論文の概要: Prescriptive Business Process Monitoring for Recommending Next Best Actions

• arxiv url: http://arxiv.org/abs/2008.08693v1
• Date: Wed, 19 Aug 2020 22:33:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 12:17:15.517509
• Title: Prescriptive Business Process Monitoring for Recommending Next Best Actions
• Title（参考訳）: 次のベストアクションを推奨する規範的ビジネスプロセス監視
• Authors: Sven Weinzierl and Sebastian Dunzer and Sandra Zilker and Martin Matzner
• Abstract要約: 予測ビジネスプロセス監視(PBPM)技術は、過去のイベントログデータに基づいて、将来のプロセスの振る舞いを予測する。 最近のPBPM技術では、最先端のディープニューラルネットワーク(DNN)を使用して予測モデルを学習し、より正確な予測を生成する。 我々は、次に最も可能性が高いアクティビティを、与えられたアクションに関する次のベストアクションに変換するPrBPMテクニックを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive business process monitoring (PBPM) techniques predict future process behaviour based on historical event log data to improve operational business processes. Concerning the next activity prediction, recent PBPM techniques use state-of-the-art deep neural networks (DNNs) to learn predictive models for producing more accurate predictions in running process instances. Even though organisations measure process performance by key performance indicators (KPIs), the DNN`s learning procedure is not directly affected by them. Therefore, the resulting next most likely activity predictions can be less beneficial in practice. Prescriptive business process monitoring (PrBPM) approaches assess predictions regarding their impact on the process performance (typically measured by KPIs) to prevent undesired process activities by raising alarms or recommending actions. However, none of these approaches recommends actual process activities as actions that are optimised according to a given KPI. We present a PrBPM technique that transforms the next most likely activities into the next best actions regarding a given KPI. Thereby, our technique uses business process simulation to ensure the control-flow conformance of the recommended actions. Based on our evaluation with two real-life event logs, we show that our technique`s next best actions can outperform next activity predictions regarding the optimisation of a KPI and the distance from the actual process instances.
• Abstract（参考訳）: 予測ビジネスプロセス監視(PBPM)技術は、過去のイベントログデータに基づく将来のプロセス挙動を予測し、運用ビジネスプロセスを改善する。 次のアクティビティ予測に関して、最近のpbpm技術は最先端のディープニューラルネットワーク(dnn)を使用して、実行中のプロセスインスタンスでより正確な予測を生成する予測モデルを学ぶ。 組織はキーパフォーマンス指標(KPI)によってプロセスのパフォーマンスを測定するが、DNNの学習手順は直接影響を受けない。 したがって、結果として得られる次の最も可能性の高い活動予測は、実際は利益が低い。 規範的ビジネスプロセス監視(PrBPM)は、プロセスパフォーマンス(典型的にはKPIによって測定される)への影響に関する予測を評価し、アラームを上げたり、アクションを推奨したりすることで、望ましくないプロセスアクティビティを防止する。 しかしながら、これらのアプローチのどれも、与えられたKPIに従って最適化されたアクションとして実際のプロセスアクティビティを推奨していない。 我々は、次に最も可能性が高いアクティビティを、与えられたKPIに関する次のベストアクションに変換するPrBPMテクニックを提案する。 これにより,提案手法はビジネスプロセスシミュレーションを用いて推奨動作の制御-フロー適合性を保証する。 2つの実生活イベントログによる評価に基づいて、我々のテクニックの次のベストアクションは、kpiの最適化と実際のプロセスインスタンスからの距離に関する次のアクティビティ予測よりも優れています。

関連論文リスト

• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• Knowledge-Driven Modulation of Neural Networks with Attention Mechanism for Next Activity Prediction [8.552757384215813]
  本稿では、手続き的プロセスモデルを用いて表現された背景知識を利用して、トレーニングデータのアンダーサンプリングをオフセットするシンボリック[Neuro]システムを提案する。 具体的には,NN分野における新たな技術であるアテンション機構を備えたNNを用いた予測を行う。 このシステムは、予測タスクの性能改善を示す複数の実生活ログでテストされている。
  論文  参考訳（メタデータ） (2023-12-14T12:02:35Z)
• Prescriptive Process Monitoring: Quo Vadis? [64.39761523935613]
  本論文はシステム文献レビュー(SLR)を通して,本分野における既存手法について考察する。 SLRは今後の研究の課題や分野に関する洞察を提供し、規範的なプロセス監視手法の有用性と適用性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-03T08:06:24Z)
• Evaluating Predictive Business Process Monitoring Approaches on Small Event Logs [0.0]
  予測的ビジネスプロセス監視は、実行中のプロセスインスタンスが実行時の完了までどのように展開されるかの予測に関係している。 提案されたアプローチのほとんどは、さまざまな機械学習(ML)技術に依存している。 本論文では,既存手法と小データセットの適合性を比較するための評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T09:36:04Z)
• Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
  NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。 まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。 次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-10T15:23:20Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• XNAP: Making LSTM-based Next Activity Predictions Explainable by Using LRP [0.415623340386296]
  予測ビジネスプロセス監視(Predictive Business Process Monitoring、PBPM)は、トレース実行時の次のアクティビティなどの振る舞いを予測するために設計されたテクニックのクラスである。 ディープニューラルネットワーク(DNN)を使用することで、次のアクティビティ予測のようなタスクにおいて、予測品質が向上する可能性がある。 本稿では,次の活動予測のための最初の説明可能なDNNベースのPBPM技術であるXNAPを提案する。
  論文  参考訳（メタデータ） (2020-08-18T15:40:07Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• Explainable Predictive Process Monitoring [0.5564793925574796]
  本稿では,予測的ビジネスプロセス監視と説明能力の両立という課題に対処する。 ゲーム理論であるShapley Valuesを用いて、予測の堅牢な説明を得る。 このアプローチは実生活のベンチマークで実装され、テストされ、予測ビジネスプロセス監視の分野でどのように説明ができるかを初めて示す。
  論文  参考訳（メタデータ） (2020-08-04T20:09:32Z)
• Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
  本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。 我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-17T03:41:19Z)
• An empirical comparison of deep-neural-network architectures for next activity prediction using context-enriched process event logs [0.0]
  研究者は様々な予測ビジネスプロセス監視(PBPM)技術を提案している。 これらのテクニックはディープニューラルネットワーク(DNN)に依存し、プロセスが実行されているコンテキストに関する情報を検討する。 我々は,提案する3つのDNNアーキテクチャの予測品質と,実証された5つの符号化手法と,コンテキストに富んだ5つの実生活イベントログに基づいて評価する。
  論文  参考訳（メタデータ） (2020-05-03T21:33:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。