[論文レビュー] Learning Hybrid Process Models From Events: Process Discovery Without Faking Confidence

Wil M. P. van der Aalst, Riccardo De Masellis+2 more|arXiv (Cornell University)|Mar 17, 2017

Business Process Modeling and Analysis被引用数 10

ひとこと要約

本稿では、形式的意味論と意図的な曖昧さを組み合わせるハイブリッドプロセスマイニング手法を提案する。ハイブリッドPetriネットを用いて明確な因果関係を正確にモデル化すると同時に、不確実性や複雑な依存関係を非形式的に表現する。強い因果関係に対しては形式的な場所を発見し、弱いまたは曖昧な関係に対しては「確実」または「不確実」の弧を用いることで、不確実な行動に対して誤った自信を装うことなく、スケーラビリティと解釈可能性を達成する。

ABSTRACT

Process discovery techniques return process models that are either formal (precisely describing the possible behaviors) or informal (merely a "picture" not allowing for any form of formal reasoning). Formal models are able to classify traces (i.e., sequences of events) as fitting or non-fitting. Most process mining approaches described in the literature produce such models. This is in stark contrast with the over 25 available commercial process mining tools that only discover informal process models that remain deliberately vague on the precise set of possible traces. There are two main reasons why vendors resort to such models: scalability and simplicity. In this paper, we propose to combine the best of both worlds: discovering hybrid process models that have formal and informal elements. As a proof of concept we present a discovery technique based on hybrid Petri nets. These models allow for formal reasoning, but also reveal information that cannot be captured in mainstream formal models. A novel discovery algorithm returning hybrid Petri nets has been implemented in ProM and has been applied to several real-life event logs. The results clearly demonstrate the advantages of remaining "vague" when there is not enough "evidence" in the data or standard modeling constructs do not "fit". Moreover, the approach is scalable enough to be incorporated in industrial-strength process mining tools.

研究の動機と目的

• 商業ツールで使用される非形式的でスケーラブルなモデルと形式的で正確なプロセスモデルの間のギャップを埋める。
• データに十分な証拠がない場合でさえも、トレースを二値分類に強制する既存の形式的モデルの限界を克服する。
• 不確実性を保持し、誤った正確さを避けることにより、スケーラブルで解釈可能なプロセス発見手法を提供する。
• プロセスの整合性の高い部分に対して形式的推論を可能にすると同時に、複雑または曖昧な依存関係に対しては非形式的表現を許容する。
• 産業的スケーラビリティと信頼性のあるモデル解釈を両立する手法を開発する。

提案手法

• 活動間の潜在的因果関係を検出するために、設定可能なしきい値を用いてイベントログから因果グラフを構築する。
• 明示的な品質基準を適用し、明確でない因果関係を表す形式的な場所を特定・追加する。
• 不確実性や弱い根拠に基づく関係を「確実」または「不確実」の弧として表現し、データが正当化する曖昧さを保持する。
• ハイブリッドPetriネットを基盤の形式的枠組みとして用い、場所に対して正確な意味論を、弧に対して非形式的な注釈を許容する。
• ProMにアルゴリズムを実装し、実際のイベントログを用いてスケーラビリティとモデル品質を評価する。
• 形式的な部分（場所）に対しては既存の性能およびコンプライアンス分析技術を活用し、非形式的な弧に対しても近似指標へ拡張する。

実験結果

リサーチクエスチョン

• RQ1 プロセスマイニング手法は、現実世界のイベントデータにおける不確実性を反映するために、形式的正確さと意図的な曖昧さのバランスをどのようにとるべきか？
• RQ2 ハイブリッドPetriネットは、強い因果関係に対して形式的意味論を保持しつつ、曖昧または複雑な依存関係を非形式的に表現できるか？
• RQ3 ハイブリッド発見アプローチは、大規模なログ（例：数百万件のイベント）に対してスケーリング可能であり、インタラクティブで解釈可能であるか？
• RQ4 サイレント遷移や隠れた動作が存在する状況において、本手法は既存の形式的発見アルゴリズム（例：Inductive Miner）と比較して、モデル品質および解釈可能性において優れているか？
• RQ5 ハイブリッドモデルは、形式的推論能力を損なわせることなく、プロセスマイニングツールにおける信頼性と使いやすさをどのように向上させることができるか？

主な発見

• ハイブリッドPetriネット手法は、A→B、B→C、D→E、E→Fなどの意味のある因果関係を正しく特定する一方で、Inductive Minerはサイレント遷移のため、いかなる明確な因果関係も表現できなかった。
• BPI 2016ログにおいて、Inductive Minerが発見した18の場所のうちたった1つしか明確な因果関係を表さなかったが、Hybrid Minerは同じ意味のある場所に加え、4つの追加の場所も正しく特定した。
• Hybrid Minerは、複雑なまたはまれなパスを含む状況でも、実際のプロセス行動とより整合性の高い解釈可能なモデルを生成した。
• 本手法は、不確実な関係を明示的に「不確実」の弧としてマークすることで、形式的モデルの過剰な自信を回避し、誤った正確さを防いでいる。
• 本手法は大規模なログに対しても良好にスケーリング可能であり、既存の性能およびコンプライアンス分析技術との統合をサポートする。
• サイレント遷移が存在する場合には精度指標が機能しないため、確実な行動と不確実な行動を区別できるモデルの必要性が浮き彫りになる。これは、まさにハイブリッドアプローチが提供するものである。