RefMod-Miner

A research prototype for process model analysis and reference model mining. This webseite is currently under construction. Thank you for your patience.
Run RefMod-Miner as a Service now!

Deep-Learning-Based Process Prediction

Grundidee:

Prozessmanagement zur Laufzeit birgt enorme Anwendungspotentiale für Geschäftsprozesse. So können beispielsweise Kundendienstmitarbeiter zügig Anfragen beantworten, wann ein bestimmter Fall abgeschlossen oder gelöst sein wird. Sachbearbeiter können so Prozessinstanzen mit hoher Verspätungs- oder Misserfolgswahrscheinlichkeit identifizieren und frühzeitig reagieren, um Risiken zu vermeiden. Die Prozessvorhersage ist ein wichtiger Aspekt des Prozessmanagements zur Laufzeit. Eine Vorhersage kann sich entweder auf den Ausgang des Prozesses oder die im Prozess folgenden Ereignisse beziehen. Beispiele relevanter Prozessausgänge sind der finale Zustand (z.B. “Kundenforderung wird akzeptiert” oder “Kundenforderung wird abgelehnt”), Falldaten (z.B. das Attribut “Kosten” ist kleiner als ein bestimmter Wert) oder LTL-Konformitätsformeln (z.B. “Forderung bewilligen” tritt vor “Scheck ausstellen” auf und die Aktivitäten wurden von unterschiedlichen Mitarbeitern durchgeführt). Vorhersagen können auf der Sequenz von Aktivitäten der laufenden Prozessinstanz basieren, den gesammelten Falldaten, den an den Aktivitäten beteiligten Ressourcen, den Ausführungszeiten dieser Aktivitäten oder beliebigen anderen zur Laufzeit verfügbaren Fall- oder Workflowdaten [1,2].

Im RefMod-Miner ist ein Ansatz zur Vorhersage der nächsten Prozessschritte mit Methoden des Deep Learnings implementiert. Dabei kommt ein rekurrentes neuronales Netz (RNN) zur Anwendung, welches auf vergangenen Prozessdaten trainiert wird. Für eine beliebige laufende Prozessinstanz ist dieses Netz in der Lage, die nun folgenden Prozesschritte sowie ihre voraussichtlichen Ausführungszeiten vorherzusagen.

prediction_gui

Funktionsweise im RefMod-Miner:

Der beschriebene Ansatz zur Prozessvorhersage wird mit dem Showcase der Smart LEGO® Factory umgesetzt. Dieser präsentiert in einem innovativen Szenario den Einsatz von Methoden des Geschäftsprozessmanagements für die Industrie 4.0. Es wird ein flexibler Fertigungsprozess für die Produktion von Traktoren in unterschiedlichen Varianten dargestellt. Das Modell bietet realitätsgetreu verschiedene Gestaltungsmöglichkeiten des Produktes und bindet durch manuelle Arbeitsschritte auch den Menschen in die Abläufe mit ein. Der Produktionsprozess wird zunächst basierend auf einem deskriptiven Produktions- und Produktmodell in Form eines Prozessmodells instanziiert. Dieses wird, bezogen auf das konkrete Produkt, in ein Gesamtmodell für die Wertschöpfung innerhalb der Smart LEGO® Factory eingebettet. Davon ausgehend erfolgt die vollautomatisierte Steuerung und Überwachung der realen Wertschöpfung in einem cyber-physischen System von der Teilezuführung über die eigentliche Produktion bis hin zur Qualitätskontrolle an der „End-of-Line“ und der Lagerlogistik.

 

 

Durch den oben beschriebenen Ansatz zur Vorhersage von Prozessdaten mittels Deep Learning werden im laufenden Produktionsprozess der Smart LEGO® Factory für die laufende Prozessinstanz die jeweils nächsten Prozessschritte, die Laufzeit des aktuellen Prozessschritts sowie die Laufzeit der gesamten Prozessinstanz vorhergesagt. Dabei kommt ein rekurrentes neuronales Netz, das auf vergangenen Prozessausführungen trainiert wurde, zum Einsatz. So können sowohl vorausschauend Fehler vermieden als auch proaktive Reaktionen auf mögliche Fehler angestoßen und die Prognose nachfolgender Arbeitsschritte ermöglicht werden. Die Prognose der zugehörigen Ausführungszeiten ermöglicht eine verbesserte Planung der Produktionsabläufe. So werden neue Konzepte der Künstlichen Intelligenz mit Methoden des Geschäftsprozessmanagements verbunden.

Zu sehen ist der Showcase auf der CeBIT vom 20. bis 24. März in Hannover am Stand der Software AG (Halle 4. Stand C11).

 

[1] Vgl. Joerg Evermann; Jana-Rebecca Rehse; Peter Fettke: A Deep Learning Approach for Predicting Process Behaviour at Runtime. In: Marlon Dumas; Marcelo Fantinato (Hrsg.). Proceedings of the 1st International Workshop on Runtime Analysis of Process-Aware Information Systems. International Workshop on Runtime Analysis of Process-Aware Information Systems (PRAISE-2016), located at International Conference on Business Process Management, September 18-22, Rio de Janeiro, Brazil, Springer (2016)

[2] Vgl. Joerg Evermann; Jana-Rebecca Rehse; Peter Fettke:Predicting process behaviour using deep learning. CoRR abs/1612.04600 (2016)

Hinterlasse eine Antwort

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *