션(graph grounded cross attention)을 통해 프로세스 토폴로지를 주입한다. 자기회귀(autoregressive) 디코딩과 달리 GGATN은 활동, 타임스탬프, 길이, 이벤트 수준 및 시퀀스 수준 속성을 단일 패스로 생성한 뒤, 실행 가능한 경로와 명시적 종료를 위해 Viterbi 방식의 그래프 제약 디코딩을 수행한다. 6개의 벤치마크 이벤트 로그에 대한 실험 결과, 로컬 인스트럭션 프롬프트 기반 LLM 베이스라인보다 더 신뢰할 수 있는 생성 품질을 보여준다. GGATN은 시퀀스 유사도, Damerau-Levenshtein 유사도, 바이그램 기반 제어 흐름 유사도, 지속 시간 분포에서 강한 성능을 달성하면서, 환각된 활동 0건과 시퀀스 수준 속성 불일치 0건을 유지한다. 소거(ablation) 분석을 통해 글로벌 그래프 인코더가 안정적인 구조적 사전분포(prior)임을 확인한다. 해석 가능성 분석은 그래프 구조, 시퀀스 컨텍스트, 피드백 정제, 제약 디코딩이 생성을 어떻게 형성하는지 보여준다.