Temel Kavramlar
SNAP nutzt die Reichhaltigkeit der Sprache, um kohärente Geschichten aus Ereignisprotokollen von Geschäftsprozessen zu erstellen und diese zur Verbesserung der Vorhersage der nächsten Aktivität zu verwenden.
Özet
Der Artikel stellt den SNAP-Algorithmus vor, der darauf abzielt, die Leistung der Vorhersage der nächsten Aktivität in Geschäftsprozessen durch die Nutzung semantischer Informationen in Ereignisprotokollen zu verbessern.
Der Algorithmus besteht aus mehreren Schritten:
- Auswahl relevanter Merkmale aus den Ereignisprotokollen
- Generierung einer Geschichtenvorlage mithilfe eines großen Sprachmodells (LLM)
- Transformation der Prozessverläufe in semantische Geschichten basierend auf der Vorlage
- Feinabstimmung eines vortrainierten Sprachmodells (LFM) auf der Aufgabe der Vorhersage der nächsten Aktivität
Die Autoren führen umfangreiche Experimente auf sechs öffentlich zugänglichen Datensätzen durch und zeigen, dass SNAP die aktuellen Benchmark-Modelle signifikant übertrifft, insbesondere für Datensätze mit hohem semantischen Gehalt wie im Bereich der konversationellen Robotic Process Automation (RPA).
İstatistikler
Die durchschnittliche Fallänge im MIP-Datensatz beträgt 49,6 Aktivitäten.
Der NASA-Datensatz enthält 94 verschiedene Aktivitäten.
Der BPI13in-Datensatz umfasst 65.533 Ereignisse in 7.554 Fällen.
Alıntılar
"SNAP's core idea of using the richness of language for transforming processes into semantic stories"
"SNAP's state-of-the-art results for the next activity prediction task using the most popular PBPM datasets, including a conversational RPA domain."