شناسایی رانش مفهومی در نگاره‌های فرایند کسب‌وکار با استفاده از یادگیری عمیق

فرایندهای کسب‌وکار در دنیای واقعی بسیار پیچیده هستند و متناسب با تحولات محیطی دچار تغییر می‌شوند. این در حالی است که روش‌‌های کشف فرایند پایه، قادر به شناسایی این تغییرات نیستند و تنها فرایندهای ثابت را تحلیل می‌کنند؛ از‌این‌رو، روش هایی به‌منظور شناسایی رانش مفهومی در فرایندهای کسب وکار مطرح شدند. همه روش‌های موجود در این حوزه، با انتخاب ویژگی ها و مقایسه آنها با استفاده از پنجره سعی در شناسایی این تغییرات دارد. انتخاب ویژگی مناسب و همچنین اندازه مناسب پنجره چالش های اصلی این روش‌ها به‌شمار می آیند. در این پژوهش، با بیان مفهوم تعبیه دنباله که برگرفته از تعبیه واژه در دنیای پردازش زبان طبیعی است، روشی خودکار و مستقل از پنجره به‌منظور شناسایی رانش ناگهانی در نگاره‌های کسب‌وکار ارائه کرده‌ایم. استفاده از روش تعبیه دنباله، این امکان را فراهم می کند که انواع روابط میان دنباله ها و رویدادها را استخراج‌ و رانش‌های موجود در فرایندها را شناسایی کنیم. ارزیابی‌ها نشان می‌دهد که روش پیشنهادی نسبت به روش‌های موجود دقت بالاتر و تاخیر شناسایی رانش کمتری دارد.

Concept drift detection in business process logs using deep learning

Process mining provides a bridge between process modeling and analysis on the one hand and data mining on the other hand. Process mining aims at discovering, monitoring, and improving real processes by extracting knowledge from event logs. However, as most business processes change over time (e.g. the effects of new legislation, seasonal effects and etc.), traditional process mining techniques cannot capture such ldquo;secondorder dynamics rdquo; and analyze these processes as if they are in steadystate. Such changes can significantly impact the performance of processes. Hence, for the process management, it is crucial that changes in processes be discovered and analyzed. Process change detection is also known as business process drift detection. All the existing methods for process drift detection are dependent on the size of windows used for detecting changes. Identifying convenient features that characterize the relations between traces or events is another challenge in most methods. In this thesis, we propose an automated and windowindependent approach for detecting sudden business process drifts by introducing the notion of trace embedding. Using trace embedding makes it possible to automatically extract all features from the relations between traces. We show that the proposed approach outperforms all the existing methods in respect of its significantly higher accuracy and lower detection delay.