論文の概要: PMAx: An Agentic Framework for AI-Driven Process Mining

• arxiv url: http://arxiv.org/abs/2603.15351v1
• Date: Mon, 16 Mar 2026 14:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.481582
• Title: PMAx: An Agentic Framework for AI-Driven Process Mining
• Title（参考訳）: PMAx: AI駆動プロセスマイニングのためのエージェントフレームワーク
• Authors: Anton Antonov, Humam Kourani, Alessandro Berti, Gyunam Park, Wil M. P. van der Aalst,
• Abstract要約: 仮想プロセスアナリストとして機能する自律エージェントフレームワークであるPMAxを提案する。 プロセスモデルの生成や解析結果の計算にLLMに頼るのではなく、プライバシを保存するマルチエージェントアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 44.712128560040384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process mining provides powerful insights into organizational workflows, but extracting these insights typically requires expertise in specialized query languages and data science tools. Large Language Models (LLMs) offer the potential to democratize process mining by enabling business users to interact with process data through natural language. However, using LLMs as direct analytical engines over raw event logs introduces fundamental challenges: LLMs struggle with deterministic reasoning and may hallucinate metrics, while sending large, sensitive logs to external AI services raises serious data-privacy concerns. To address these limitations, we present PMAx, an autonomous agentic framework that functions as a virtual process analyst. Rather than relying on LLMs to generate process models or compute analytical results, PMAx employs a privacy-preserving multi-agent architecture. An Engineer agent analyzes event-log metadata and autonomously generates local scripts to run established process mining algorithms, compute exact metrics, and produce artifacts such as process models, summary tables, and visualizations. An Analyst agent then interprets these insights and artifacts to compile comprehensive reports. By separating computation from interpretation and executing analysis locally, PMAx ensures mathematical accuracy and data privacy while enabling non-technical users to transform high-level business questions into reliable process insights.
• Abstract（参考訳）: プロセスマイニングは、組織ワークフローに関する強力な洞察を提供するが、これらの洞察を抽出するためには通常、専門的なクエリ言語やデータサイエンスツールに関する専門知識が必要である。 大規模言語モデル(LLM)は、ビジネスユーザーが自然言語を介してプロセスデータと対話できるようにすることで、プロセスマイニングを民主化する可能性を提供します。 LLMは決定論的推論に苦労し、メトリクスを幻覚させる可能性がある一方で、大きな機密性の高いログを外部AIサービスに送信することは、データプライバシの深刻な懸念を引き起こす。 これらの制約に対処するため,仮想プロセスアナリストとして機能する自律エージェントフレームワークであるPMAxを提案する。 プロセスモデルの生成や解析結果の計算にLLMに頼るのではなく、プライバシを保存するマルチエージェントアーキテクチャを採用している。 エンジニアエージェントは、イベントログメタデータを分析し、確立したプロセスマイニングアルゴリズムを実行し、正確なメトリクスを計算し、プロセスモデル、概要表、視覚化などのアーティファクトを生成するために、ローカルスクリプトを自動生成する。 分析エージェントは、これらの洞察とアーティファクトを解釈して包括的なレポートをコンパイルする。 計算を解釈から分離し、分析をローカルに実行することにより、PMAxは数学的精度とデータのプライバシを確保すると同時に、非技術者のユーザが高レベルのビジネス質問を信頼性のあるプロセスインサイトに変換することを可能にする。

関連論文リスト

• Large Language Model Agent for User-friendly Chemical Process Simulations [0.0]
  大規模言語モデル (LLM) エージェントは AVEVA Process Model Protocol (MCP) と統合され、自然言語のシミュレーションを可能にする。 2つのケーススタディは、異なるタスクの複雑さと相互作用モードにわたるフレームワークを評価する。 このフレームワークは、技術的な概念の翻訳と実証によって教育目的と、データ抽出の自動化、ルーチンタスクの高速化、サポートによって経験豊富な実践者の両方に役立ちます。 オーバーシンプル化、計算エラー、技術的ヒックアップといった現在の制限は専門家の監視を必要とするが、このフレームワークはLSMベースのエージェントが貴重な協力者になれることを示唆している。
  論文  参考訳（メタデータ） (2026-01-15T12:18:45Z)
• Integrating Domain Knowledge into Process Discovery Using Large Language Models [3.7448613209842967]
  本稿では,自然言語で表現されたドメイン知識をプロセス発見パイプラインに組み込む対話型フレームワークを提案する。 このフレームワークは、LLM(Large Language Models)、ドメインエキスパート、バックエンドサービスのセット間のインタラクションを調整する。 我々の実証研究は、実際のイベントログに基づくケーススタディと、フレームワークのユーザビリティと有効性を評価するドメインエキスパートの関与を含む。
  論文  参考訳（メタデータ） (2025-10-08T15:59:11Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• LLM Agents for Interactive Workflow Provenance: Reference Architecture and Evaluation Methodology [3.470217255779291]
  本稿では,対話型大規模言語モデル(LLM)エージェントをランタイムデータ解析に活用する評価手法,参照アーキテクチャ,オープンソース実装を提案する。 提案手法では,自然言語を構造化された前処理クエリに変換する軽量なメタデータ駆動型設計を用いる。 LLaMA、GPT、Gemini、Claudeにまたがる評価では、多様なクエリクラスと現実世界の化学ワークフローを網羅し、モジュール設計、即時チューニング、Retrieval-Augmented Generation (RAG)が正確で洞察に富んだエージェント応答を可能にすることを示している。
  論文  参考訳（メタデータ） (2025-09-17T13:51:29Z)
• IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
  IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。 エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。 最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
  論文  参考訳（メタデータ） (2025-05-23T09:37:52Z)
• TAIJI: MCP-based Multi-Modal Data Analytics on Data Lakes [25.05627023905607]
  モデルコンテキストプロトコル(MCP)に基づく新しいマルチモーダルデータ分析システムを提案する。 まず,データレイクにおけるマルチモーダルデータのクエリに適したセマンティック演算子階層を定義する。 次に、MPPベースの実行フレームワークを紹介し、各MPPサーバは、特定のデータモダリティに最適化された特別な基礎モデルをホストする。
  論文  参考訳（メタデータ） (2025-05-16T14:03:30Z)

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。