[논문 리뷰] Large Process Models: A Vision for Business Process Management in the Age of Generative AI

Timotheus Kampik, Christian Warmuth외 13명|arXiv (Cornell University)|2023. 09. 02.

Business Process Modeling and Analysis인용 수 7

한 줄 요약

이 논문은 생성형 AI, 특히 대규모 언어 모델(Large Language Models, LLMs)을 상징적 추론과 지식 기반 시스템과 융합한 하이브리드 프레임워크인 대규모 프로세스 모델(Large Process Models, LPMs)을 제안한다. 이를 통해 맥락 인식이 가능하고 신뢰할 수 있으며 실행 가능한 기업 프로세스 인텔리전스를 실현한다. LLMs를 프로세스 마이닝, 지식 그래프, 자동 추론과 융합함으로써, 다양한 조직 환경에서 맞춤형 프로세스 모델, 분석적 통찰, 개선 권고 사항의 자동 생성을 목표로 하며, 순수 통계 모델을 초월해 전환 노력의 감소와 함께 신뢰성 및 정밀도 향상을 이룬다.

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.

연구 동기 및 목표

• 기업 프로세스 관리(BPM)에서 순수 통계 기반 LLM 기반 접근법의 한계를 해결하기 위해, 핵심 운영 결정에 대한 신뢰성, 설명 가능성, 안전성 부족 문제를 해결하고자 한다.
• LLMs의 상관관계 분석 능력과 상징적 시스템 및 자동 추론의 분석 정밀도를 융합한 새로운 개념적 프레임워크인 대규모 프로세스 모델(Large Process Models, LPMs)을 제안하고자 한다.
• 다양한 산업 및 조직 유형에서의 광범위하고 이질적인 프로세스 지식 및 성과 데이터 코퍼스를 기반으로, 조직이 맞춤형으로 실행 가능한 통찰, 프로세스 모델, 개선 권고 사항을 제공받을 수 있도록 하고자 한다.
• 실제 BPM 응용 분야에서 신뢰성, 안전성, 확장성과 관련된 주요 연구 과제와 위험 요소를 규명하면서 LPMs의 기술적 타당성을 평가하고자 한다.
• 생성형 AI의 능력과 인간의 감시 및 공식적 보장 조건을 균형 있게 고려한 AI 보강 기반 BPM의 향후 연구 및 산업 적용 기반을 마련하고자 한다.

제안 방법

• LPMs는 미세조정된 일반 목적 LLMs를 도메인 특화 지식 그래프와 상징적 프로세스 모델과 통합하여 맥락 인식 추론과 추론을 가능하게 한다.
• 시스템은 비용이 많이 들지 않는 사전 훈련 없이도, 일반 제품 LLMs를 활용해 자연어 이해, 질의 생성, 모델 보강을 수행한다.
• LPMs는 프로세스 실행 트레이스와 성과 데이터를 활용해 예측 및 가상 시뮬레이션을 위한 전문화된 기초 모델을 훈련시켜 분석 깊이를 강화한다.
• 정확성, 설명 가능성, 검증 가능성 확보를 위해 상징적 추론과 시간 논리가 프로세스 모델링 및 분석에서 LLM이 생성한 출력에 통합된다.
• LLMs, 지식 그래프, 규칙 기반 추론을 조율함으로써 프로세스 설계, 마이닝, 분석, 최적화에 이르기까지 전주기 BPM 라이프사이클 지원을 가능하게 한다.
• 비텍스트 입력(예: 이미지에서의 BPMN 다이어그램, 인터뷰 오디오 등)을 처리하기 위해 다중모달 생성형 AI 구성요소를 탐색하며, 음성-텍스트 또는 이미지-비즈니스 프로세스 모델 변환 모델을 통한 사전 처리를 고려한다.

실험 결과

연구 질문

• RQ1 생성형 AI는 기업 핵심 결정에 있어 신뢰성, 설명 가능성, 안전성을 확보하기 위해 BPM에서 상징적 및 통계적 방법과 어떻게 의미 있게 통합될 수 있는가?
• RQ2 미세조정된 LLMs가 정확성과 맥락 특화성을 유지하면서도 정확성에 손상을 주지 않고 정확한 프로세스 모델, 질의, 개선 권고 사항을 생성할 수 있는 정도는 어느 정도인가?
• RQ3 프로세스 실행 트레이스에 기반한 기초 모델을 활용한 예측 및 의사결정 프로세스 분석의 타당성과 한계는 무엇인가?
• RQ4 이미지, 오디오 등 다중모달 입력은 어떻게 효과적으로 처리되어 형식적인 프로세스 모델로 변환될 수 있는가?
• RQ5 기업 환경에서 LPMs를 대규모로 배포하기 전에 해결해야 할 주요 기술적, 윤리적, 조직적 과제는 무엇인가?

주요 결과

• 미세조정된 LLMs는 상징적 프로세스 모델 및 질의의 맥락화, 생성, 보강 기능을 효과적으로 수행하며, BPM 응용 분야에서 높은 타당성을 보여준다.
• 기존 연구들—Berti와 Qafari(2023), Klievtsova 등(2023)—의 초보적 증거는 일반 제품 LLMs를 활용한 프로세스 마이닝 및 모델링 작업의 타당성을 뒷받침한다.
• LLMs를 지식 그래프 및 자동 추론과 융합함으로써, 단독 LLMs의 능력을 초월해 설명 가능하고 신뢰할 수 있으며 맥락 민감한 프로세스 통찰을 생성할 수 있다.
• 일般 목적 LLMs는 BPM 보강에 있어 잠재력이 있지만, 프로세스 실행 트레이스에 기반한 전문화된 기초 모델은 여전히 초기 단계이며 산업적 배포 전에 추가 연구가 필요하다.
• 이미지 또는 인터뷰 오디오 등 비텍스트 입력을 처리하기 위해 생성형 AI를 활용하는 것은 사전 처리 파이프라인을 통해 가능하지만, 직접적인 다중모달 처리는 여전히 도전 과제이다.
• 신뢰성, 안전성, 사회적 영향 측면에서 여전히 큰 위험이 존재하며, 특히 철저한 검증과 감시 없이 임무 핵심 기업 프로세스 환경에 LLMs를 도입할 경우 더욱 심각한 문제가 발생할 수 있다.