资源约束下的处方流程监控:一种强化学习方法
本研究提出了一种基于预测得分、预测不确定性和干预因果效应来过滤和排名进行中案例的规定性流程监测方法,以最大化利益函数触发干预,考虑可用资源,在真实事件日志的评估中表现出比现有基线更好的总利益。
Jun, 2022
通过对合成数据进行实验,证明了强化学习在流程优化中的优势,其策略的表现优于因果推断方法,并且在相同的条件下更加稳健,可应用于许多总结性过程监控问题,但在线学习不是一个好的选择时,因果推断则具有优势。
Jun, 2023
本文提出了一个基于强化学习的方法来学习,通过观察过去的执行来推荐最佳活动以优化感兴趣的 KPI,首先通过学习特定 KPI 的马尔可夫决策过程,然后使用 RL 训练来学习最优策略,该方法通过在真实和合成数据集上的验证,并与异策略深度 RL 方法进行比较,表明了我们方法与深度 RL 方法相比,具有同等或更好优势,从而为利用白盒 RL 技术的场景提供了贡献,其中仅有时间执行数据可用。
Mar, 2023
本文提出了扩展预测性流程监控方法的实用性流程监控框架,该框架在预测性监控的基础上引入了警报、干预、补偿和缓解影响等概念,并且具有可参数化的成本模型来评估在特定情况下应用实用性流程监控的成本效益权衡。作者还概述了一个优化警报生成的方法,并使用一系列真实事件日志进行了实证评估。
Mar, 2018
本文通过应用增强学习算法 Q-learning 和 SARSA,使用护理流程中的事件数据,训练马尔可夫决策过程,以寻找在客户出现任何类型的攻击性行为时,员工的最佳策略。结果显示,这些算法得出的策略与目前最常用的行为相似,但在某些情况下为员工提供了更多的选择。
Oct, 2023
本文介绍了一个多阶段综合的机器学习方法,有效地将信息系统和人工智能相结合,以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制,例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测,同时采用了局部和全局版本的 SHapley 加性解释,用于研究预测过程监测问题。通过一个实际的生产计划案例研究,我们证明了所提出方法的实际适用性,强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。
Apr, 2023
介绍了使用具有 AI 动力的自动化技术的业务流程,其中包括了经典业务流程管理、目标驱动的聊天机器人、对话式推荐系统和机器人流程自动化,探讨了这一新领域中最主要的挑战,并引入合成数据集,演示了众包和目标驱动方法来进行过程监控。
Dec, 2022
提出了一种基于结果导向的 Prescriptive Process Monitoring 系统,该系统使用线性时间逻辑来定义活动之间的时间关系,通过训练机器学习分类器来预测目标结果,并在运行时返回最显著的时间模式。
Nov, 2022