[논문 리뷰] From Internet of Things Data to Business Processes: Challenges and a Framework

Juergen Mangler, Ronny Seiger외 13명|arXiv (Cornell University)|2024. 05. 14.

Big Data and Business Intelligence인용 수 4

한 줄 요약

이 논문은 저수준의 사물인터넷(IoT) 센서 데이터를 프로세스 마이닝에 적합한 고수준 비즈니스 프로세스 이벤트로 변환하기 위한 일반적이고 반자동화된 프레임워크를 제안한다. 데이터 추상화를 8개의 표준화된 단계(시간 기반 또는 값 기반 임계값을 사용한 데이터 이산화에서 전문가 지도 하에 이벤트 상관관계 설정까지)로 구성함으로써, 원시 IoT 스트림에서 프로세스 인식 이벤트 로그를 유도할 수 있으며, 스마트 제조 응용 사례에서의 검증을 통해 전문가가 수작업으로 구성한 모델과 유사한 성능을 보여주었다.

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.

연구 동기 및 목표

• 산업 및 서비스 환경에서 저해상도 IoT 센서 데이터로부터 의미 있는 프로세스 이벤트를 추출하는 데 도전하는 문제를 해결한다.
• 원시 IoT 데이터와 프로세스 인식 분석 간 격차를 메우기 위해, 센서 스트림에서 반자동으로 프로세스 이벤트를 도출할 수 있도록 한다.
• 데이터 엔지니어링이나 프로세스 마이닝에 깊은 전문 지식이 필요하지 않은 도메인 전문가가 IoT 데이터에서 프로세스 모델을 생성하는 데를 지원한다.
• 원시 센서 데이터를 풍부한 이벤트 로그로 변환하기 위한 구조적이고 확장 가능한 프레임워크를 제공한다.
• 실제 스마트 제조 사례 연구를 통해 프레임워크의 실현 가능성과 품질을 입증하여 전문가가 수작업으로 구성한 프로세스 모델과의 일치성을 보여준다.

제안 방법

• 원시 IoT 센서 데이터를 프로세스 인식 이벤트 로그로 변환하기 위한 일반적인 8단계 프레임워크를 정의하며, 고수준 이벤트 모델링을 위한 추상화 및 상관관계 설정 단계를 포함한다.
• 시간 기반 또는 값 기반 임계값을 사용하여 연속적인 센서 값을 이산 이벤트로 변환하는 데이터 이산화(단계 1)를 적용한다.
• 시간적 근접성과 기능적 관련성을 기반으로 센서 그룹(단계 2)을 식별하여 잠재적 프로세스 이벤트 클러스터를 형성한다.
• 시간 창과 의존성 분석을 사용하여 이벤트 간 관계를 모델링하는 토폴로지(단계 5)를 구성한다.
• 단계 3~5에서 통계 및 머신러닝 기법(예: 상관관계, 군집화)을 활용해 센서 이벤트 간 패턴과 의존성을 탐지한다.
• 단계 6과 7에서 전문가의 입력을 통합하여 이벤트 경계, 그룹화 및 추상화를 정밀하게 조정함으로써 도메인 관련성과 모델 품질을 확보한다.

실험 결과

연구 질문

• RQ1 저수준의 IoT 센서 데이터를 어떻게 체계적으로 고수준 프로세스 이벤트로 추상화할 수 있는가?
• RQ2 원시 센서 스트림을 프로세스 수준 이벤트로 매핑하는 데 있어 핵심 과제는 무엇이며, 이를 체계적인 프레임워크로 어떻게 해결할 수 있는가?
• RQ3 반자동 프레임워크가 전문가가 수작업으로 구성한 모델과 유사한 수준의 품질을 갖는 프로세스 모델을 얼마나 잘 생성할 수 있는가?
• RQ4 스마트 제조와 같은 실제 산업 환경에서 프레임워크를 어떻게 구현하고 검증할 수 있는가?
• RQ5 도메인 전문가는 자동 추상화 단계의 출력을 어떻게 정교화하는 데 기여하며, 그들의 입력은 어떻게 효과적으로 통합될 수 있는가?

주요 결과

• 프레임워크는 원시 IoT 센서 데이터를 프로세스 인식 이벤트 로그로 변환하기 위해 8단계의 체계적이고 확장 가능한 절차를 제공한다.
• 이 접근법은 반자동으로 프로세스 이벤트를 도출할 수 있도록 하여 데이터 엔지니어에 대한 의존도를 감소시키며, 도메인 전문가가 추상화 및 상관관계 설정을 이끄는 데 기여할 수 있도록 한다.
• 스마트 제조 사례 연구에서 프레임워크가 생성한 프로세스 모델은 전문가가 수작업으로 구성한 모델과 유사한 품질을 보여주어 실용성의 타당성을 입증했다.
• 성능 저하 요인은 주로 단계 1(이산화)과 단계 4(의존성 계산)에서 발생했으며, 특히 고용량 센서 데이터 처리 시 두드러졌다.
• 프레임워크는 시간 시리즈 센서 데이터에만 의존하므로, 의료 분야 등 다른 도메인에도 적용 가능하며 도메인 전용 논리에 의존하지 않는다.
• 단계 6과 7에서 전문가와의 상호작용을 위한 사용자 인터페이스는 프레임워크의 유용성과 모델 정확도를 극대화하는 데 핵심적이다.