[论文解读] Recent Advances in Data-Driven Business Process Management

Lars Ackermann, Martin Käppel+22 more|arXiv (Cornell University)|Jun 3, 2024

Business Process Modeling and AnalysisBusiness, Management and Accounting被引用 3

一句话总结

本文立场论文提出了一个数据驱动业务流程管理（BPM）的研究议程，强调整合生成式AI、大语言模型（LLMs）和先进数据分析等新兴技术，以提升流程透明度、自动化水平和合规性。论文提出了一条‘预测并合规’的处理管道，用于实时合规监控，通过预测性流程挖掘和AI驱动的技术，提升端到端BPM生命周期中的决策能力、数据质量和流程自动化水平。

ABSTRACT

The rapid development of cutting-edge technologies, the increasing volume of data and also the availability and processability of new types of data sources has led to a paradigm shift in data-based management and decision-making. Since business processes are at the core of organizational work, these developments heavily impact BPM as a crucial success factor for organizations. In view of this emerging potential, data-driven business process management has become a relevant and vibrant research area. Given the complexity and interdisciplinarity of the research field, this position paper therefore presents research insights regarding data-driven BPM.

研究动机与目标

• 应对由数据爆炸和AI技术进步推动的业务流程管理（BPM）中向数据驱动决策范式转变的挑战。
• 识别并优先考虑连接技术潜力与BPM实际应用的关键研究领域，贯穿整个流程生命周期。
• 通过提升数据质量、引入新型数据源（如非结构化数据）以及增强AI分析能力，夯实BPM的基础。
• 通过整合预测性监控、合规性预测和基于AI的建议，推动流程感知自动化。
• 促进学术界与产业界之间的跨学科合作，以推进基于证据、可靠且透明的BPM系统。

提出的方法

• 提出一种‘预测并合规’处理管道，通过在运行时强制执行前先预测流程结果和合规状态，逆转传统合规监控方式。
• 利用基于事件日志和实时数据流的预测性业务流程监控技术，预测关键绩效指标（KPIs）和合规风险。
• 整合大语言模型（LLMs）和自然语言处理（NLP）技术，从非结构化数据（如电子邮件、视频和音频）中提取洞察，用于流程建模。
• 应用模型检测技术，对流程模型与合规规则进行验证，既包括事后验证（基于日志），也包括在线验证（基于数据流）。
• 探索迁移学习、联邦学习和神经符号AI等先进AI技术，以提升数据驱动BPM系统中的鲁棒性和泛化能力。
• 开发用于测量和提升流程数据质量的框架，并提供基于AI的流程实施与优化建议。

实验结果

研究问题

• RQ1 如何通过整合预测性流程监控与合规规则执行的‘预测并合规’管道，增强预测性合规监控能力？
• RQ2 大语言模型（LLMs）和自然语言处理（NLP）在从电子邮件和传感器日志等非结构化数据源中提取可操作洞察方面，对流程建模有何作用？
• RQ3 新兴AI技术（如迁移学习和联邦学习）如何提升数据驱动BPM系统的可靠性与可扩展性？
• RQ4 需要哪些框架和指标，以确保数据驱动BPM中流程数据的高质量、可信性和透明度？
• RQ5 如何通过嵌入基于AI的决策支持和实时监控，将流程感知自动化推进至任务级自动化之上？

主要发现

• ‘预测并合规’处理管道通过在运行时前预测合规状态，实现了更灵活、可维护且透明的合规监控，提升了系统的响应速度和适应能力。
• 利用大语言模型（LLMs）和NLP技术处理非结构化数据源（如电子邮件和视频）显著增强了流程发现与监控能力，支持构建更具上下文感知的流程模型。
• 当预测性业务流程监控扩展至包含合规性预测时，可实现主动风险识别，提升决策质量并减少人为偏见。
• 整合神经符号AI和联邦学习等先进AI技术，可增强数据驱动BPM应用中的模型鲁棒性、隐私保护能力和泛化性能。
• 测量和提升流程数据质量对于实现可靠的自动化和可信的AI驱动建议在BPM系统中至关重要。
• 所提出的科研议程识别出五个高影响力研究领域——数据基础、AI集成、合规监控、数据质量与自动化，为BPM的未来创新提供了结构化路径。