Jan, 2020

企业流程中的人工智能信任：对过程感知解释的需求

PDF
TL;DR这篇研究论文讨论了如何将人工智能技术，如机器学习和深度学习，应用于企业业务流程管理，以提高效率和客户体验，并呼吁 BPM 社区构建能够向商业用户解释 AI 模型结果的解释性方法。
发现论文，激发创造
  • 可解释的人工智能用于过程建模的改进

    通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

    Dec, 2022

  • 自动化流程规划和挖掘

    本研究项目旨在通过将人工智能和商业流程管理领域的研究结合起来，自动从执行流程数据中导出流程模型，并进行自适应规划和执行实时预测的业务流程。

    Aug, 2022

  • 大型过程模型：生成式人工智能时代的业务流程管理

    通过将 LLMs 的相关性和知识系统以及自动推理方法的分析精度和可靠性相结合，提出了大型过程模型（LPM），该模型将大大减少业务转型所需的时间和工作量，并能提供比以前更深入、更有影响力和更具操作性的见解。

    Sep, 2023

  • 基于过程知识注入的人工智能：走向用户可解释性、可解读性和安全性

    AI 系统需要遵循专家制定的指导方针和流程，使用过程知识和领域知识，并提供用户可理解的解释，以在高价值、敏感或安全关键的应用程序中获得信任和信心.

    Jun, 2022

  • 可解释机器学习的原则和实践

    这篇报告对数据驱动方法 - 特别是机器学习和模式识别模型进行了综述和总结，以便于业界从业者和数据科学家更好地理解 “可解释的人工智能” 的领域并应用正确的工具。

    Sep, 2020

  • 实现企业级 AI 部署：降低商业应用中使用 AI 模型的风险

    使用人工智能技术来控制将 AI 模型部署到生产应用程序中，从而降低 AI 模型的风险。

    Jun, 2019

  • 针对业务流程的基础模型案例

    该论文探讨了发展用于处理商业流程数据的基础模型的重要性，以应对数据稀缺、多模型表示、领域特定术语和隐私问题等独特挑战。

    Oct, 2022

  • 从 DDMs 到 DNNs: 利用决策过程数据和模型改进人机交互

    人工智能研究可以通过更强调决策随时间演变的洞察和整合相关的过程数据来提高对人工智能预测的准确性和人机交互的效果。

    Aug, 2023

  • 大型语言模型可完成商业流程管理任务

    大规模语言模型（LLMs）在文本相关的业务流程管理任务中表现出与现有解决方案相当甚至更好的性能，这为未来的 BPM 研究和实际应用带来了重要的启示。

    Jul, 2023

  • AI 增强的业务流程管理系统：一份研究宣言

    本研究提出了 AI-Augmented Business Process Management Systems (ABPMSs) 的概念，并讨论了需要克服的研究挑战，以实现提高业务流程执行的可适应性、主动性、可解释性和上下文敏感性的目标。

    Jan, 2022