[논문 리뷰] ProcessGPT: Transforming Business Process Management with Generative Artificial Intelligence

Amin Beheshti, Jian Yang외 7명|arXiv (Cornell University)|2023. 05. 29.

Business Process Modeling and AnalysisBusiness, Management and Accounting인용 수 3

한 줄 요약

이 논문은 데이터 중심 및 지식 집약적인 도메인에서 업무 프로세스 관리를 자동화하고 보강하기 위해 미세튜닝된 GPT 모델을 활용하는 생성형 AI 프레임워크인 ProcessGPT를 소개한다. 비즈니스 프로세스 데이터로 훈련하고 자연어 처리(NLP) 및 기계학습 기법을 통합함으로써 ProcessGPT는 맥락 인식 프로세스 모델을 생성하고 의사결정을 향상시키며 효율성을 높인다. 실제 은행 데이터 생태계 사례를 통해 자동화와 운영 품질 향상이 두드러진 결과를 입증하였다.

ABSTRACT

Generative Pre-trained Transformer (GPT) is a state-of-the-art machine learning model capable of generating human-like text through natural language processing (NLP). GPT is trained on massive amounts of text data and uses deep learning techniques to learn patterns and relationships within the data, enabling it to generate coherent and contextually appropriate text. This position paper proposes using GPT technology to generate new process models when/if needed. We introduce ProcessGPT as a new technology that has the potential to enhance decision-making in data-centric and knowledge-intensive processes. ProcessGPT can be designed by training a generative pre-trained transformer model on a large dataset of business process data. This model can then be fine-tuned on specific process domains and trained to generate process flows and make decisions based on context and user input. The model can be integrated with NLP and machine learning techniques to provide insights and recommendations for process improvement. Furthermore, the model can automate repetitive tasks and improve process efficiency while enabling knowledge workers to communicate analysis findings, supporting evidence, and make decisions. ProcessGPT can revolutionize business process management (BPM) by offering a powerful tool for process augmentation, automation and improvement. Finally, we demonstrate how ProcessGPT can be a powerful tool for augmenting data engineers in maintaining data ecosystem processes within large bank organizations. Our scenario highlights the potential of this approach to improve efficiency, reduce costs, and enhance the quality of business operations through the automation of data-centric and knowledge-intensive processes. These results underscore the promise of ProcessGPT as a transformative technology for organizations looking to improve their process workflows.

연구 동기 및 목표

• 복잡하고 변화하는 데이터 중심 및 지식 집약적인 업무 프로세스에 대한 지능형 자동화의 증가하는 수요를 해결하기 위해.
• 기존 BPM의 한계를 극복하고, 맥락과 사용자 입력에 기반해 동적으로 프로세스 모델을 생성하고 개선할 수 있는 생성형 AI 모델을 도입하기 위해.
• 생성형 AI를 자연어 처리(NLP) 및 기계학습 기법과 융합하여 실제 조직 워크플로우에서 의사결정 지원과 프로세스 효율성을 향상시키기 위해.
• 대규모 기업 환경에서 ProcessGPT의 실현 가능성과 이점을 입증하고, 특히 은행의 데이터 생태계 프로세스 유지를 중심으로 하기 위해.
• 생성형 AI를 기업 프로세스 시스템에 규범적으로, 확장 가능하고 기밀 보호를 고려한 방식으로 구현하기 위한 도전 과제를 탐색하기 위해.

제안 방법

• 업무 프로세스 기술서 및 실행 로그의 대규모 데이터셋으로 사전 훈련된 GPT 모델을 미세튜닝하여 프로세스 모델링 작업에 적합하게 조정하기 위해.
• 프로세스 관련 질의의 맥락적 이해를 향상시키기 위해 의미 분석, 개체 인식, 공명성 해결 등의 자연어 처리(NLP) 기법을 통합하기 위해.
• 사용자 입력, 시스템 상태, 규정 및 최선의 실천 방법과 같은 도메인 특화 지식을 조건으로 하여 맥락 인식 프로세스 생성을 가능하게 하기 위해.
• 확률적 추론 및 리스크 분석 구성 요소를 포함한 기계학습 파ip라인과 생성형 모델을 융합하여 의사결정 지원 기능을 강화하기 위해.
• 미래 확장성을 고려해 텍스트, 구조화된 데이터뿐 아니라 시각적 또는 음성 입력도 지원하는 다중 모odal 입력 처리 기능을 구현하기 위해.
• 사용자 상호작용과 결과 평가에 기반해 지속적으로 모델 성능을 향상시키기 위해 강화 학습과 능동 학습을 활용한 피드백 메커니즘을 설계하기 위해.

실험 결과

연구 질문

• RQ1 GPT와 같은 미세튜닝된 생성형 AI 모델이 자연어 입력과 맥락적 신호에 반응하여 정확하고 맥락에 부합하는 업무 프로세스 모델을 효과적으로 생성할 수 있는가?
• RQ2 ProcessGPT는 데이터 중심 및 지식 집약적인 업무 프로세스에서 의사결정과 자동화를 어떻게 향상시킬 수 있는가?
• RQ3 대규모 기업 프로세스 관리에 생성형 AI를 구현할 때의 주요 기술적 및 윤리적 과제는 무엇인가?
• RQ4 ProcessGPT는 기존 기업 시스템과 어떻게 통합되어 상호 운용성과 원활한 사용자 경험을 확보할 수 있는가?
• RQ5 지속적인 학습과 피드백 루프는 AI 기반 프로세스 모델의 장기적 정확성과 신뢰성 향상에 어떤 역할을 할 수 있는가?

주요 결과

• ProcessGPT는 자연어 입력과 맥락 신호에 반응해 동적으로 프로세스 모델을 생성함으로써 수동 모델링 노력을 줄였다.
• 자연어 처리(NLP) 및 기계학습 기법의 통합은 모델이 복잡한 프로세스 요구사항을 이해하고 의미적으로 정확한 워크플로우를 생성하는 능력을 향상시켰다.
• 실제 은행 사례에서 ProcessGPT는 데이터 생태계 프로세스 유지보수의 효율성과 품질을 크게 향상시켜 수동 간섭을 감소시켰다.
• 모델은 반복적이고 지식 집약적인 작업을 자동화할 잠재력을 보였으며, 데이터 엔지니어들이 고도의 분석과 의사결정에 집중할 수 있도록 했다.
• 연합 학습과 차별적 개인정보 보호 기법과 같은 기밀 보호 기술은 민감한 조직 환경에서의 안전한 배포를 위한 실현 가능한 길이다.
• 강화 학습을 포함한 지속적인 피드백 메커니즘은 사용자 상호작용과 결과 평가를 통해 시간이 지남에 따라 모델의 정확성과 적응성을 향상시킬 수 있다.