Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten

Bibtex

Cite as text

						@Select Types{,
							 
							 
							 
							 
							 
							Journal   = "Band-1",
							 Title= "Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten", 
							Author= "Kai Heinrich, Patrick Zschech, Christian Janiesch, Markus Bonin", 
							Doi= "https://doi.org/10.30844/wi_2020_i1-heinrich", 
							 Abstract= "Vor dem Hintergrund einer zunehmenden Datenverfügbarkeit sowie der Motivation von Unternehmen, Geschäftsprozesse kontinuierlich zu verbessern, untersucht der Beitrag verschiedene Deep-Learning-Architekturen, die im Kontext der Prozessprognose angewendet werden können, um dadurch kritische Prozessrisiken früher und besser erkennen zu können. Das Forschungsziel ist dabei die Identifikation und Gegenüberstellung aktueller Architekturkonzepte für die Prognose von Folgeereignissen in laufenden Prozessinstanzen. Dazu werden zunächst Ansätze aus dem Bereich Deep Learning identifiziert, welche ein klares Anwendungspotenzial in der Prozessprognose aufweisen. Anschließend wird ein Testdesign entwickelt, anhand dessen die identifizierten Ansätze evaluiert und systematisch gegenübergestellt werden. Die Ergebnisse zeigen, dass neuartige Deep-Learning-Architekturen konkurrenzfähige und teilweise bessere Prognosequalitäten aufweisen als die bisher in der Literatur verwendeten Ansätze.

", 
							 Keywords= "Process Prediction, Process Mining, Process Analytics, Deep Neural Networks, Deep Learning.
", 
							}
					
Kai Heinrich, Patrick Zschech, Christian Janiesch, Markus Bonin: Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten. Online: https://doi.org/10.30844/wi_2020_i1-heinrich (Abgerufen 28.03.24)

Abstract

Abstract

Vor dem Hintergrund einer zunehmenden Datenverfügbarkeit sowie der Motivation von Unternehmen, Geschäftsprozesse kontinuierlich zu verbessern, untersucht der Beitrag verschiedene Deep-Learning-Architekturen, die im Kontext der Prozessprognose angewendet werden können, um dadurch kritische Prozessrisiken früher und besser erkennen zu können. Das Forschungsziel ist dabei die Identifikation und Gegenüberstellung aktueller Architekturkonzepte für die Prognose von Folgeereignissen in laufenden Prozessinstanzen. Dazu werden zunächst Ansätze aus dem Bereich Deep Learning identifiziert, welche ein klares Anwendungspotenzial in der Prozessprognose aufweisen. Anschließend wird ein Testdesign entwickelt, anhand dessen die identifizierten Ansätze evaluiert und systematisch gegenübergestellt werden. Die Ergebnisse zeigen, dass neuartige Deep-Learning-Architekturen konkurrenzfähige und teilweise bessere Prognosequalitäten aufweisen als die bisher in der Literatur verwendeten Ansätze.

Keywords

Schlüsselwörter

Process Prediction, Process Mining, Process Analytics, Deep Neural Networks, Deep Learning.

References

Referenzen

1. Hilbert, A., Zschech, P.: Process Analytics. WISU. 942–948 (2016).
2. van der Aalst, W.M.P., Zhao, J.L., Wang, H.J.: Business Process Intelligence: Connecting Data and Processes. ACM Transactions on Management Information Systems. 5,1-7 (2015).
3. zur Muehlen, M., Shapiro, R.: Business process analytics. In: Handbook on Business Process Management 2. pp. 137–157. Springer (2010).
4. Beheshti, S.M.R., Benatallah, B., Sakr, S., Grigori, D., Motahari-Nezhad, H.R., Barukh, M.C., Gater, A., Ryu, S.H.: Process Analytics: Concepts and Techniques for Querying and Analyzing Process Data. Springer International Publishing (2016).
5. Di Francescomarino, C., Ghidini, C., Maggi, F.M., Petrucci, G., Yeshchenko, A.: An Eye into the Future: Leveraging A-priori Knowledge in Predictive Business Process Monitoring. In: International Conference on Business Process Management. pp. 252–268 (2017).
6. Di Francescomarino, C., Dumas, M., Federici, M., Ghidini, C., Maggi, F.M., Williams, R., Simonetto, L.: Genetic algorithms for hyperparameter optimization in predictive business process monitoring. Information Systems. 74, 67–83 (2018).
7. Evermann, J., Rehse, J.-R., Fettke, P.: XES Tensorflow – Process Prediction using the Tensorflow Deep-Learning Framework. CoRR. abs/1705.01507, (2017).
8. Mehdiyev, N., Lahann, J., Emrich, A., Enke, D., Fettke, P., Loos, P.: Time Series Classification using Deep Learning for Process Planning: A Case from the Process Industry. Procedia Computer Science. 114, 242–249 (2017).
9. LeCun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature. 521, 436–444 (2015).
10. Heinrich, K., Zschech, P., Skouti, T., Griebenow, J., Riechert, S.: Demystifying the Black Box: A Classification Scheme for Interpretation and Visualization of Deep Intelligent Systems. Americas Conference on Information Systems, Cancún, Mexico (2019).
11. Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., Bengio, Y.: Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation. In: Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). pp. 1724–1734 (2014).
12. Heinrich, K., Zschech, P., Möller, B., Breithaupt, L., Maresch, J.: Objekterkennung im Weinanbau – Eine Fallstudie zur Unterstützung von Winzertätigkeiten mithilfe von Deep Learning. HMD Praxis der Wirtschaftsinformatik. (2019).
13. Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., Liu, T., Wang, X., Wang, G., Cai, J., Chen, T.: Recent advances in convolutional neural networks. Pattern Recognition. 77, 354–377 (2018).
14. Conforti, R., De Leoni, M., La Rosa, M., Van Der Aalst, W.M.: Supporting risk-informed decisions during business process execution. In: International Conference on Advanced Information Systems Engineering. pp. 116–132. Springer (2013).
15. Del-RiO-Ortega, A., Resinas, M., Cabanillas, C., Ruiz-Cortes, A.: On the definition and design-time analysis of process performance indicators. Information Systems. 38, 470– 490 (2013).
16. Evermann, J., Rehse, J.-R., Fettke, P.: A Deep Learning Approach for Predicting Process Behaviour at Runtime. In: Business Process Management Workshops, LNBIP (2016).
17. Mehdiyev, N., Evermann, J., Fettke, P.: A Multi-stage Deep Learning Approach for Business Process Event Prediction. In: IEEE 19th Conference on Business Informatics (CBI). pp. 119–128 (2017).
18. da Silva, I.N., Hernane Spatti, D., Andrade Flauzino, R., Liboni, L.H.B., dos Reis Alves, S.F.: Artificial Neural Network Architectures and Training Processes. In: Artificial Neural Networks : A Practical Course. pp. 21–28. Springer International Publishing, Cham (2017).
19. Hochreiter, S., Schmidhuber, J.: Long Short-Term Memory. Neural Computation. 9, 1735–1780 (1997).
20. Evermann, J., Rehse, J.-R., Fettke, P.: Predicting process behaviour using deep learning. Decision Support Systems. 100, 129–140 (2017).
21. Mehdiyev, N., Evermann, J., Fettke, P.: A Novel Business Process Prediction Model Using a Deep Learning Method. Business and Information Systems Engineering. (2018).
22. Krause, B., Lu, L., Murray, I., Renals, S.: Multiplicative LSTM for sequence modelling. arXiv:1609.07959 [cs, stat]. (2016).
23. Bansal, T., Belanger, D., McCallum, A.: Ask the GRU: Multi-task Learning for Deep Text Recommendations. In: Proceedings of the 10th ACM Conference on Recommender Systems. pp. 107–114. ACM, New York, NY, USA (2016).
24. Jozefowicz, R., Zaremba, W., Sutskever, I.: An empirical exploration of recurrent network architectures. In: International Conference on Machine Learning. pp. 2342–2350 (2015).
25. Dauphin, Y.N., Fan, A., Auli, M., Grangier, D.: Language Modeling with Gated Convolutional Networks. In: International Conference on Machine Learning. pp. 933–941 (2017).
26. Hu, B., Lu, Z., Li, H., Chen, Q.: Convolutional neural network architectures for matching natural language sentences. In: Advances in neural information processing systems. pp. 2042–2050 (2014).
27. Daniluk, M., Rocktäschel, T., Welbl, J., Riedel, S.: Frustratingly short attention spans in neural language modeling. arXiv preprint arXiv:1702.04521. (2017).
28. Brown, A., Tuor, A., Hutchinson, B., Nichols, N.: Recurrent Neural Network Attention Mechanisms for Interpretable System Log Anomaly Detection. In: Proceedings of the First Workshop on Machine Learning for Computing Systems (2018).
29. Werlen, L.M., Pappas, N., Ram, D., Popescu-Belis, A.: Self-Attentive Residual Decoder for Neural Machine Translation. In: Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers). pp. 1366–1379 (2018).
30. Aalst, W.M.P. van der: Process mining: data science in action. Springer (2016).
31. Verbeek, H.E., Bose, R.J.C.: Prom 6 tutorial. Technical report, Tech. Rep. (2010).
32. Sokolova, M., Lapalme, G.: A systematic analysis of performance measures for classification tasks. Information Processing & Management. 45, 427–437 (2009).
33. Shepperd, M., Bowes, D., Hall, T.: Researcher bias: The use of machine learning in software defect prediction. IEEE Transactions on Software Engineering. 40, 603–616 (2014).
34. Tax, N., Verenich, I., La Rosa, M., Dumas, M.: Predictive business process monitoring with LSTM neural networks. In: International Conference on Advanced Information Systems Engineering. pp. 477–492. Springer (2017).
35. Van Dongen, B.F.: Real-life event logs – Hospital log. Eindhoven University of Technology (2011).
36. Van Dongen, B.F.: BPI Challenge 2012. Eindhoven University of Technology (2012).
37. Steeman, W.: BPI Challenge 2013. Ghent University (2013).
38. Verenich, I.: Helpdesk, https://data.mendeley.com/datasets/39bp3vv62t/1, last accessed 2018/05/25.
39. Buijs, J.C.A.M.: Environmental permit application process (‘WABO’), CoSeLoG project – Municipality 4. Eindhoven University of Technology (2014).
40. Adadi, A., Berrada, M.: Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). IEEE Access. 6, 52138–52160 (2018).

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito