[논문 리뷰] Learning Hybrid Process Models From Events: Process Discovery Without Faking Confidence

Wil M. P. van der Aalst, Riccardo De Masellis외 2명|arXiv (Cornell University)|2017. 03. 17.

Business Process Modeling and Analysis인용 수 10

한 줄 요약

이 논문은 형식적 의미론과 의도적인 모호성을 결합한 하이브리드 프로세스 마이닝 접근법을 제안한다. 하이브리드 페트리 네트워크를 사용하여 명확한 인과관계를 정확하게 모델링하면서도, 불확실하거나 복잡한 의존관계는 비형식적으로 표현한다. 강력한 인과관계에 대해 형식적인 장소를 발견하고, 약한 또는 모호한 관계에는 '확신' 또는 '불확신' 아크를 사용함으로써, 불확실한 행동에 대해 과도한 확신을 갖지 않으면서도 확장성과 해석 가능성 확보를 달성한다.

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.

연구 동기 및 목표

• 상용 도구에서 사용되는 형식적이고 정밀한 프로세스 모델과 비형식적이지만 확장 가능한 모델 간의 격차를 해소한다.
• 데이터가 충분한 증거나 없음에도 불구하고도 이진 분류를 강요하는 기존 형식적 모델의 한계를 극복한다.
• 불확실성을 유지하고 잘못된 정밀도를 피하면서도 확장성과 해석 가능성을 보장하는 스케일러블하고 해석 가능한 프로세스 발견 기법을 제공한다.
• 잘 구조화된 프로세스 부분에 대해 형식적 추론을 가능하게 하면서도, 복잡하거나 모호한 의존관계에 대해서는 비형식적 표현을 허용한다.
• 산업적 확장성과 신뢰할 수 있는 모델 해석 능력을 동시에 확보하는 방법을 개발한다.

제안 방법

• 활동 간 잠재적 인과관계를 탐지하기 위해 구성 가능한 임계값을 사용하여 이벤트 로그에서 인과 그래프를 구축한다.
• 명확한 인과적 의존관계를 나타내는 형식적 장소를 식별하고 추가하기 위해 명시적인 품질 기준을 적용한다.
• 불확실하거나 약한 지지가 있는 의존관계를 '확신' 또는 '불확신' 아크로 표현하여, 데이터에 의해 정당화된 모호성을 유지한다.
• 하이브리드 페트리 네트워크를 기반 형식으로 사용하여, 장소에는 정밀한 의미론을, 아크에는 비형식적 메타데이터를 허용한다.
• ProM에 알고리즘을 구현하고 실제 이벤트 로그를 대상으로 평가하여 확장성과 모델 품질을 점검한다.
• 형식적 부분(장소)에 대해 기존의 성능 및 준수 분석 기법을 활용하면서도, 비형식적 아크에 대해서는 근사 지표로 확장한다.

실험 결과

연구 질문

• RQ1 어떻게 프로세스 마이닝 기법이 실제 이벤트 데이터의 불확실성을 반영하기 위해 형식적 정밀도와 의도적인 모호성을 균형 있게 조화시킬 수 있는가?
• RQ2 하이브리드 페트리 네트워크는 강력한 인과관계에 대해 형식적 의미론을 유지하면서도, 모호하거나 복잡한 의존관계는 어떻게 비형식적으로 표현할 수 있는가?
• RQ3 하이브리드 발견 접근법은 산업 규모의 로그(예: 수백만 건의 이벤트)에 대해 확장성 있게 적용되며, 동시에 상호작용 가능하고 해석 가능한가?
• RQ4 침묵 전이 또는 숨겨진 동작이 존재할 경우, 기존의 형식적 발견 알고리즘(예: 인덕티브 마이너)과 비교해 볼 때, 제안된 방법은 모델 품질과 해석 가능성 측면에서 어떤가?
• RQ5 하이브리드 모델은 형식적 추론 능력을 유지하면서도, 프로세스 마이닝 도구의 신뢰도와 사용성은 어떻게 향상시킬 수 있는가?

주요 결과

• 하이브리드 페트리 네트워크 접근법은 A→B, B→C, D→E, E→F와 같은 의미 있는 인과관계를 성공적으로 식별했으며, 인덕티브 마이너는 은폐된 전이로 인해 어떤 명확한 인과관계도 표현하지 못했다.
• BPI 2016 로그에서 인덕티브 마이너는 발견한 18개의 장소 중 유일하게 하나만 명확한 인과관계를 나타내었지만, 하이브리드 마이너는 동일한 의미 있는 장소에 더해 네 개의 추가 장소를 정확히 식별했다.
• 하이브리드 마이너는 복잡하거나 드문 경로가 존재하는 경우에도 더 높은 해석 가능성과 실제 프로세스 행동과의 높은 일치도를 보였다.
• 불확실한 관계를 '불확신' 아크로 명시적으로 표시함으로써 형식적 모델의 과도한 확신을 방지하고, 잘못된 정밀도를 피했다.
• 이 방법은 대규모 로그에 대해 잘 확장되며, 기존의 성능 및 준수 분석 기법과의 통합도 지원한다.
• 침묵 전이 존재 시 정밀도 지표가 실패함을 시사하며, 정확한 행동과 불확실한 행동을 구분할 수 있는 모델의 필요성을 강조한다. 이는 정확히 하이브리드 접근법이 제공하는 바이다.