[论文解读] Large Process Models: A Vision for Business Process Management in the Age of Generative AI

Timotheus Kampik, Christian Warmuth+13 more|arXiv (Cornell University)|Sep 2, 2023

Business Process Modeling and Analysis被引用 7

一句话总结

本文提出了大型流程模型（LPMs）作为一种混合框架，将生成式人工智能（尤其是大语言模型，LLMs）与符号推理及基于知识的系统相结合，以实现上下文感知、可靠且可操作的企业流程智能。通过融合大语言模型（LLMs）与流程挖掘、知识图谱及自动化推理技术，LPMs旨在自动化生成针对不同组织情境的定制化流程模型、分析洞察及改进建议，显著降低转型工作量，同时在可靠性与精确性方面超越纯统计模型。

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.

研究动机与目标

• 解决纯统计方法与基于大语言模型（LLM）的方法在企业流程管理（BPM）中面临的局限性，这些方法在关键运营决策中缺乏可靠性、可解释性与安全性。
• 提出一种新的概念性框架——大型流程模型（LPMs），将大语言模型（LLMs）的关联能力与符号系统的分析精确性及自动化推理相结合。
• 使组织能够基于跨行业与组织类型的海量异构流程知识与绩效数据，获得定制化、可操作的洞察、流程模型及改进建议。
• 评估LPMs的技术可行性，同时识别在真实BPM应用中与信任、安全及可扩展性相关的关键研究挑战与风险。
• 为未来AI增强型BPM的研究与产业应用奠定基础，平衡生成式AI的能力与人工监督及形式化保证。

提出的方法

• 通过将微调后的通用大语言模型（LLMs）与领域特定的知识图谱及符号化流程模型相结合，构建LPMs，以实现上下文感知的推理与推断。
• 框架利用现成的大语言模型（LLMs）实现自然语言理解、查询生成与模型增强，避免从零开始进行昂贵的预训练。
• LPMs利用流程执行轨迹与性能数据，训练专门的基础模型以实现预测与反事实模拟，从而增强分析深度。
• 通过嵌入符号推理与时序逻辑，确保大语言模型（LLMs）生成输出在流程建模与分析中的正确性、可解释性与可验证性。
• 通过协调大语言模型（LLMs）、知识图谱与基于规则的推理，实现从流程设计、挖掘到分析与优化的端到端BPM生命周期支持。
• 探索多模态生成式AI组件，用于处理非文本输入（如图像中的BPMN图或访谈音频），可通过语音转文本或图像转BPMN模型进行预处理。

实验结果

研究问题

• RQ1 如何在企业流程管理（BPM）中切实整合生成式AI与符号方法及统计方法，以确保关键业务决策中的可靠性、可解释性与安全性？
• RQ2 微调后的大语言模型（LLMs）在不损害正确性的前提下，能在多大程度上生成准确、上下文相关的流程模型、查询与改进建议？
• RQ3 基于流程执行轨迹训练的基础模型在预测性与预测性流程分析中的可行性与局限性是什么？
• RQ4 如何有效处理并转换多模态输入（如图像、音频）为使用生成式AI的正式流程模型？
• RQ5 在企业环境中大规模部署LPMs之前，必须解决哪些关键技术、伦理与组织挑战？

主要发现

• 微调后的大语言模型（LLMs）可有效充当上下文上下文化器、生成器与增强器，用于符号化流程模型与查询，显示出在BPM应用中的强大可行性。
• 现有研究的初步证据（如Berti与Qafari，2023；Klievtsova等，2023）支持使用现成的大语言模型（LLMs）进行流程挖掘与建模任务的可行性。
• 将大语言模型（LLMs）与知识图谱及自动化推理相结合，可生成超越独立大语言模型能力的可解释、可靠且上下文敏感的流程洞察。
• 尽管通用大语言模型（LLMs）在BPM增强方面展现出潜力，但基于流程执行轨迹训练的专用基础模型仍处于初级阶段，需进一步研究方可实现工业部署。
• 通过预处理流程，使用生成式AI处理非文本输入（如BPMN图的图像或访谈音频）是可行的，但直接进行多模态处理仍具挑战性。
• 在缺乏严格验证与监督的情况下，将大语言模型（LLMs）部署于关键业务流程场景中，仍存在显著的信任、安全与社会影响风险。