論文の概要: A Research on Business Process Optimisation Model Integrating AI and Big Data Analytics

• arxiv url: http://arxiv.org/abs/2511.08934v1
• Date: Thu, 13 Nov 2025 01:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.309679
• Title: A Research on Business Process Optimisation Model Integrating AI and Big Data Analytics
• Title（参考訳）: AIとビッグデータ分析を統合したビジネスプロセス最適化モデルに関する研究
• Authors: Di Liao, Ruijia Liang, Ziyi Ye,
• Abstract要約: 本研究では,人工知能とビッグデータを統合したビジネスプロセス最適化モデルを構築し,プロセスライフサイクル全体のインテリジェントな管理を実現する。 このモデルは、リアルタイムのプロセス監視と最適化を可能にするために、データ処理、AIアルゴリズム、ビジネスロジックを組み込んだ3層アーキテクチャを採用している。 複数のエンタープライズシナリオに対する実験的検証では、プロセス処理時間を42%短縮し、リソース利用率を28%改善し、運用コストを35%削減している。
• 参考スコア（独自算出の注目度）: 4.644589778994777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the deepening of digital transformation, business process optimisation has become the key to improve the competitiveness of enterprises. This study constructs a business process optimisation model integrating artificial intelligence and big data to achieve intelligent management of the whole life cycle of processes. The model adopts a three-layer architecture incorporating data processing, AI algorithms, and business logic to enable real-time process monitoring and optimization. Through distributed computing and deep learning techniques, the system can handle complex business scenarios while maintaining high performance and reliability. Experimental validation across multiple enterprise scenarios shows that the model shortens process processing time by 42%, improves resource utilisation by 28%, and reduces operating costs by 35%. The system maintained 99.9% availability under high concurrent loads. The research results have important theoretical and practical value for promoting the digital transformation of enterprises, and provide new ideas for improving the operational efficiency of enterprises.
• Abstract（参考訳）: デジタルトランスフォーメーションの深化に伴い、ビジネスプロセスの最適化が企業の競争力向上の鍵となっている。 本研究では,人工知能とビッグデータを統合したビジネスプロセス最適化モデルを構築し,プロセスライフサイクル全体のインテリジェントな管理を実現する。 このモデルは、リアルタイムのプロセス監視と最適化を可能にするために、データ処理、AIアルゴリズム、ビジネスロジックを組み込んだ3層アーキテクチャを採用している。 分散コンピューティングとディープラーニング技術により、システムは高いパフォーマンスと信頼性を維持しながら複雑なビジネスシナリオを処理できる。 複数のエンタープライズシナリオに対する実験的検証では、プロセス処理時間を42%短縮し、リソース利用率を28%改善し、運用コストを35%削減している。 このシステムは高負荷下で99.9%の可用性を維持した。 研究結果は、企業のデジタルトランスフォーメーションを促進する上で重要な理論的・実践的な価値を有し、企業の運用効率を向上させるための新しいアイデアを提供する。

関連論文リスト

• ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
  ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。 提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。 現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
  論文  参考訳（メタデータ） (2025-06-02T05:11:21Z)
• An Innovative Data-Driven and Adaptive Reinforcement Learning Approach for Context-Aware Prescriptive Process Monitoring [3.4437362489150254]
  本稿では,Fun-Tuned Offline Reinforcement Learning Augmented Process Sequence Optimizationという新しいフレームワークを提案する。 FORLAPSは、状態依存型報酬形成機構によって強化された学習を活用して、ビジネスプロセスにおける最適な実行経路を特定することを目的としている。 また,FOLAPSは資源使用時間の31%削減,プロセス時間の23%削減を実現している。
  論文  参考訳（メタデータ） (2025-01-17T20:31:35Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• A Systematic Review of Business Process Improvement: Achievements and Potentials in Combining Concepts from Operations Research and Business Process Management [0.0]
  ビジネスプロセスマネジメントと運用リサーチは、組織における価値創造を強化することを目的としています。 この体系的な文献レビューは、両方の分野から組み合わせた概念を用いた作品を特定し分析する。 その結果,資源配分とスケジューリングの問題に強い焦点が当てられている。
  論文  参考訳（メタデータ） (2024-09-02T14:13:14Z)
• Optimizing Automated Picking Systems in Warehouse Robots Using Machine Learning [15.615208767760663]
  本研究は、ディープラーニングと強化学習技術を活用した倉庫における自動ピッキングシステムに焦点を当てた。 ロボットのピッキング性能と複雑な環境への適応性を向上する上で,これらの技術の有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-29T15:39:12Z)
• Intelligent Cross-Organizational Process Mining: A Survey and New Perspectives [40.62773366902451]
  本稿では,プロセスマイニングの分野に関する具体的な見解を提唱する。 まず、プロセスマイニングの枠組み、一般的な産業応用、そして人工知能と組み合わされた最新の進歩について要約する。 この視点は、複雑な多組織データ分析のための洗練されたソリューションを提供するために人工知能を活用することによって、プロセスマイニングに革命をもたらすことを目的としている。
  論文  参考訳（メタデータ） (2024-07-15T23:30:34Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Data Quality Over Quantity: Pitfalls and Guidelines for Process Analytics [0.8399688944263843]
  データ前処理は、現実の人工知能アプリケーションの成功に大きな影響を与えている。 本稿では,産業時系列データの事前処理に関する実践的考察を行い,信頼性の高いソフトセンサの効率的な開発について報告する。
  論文  参考訳（メタデータ） (2022-11-11T19:01:21Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)

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。