可解释的人工智能用于过程建模的改进

Dec, 2022

可解释的人工智能用于过程建模的改进

Explainable Artificial Intelligence for Improved Modeling of Processes

Riza Velioglu, Jan Philip Göpfert, André Artelt, Barbara Hammer

TL;DR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。

Abstract

In modern business processes, the amount of data collected has increased substantially in recent years. Because this data can potentially yield valuable insights, automated knowledge extraction based on process mining has been proposed, among other techniques, to provide users with int

process mining machine learning transformer architectures attention mechanisms predictive abilities

发现论文，激发创造

企业流程中的人工智能信任：对过程感知解释的需求

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。

Jan, 2020

可解释可解释的机器学习方法用于预测过程监控：系统文献综述

该论文通过 PRISMA 框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

Dec, 2023

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

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

深度学习和大数据应用的自动数据处理和特征工程：一项调研

现代人工智能（AI）的方法旨在设计可以直接从数据中学习的算法，本文综述了深度学习流程中自动化数据处理任务的方法，包括数据预处理、数据增强和特征工程，并讨论了自动机器学习方法和工具在整个机器学习流程中的优化应用。

Mar, 2024

为流程挖掘定制机器学习

本文探讨了在将机器学习模型整合进过程挖掘管道中所需考虑的问题，特别是数据分布的非参数性以及并发限制，提出了正确地将机器学习与过程挖掘相结合的方法学基础及在这一方向上的研究思路。

Jun, 2023

面向可解释的人工智能

本文介绍了机器学习和深度学习算法在科学和工业领域中的应用及其不透明性问题，提出了解释性学习算法和可视化方法的重要性。

Sep, 2019

可解释 AI 增强横向销售 —— 以能源零售为例

该研究通过分析一个能源零售商的 220,185 位客户数据，使用可解释人工智能方法预测交叉销售，并证明 SHAP 方法提供的解释对实际买家有效，进一步阐明了信息系统、可解释人工智能和关系营销的相关研究意义。

Aug, 2022

可解释的人工智能：理解、可视化和解释深度学习模型

基于深度学习的解释性可视化方法在人工智能领域日益被重视，本文总结了目前解释深度学习模型的最新发展，并提出两种解释预测的方法，并将这些方法用于三个分类任务中进行评估。

Aug, 2017

以解释为基础的决策：关于可解释人工智能在辅助决策中的角色的人类中心评估

最近的实证研究调查了可解释人工智能对人工智能决策的影响，识别了挑战并提出未来的研究方向。

Dec, 2023