[论文解读] Large Language Models for Business Process Management: Opportunities and Challenges
本文探讨了将大语言模型（LLMs）整合到业务流程管理（BPM）全生命周期中的方法，提出了六个研究方向，涵盖应用、数据、基准测试及领域特定LLM的开发。研究识别了自动化与增强BPM任务的机遇，同时指出了幻觉、偏见和伦理风险等关键挑战，倡导采用系统化、面向任务的整合方式，并推动开源领域微调模型的发展。
Large language models are deep learning models with a large number of parameters. The models made noticeable progress on a large number of tasks, and as a consequence allowing them to serve as valuable and versatile tools for a diverse range of applications. Their capabilities also offer opportunities for business process management, however, these opportunities have not yet been systematically investigated. In this paper, we address this research problem by foregrounding various management tasks of the BPM lifecycle. We investigate six research directions highlighting problems that need to be addressed when using large language models, including usage guidelines for practitioners.
研究动机与目标
- 系统性地研究大语言模型（LLMs）如何被整合到业务流程管理（BPM）全生命周期中。
- 识别并解决在BPM中使用LLMs时面临的关键挑战，包括幻觉、偏见和伦理风险。
- 提出六个研究方向，以推进LLMs在BPM中的应用，涵盖从任务特定集成到领域微调模型开发。
- 倡导开发并使用开源的、面向BPM的LLMs，以支持研究与实际应用。
- 通过聚焦人类与LLMs在任务层面的协作，管理对LLMs的过度期望。
提出的方法
- 本研究采用探索性研究方法，将LLM能力映射到BPM全生命周期的具体阶段和管理任务。
- 基于在BPM中观察到的LLM应用，识别出六个核心研究方向，包括使用指南与系统集成。
- 该方法强调面向任务的应用，而非泛泛而谈的炒作，借鉴了现有的自然语言处理（NLP）、深度学习和知识图谱技术。
- 利用现有的LLMs（如GPT和OPT），重点关注针对BPM特定用例的微调与领域适应。
- 结合强化学习以及少样本/零样本学习的见解，评估LLM在BPM场景中的泛化能力。
- 主张将LLMs与现有BPM技术（如流程模型、文档、音频）结合，以增强上下文感知能力。
实验结果
研究问题
- RQ1如何有效将LLMs整合到BPM全生命周期的不同阶段，以支持管理任务？
- RQ2在BPM中使用LLMs时面临的关键挑战是什么，特别是事实准确性、偏见和伦理影响方面？
- RQ3LLMs应如何适应或微调，以应对领域特定的BPM挑战，如流程建模和需求工程？
- RQ4上下文感知输入（如流程图、语音备注、文档）在提升LLMs在BPM场景下的表现方面发挥什么作用？
- RQ5如何开发并使用开源的、领域特定的LLMs，以推动BPM研究与实践的发展？
主要发现
- LLMs在通过自然语言理解与生成能力增强流程建模、需求工程和流程重构等BPM任务方面展现出强大潜力。
- 将LLMs与上下文相关成果（如流程图、评论、语音备注）结合，可显著提升任务的准确性和相关性。
- 幻觉、事实性错误以及训练数据中的偏见仍是主要挑战，尤其在高风险的BPM应用场景中。
- 在BPM特定数据上对通用LLMs进行微调，可产生比使用基础模型更可靠、更具领域感知能力的输出。
- 开源领域特定LLMs可促进更广泛的研究访问，并使无商业许可障碍的组织能够实现实际部署。
- 将LLMs与现有BPM技术（如软件插件或知识图谱）结合，为实现可扩展且上下文感知的自动化提供了有前景的路径。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。