[論文レビュー] Large Process Models: A Vision for Business Process Management in the Age of Generative AI

Timotheus Kampik, Christian Warmuth+13 more|arXiv (Cornell University)|Sep 2, 2023

Business Process Modeling and Analysis被引用数 7

ひとこと要約

本論文は、生成AI、特に大規模言語モデル（LLM）を、記号的推論と知識ベースシステムと統合するハイブリッドフレームワークとしての大規模プロセスモデル（LPM）を提案する。LPMは、文脈に適した信頼性の高い、実行可能なビジネスプロセスインテリジェンスを実現することを目的としており、LLMをプロセスマイニング、知識グラフ、自動推論と融合させることで、多様な組織的文脈において、カスタマイズされたプロセスモデル、分析的インサイト、改善提案の自動生成を可能にする。これにより、変革作業の負荷を著しく軽減するとともに、純粋な統計モデルをはるかに超える信頼性と正確性が実現される。

ABSTRACT

The continued success of Large Language Models (LLMs) and other generative artificial intelligence approaches highlights the advantages that large information corpora can have over rigidly defined symbolic models, but also serves as a proof-point of the challenges that purely statistics-based approaches have in terms of safety and trustworthiness. As a framework for contextualizing the potential, as well as the limitations of LLMs and other foundation model-based technologies, we propose the concept of a Large Process Model (LPM) that combines the correlation power of LLMs with the analytical precision and reliability of knowledge-based systems and automated reasoning approaches. LPMs are envisioned to directly utilize the wealth of process management experience that experts have accumulated, as well as process performance data of organizations with diverse characteristics, e.g.,\ regarding size, region, or industry. In this vision, the proposed LPM would allow organizations to receive context-specific (tailored) process and other business models, analytical deep-dives, and improvement recommendations. As such, they would allow to substantially decrease the time and effort required for business transformation, while also allowing for deeper, more impactful, and more actionable insights than previously possible. We argue that implementing an LPM is feasible, but also highlight limitations and research challenges that need to be solved to implement particular aspects of the LPM vision.

研究の動機と目的

• ビジネスプロセスマネジメント（BPM）における、純粋に統計的かつLLMベースのアプローチの限界を是正すること。これらは、重要な運用意思決定における信頼性、説明可能性、安全性に欠ける。
• LLMの相関力と、記号的システムおよび自動推論の分析的正確性を組み合わせた、新たな概念的フレームワーク—大規模プロセスモデル（LPM）—を提案すること。
• 多様な業界や組織形態にわたる、多様で不均一なプロセス知識およびパフォーマンスデータの豊富なコーパスに基づき、組織がカスタマイズされた、実行可能なインサイト、プロセスモデル、改善提案を受けることを可能にすること。
• LPMの技術的妥当性を評価するとともに、信頼性、安全性、スケーラビリティに関する主な研究課題とリスクを、実世界のBPM応用において特定すること。
• 生成AIの能力と人的監視、形式的保証をバランスさせるAI補完型BPMの今後の研究と産業応用の基盤を築くこと。

提案手法

• LPMは、ファインチューニングされた汎用LLMとドメイン固有の知識グラフ、記号的プロセスモデルを統合することで構築され、文脈に適した推論と推論を可能にする。
• システムは、自然言語理解、クエリ生成、モデル拡張のための市販のLLMを活用し、自前での事前学習を回避することでコストを削減する。
• LPMはプロセス実行トレースとパフォーマンスデータを用いて、予測および反事後的シミュレーションのための特殊化された基盤モデルを訓練し、分析の深さを向上させる。
• 正しさ、説明可能性、検証可能性を保証するため、記号的推論と時系列論理が、LLMによる出力のプロセスモデリングおよび分析に埋め込まれる。
• LLM、知識グラフ、ルールベース推論をオchestrateすることで、プロセス設計・マイニングから分析・最適化まで、BPMライフサイクルのエンドツーエンドを支援する。
• 非テキスト入力（例：画像からのBPMN図、インタビュー音声など）を処理するためのマルチモーダル生成AIコンponentsを検討し、音声認識や画像からBPMNへの変換モデルによる事前処理を想定する。

実験結果

リサーチクエスチョン

• RQ1 生成AIを、ビジネスプロセス管理（BPM）における信頼性、説明可能性、安全性を確保する記号的および統計的手法とどのように意味的に統合できるか。
• RQ2 ファインチューニングされたLLMが、正しさを損なわずに、正確で文脈に特化したプロセスモデル、クエリ、改善提案を生成できる範囲はどの程度か。
• RQ3 プロセス実行トレースに学習させた基盤モデルを用いた予測的・規定的プロセス分析の実現可能性と限界は何か。
• RQ4 画像や音声などのマルチモーダル入力を、生成AIを用いて形式的プロセスモデルに効果的に変換するにはどうすればよいか。
• RQ5 LPMを企業環境で大規模に展開するにあたり、技術的、倫理的、組織的課題として解決すべき主な障壁は何か。

主な発見

• ファインチューニングされたLLMは、文脈に適したコンテキスト化、生成、拡張の役割を効果的に果たし、BPM応用における強い実現可能性を示している。
• BertiとQafari（2023年）およびKlievtsovaら（2023年）の先行研究の初期的証拠は、市販のLLMをプロセスマイニングおよびモデリングタスクに活用する可能性を支持している。
• LLMと知識グラフ、自動推論の統合により、単体のLLMでは到達できない、説明可能で信頼性があり、文脈に敏感なプロセスインサイトの生成が可能になる。
• 汎用LLMはBPM補完に有望であるが、プロセス実行トレースに学習させた特殊化された基盤モデルはまだ初期段階にあり、産業応用のためにはさらなる研究が必要である。
• 画像や音声などの非テキスト入力を処理する生成AIの利用は、事前処理パイプラインを介して実現可能であるが、直接的なマルチモーダル処理は依然として困難である。
• 信頼性、安全性、社会的影響に関する大きなリスクが残っており、とくに、厳密な検証と監視が行われないまま、ミッションクリティカルなビジネスプロセス文脈にLLMを導入した場合に顕著である。