[논문 리뷰] PMAx: An Agentic Framework for AI-Driven Process Mining

Anton Antonov, Humam Kourani외 3명|arXiv (Cornell University)|2026. 03. 16.

Business Process Modeling and Analysis인용 수 0

한 줄 요약

PMAx는 LLM 허구 생성과 데이터 누출을 피하기 위해 두 에이전트(Engineer 및 Analyst) 구성으로 로컬에서 프로세스 마이닝 산출물을 생성하고 해석하는 자율적이고 프라이버시를 보장하는 프레임워크입니다.

ABSTRACT

Process mining provides powerful insights into organizational workflows, but extracting these insights typically requires expertise in specialized query languages and data science tools. Large Language Models (LLMs) offer the potential to democratize process mining by enabling business users to interact with process data through natural language. However, using LLMs as direct analytical engines over raw event logs introduces fundamental challenges: LLMs struggle with deterministic reasoning and may hallucinate metrics, while sending large, sensitive logs to external AI services raises serious data-privacy concerns. To address these limitations, we present PMAx, an autonomous agentic framework that functions as a virtual process analyst. Rather than relying on LLMs to generate process models or compute analytical results, PMAx employs a privacy-preserving multi-agent architecture. An Engineer agent analyzes event-log metadata and autonomously generates local scripts to run established process mining algorithms, compute exact metrics, and produce artifacts such as process models, summary tables, and visualizations. An Analyst agent then interprets these insights and artifacts to compile comprehensive reports. By separating computation from interpretation and executing analysis locally, PMAx ensures mathematical accuracy and data privacy while enabling non-technical users to transform high-level business questions into reliable process insights.

연구 동기 및 목표

• 비전문가가 자연어 상호작용을 통해 프로세스 인사이트를 얻을 수 있도록 프로세스 마이닝을 민주화한다.
• 프라이버시 보존 메타데이터로 로컬에서 계산을 수행하여 원시 데이터에 대한 외부 AI 서비스 의존성을 제거한다.
• 사람의 개입 없이 정확한 출력을 보장하기 위한 신뢰할 수 있는 자체 수정 실행 루프를 제공한다.
• 일반적인 Python 도구를 기반으로 한 확장 가능한 오픈 소스 아키텍처를 제공하여 손쉬운 배포와 사용자 맞춤화를 가능하게 한다.

제안 방법

• 실제 데이터를 로컬 환경에 보관하기 위한 이벤트 로그의 프라이버시 보존 메타데이터 추상화를 도입한다.
• PM4Py 기반 분석을 위한 실행 가능한 Python 코드를 합성하는 Engineer 에이전트와 산출물을 해석하고 보고서를 생성하는 Analyst 에이전트로 구분-정복 다중 에이전트 워크플로우를 배포한다.
• 정적 검증과 런타임 오류에 대한 자체 수정 루프를 갖춘 제한된 화이트리스트 도구 모음(PM4Py, pandas, numpy, matplotlib, plotly, seaborn)을 적용한다.
• 코드 생성 맥락과 해석 맥락을 구분하고 효율적인 정보 교환을 보장하기 위해 협업 메모리 상태를 유지한다.
• 새로운 프로세스 마이닝 작업에 대한 로컬 배포 및 확장을 가능하게 하는 ProMoAI 내의 오픈 소스 확장을 제공한다.
• 역할 기반 컨텍스트 주입, 로컬 객체를 통한 데이터 접근, 안전하지 않은 실행을 방지하기 위한 엄격한 API 제약을 포함하는 코드 합성 워크플로우를 설명한다.

실험 결과

연구 질문

• RQ1 원시 로그를 로컬에 보관함으로써 데이터 프라이버시를 보장하면서 AI가 프로세스 마이닝을 어떻게 지원할 수 있을까?
• RQ2 자율 에이전트가 자연어 프롬프트로 프로세스 마이닝 분석(모델, 지표, 시각화)을 정확하게 합성하고 실행할 수 있는가?
• RQ3 직접 LLM 조회와 비교하여 이중 에이전트(Engineer 및 Analyst) 구성이 프로세스 마이닝 결과의 신뢰성과 해석 가능성을 얼마나 향상시킬 수 있는가?
• RQ4 실제 데이터 세트에서 워크플로우 발견, 처리량, 병목 현상, 오퍼 관련 결과와 같은 비즈니스 질문에 대답하기 위한 PMAx의 실용성과 효과는 어느 정도인가?

주요 결과

• 프레임워크는 원시 이벤트 데이터를 외부와 공유하지 않으면서 자연어 단서에서 데이터에 기반한 인사이트를 가능하게 한다.
• 검증된 코드 생성 루프는 로컬에서 실행되며 오류에 대해 자체 수정하는 실행 가능한 Python 스크립트를 생성한다.
• Analyst 구성 요소는 경험적 결과에 기초한 시각적 증거와 함께 서사적 해석을 결합한 포괄적 보고서를 생성한다.
• PMAx는 오픈 소스이고 표준 Python 라이브러리에 기반하며 추가 프로세스 마이닝 작업에 대해 확장 가능하도록 설계되어 있다.
• 실제 데이터 세트에 대한 실시간 시연은 산출물 생성 및 보고를 통해 여러 비즈니스 질문을 자율적으로 처리하는 것을 보여준다.