[論文レビュー] From Internet of Things Data to Business Processes: Challenges and a Framework

Juergen Mangler, Ronny Seiger+13 more|arXiv (Cornell University)|May 14, 2024

Big Data and Business Intelligence被引用数 4

ひとこと要約

本稿では、低レベルのインターネット・オブ・シングス（IoT）センサデータを、プロセスマイニングに適した高レベルのビジネスプロセスイベントに変換する汎用的で準自動化されたフレームワークを提案する。データ抽象化を8つの標準化されたステップ（データ離散化からエキスパート主導のイベント相関まで）に構造化することで、フレームワークは生のIoTストリームからプロセス対応イベントログを導出可能であり、スマート製造のユースケースでの検証により、エキスパートが構築したモデルと同等のモデルを生成できることを示している。

ABSTRACT

The IoT and Business Process Management (BPM) communities co-exist in many shared application domains, such as manufacturing and healthcare. The IoT community has a strong focus on hardware, connectivity and data; the BPM community focuses mainly on finding, controlling, and enhancing the structured interactions among the IoT devices in processes. While the field of Process Mining deals with the extraction of process models and process analytics from process event logs, the data produced by IoT sensors often is at a lower granularity than these process-level events. The fundamental questions about extracting and abstracting process-related data from streams of IoT sensor values are: (1) Which sensor values can be clustered together as part of process events?, (2) Which sensor values signify the start and end of such events?, (3) Which sensor values are related but not essential? This work proposes a framework to semi-automatically perform a set of structured steps to convert low-level IoT sensor data into higher-level process events that are suitable for process mining. The framework is meant to provide a generic sequence of abstract steps to guide the event extraction, abstraction, and correlation, with variation points for plugging in specific analysis techniques and algorithms for each step. To assess the completeness of the framework, we present a set of challenges, how they can be tackled through the framework, and an example on how to instantiate the framework in a real-world demonstration from the field of smart manufacturing. Based on this framework, future research can be conducted in a structured manner through refining and improving individual steps.

研究の動機と目的

• 産業的およびサービス環境における低粒度のIoTセンサデータから意味のあるプロセスイベントを抽出する課題に対処すること。
• 生のIoTデータとプロセス対応分析の間のギャップを埋め、センサストリームから準自動でプロセスイベントを導出可能にする。
• データ工学やプロセスマイニングの深い専門知識を必要としないドメインエキスパートが、IoTデータからプロセスモデルを構築できるように支援すること。
• 生のセンサデータを強化されたイベントログに変換するための構造的かつ拡張可能なフレームワークを提供すること。
• 実世界のスマート製造ユースケースを通じた実証により、フレームワークの実現可能性と品質を示し、エキスパートが構築したプロセスモデルと整合性があることを示すこと。

提案手法

• 生のIoTセンサデータをプロセス対応イベントログに変換する汎用的8ステップフレームワークを定義し、高レベルのイベントモデリングのための抽象化および相関ステップを含む。
• ステップ1でデータ離散化を実施し、連続するセンサ値を時間的または値ベースのしきい値を用いて離散イベントに変換する。
• ステップ2で時間的近接性および機能的関連性に基づきセンサグループを特定し、潜在的なプロセスイベントクラスタを形成する。
• ステップ5でトポロジーを構築し、センサイベント間の関係をモデル化する。時間窓と依存関係分析を用いてイベントの順序を推定する。
• ステップ3～5で統計的および機械学習的手法（例：相関、クラスタリング）を用い、センサイベント間のパターンおよび依存関係を検出する。
• ステップ6および7でエキスパートの入力を統合し、イベントの境界、グループ化、抽象化を精緻化することでドメインの関連性とモデル品質を確保する。

実験結果

リサーチクエスチョン

• RQ1 低レベルのIoTセンサデータを、プロセスマイニングに適した高レベルのプロセスイベントに体系的に抽象化する方法は何か？
• RQ2 生のセンサストリームをプロセスレベルのイベントにマッピングする際の主な課題は何か。また、構造化されたフレームワークによってそれらの課題はどのように解決できるか？
• RQ3 準自動フレームワークが、ドメインエキスパートが作成したモデルと同等の品質のプロセスモデルをどの程度生成できるか？
• RQ4 スマート製造のような実世界の産業的シナリオで、このフレームワークはどのようにインスタンス化され、検証されるか？
• RQ5 ドメインエキスパートは、自動化されたデータ抽象化ステップの出力をどのように精緻化するか。また、その入力を効果的に統合するにはどうすればよいか？

主な発見

• フレームワークは、8段階の構造的かつ拡張可能なステップを経て、生のIoTセンサデータをプロセス対応イベントログに変換可能であることを実証した。
• このアプローチにより、準自動でプロセスイベントが導出可能となり、データエンジニアへの依存が軽減され、ドメインエキスパートが抽象化および相関のガイドラインを提供できるようになった。
• スマート製造のユースケースにおいて、フレームワークによって生成されたプロセスモデルは、エキスパートが構築したモデルと同等の品質を達成しており、実用的有用性が裏付けられた。
• パフォーマンスのボトルネックは主にステップ1（離散化）およびステップ4（依存関係計算）に認められ、特に高スルーレートのセンサデータでは顕著であった。
• フレームワークは、時間的系列センサデータに依存するのみであり、ドメイン固有の論理に依存しないため、医療分野など他の分野への適用も可能である。
• ステップ6および7におけるエキスパートとのインタラクションのためのユーザインタフェースは、フレームワークの有用性とモデルの正確性を最大化するために不可欠である。