Advancing decomposed conformance checking in process mining
Loading...
Date
2020
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En los últimos años, la “process mining” ha ido ganando terreno como herramienta
para analizar y mejorar los procesos en la industria, como lo ejemplifican empresas como
Disco, Celonis y Minit. Además, muchas herramientas comerciales de process mining se
están extendiendo más allá del descubrimiento de procesos a la “conformance checking”
que permite comparar el comportamiento observado y modelado para encontrar diferencias
entre los dos. Realizar la conformance checking en entornos industriales significa
que las técnicas deben poder abordar las diferentes dimensiones de los datos. Por ejemplo,
las técnicas de conformance checking tienen que escalar desde procesos de pequeñas
empresas hasta organizaciones multinacionales que pueden estar manejando muchos casos
por hora. Esta tesis se centra en la conformance checking y aborda especficamente los
desafíos que surgen de la aplicación de la conformance checking en diferentes escenarios.
Las técnicas basadas en alineación (alignment) son el estado del arte para identificar y
explicar las discrepancias entre el comportamiento observado y modelado. Sin embargo,
debido a la explosión del espacio de estados con procesos con construcciones paralelas,
la alignment puede ser computacionalmente costosa. La primera parte de la tesis se centra
en extender las técnicas de descomposición al cálculo de alignment. La tesis muestra
que la alignment se puede calcular de forma descompuesta y presenta un algoritmo
de conformance checking novedoso que calcula la alignment utilizando el paradigma de
dividir y conquistar. En la actualidad, existen muchas técnicas de conformance checking
disponibles para los usuarios. Sin embargo, puede resultar difícil seleccionar el mejor algoritmo
para el trabajo, ya que depende de los datos de entrada y del objetivo del usuario. La
segunda parte de la tesis investiga técnicas de machine learning para ayudar a los usuarios a
seleccionar el mejor algoritmo en función de sus datos de entrada. Específicamente, aplica
el machine learning al problema de clasificación de si las técnicas de descomposición
pueden mejorar el tiempo de cálculo dado el modelo y el event log. La tercera parte de la tesis se centra en la conformance checking en tiempo real. Dado el volumen y la velocidad
a la que llegan los datos de eventos, es posible que las organizaciones no almacenen todos
los datos generados para el análisis offline y, en su lugar, tengan que recurrir a técnicas
en tiempo real. Además, realizar análisis en tiempo real permite a los dueños del proceso
reaccionar y resolver los problemas en forma inmediato. Realizar la conformance checking
en una configuración en tiempo real tiene sus propios desafíos únicos. Por ejemplo, la
técnica de conformance checking tiene que equilibrar el énfasis en la información actual
y garantizar que el resultado de conformance sea algo estable a medida que se desarrolla
el caso en ejecución. La tesis presenta una novedosa técnica de conformance checking en
tiempo real basada en Hidden Markov Model.En los últimos años, la “process mining” ha ido ganando terreno como herramienta
para analizar y mejorar los procesos en la industria, como lo ejemplifican empresas como
Disco, Celonis y Minit. Además, muchas herramientas comerciales de process mining se
están extendiendo más allá del descubrimiento de procesos a la “conformance checking”
que permite comparar el comportamiento observado y modelado para encontrar diferencias
entre los dos. Realizar la conformance checking en entornos industriales significa
que las técnicas deben poder abordar las diferentes dimensiones de los datos. Por ejemplo,
las técnicas de conformance checking tienen que escalar desde procesos de pequeñas
empresas hasta organizaciones multinacionales que pueden estar manejando muchos casos
por hora. Esta tesis se centra en la conformance checking y aborda especficamente los
desafíos que surgen de la aplicación de la conformance checking en diferentes escenarios.
Las técnicas basadas en alineación (alignment) son el estado del arte para identificar y
explicar las discrepancias entre el comportamiento observado y modelado. Sin embargo,
debido a la explosión del espacio de estados con procesos con construcciones paralelas,
la alignment puede ser computacionalmente costosa. La primera parte de la tesis se centra
en extender las técnicas de descomposición al cálculo de alignment. La tesis muestra
que la alignment se puede calcular de forma descompuesta y presenta un algoritmo
de conformance checking novedoso que calcula la alignment utilizando el paradigma de
dividir y conquistar. En la actualidad, existen muchas técnicas de conformance checking
disponibles para los usuarios. Sin embargo, puede resultar difícil seleccionar el mejor algoritmo
para el trabajo, ya que depende de los datos de entrada y del objetivo del usuario. La
segunda parte de la tesis investiga técnicas de machine learning para ayudar a los usuarios a
seleccionar el mejor algoritmo en función de sus datos de entrada. Específicamente, aplica
el machine learning al problema de clasificación de si las técnicas de descomposición
pueden mejorar el tiempo de cálculo dado el modelo y el event log. La tercera parte de la tesis se centra en la conformance checking en tiempo real. Dado el volumen y la velocidad
a la que llegan los datos de eventos, es posible que las organizaciones no almacenen todos
los datos generados para el análisis offline y, en su lugar, tengan que recurrir a técnicas
en tiempo real. Además, realizar análisis en tiempo real permite a los dueños del proceso
reaccionar y resolver los problemas en forma inmediato. Realizar la conformance checking
en una configuración en tiempo real tiene sus propios desafíos únicos. Por ejemplo, la
técnica de conformance checking tiene que equilibrar el énfasis en la información actual
y garantizar que el resultado de conformance sea algo estable a medida que se desarrolla
el caso en ejecución. La tesis presenta una novedosa técnica de conformance checking en
tiempo real basada en Hidden Markov Model.
Description
Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2020