[논문 리뷰] Identifying candidate routines for Robotic Process Automation from unsegmented UI logs

Volodymyr Leno, Adriano Augusto외 4명|arXiv (Cornell University)|2020. 08. 13.

Robotic Process Automation Applications참고 문헌 20인용 수 7

한 줄 요약

이 논문은 실제 환경에서 흔히 발생하는 분할되지 않은 사용자 인터페이스(UI) 로그에서 자동으로 로봇 프로세스 자동화(RPA) 루틴 후보를 발견하는 방법을 제안한다. 먼저 제어 흐름 그래프(CFG)와 지배 트리 기반으로 로그를 작업 유사 시퀀스로 분할한 후, 노이즈에 강건한 순차 패턴 마이닝을 적용하여 빈번하고 일관된 루틴을 추출한다. 이 방법은 합성 로그에서 삽입된 루틴을 성공적으로 재발견했으며, 실제 로그에서도 관련성 있고 정확한 루틴을 식별했으며, 대규모 로그의 경우 실행 시간이 1분 이내였다.

ABSTRACT

Robotic Process Automation (RPA) is a technology to develop software bots that automate repetitive sequences of interactions between users and software applications (a.k.a. routines). To take full advantage of this technology, organizations need to identify and to scope their routines. This is a challenging endeavor in large organizations, as routines are usually not concentrated in a handful of processes, but rather scattered across the process landscape. Accordingly, the identification of routines from User Interaction (UI) logs has received significant attention. Existing approaches to this problem assume that the UI log is segmented, meaning that it consists of traces of a task that is presupposed to contain one or more routines. However, a UI log usually takes the form of a single unsegmented sequence of events. This paper presents an approach to discover candidate routines from unsegmented UI logs in the presence of noise, i.e. events within or between routine instances that do not belong to any routine. The approach is implemented as an open-source tool and evaluated using synthetic and real-life UI logs.

연구 동기 및 목표

• 루틴이 여러 프로세스에 산재해 있고 사전에 분할되지 않은 대규모 기업 환경에서 자동화 가능한 루틴을 식별하는 데 도전하는 것.
• 기존 RPA 마이닝 기법이 사전에 분할된 로그 또는 수동으로 설정된 구분 기준을 필요로 하는 한계를 극복하는 것.
• 노이즈와 겹치는 작업 인스턴스가 포함된 원시의 분할되지 않은 UI 로그에서 자동으로 후보 루틴을 추출할 수 있도록 하는 것.
• 제어 흐름 그래프 분석과 노이즈에 강건한 패턴 마이닝을 활용해 RPA 루틴 식별의 확장성과 정확도를 향상시키는 것.
• 기업 프로세스 마이닝 파이프라인에 실질적으로 적용 가능한 오픈소스 솔루션을 제공하는 것.

제안 방법

• 노드가 UI 상호작용을 나타내고 간선이 실행 순서를 나타내는 제어 흐름 그래프(CFG)를 분할되지 않은 UI 로그에서 구축한다.
• CFG에서 지배 트리를 구축하여 제어 흐름 구조를 분석함으로써 자연스러운 루틴 인스턴스 간 경계를 식별한다.
• 지배 트리 기반으로 원본 로그를 후보 작업 시퀀스로 분할하여 반복적인 실행 경로를 분리한다.
• 분할된 로그에 노이즈에 강건한 순차 패턴 마이닝 알고리즘을 적용하여 빈번하고 반복적인 상호작용 시퀀스를 추출한다.
• 빈도, 길이, 커버리지(로그의 비율로 표현된 커버리지), 그리고 공명도(내부 일관성)의 네 가지 품질 기준을 사용해 후보 루틴을 순위 매긴다.
• 재현 가능성과 실제 환경 평가를 위해 전체 파이프라인을 오픈소스 도구로 구현한다.

실험 결과

연구 질문

• RQ1 제안된 방법은 합성된 분할되지 않은 UI 로그에 삽입된 사전 정의된 루틴을 정확하게 재발견할 수 있는가?
• RQ2 사전 분할 없이도 실제 분할되지 않은 UI 로그에서 의미 있고 정확한 후보 루틴을 식별할 수 있는가?
• RQ3 수만 건의 UI 상호작용을 포함한 대규모 로그를 처리할 때 이 방법의 확장성은 어떻게 되는가?
• RQ4 실제 환경의 로그에서 노이즈, 겹치는 루틴, 비균일한 루틴 시작에 대해 이 방법은 얼마나 강건한가?
• RQ5 행동 순서가 다를 경우에도 이 방법은 동일한 루틴의 다양한 변형을 얼마나 잘 구분할 수 있는가?

주요 결과

• 합성 로그 S1에서 삽입된 모든 루틴을 높은 정밀도로 재발견하여, 분할되지 않은 데이터에서 알려진 패턴을 회복할 수 있음을 확인했다.
• 실제 로그 S1에서는 정확한 루틴 변형과 세 가지의 다른 실행 변형을 발견했으며, 원래 사용자가 이들이 자신의 작업을 정확히 반영한다고 확인했다.
• S1 로그(약 20,000건의 상호작용 포함) 처리 시간은 41.7초였으며, 중간 크기의 로그에서도 양호한 확장성을 보였다.
• S2 로그에서는 루틴을 정확히 발견하지 못했는데, 이는 시트 간 빈번한 전환으로 인해 CFG 구축에 문제가 생기고 잘못된 분할이 발생했기 때문이다.
• S2 로그 처리 시간은 426.3초로, 로그 품질과 행동 복잡성, 특히 동시에 여러 워크북을 사용할 경우의 민감도를 드러냈다.
• 이 방법은 다중 시작점과 겹치는 루틴에 민감하며, 루틴이 연속적으로 실행되고 일관된 시작점을 공유할 때 가장 잘 작동한다.